基于特征融合的HJ-1-CSAR圖像道路特征提取算法

陸萍萍 杜康寧 禹衛(wèi)東 王 宇 鄧云凱

①(中國科學院電子學研究所 北京 100190)

②(中國科學院大學 北京 100190)

1 引言

道路信息在軍事和民用方面都有大量的應用，如地圖更新、道路導航、交通狀況監(jiān)測、城市發(fā)展監(jiān)控等。在震后救援中，道路的堵塞和損毀情況也是優(yōu)先考慮的部分。此外，道路作為圖像處理中一個基本特征，準確的道路提取結果為更高層次的研究，如多時相多視角圖像配準、城市建筑塊的分割等，提供了堅實的基礎[1]。隨著近年來遙感技術的迅猛發(fā)展，從海量遙感數(shù)據(jù)中進行信息提取已成為一個重要研究方向，而合成孔徑雷達(SAR)作為一種主動微波成像傳感器，具有全天時全天候的卓越性能，成為一種不可或缺的對地觀測工具。環(huán)境一號C雷達衛(wèi)星(以下簡稱HJ-1-C)是中國首顆民用雷達衛(wèi)星，也是我國自主研制的第1顆S波段的合成孔徑雷達(SAR)衛(wèi)星，針對HJ-1-C展開的應用研究對于推動我國SAR系統(tǒng)的發(fā)展意義重大。

道路特征在低分辨率 SAR圖像上通常表現(xiàn)為狹長的暗線條，隨著SAR圖像空間分辨率的提高，在帶來更為豐富的地物細節(jié)的同時，也引入了相對于感興趣目標來說更多的干擾信息。如道路上的車流和行人、兩側的植被等干擾因素會導致道路的散射特性不均勻，在圖像上會出現(xiàn)模糊、甚至道路被打斷、呈現(xiàn)出不連續(xù)狀態(tài)，因此，道路提取算法的魯棒性亟待提升。此外，正規(guī)道路的建設都有一定的科學依據(jù)，遵循一定的標準，不同道路的建設標準也不相同，如主干道為雙向多車道，而輔路則可能為單向或單車道，所以在道路提取之前需要弄清楚道路的特征，使得道路提取算法中的參數(shù)設計與之相匹配，克服由于參數(shù)失配帶來的虛假目標。

前人在 SAR圖像道路信息提取方面中取得了大量成果[2－7]，道路提取方法按照是否需要人工參與可分為半自動和自動道路提取兩大類，完全自動識別各類道路還不現(xiàn)實，但自動識別某一種類型道路還是取得了一定的成功，獲得了一些有意義的算法。完整的自動道路提取通常包括3個層次：低層次的道路特征提取、中層次的道路基元提取和高層次的道路網(wǎng)絡建立，而道路特征的提取在道路提取中的作用至關重要，決定著整個道路提取算法的性能和效率。道路特征點的提取主要分為兩大類：邊緣檢測法和分類法。前者注重對線特征的檢測，常用方法包括均值比率(Ratio Of Averages, ROA)及其改進方法、廣義似然比(GLR)、加權的均值比率(Ratio Of Exponentially Weighted Averages, ROEWA)在內(nèi)的一些適用于 SAR圖像的恒虛警率的邊緣檢測算子，多用于中低分辨率的SAR圖像道路提取；后者則注重通過幅度信息區(qū)分出道路點，常用方法包括FCM聚類[6]、CFAR檢測器、神經(jīng)網(wǎng)絡、閾值化處理等，該類方法在光學圖像中應用較多，也適用于中高分辨率的SAR圖像；此外還有基于小波變換的道路提取方法，如基于Beamlet和基于Ridgelet的道路特征提取方法[7]，該類方法運算效率較之前兩類方法較低，普適性有待驗證。

