面向對象的高分辨率遙感影像數據的道路提取流程
——地理國情普查數據的自動提取

陶舒，周旭，劉倩，程滔，高志宏

（國家基礎地理信息中心，北京100830）

面向對象的高分辨率遙感影像數據的道路提取流程
——地理國情普查數據的自動提取

陶舒，周旭，劉倩，程滔，高志宏

（國家基礎地理信息中心，北京100830）

為了提高地理國情普查數據生產的自動化程度，針對高分辨率遙感影像的特征，以道路為例，基于面向對象的思想構建了一套通用性較高的數據提取方法流程，并以北京門頭溝、河南鄭州市作為實驗區，證實自動提取規則的有效性。研究結果表明，郊區道路的自動化提取精度比城區道路更高；大比例尺基礎數據的引入，可屏蔽掉緩沖區外非道路要素的干擾，提高分類精度。

面向對象；地理國情普查；數據提取；道路；高分辨率遙感影像

0 引 言

開展地理國情普查是社會經濟發展到一定階段的必然要求，也是測繪地理信息部門順應時代需求、實現轉型發展的戰略選擇［1］。按照相關規定與方案［23］，地理國情普查要求以覆蓋全國陸地國土的、分辨率優于1m的多源航空航天遙感影像數據作為主要數據源進行信息提取。顯然，基于高分辨率遙感數據進行地理國情普查有著不可替代的優勢，比如宏觀、動態、便捷、可重復和成本低等，但是如此大范圍大批量應用高分數據，也會存在一定的挑戰：首先，在高分辨率遙感影像上，地物特征并不是單一的由光譜信息體現出來，而是結合地物的空間信息共同表現的，因此基于高分影像進行信息提取時，要綜合考慮地物的形狀、紋理、結構等空間信息的共同作用，根據其特點采取新的技術方法；其次，數據量龐大，如何高效、快速、準確地完成數據處理和信息提取，最大限度地實現自動化，也是工程化管理提出的新要求。

數十年來，研究人員提出建立了許多自動、半自動信息提取的理論框架、試驗系統與算法。以道路為例，有Snake模型方法［4－5］、水平集方法［6］、動態規劃方法［7］、模板匹配方法［8］、Hough變換方法［9］、面向對象［10－14］和數學形態［15］方法等，其中面向對象是近年來提出的新方法，具有明顯的優勢［16］。然而，受制于問題本身的復雜度、難度和當前科技發展的水平，要研制達到滿足工程需要且具有很高自動化程度的實用系統，在理論和算法上仍面臨著較大的困難。

本文以面向工程生產為導向，對高分辨率遙感影像上數據自動提取的理論與方法進行了分析和探索，以道路為例，基于面向對象的思想構建了一套通用性較高的方法流程，使其對道路的提取精度盡可能不受地域差異、傳感器等因素的干擾，滿足地理國情普查工程大范圍提取信息的需求。

1 研究方法

地理國情普查數據成果包含地表覆蓋分類、地理國情要素和地表形態3種表現形式。按照地表覆蓋的形式采集道路時，除鐵路外的其他道路覆蓋分類統一歸為無軌路面，包括公路、城市道路、鄉村道路的路面，含無植被覆蓋、經硬化的路堤、路塹的范圍［2］。

相比中低分辨率影像上的光譜綜合作用，高分辨率影像細節信息繁多，同物異譜、異物同譜的現象非常明顯，因而路面表現為連續的、灰度變化、寬度變化緩慢的狹長區域，并且受路面噪聲（如汽車、非均一材質、綠化帶以及陰影等）、周邊建筑物、停車場等其他要素的干擾較大［17］。研究證明，面向對象的分類方法可以有效地解決噪聲問題，更好地利用目標的特征［18］。該方法一般分為兩個階段：一是分割階段，即把高分辨率遙感圖像分割成一些空間上相鄰、光譜相似的同質區域；二是知識庫構建階段，即選用合適的特征，經特征計算獲得關于單元的特征矢量，通過模式分類方法或模式匹配，將分割單元歸類到對應的模式類。

