面向對象的高分辨率遙感影像道路損毀識別研究

田衛方，王 斌

(北京交通大學土木建筑工程學院，北京 100044)

面向對象的高分辨率遙感影像道路損毀識別研究

田衛方，王 斌

(北京交通大學土木建筑工程學院，北京 100044)

道路損毀信息在災后高效救援中發揮著重要作用。本文針對高分辨率遙感影像空間特征豐富、光譜分辨率低的特點，基于面向對象遙感影像分類方法，采用eCognition軟件對蘆山震后0.2 m航空遙感影像進行了道路損毀信息的提取試驗。試驗中結合GIS信息，首先將基于現有的道路矢量線文件生成的道路矢量面文件參與分割，生成單獨的道路區域對象以用于進一步處理。分割采用棋盤分割和多尺度分割，根據損毀道路影像特征創建波段比值，使用Assign算法和模糊分類算法提取出道路線、植被、損毀區和未損毀區，并將結果輸出為矢量文件。根據損毀區損毀對象的周長、面積與道路寬度的關系，建立判定條件來初步判定損毀類型。最終將損毀粗判定結果與損毀路段的目視解譯結果對比分析，檢驗該方法的準確率及可行性。結果分析表明上述方法能有效地識別出高分辨率遙感影像損毀道路信息。

面向對象分類；eCognition；損毀道路；道路矢量

一、引 言

道路信息是地理信息數據庫的重要組成部分，在人們的日常生活中起著至關重要的作用，尤其在發生地震等重大災害的危急情況下，道路作為抗震救災的生命線，及時、有效地獲取道路的路況及損毀信息，是高效救援、減少生命及財產損失的關鍵。遙感影像不受時間和空間條件的限制，能靈活方便地監測災害的發生發展進程，特別是SPOT、IKONOS及無人機等高分辨率影像的出現，使得影像中地面細節表現更加豐富，為損毀道路信息的識別提供了有力支撐。

目前的道路損毀識別方法有基于多時相遙感影像的變化檢測和基于單時相遙感影像的目視解譯。變化檢測的方法能有效地識別出道路損毀信息[1]，但其對前后時相影像的依賴性較強，目視解譯的方法精度高，但是工作量大，效率低。本文基于面向對象的遙感分類技術，結合現有的矢量道路信息，利用eCognition軟件對四川蘆山地震后的高分辨率遙感影像開展道路損毀信息自動提取與損毀粗判定，并結合目視解譯結果進行精度評價以驗證該方法的可行性。

二、研究方法

面向對象遙感分類技術處理的基本單元是影像分割所得的同質圖斑，通過建立圖像分層網絡，結合影像的空間、紋理、背景等屬性特征，利用分類器實現影像的分類。面向對象分類方法得到的對象語義信息豐富，適合于處理高分辨率遙感影像，屬于遙感影像的較高層次理解。充分結合道路的背景等相關特征，有助于實現可靠、智能的自動化道路提取[2]。

1.道路影像特征識別

面向對象遙感分類技術需要根據完好道路和損毀道路的特征來制定規則集用于精準的分類。根據文獻[3]對道路特征的總結可知：完整的道路幾何特征明顯，長寬比值大，曲率限制在一定范圍內，方向變化緩慢；輻射特征為內部灰度均勻，有明顯的邊緣；拓撲特征明顯，具有連續性，且相互交叉連成網絡；與居民地及具有一定功能的設施相連接。同時，受損的道路路面粗糙，光譜值發生改變；路基路面損毀時空間連續性破壞，道路長寬比改變；周圍存在滑坡泥石流等地質災害[4]。

2.面向對象分類技術

對高空間分辨率的遙感影像進行面向對象分類時，首先要對影像進行分割操作。高空間分辨率遙感影像具有豐富的紋理特征和空間特征，地物細節表現豐富，若對整幅影像完全分割則會耗費大量的時間，效率會大大地降低。為此，運用現有的道路矢量文件參與分割，能單純地分割出研究區域，從而節省大量的時間[5]。然后僅對研究區域進行多尺度分割，充分利用研究區損毀道路的光譜因子和形狀因子特征，經過多次分割試驗確定合適的分割尺度。

遙感影像分辨率的提高使得影像包含的地物信息更為豐富，面向對象的遙感分類在不同尺度中提取不同地物信息，在不同尺度下呈現不同的地物細節特征。面向對象分類提高了影像處理的語義層次，實現了從基于像元的分析層次向基于單元的分析層次和基于符號的分析層次的轉變，彌補了傳統基于像元層次分類方法的語義缺陷問題[6]。經過觀察可知，研究區靠近山區，道路兩側植被茂盛，分割出的損毀道路對象中不僅包含泥石流及落石等崩塌、滑坡碎屑，而且還有車輛、植被、行人等，這將對分類結果產生極大的干擾，因此要根據分割對象的光譜等特征來分類，以有效地排除干擾物。