本文為高效、準確地提取HJ-1-C SAR圖像中的道路特征，首先，針對HJ-1-C數(shù)據(jù)特點，提出了一種包括非線性量化和多尺度自回歸濾波相結合的預處理方法；隨后，在對經(jīng)典的線特征提取算法分析比較的基礎上，提出了一種綜合考慮道路比率信息和方向性信息的道路提取算法。文章結構安排如下：第1部分為引言，對SAR圖像中的道路提取進行簡要回顧與分析；第2部分為算法細節(jié)描述，詳細介紹了提出的預處理方法和改進的道路提取方法，并給出了道路提取步驟；第3部分為實驗結果及性能分析；最后一部分是總結及進一步研究方向。

2 算法描述

本文從3個方面分析了SAR圖像的道路特征提取問題，包括圖像預處理、線特征提取和性能評估。由于SAR圖像受到相干噪聲的影響，通過圖像預處理增強了圖像的紋理特性同時抑制了相干噪聲，這為后面道路提取提供了先決條件。道路提取主要解決的是SAR圖像中的道路片段提取，從特征上表現(xiàn)為提取SAR圖像中暗帶狀區(qū)域。算法主要步驟如圖1所示。

2.1 圖像預處理

獲得的HJ-1-C SAR圖像動態(tài)范圍窄，大部分區(qū)域處在較低灰度級上，整體偏暗，而高亮區(qū)域存在部分像素點過飽和現(xiàn)象。針對上述特點，本文首先利用灰度直方圖去除少量過飽和點，獲得圖像的動態(tài)范圍，然后通過線性或非線性拉伸將圖像灰度級擴展到 0-255之間，其中非線性操作可利用Gamma校正，將暗區(qū)灰度值向上抬升，鑒于原始SAR圖像整體偏暗，Gamma值的設置應小于 1。通過上述操作，可實現(xiàn)HJ-1-C SAR圖像的標準可視化效果。

本文采用的濾波方法建立在多尺度自回歸模型基礎[8]上，首先，對經(jīng)過非線性量化的圖像進行高斯金字塔分解，得到一組不同尺度下的 SAR圖像X0, X1,… , Xp，粗尺度上的像素值可通過細尺度上的相應位置臨近的像素值求和(或插值)得到；利用式(1)構建 MAR((Multiscale Auto Regressive)模型：

圖1 算法流程Fig.1 Workflow of the proposed algorithm

其中，a =[a1a2… ap]為模型的自回歸系數(shù)，ε為誤差項， Xi為Xi?1的父節(jié)點，p為模型的階次。通過最小二乘法估計得模型參數(shù)a，從而得到對最細尺度的預測，如式(2)所示。

通過高斯金字塔分解得到的各個尺度上的圖像具有較好的平滑性，因此，通過 MAR模型預測得到的最細尺度上的圖像同樣具有較好的平滑性，同時該模型是建立在層與層像素間相關性的基礎上，預測得到的圖像細節(jié)保持能力更好。

2.2 3窗口ROA算子

ROA(Ratio Of Average)算子[9－12]可用于階躍邊緣和線邊緣的提取，其基本思想假設窗口區(qū)域為同質(zhì)區(qū)，將窗口內(nèi)像素的均值作為該區(qū)域的特征值，通過計算相鄰窗口比值的最小值，以此表征中心點存在暗條紋的可能性大小。ROA算子的原理圖及計算公式見圖2和式(3)-式(5)。在圖2(a)中M1, M2, M3分別表示3個窗口區(qū)域圖像的均值，圖中所示檢測方向為90°，通過角度旋轉(zhuǎn)可以得到不同角度θk的窗口。通過式(3)-式(5)，即可求得均值比率R及道路方向θ。圖2(b)，圖2(c)給出了理想情況和加入噪聲情況下，ROA算子在中心點的響應函數(shù)，從圖示可知，ROA算子在高噪聲的情況下也具有較好的性能。