1.1 影像分割

影像分割是遙感圖像處理和分析中的關鍵技術，選用哪種分割方法、分割結果的好壞直接影響到后續道路信息分析和識別的精度。常見的有棋盤分割、四叉樹分割和多尺度分割［19］3種方法。結合分割效果及道路特征，本文選用多尺度分割，即綜合考慮遙感影像的光譜特征和形狀特征，計算影像中每個波段的光譜異質性與形狀異質性的綜合特征值，然后根據各個波段所占的權重，計算影像所有波段的加權值，當分割出對象的光譜和形狀綜合加權值小于某個指定的閾值時，進行重復迭代運算，直到所有分割對象的綜合加權值大于指定閾值，即完成影像的多尺度分割操作［18］。

1.2 知識庫構建

知識庫是多種特征的集合，道路提取質量的好壞關鍵在于建立的知識庫中的規則是否能夠有效地區分地物，因此必須充分了解道路在影像上的特征。有關道路特征的描述可概括為以下幾類：①幾何特征。整體寬度相對均一，邊緣變化緩慢；相比于其他對象，道路對象一般長度較長，長寬比較大；且延伸一般趨向于直線方向，在道路設計中，考慮到車輛拐彎的可行性及安全因素，彎曲的道路部分曲率一般比較小，彎曲變化緩慢。②輻射特征。道路在遙感影像上的輻射特征主要受材質的影響，一般有瀝青表面、水泥混凝土表面和土石表面3種，其中瀝青表面常見于城市道路，該類材質的道路表面的反射率較低，在高分辨率遙感影像上通常表現為灰度較暗的狹長區域；水泥混凝土表面常見于大部分的公路表面，由于水泥的反射率較高，通常在高分辨率遙感影像上表現為明亮的狹長區域，而且分布較均勻；土石表面常見于鄉村道路，該類道路與野外農田等環境有明顯的差別，道路在高分辨率影像上表現為明亮的線狀區域。③拓撲特征。道路通常相互連通、交叉并且連通成網絡，一般不會在某個區域突然中斷或孤立存在。④道路噪聲。通常情況下，受樹木、建筑物及其陰影、道路中心的障礙物（如綠化帶）、車輛、道路年齡差異、路面材料等因素的影響，影像上道路灰度呈現出不均一狀態，形成差異明顯的斑塊；此外，道路邊界模糊且道路周圍的地物具有與道路相似的灰度特征，容易導致錯誤區域的檢測，即不屬于道路區域的地物有可能會檢測為道路區域。

基于以上分析，本文以北京試點區域為例，從道路（包括公路、城市道路、鄉村道路3種類型）、非道路（主要包括建筑物、植被）類型中分別選取50個對象作為試驗樣本，分別計算光譜、形狀、紋理特征參數值，然后運用SEaTH（Seperability and Thresholds）算法進行特征空間優化，即計算特征參數值的J－M（Jeffries－Matusita）距離作為度量不同類別間可分性的分離度，由此選擇分離度較大的幾個參數作為優選特征，并按照從易到難的原則人為構建道路分層提取規則。關于最優閾值的確定，則以SEaTH算法計算的特征閾值作為參考，結合試驗結果進行調整，計算公式為［20］：

式中，假設類別c1的樣本特征值服從均值為m1、方差為σ21的正態分布，類別c2的樣本特征值服從均值為m2、方差為σ22的正態分布，T為特征閾值，p（c1）和p（c2）分別表示類別c1、c2的先驗概率，這里用類別樣本的數目n1和n2來代替。

2 技術流程

具體技術流程如圖1所示。考慮到地理國情普查區域的基礎地理信息數據、專題輔助資料（通常為道路網矢量數據）詳盡程度不一致，下文在道路提取過程中不涉及輔助資料的嵌入。但是實際操作時，對于輔助資料較好的區域，可利用道路網矢量數據按路寬的距離生成緩沖區，然后僅在緩沖區內按以下3個流程提取道路特征，從而有效地排除其他要素的干擾，提高分類精度［21］。

