加入空間紋理信息的遙感圖像道路提取

王建華　秦其明　高中靈　葉昕　孟晉杰

摘要：由于道路與建筑物等其他不透水層存在光譜相似性，導致僅利用光譜信息進行道路提取的效果不佳。本文針對高等級城市道路目標，提出了一種加入空間紋理信息的遙感圖像道路提取方法。首先，對圖像進行空間自相關Moran指數計算，提取圖像空間紋理信息，并將其加入到原始光譜波段中；其次，通過建立知識模提取假設道路段，并對提取結果進行假設驗證；最后，采用數學形態學的方法對驗證后的結果進行后處理。以空間分辨率為0.1m的航空影像為數據源，對本方法進行實驗。實驗結果表明，加入空間紋理信息的遙感圖像道路提取精度總體達到88%，比不加入空間紋理的提取精度要提高約5%。

關鍵詞：空間紋理信息；Moran指數；圖像處理；假設驗證；道路提取

中圖分類號：TP751 文獻標識碼：A

道路作為現代化建設的基礎設施，在人們日常生活和軍事上都具有不可忽視的作用，所以從遙感圖像上提取道路具有重要意義，它可以為城市規劃提供參考，為地圖更新提供數據，為國土資源管理提供依據，為搶險救災提供指導。針對遙感圖像道路提取問題，國內外很多專家和學者都開展了相應的工作，Trinder等人在高分辨率圖像上提取道路段，并利用道路語義模型對漏提的道路段進行推理、連接，從而得到道路網提取結果。Singh等人利用自適應全局閾值和數學形態學操作從高分辨率遙感圖像中提取道路網。Shi等人運用自適應鄰域法和空間分析法在遙感圖像中準確地提取道路中心線。Yuan等人利用局部興奮全局抑制振蕩網絡對遙感圖像進行分割，從而進行道路提取。Sent-hilnath等人通過歸一化割算法從全色遙感圖像中很好地提取出道路。Miao等人提出了一種半自動化的道路中心線提取方法，該方法通過人工設置道路種子點，結合核密度估計和短程線法提取道路中心線。羅慶洲等人結合了道路的光譜特征和幾何特征從影像中很好地提取了道路信息。唐偉等人基于Snake模型的優勢及缺陷，提出一種高分辨率多光譜圖像道路提取方法。以上方法中都用到了道路的光譜信息，但由于道路與建筑物等地物光譜相似性，從而影響道路提取精度。隨著遙感技術的發展，高分辨率遙感圖像包含了豐富的空間細節信息，使得地物的內部結構清晰可辨。這為加入空間紋理信息進行道路提取提供了數據基礎。

本文針對上述問題，提出了一種加入空間紋理信息的遙感圖像道路提取方法。將空間紋理信息加入到道路提取中，通過建立道路提取的假設和驗證模型，基于知識的方法從遙感圖像中提取道路。本方法適用于遙感圖像中高等級城市道路提取，具有較高的精度。

1 研究方法

本文在研究遙感圖像中道路特征知識的基礎上，將圖像的空間紋理信息加入到遙感圖像道路提取中，通過知識模型提取道路。主要包括紋理信息提取、道路提取（假設道路提取和假設驗證）和提取結果后處理3個主要步驟。具體流程如圖1所示。

1.1 空間紋理信息提取

紋理是指遙感圖像中地物內部色調有規則變化形成的一種影像結構。高分辨率遙感圖像中包含著豐富的空間細節信息，能夠使地物內部結構更加清晰。為了解決道路和建筑物等其他不透水層混淆問題，提高道路提取的準確性，本文引入了空間紋理信息。采用空間統計（Moran指數）的方法提取圖像的紋理信息。首先利用主成分變化對多波段圖像進行分析，然后利用Moran指數對第一主分量進行統計，提取圖像的空間紋理。其中，Moran指數的定義如下：式中，x_i和x_j分別指空間單元i和j的屬性值，n是指空間單元的個數，ω_ij為空間權矩陣，表示空間單元i和j之間的影響程度。

1.2 基于知識的道路提取

道路在遙感圖像中一般呈現：1）寬度變化小；2）與周圍背景存在一定的反差，表現出明顯的邊緣特征；3）道路內部總體灰度比較均勻；4）道路對象具有較高的矩形度和長寬比。本文在研究遙感圖像中道路的特征表達與抽取基礎上，建立道路提取的知識模型（假設模型和驗證模型）。