2.3 基于方向和比率融合的道路提取算法

應用ROA算子進行道路提取，需要旋轉(zhuǎn)窗口求取多方向的比率，將各個方向比率的最大值作為道路可能性大小的表征。在求解均值比率R的過程中，還得到了另外一個重要的參量道路方向θ。相對于R來說，θ具有一定的道路走向指示能力，非道路區(qū)的θ雜亂無章，而道路區(qū)的θ則具有一致性和連續(xù)性。在某些道路片段，由于道路區(qū)的干擾(綠化帶、建筑、水體)會導致R較小，而θ則具有一定的魯棒性，偏差不會太大。因而 θ可以作為R的重要補充，本文正是基于該思想設計基于方向信息和比率融合的道路提取方法，以期提高ROA算子性能。

2.3.1 方向矢量分解 如何有效融合R和θ信息是提高道路提取性能的核心。本文策略為將R看作極化坐標下道路矢量的半徑大小，θ看作該矢量的方向，將極坐標(R ,θ)通過式(6)轉(zhuǎn)化為笛卡爾直角坐標(px, py)，這樣，x方向和y方向的坐標均為R和 θ的函數(shù)，這種分解方法優(yōu)點為：(1)可以將0°和90°相互交叉的直線分離到不同的平面中，使得兩個方向上的直線能量更集中；(2)由于其分解結果去除了垂直信息干擾，在進行2次直線提取時，提取的直線連續(xù)性優(yōu)于直接利用R或θ進行直線提取的結果。

2.3.2 道路主方向提取 從局部來看，道路趨向于對齊在兩個主方向上[3]，通過上述矢量分解，水平和垂直方向的直線被分離到正交的平面中，相互干擾降低。但對于一幅城區(qū)SAR圖像，道路主方向并非恒定在垂直和水平方向，直接矢量分解對于道路去交叉的效果并不明顯。針對該問題，本文通過提取道路主方向，將道路矢量旋轉(zhuǎn)到道路主方向上，最大可能地分離出交叉的道路。當場景較大，道路走向不一致時，可采取分塊操作，提取每個圖像塊內(nèi)的主方向分別進行主方向?qū)R和后面的2次道路提取操作。

圖2 均值比率算子原理示意圖Fig.2 A schematic drawing that illustrates the processing step of ROA

提取道路主方向的方法有多種，如方向直方圖，Hough[13]變換，Radon[14]變換等。Radon變換具有全局搜索能力強、抗噪性好等優(yōu)點，因此，本文選用 Radon變換。Radon變換將圖像平面(x, y)中的一條直線 ρ=x cos?+y sin? 映射到參數(shù)空間中的一個點(ρ,?)，其數(shù)學表達式為：

其中，D為整個圖像平面，R(x,y)為均值比率圖R在(x,y)處的取值，δ為狄拉克函數(shù)，ρ為(x,y)平面原點到直線的距離，?為原點到直線的垂線與x軸的夾角。

對于給定的?和ρ值， f(ρ,?)值越大，表示圖像中存在滿足該參數(shù)直線的可能性越大。為求取待分析區(qū)域SAR圖像的道路主方向，首先，在f平面內(nèi)求取局部峰值，然后，將?方向?qū)乃蟹逯颠M行疊加得到(?)，其意義為圖像在該方向存在直線的可能性指標，最后，求取(?)最大值對應的角度?main作為道路主方向，其數(shù)學描述如式(8)所示：

2.3.3 主道路方向?qū)R 在實現(xiàn)道路主方向提取的基礎上，通過道路矢量旋轉(zhuǎn)至主方向從而實現(xiàn)交叉道路的最佳分解，該步驟可通過矩陣旋轉(zhuǎn)操作實現(xiàn)，見式(9)。

2.3.42 次道路提取與融合 經(jīng)過上述步驟后，可得到兩個道路具有明顯可分性的指示分量和。分別將和看作兩幅圖像，在這兩幅圖像上分別使用ROA算子和互相關算子提取亮條紋 。ROA算子與式(3)-式(4)相似，只是式(3)中分式的分子分母互換。式(10)-式(11)為互相關算子的計算方法。