圖1 道路提取技術流程圖

2.1 “潛在道路”提取

在本階段，主要目的是提取與道路具有相似形狀特征的要素作為“潛在道路”，并從中剔除與道路光譜、空間拓撲特征有明顯差異的要素。

（1）第一層分割

在此次分割中，需要將道路分割成一個個具有一定長度的長條狀對象，并保證道路邊緣的清晰。設置第一層分割參數，參考值：分割尺度（Scale）為100，形狀因子（Shape）為0.7，緊致度（Compactness）為0.5，波段權重均為1。

（2）第一層知識庫構建

分割后的影像對象中，道路具有以下兩個特征：一是在灰度上具有一定的相似性；二是這些對象具有一定的長度或較大的長寬比。其中，形狀是道路區別于其他類型地物的主要特征。經試驗，不對稱性（Asymmetry）能較好地表達這一特征。對于一個影像對象來說，可近似于一個橢圓，不對稱性則表示為橢圓的短軸和長軸的長度比，因此一個影像對象越長，它的不對稱性越高。給Asymmetry設定閾值（參考值0.81），提取大于該閾值的對象作為“潛在道路”。

從結果發現，由于主干道中間的綠化帶等植被覆蓋區也呈條帶狀，因此被誤分入“潛在道路”中。考慮到植被在綠波段上的反射率較低，可結合利用歸一化植被指數（NDVI）與綠波段均值（Mean Layer Green），剔除植被的影響（參考值分別為0.139、557.3）。此外，考慮到道路具有連通性，可將去除植被后的“潛在道路”進行合并，然后通過設置長度（Length）參數的閾值（參考值314），將小于該閾值的、不具連通性的要素剔除。

2.2 “潛在道路”優化

在本階段，主要目的是剔除“潛在道路”中的非道路要素。

（1）第二層分割

此次分割只需在“潛在道路”中進行，分割尺度不宜過小，盡量降低路面的車輛、標識等要素的干擾，但需保證道路邊緣的清晰。設置第二層分割參數，參考值：分割尺度為200，形狀因子為0.5，緊致度為0.5，波段權重均為1。

（2）第二層知識庫構建

陰影在遙感影像數據上表現為DN值（像元亮度值）偏低。經試驗，給近紅外波段的光譜均值（Mean Layer Nir）設置閾值（參考值248），低于該值的對象為陰影，即可從“潛在道路”中將其去除。

剔除陰影后，“潛在道路”中的干擾因素最大的是建筑物，而兩者在形狀特征指數上存在較大差別，因此可利用形狀特征指數將其區分開。經試驗，寬度（Width）與長寬比（Length／Width）同時小于某閾值（參考值分別為73、4.3）時，可較好剔除長方形等較規整的建筑物；長度（Length）與長寬比（Length／Width）同時小于某閾值時（參考值分別為250、4），可較好剔除L型等不規整建筑物；密度（Density）大于某閾值時（參考值1.53），可較好剔除近似正方形的要素；邊界指數（Border index）與密度（Density）同時大于某閾值時（參考值分別為3.4、0.94），可剔除邊界為鋸齒狀凹凸不平的要素。

2.3 道路信息提取

在本階段，主要目的是進一步修正優化“潛在道路”，提取最終結果。

由于路面車輛、交通標識線等地物的存在，使得提取出的道路中存在少量“空洞”，影響提取效果。一般來說，這類對象面積不會太大，與先前優化的“潛在道路”存在相鄰或者被包含的關系，其邊界與“潛在道路”具有相同的公共邊，并且公共邊界在該對象的整個邊界中所占比例較大，因此，可以利用面積（Area）和對于“潛在道路”的相對邊界（Rel.border to latent road）這兩個特征進行修補，例如可設定當對象的Area小于閾值4000、且Rel.border to latent road大于閾值0.95時，將其歸為道路。此外，利用growing和shrinking兩種調整模式去除消除影像中道路網信息上的毛邊，基本完成道路提取。