3.技術路線

技術路線如圖1所示。

圖1

三、試驗結果及分析

1.研究區域和數據源

本次試驗數據采用民政部國家減災中心在四川蘆山地震后獲取的航空遙感數據，該影像包含藍(450～520 nm)、綠(520～660 nm)、紅(630～690 nm)三個波段，空間分辨率為0.2 m。矢量資料為國家測繪地理信息局的1∶5萬基礎地理數據。研究區寶興縣屬于亞熱帶氣候，暴雨強度大，處在四川盆地與青藏高原東南緣過渡地帶，為四川向斜與川西地槽交接處，地層出露較全；縣城所在地穆坪鎮為兩山夾一溝“V”字型峽谷，地形高陡，平均坡度大于45°，易發生滑坡、泥石流等地質災害。試驗所用影像整體呈東西方向，所獲區域為寶興縣穆坪鎮境內新光村段，全長3.1 km，平均海拔為1100 m。省道沿影像方向延伸，由小關子至寶興縣方向，左側為青衣江。道路兩側植被發育較好，道路寬度均勻，呈現灰暗色調，從影像上看，伴有嚴重的崩塌泥石流現象，部分區域有樹陰遮擋現象。

2.面向對象分類地物提取過程

(1)影像分割

分割是面向對象分類過程的重要環節，本文采用eCognition軟件開展道路損毀信息的識別研究。由于本次試驗研究對象為省道，呈狹長形條帶狀，僅占整幅影像的很小一部分，若將整幅影像整體用來研究，則會耗費大量的時間，效率會大大降低。在道路提取中，結合GIS信息，能優化提取結果[7]。本文采用道路矢量數據參與分割，能單獨分割出道路區域以減少不必要的時間消耗。

鑒于所能獲取的道路矢量為線文件，因此需要將線文件與影像道路配準處理后，生成與道路寬度相符的矢量面文件來參與分割。多尺度分割是基于異質性最小的區域合并算法來進行的。棋盤分割是最簡單的分割算法，是將特定的影像對象裁剪成一個給定大小的相等正方形。為了提高效率，在矢量數據參與分割時，采用棋盤分割算法，取較大的分割參數，將道路區域分割出來。基于矢量文件分割的對象需根據其屬性信息生成道路區域，并將此區域設置為研究區，繼而對道路區域進行多尺度分割，能有效提高道路損毀信息的識別效率。

多尺度分割中的最優尺度分割參數需要反復試驗驗證。考慮分割對象的光譜特征、形狀特征，對分割尺度、形狀及緊致度3個參數進行調整，并對分割結果進行比較得出最佳參數。在此次試驗中，經過研究發現參數尺度為30，形狀系數為0.7和緊致度為0.3時，能很好地分類出道路線、植被和未損毀區；分類完成后發現未分類部分分割尺度較大，因此有進行再分割的必要，對未分類區進行尺度參數為20的第二次分割。

(2)特征參數的選取及規則集的建立

上述過程中分割出的對象包含3類，即植被、完整道路的非損毀區和泥石流掩埋、落石等覆蓋的損毀區。雖然NDVI算法能有有效地區分出植被，但僅包含3個波段的遙感影像不能創建此算法。針對不同的遙感影像分類時，分類規則參數的設置不同[8]。因此，經過反復試驗發現，創建波段間比值，利用比值區間也能很好地將幾種地物區分開。本文研究創建的波段間的比值算法分別為

(3)分 類

Assign Class算法是最簡單的分類算法，由上述設置的波段間比值算法驗證可知，選取單一的波段比值能將植被、完整道路以及大部分的損毀區分別分類。模糊分類數學分類器是一種軟分類器，考慮對象類別的不確定性，賦予0到1之間的屬性值，使得樣本對象不再單純屬于某一個類別，而是不同程度地隸屬于多個類別[9]。

閾值能精確地區分出地物，故本文首先考慮使用Assign Class算法。經過驗證，得出以下閾值條件：根據道路邊線和中線為條帶狀的特點，在第一次分割完畢后，取L/W≥5的對象為道路線；繼而使用ratio2≥1區分出了植被；當取ratio1≤0.95時能有效地分類出道路的未損毀區。再次分割后取ratio4≤2.97分類出的地物屬于路面即損毀區。使用閾值分類之后發現，尚有少量剩余的未分類地物，此時利用模糊分類算法的不確定性，根據其隸屬度來自動歸類。分類完成后，把分類的4種地物分別進行區域合并，至此分類完成。進行多尺度分割以及分類如圖2所示。