其中，ξij為i區(qū)和j區(qū)的互相關值，ni為i區(qū)的像素點數(shù)，cij=Mi/ Mj為區(qū)域均值比，γi為區(qū)域方差系數(shù)，ξ為區(qū)域中心的互相關值。然后對提取的信息進行融合，方法如式(12)所示：

在對融合后的信息進行簡單的閾值化及形態(tài)學操作，即可得到兩個主方向上的道路信息，合并即可得到最終的道路特征提取結果。

2.4 算法評估

對于SAR圖像道路特征提取常用的評價指標[15]為：提取率pd、正確率co、提取品質(zhì)qu及 ROC曲線，其數(shù)學描述見式(13)-式(15)。

其中，Ntp表示正確提取到的道路上的像素點數(shù)，Nap表示真實道路上的像素點數(shù)，Nd表示提取到的像素點數(shù)。Nap的計算可以通過手動獲取或從Google earth中下載真實的道路網(wǎng)。

3 實驗結果及分析

3.1 數(shù)據(jù)描述及預處理

本文采用HJ-1-C獲取的首批SAR圖像來進行算法驗證，獲取時間為2012年12月9日，照射地點為武漢，圖像尺寸為 3689×2377，圖像灰度值為0到255。原始圖像如圖3(a)所示。經(jīng)過非線性量化步驟后的圖像如圖 3(b)所示，從圖中可以看到圖像的可視化效果明顯提升，道路表現(xiàn)出的線條也比原始圖像更加明顯，但是由于較暗區(qū)域的像素值被整體抬高，圖像的相干噪聲也隨之擴大。圖 3(c)給出了經(jīng)過 MAR濾波步驟后的圖像，對比可發(fā)現(xiàn)，經(jīng)過濾波后的 SAR圖像平滑性提高、道路區(qū)域更明顯。為了更好地進行算法的細節(jié)展示，文中選取圖3(c)中道路豐富的方框內(nèi)的圖像切片進行算法各個步驟的分析，圖像尺寸為1149×712，如圖3(d)所示，為了便于后續(xù)的道路提取效果評估，圖 3(e)給出了手動提取的該地區(qū)的真實道路。

3.2 道路提取步驟分析

使用ROA算子提取紋理信息，相應的參數(shù)設置如下：θ的間隔為5°，滑動窗的寬度和長度從左至右依次為8, 1, 8和51, 31, 51。當窗口寬度設置過大時，會出現(xiàn)細節(jié)模糊及對細道路響應不明顯；當窗口寬度設置過小時，會出現(xiàn)虛假邊緣及道路的多次響應；當窗口長度設置過短時，會導致提取到的道路連續(xù)性較差；當窗口長度設置過長時，會導致對短道路的響應不明顯。因此設置時需要根據(jù)圖像中道路寬度和道路長度來設置，提取結果如圖4所示。圖4(c)對應于圖4(a)中紅框區(qū)域的道路走向，觀察可知：(1)對應于道路區(qū)域的方向矢量具有較好的一致性；(2)在某些比率值R較小的情況下，其大致方向仍可正確指示道路走向。由此可見，道路方向性指標蘊含豐富的信息量，對于僅利用比率信息進行道路提取，是一個有效的補充參量。

圖3 HJ-1-C 衛(wèi)星武漢地區(qū)實驗數(shù)據(jù)Fig.3 Experimental data covering Wuhan areas acquired by HJ-1-C

圖4 基于ROA的初次提取結果Fig.4 The result of ROA detector

對提取的比率圖進行整體Radon變換，結果如圖5所示。其中圖5(a)為2維參數(shù)空間，值越大表明原始圖像出現(xiàn)滿足該點對應參數(shù)的直線可能性越大，白框為檢測到的局部峰值，圖 5(b)中的曲線為相同角度下峰值的累加值，其最大值出現(xiàn)在67°處，表明切片圖像對應的道路主方向與y軸夾角是67°。