3 實驗結果及分析

為了驗證技術流程的合理性與適用性，基于2景WorldView－2衛星遙感影像開展實驗。①采用北京門頭溝地區2011年11月20日成像的影像，將全色與波段譜影像融合后進行正射校正，空間分辨率為0.5m，覆蓋面積12.58km2；以此作為郊區的典型代表區域，采用上述技術流程進行道路提取。②采用河南鄭州市2010年3月5日成像的影像，面積為16km2，作為城區的典型代表區域。實驗分為兩個部分，一是基于正射影像，采用上述技術流程直接提取道路；二是利用該區域1∶50000比例尺的道路中心線數據按路寬生成緩沖區，僅在緩沖區內按上述流程提取道路。

提取結果如圖2、圖3所示。從中可以看出，按該技術流程能夠較完整地提取出試驗區的道路，一定程度上保證了道路的連貫性。為了直觀地驗證道路信息提取的精度，以地理國情普查數據成果作為依據，分別對這3種分類結果圖進行精度評價，結果如表1所示。實驗表明：①相比城市地區的道路，郊區的道路提取精度更高，總體精度達到93.7%，Kappa系數0.777。分析原因，在高分辨率遙感影像中，城區反映的結構特征比較復雜，道路交叉口多，道路附近建筑物密集，這些要素都增加了道路提取的難度，比如建筑物、公園、車輛等目標平行的邊緣，與道路的兩條邊極其相似，易形成虛假道路信息，因此錯分誤差也大大高于郊區道路；同時，受路面的汽車、汽車道、樹木、房屋及陰影等影響，容易導致道路形成斷裂線性片段，影響提取精度；而在郊區，道路與周邊農田、林地等有明顯的差別，道路在高分辨率影像上表現為明亮的線狀區域，提取效果有一定的優勢。②大比例尺基礎數據的引入，可屏蔽掉緩沖區外非道路要素的干擾，分類精度由83.7%提高至87.8%，且漏分誤差大大降低，由42.1%降至11.8%。

圖2 實驗區一的原始影像與道路提取結果對比圖

表1 道路信息提取精度

圖3 實驗區二的原始影像與道路提取結果對比圖

4 結束語

本文面向地理國情普查數據生產，針對高分辨率遙感影像的特征，構建了面向對象的道路自動提取規則庫，并以北京門頭溝、河南鄭州市為例進行驗證，得出如下結論：面向對象的分類方法可以靈活地運用地物本身的幾何信息和結構信息，彌補傳統的基于像素統計特征分類方法的不足；盡管城區道路的自動化提取效果沒有郊區道路好，但通過引入大比例尺基礎數據，可屏蔽掉緩沖區外非道路要素的干擾，有效提高分類精度。

當然，本文也存在一定的不足之處，主要表現在基于有限樣本對象構建的規則庫及閾值，在不同區域、不同時相、不同類型影像的適用性及推廣性方面有待進一步驗證。

［1］兀偉，鄧國慶，張靜，等.地理國情監測內容與分類體系探討［J］.測繪標準化，2012，28（4）：10－12.

［2］國務院第一次全國地理國情普查領導小組辦公室.地理國情普查內容與指標［G］.北京：測繪出版社，2013：168.

［3］國務院第一次全國地理國情普查領導小組辦公室.地理國情普查數據采集技術方法［G］.北京：測繪出版社，2013.

［4］林祥國，張繼賢，李海濤，等.基于T型模板匹配半自動提取高分辨率遙感影像帶狀道路［J］.武漢大學學報（信息科學版），2009（3）：293－296.

［5］BAUMGARTNER A，STEGER C，MAYER H，et al.Automatic road extraction based on multi－sclae，grouping and context［J］.Interneatinal Archives of Photogrammetry and Remote Sensing，1997（30）：106－113.