圖2

3.損毀路段檢出的規則

分類結束后，損毀區地物被分類出來。為了自動有效地識別道路損毀的具體情況，根據文獻[10]2010年對損毀路段快速評估的描述，綜合道路的相關特點，本文采用損毀路段損毀物的周長C、面積S與道路寬度d的相關關系，建立道路損毀判定規則集，用于道路損毀情況的粗判定。判定規則見表1。

表1

4.損毀檢出及精度評價

本文研究區道路寬度為10 m，分類結果顯示共得出損毀對象60個，根據上述判定規則對面向對象的損毀區分類結果進行初步判定，由分類和目視解譯的損毀對象個數來確定準確率。研究區損毀情況、目視解譯結果及相應準確率見表2。

表2

從表2中可以看出，文中方法針對路面零散覆蓋物有較好的識別效果，準確率可達92.8%；中度損毀清理后可暢行的情況識別準確率為92%，經過目視解譯查看圖像，有2輛停在路面的大卡車被誤識別為中度損毀對象，這在一定程度上削弱了識別的準確率。重度損毀誤判有2處：一部分是滑坡泥石流等路面覆蓋物光譜值與省道路面光譜值相近而造成較大損毀區域被分割成2個重度損毀對象；另外一處是路面留存有泥石流殘跡而被錯判為損毀通行受限，從而造成重度損毀的分類對象數量多于實際，需結合目視解譯來對分類結果修正。從上述分析中可以看出，該方法雖然存在一定的錯分率，有關特征及規則需要反復試驗來改進，但是從識別道路損毀信息的自動化程度、效率和準確率上看，該方法有效地提取了道路損毀區域的粗略信息，能為震后應急管理相關部門提供決策支持。

四、結束語

面向對象的分類方法能夠很好地利用遙感影像豐富的地物空間特征，已經用于地物的自動提取與識別，但是對于道路損毀的自動提取尚處于試驗階段。道路損毀信息的識別目前仍是以目視解譯為主。本文根據道路的損毀段覆蓋物的特點，結合遙感影像的空間特征和光譜、形狀特征制定分類規則，借鑒前人對道路及其他地物的自動提取研究經驗，在一定程度上有效地提取出了損毀道路的情況，結合目視解譯進行修正后能準確提供損毀區域位置及損毀情形。經過對比目視解譯結果的分析可知，面向對象的分類技術能很好地用于震后道路的應急處理，該方法具有一定的應用價值。隨著研究的不斷深入，計算機自動識別精度會進一步提高，將來面向對象遙感分類技術會更好地用于遙感和GIS行業的自動生產實踐中。

[1] 趙福軍，張磊.面向對象的遙感震害信息提取方法—以汶川地震為例[J].地震，2009，29(S0)：130-138.

[2] 許高程，畢建濤，王星星.面向對象的高分辨率遙感影像道路自動提取實驗[J].遙感應用，2012(2)：108-111.

[3] VOSSELMAN G，KNECHTDE J.Road Tracing by Profile Matching and Kalman Filtering[C]∥Automatic Extraction of Man-made Objects from Aerial and Space Images.[S.l.]：Birkhauser Verlag Basel，1995：265-274.

[4] 王艷萍，姜紀沂，林玲玲.高分辨率遙感影像中道路震害信息的識別方法[J].計算機工程與應用，2012，48(3)：173-175.

[5] 陳世榮，馬海建，范一大，等.基于高分辨率遙感影像的汶川地震道路損毀評估[J].遙感學報，2008(6)：949-955.

[6] 游麗平.面向對象的高分辨率遙感影像分類方法研究[D].福州：福建師范大學，2007.

[7] 史文中，朱長青，王昱.從遙感影像提取道路特征的方法綜述與展望[J].測繪學報，2001，30(3)：257-262.

[8] 任玉環，劉亞嵐，魏成階，等.汶川地震道路震害高分辨率遙感信息提取方法探討[J].遙感技術與應用，2009，24(1)：52-56.

[9] CAPRIOR M，TARANTINO E.Urban Features Recognition from VHR Satellite Data with an Object-oriented Approach[J].Challenges in Geospatial Analysis，Integration and VisualizationⅡ，2003(9)：176-180.

[10] 秦軍，曹云剛，耿娟.汶川地震災區道路損毀度遙感評估模型[J].西南交通大學學報，2010，45(5)：768-774.

An Object-oriented Method for Road Damage Recognition from High Resolution Remote Sensing Images

TIAN Weifang，WANG Bin

P237

B

0494-0911(2014)11-0064-04

2014-05-08

田衛方(1988—)，女，河南蘭考人，碩士生，研究方向為遙感應用。

田衛方，王斌.面向對象的高分辨率遙感影像道路損毀識別研究[J].測繪通報，2014(11)：64-67.

10.13474/j.cnki.11-2246.2014. 0365