道路主方向?qū)R的實驗結果如圖 6所示，圖6(a)，圖6 (b)分別是主方向?qū)R前道路矢量在x和y方向的分解結果，圖6(c)，圖6(d)是對齊后分解結果。通過4個圖中的紅、藍、黃3個矩形框的對比，可以分析出，經(jīng)過主方向?qū)R后的道路矢量在x和y方向相關性得到了最大程度上的分離，黃色和紅色方框所示可驗證該方法可有效地分解交叉線，便于2次道路提取與檢測，而藍框區(qū)域則表明非主方向道路經(jīng)過主方向?qū)R后，能量在兩個平面內(nèi)有所擴散，但從整體來看各類直線數(shù)量較少，且從圖7(a)，圖 7(b)可知，擴散的能量對該類道路的檢測影響不大。最后通過對圖6提取到的兩個方向的分解結果分別進行2次道路提取，如圖7(a)，圖7(b)所示，融合的道路提取結果如圖7(c)所示。

3.3 道路提取結果定量分析

本文選取提取率、正確率和品質(zhì)因數(shù)3個參量進行性能評估。為了驗證預處理步驟對道路提取結果的影響，文中評估了4種情況下的道路提取結果：(1)進行包括非線性量化和自回歸濾波步驟在內(nèi)的道路提取；(2)僅進行自回歸濾波的道路提取；(3)僅進行非線性量化的道路提取；(4)不進行任何預處理的道路提取。圖8和表1分別給出了直觀和定量的比較結果，圖 8(a)的提取率和品質(zhì)因數(shù)明顯優(yōu)于其它3種情況，結果表明預處理步驟的有效性。

此外，本文還對比了僅利用比率圖或方向圖的道路提取結果以及文獻[3]中提出的多尺度特征融合算子和文獻[7]中提出的利用Beamlet進行道路特征提取的結果，如圖9所示，表2給出了定量分析結果。在選擇最優(yōu)參數(shù)的情況下，本文方法具有最佳的提取性能，尤其是正確率和品質(zhì)因數(shù)要明顯優(yōu)于其它4種方法。為了測試算法在大場景下的提取效果，將圖像分割為256×256的圖像塊，依次進行道路提取，結果如圖10所示，提取率為83.2%，正確率為 80.5%，品質(zhì)因數(shù)為 70.1%，分塊的策略不僅可以加速運算效率，而且能彌補大場景下道路走向多變、主道路方向不一致的缺陷，提高算法的適用性。需要說明的是大場景的提取率與前面的小場景下的提取率(91.9%)相比有所下降，原因在于由于SAR的側視成像幾何導致的疊掩、陰影等影響，使得部分地區(qū)的道路不可見或出現(xiàn)斷續(xù)情況，影響了整體的提取率，該現(xiàn)象可通過利用全局信息進行一定彌補，但實現(xiàn)完全提取是不現(xiàn)實的。

表1 預處理步驟對道路提取結果影響的定量評估Tab.1 Quantitative evaluations of the influence of preprocessing procedure to road feature extraction

圖5 基于Radon變換的主方向提取Fig.5 The main direction extraction based on Radon method

圖6 道路矢量分解Fig.6 Decomposition of road vector

圖7 道路特征的2次提取結果Fig.7 The road feature extraction result after operation of fused feature detector

圖8 預處理步驟對道路提取結果的影響Fig.8 The influence of the preprocessing procedure to the road extraction result

表2 提取精度對比分析Tab.2 Quantitative evaluation and comparison of the road extraction results