［6］曹廣真，金亞秋.基于水平集方法的多源遙感數據融合及城區道路提取［J］.電子與信息學報，2007（6）：1464－1470.

［7］劉曉平，朱曉強，余燁，等.基于動態規劃的城市道路提取改進算法［J］.工程圖學學報，2010（4）：183－188.

［8］林祥國，張繼賢，劉正軍.用改進的剖面匹配算子提取高分辨率遙感影像上帶狀道路［J］.測繪科學，2009，34（4）：64－66.

［9］劉小丹，劉巖.基于Hough變換和路徑形態學的城區道路提取［J］.計算機工程，2012（6）：265－268.

［10］唐靜，吳俐民，左小清.面向對象的高分辨率衛星影像道路信息提取［J］.測繪科學，2011，36（5）：98－99.

［11］唐偉，趙書河，王培法.面向對象的高空間分辨率遙感影像道路信息的提取［J］.地球信息科學，2008（2）：257－262.

［12］GAMANYA R，DE MAEYER P，DE DAPPER M.Object－oriented change detection for the city of Harare，Zimbabwe［J］.Expert Systems with Applications，2009，36（1）：571－588.

［13］DIAZ－VARELA R A，ZARCO－TEJADA P J，ANGILERI V，et al.Automatic identification of agricultural terraces through object－oriented analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle［J］.Journal of Environmental Management，2014，134：117－126.

［14］ZHANG R，ZHU D.Study of land cover classification based on knowledge rules using high－resolution remote sensing images［J］.Expert Systems with Applications，2011，38（4）：3647－3652.

［15］PEETERS A，ETZION Y.Automated recognition of urban objects for morphological urban analysis［J］.Computers，Environment and Urban Systems，2012，36（6）：573－582.

［16］陶超，譚毅華，蔡華杰，等.面向對象的高分辨率遙感影像城區建筑物分級提取方法［J］.測繪學報，2010（1）：39－45.

［17］龍輝.高分辨率光學衛星影像城市道路識別方法研究［D］.北京：中國科學院研究生院（遙感應用研究所），2006.

［18］胡進剛，張曉東，沈欣，等.一種面向對象的高分辨率影像道路提取方法［J］.遙感技術與應用，2006（3）：184－188.

［19］黃亮，左小清，張曉曉，等.面向對象的道路信息識別提取分析［J］.昆明理工大學學報：理工版，2010（6）：6－10.

［20］孫家波.基于知識的高分辨率遙感影像耕地自動提取技術研究［D］.北京：中國農業大學，2014.

［21］劉晨帆，劉海硯，唐爽.基于粗糙集的城市主要道路提取規則［J］.遼寧工程技術大學學報（自然科學版），2013（3）：336－341.

Objects－oriented Method of Data Extraction in National Geographic Census：A Case Study of Road

TAO Shu，ZHOU Xu，LIU Qian，CHENG Tao，GAO Zhi－hong
（National Geomatics Center of China，Beijing100830）

Taking the case of road，ageneral data extraction workflow of land cover data is proposed to reduce manual labor and subjectivity in the national geographic census.Taking advantage of recent advances in object－oriented image analysis，the optimal rule set of object metrics used to extract road is also constructed based on the very high resolution remote sensing imagery.Experimental results indicate that the extraction model achieved higher accuracy of roads in the suburb，compared to the one in the urban area.With the combination of large－scale geographic data，the interference by spectral similarities of road with other landscape elements outside of road buffer zone can be eliminated，which is helpful to significantly enhance the classification accuracy.

objects－oriented；national geographic census；data extraction；road；high－resolution remote sensing image

10.3969／j.issn.1000－3177.2015.06.015

TP751

A

1000－3177（2015）142－0076－05

2014—05—21

2014—11—04

陶舒（1986—），女，博士，現主要從事地理國情普查與監測方面的應用研究。

E－mail：taoshuxuxu＠163.com