道路特征知識定量表達的參數有亮度、標準差、矩形度、長寬比和面積等。通過研究道路在遙感圖像上的表現特征，本文選取亮度、標準差建立道路提取假設模型，選取矩形度、長寬比和面積建立驗證模型。其中道路假設模型定義如下：式中，H_road是指假設道路，B_road和S_road分別為某對象的亮度和標準差，b₁和b₂是亮度閾值，s₁和s₂是標準差閾值。針對某對象，當其亮度和標準差滿足B_road∈[b₁，b₂]或者S_road∈s₁，s₂]時，將其定義為假設道路段。由于異物同譜現象的存在，導致假設道路段中存在部分如車輛、房屋等虛假道路目標。本研究通過建立假設驗證模型，去除這些虛假道路目標。道路對象的長寬比和矩形度一般較大，所以本研究用道路的長寬比和矩形度作為驗證模型參數，并將面積屬性加入驗證模型中去除零碎的細小對象。驗證模型表示如下：式中，V_road是指驗證后的道路；R，W和A分別指某對象的矩形度、長寬比和面積；r₁，ω₁和a₁分別指矩形度閾值、長寬比閾值和面積閾值。公式（3）的含義為，在假設道路段中，當道路對象的矩形度和長寬比滿足R∈（0，r₁）或者W∈（0，ω₁）時，將其從假設道路段中去除。然后對假設道路段進行區域合并，將面積小于a₁的對象從假設道路對象中去除，從而得到驗證后的道路段。

1.3 提取結果后處理

由于車輛、行車線、建筑物等地物的影響很大，盡管知識模型在一定程度上可以減小影響，但是道路提取結果中仍存在很多噪聲和孔洞，本文采用數學形態學閉運算對道路提取的結果進行后處理來提高道路提取的準確性，為了保證提取道路的完整性以及道路邊緣的平滑性，此處選取八鄰域作為數學形態學運算的結構元素進行后處理。

2 實驗與結果

為了驗證本方法的有效性和優越性，本文通過實測數據進行實驗，并對結果進行精度評價。

2.1 數據源

本研究選取廣東省陽江地區航空影像數據為實驗數據，成像時間是2013年4月，圖像空間分辨率為0.1m，圖像大小為2808×2719像素。道路寬度為10m左右，道路類型是高等級城市道路，實驗數據如圖2（a）所示。圖像中包括道路、房屋、植被、車輛、行車線等目標。圖像具有紅、綠、藍三個波段信息。

2.2 道路目標提取

對原始圖像進行主成分分析，第一主分量如圖2（b）所示，它包含了原始圖像的主要信息。利用Moran指數對圖2（b）進行空間統計，提取圖像的空間紋理信息如圖2（c）所示，道路在圖中呈現低值聚集，比周圍地物的亮度明顯要低，道路的邊緣突出，有助于更加完整地將道路從周圍地物中分割開。因此，將圖2（c）加入到原始圖像中，并采用多尺度分割的方法對加入空間紋理信息后的圖像進行分割，設定分割尺度為200，分割結果如圖2（d）所示，從圖中可以看出道路的完整性保留得很好。利用道路提取假設模型進行假設道路的提取，提取結果如圖2（e）所示（其中，b₁=74；b₂=102；s₁=12；s₂=15）。利用驗證模型進行假設驗證，去除虛假道路目標（r₁=0.6；ω₁=2；a₁=5000pixels），圖2（f）為驗證結果。利用數學形態學閉運算對提取結果進行后處理，將結果與原始圖像進行疊加，并與真實結果進行對比。圖2（g）為疊加效果圖，其中紅色部分為正確提取的道路，藍色部分為漏提取的道路，綠色部分為錯提取為道路。從圖中可以看出有一小段道路漏提，分析發現該小段道路左側邊緣受到了破壞，同時道路上塵土較多，導致與其他道路段的紋理和光譜特征產生了差異，故而被錯分到其他地物中。為了證明本方法的優越性，本文設計了對比實驗，圖2（h）為不加入空間紋理信息提取的結果。通過對比分析，可以直觀地看出加入紋理信息提取的結果更精確。

2.3 精度評價

為了對道路提取結果進行精度評價，本文選擇3個最廣泛被人認可的評價指標，具體如下：式中，E₁為生產者精度，E₂為用戶精度，E₃為提取質量。k_TP為正確提取為道路的區域，k_FN為未被提取的道路區域，k_FP為錯誤提取為道路的區域。利用選取的3個評價指標，分別對上述實驗中是否加入空間紋理信息提取的道路區域（面積）進行評價，以此來突出本方法的優越性。具體的精度評價結果如表1所示。

由表1可知，本方法能夠很好地提取道路，E₁，E₂和E₃分別達到了94.29%，88.62和84.11%，平均精度達到了88%，比不加入空間紋理信息提取精度提高了大約5%。然而，由于混合像元的影響，導致道路邊界不清楚，從而錯誤地將道路邊界外側鄰近的部分區域提取為道路，這使得道路提取的用戶精度相對較低。

3 結論

本文針對高等級城市道路目標，提出了一種加入空間紋理信息的遙感圖像道路提取的方法，有效地解決了道路與其他不透水層的光譜相似性問題。該方法在深入研究道路特征知識表達的基礎上，建立了道路提取的假設模型和驗證模型，減少了道路中車輛、行車線等地物的不利影響。最后利用廣東省陽江地區影像數據進行了實驗，實驗結果表明，本方法能夠克服道路周圍環境的影響，有效地從遙感圖像中提取城市主干道路。