圖9 道路提取結果分析比較Fig.9 The comparison with other road extraction methods

圖10 在大場景中得到的道路提取結果Fig.10 The experimental result on the whole SAR image

4 結束語

本文的主要目的是提取HJ-1-C衛(wèi)星SAR圖像城市地區(qū)的道路特征。本文在均值比率算子的基礎上，提出綜合考慮窗口比率信息和道路方向性信息的道路特征提取方法。通過矢量分解和主方向?qū)R，最大可能性地去除交叉道路的干擾，然后在分離的平面上分別進行2次道路提取。該方法充分利用了比率信息和方向信息的互補性，克服了單一方法在提取交叉道路方面的不足，實驗結果表明提出的算法在大場景HJ-1-CSAR圖像下具有更高的正確率和品質(zhì)因數(shù)。本文主要完成了道路提取步驟中的道路特征提取，沒有考慮道路全局信息對道路片段進行連接，建立完整的道路網(wǎng)絡，在后續(xù)的研究中將逐步完善。

[1]Schwarz G, Soccorsi M, Chaabouni-Chouayakh H, et al..Automated information extraction from high resolution SAR images TerraSAR-X interpretation application[C].IEEE Geoscience and Remote Sensing Symposium, Cape Town, South Africa, 2009: 677-680.

[2]Dawn S, Saxena V, and Sharma B.Remote sensing image registration techniques: a survey[C].International Conference on Image and Signal Processing, Quebec, Canada, 2010:103-112.

[3]Negri M, Gamba P, Lisini G, et al..Junction-aware extraction and regularization of urban road networks in high-resolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(10): 2962-2971.

[4]Gamba P, Dell’Acqua F, and Lisini G.Improving urban road extraction in high-resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts[J].IEEE Geoscience and Remote Sensing Letters, 2006, 3(3):387-391.

[5]Wessel B and Wiedemann C.Analysis of automatic road extraction results from airborne SAR imagery[J].International Archives of Photogrammetery Remote Sensing and Spatial Information Sciences, 2003, 34(3/W8): 105-112.

[6]Chanussot J, Mauris G, and Lambert P.Fuzzy fusion techniques for linear features detection in multitemporal SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 1999,37(3): 1292-1305.

[7]Salari E and Zhu Y.A road extraction method using beamlet transform[C].2012 IEEE International Conference on Electro Information Technology (EIT), Indianapolis, USA, 2012: 1-4.

[8]劉愛平, 付琨, 尤紅建, 等.基于 MAR-MRF 的 SAR 圖像分割方法[J].電子與信息學報, 2009, 31(11): 2556-2562.Liu Ai-ping, Fu Kun, You Hong-jian, et al..SAR image segmentation based on multiscale auto regressive and Markovrandom field models[J].Journal of Electronics & Information Technology, 2009, 31(11): 2556-2562.

[9]Tupin F, Maitre H, Mangin J F, et al..Detection of linear features in SAR images: application to road network extraction[J].IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(2): 434-453.

[10]Oliver C J, Blacknell D, and White R G.Optimum edge detection in SAR[J].IEE Proceedings-Radar, Sonar and Navigation, 1996, 143(1): 31-40.

[11]Ganugapati S S and Moloney C R.A ratio edge detector for speckled images based on maximum strength edge pruning[C].International Conference on Image Processing, Washington,USA, 1995: 165-168.

[12]Sun Hua-dong, Su Fu-lin, and Zhang Ye.Modified ROA algorithm applied to extract linear features in SAR images[C].International Symposium on Systems and Control in Aerospace and Astronautics, Harbin, China, 2006: 1211-1213.

[13]Skingley J and Rye A J.The Hough transform applied to SAR images for thin line detection[J].Pattern Recognition Letters,1987, 6(1): 61-67.

[14]賈承麗.SAR 圖像道路和機場提取方法研究[D].[博士論文], 國防科學技術大學, 2006.Jia Cheng-li.The research on extraction of roads and airport from SAR imagery[D].[Ph.D.dissertation], National University of Defense Technology, 2006.

[15]Wiedemann C.External evaluation of road networks[J].International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 2003, 34(3/W8): 93-98.