結合尺度空間的面向對象高分辨率影像城市道路提取

陳　杰，邵權斌，梅小明，鄧　敏，侯佳良

(1.中南大學 地球科學與信息物理學院，湖南 長沙 410083； 2．東華理工大學 江西省數字國土重點實驗室，江西 南昌 330013)

?

結合尺度空間的面向對象高分辨率影像城市道路提取

陳杰1，2，邵權斌1，梅小明1，鄧敏1，侯佳良1

(1.中南大學 地球科學與信息物理學院，湖南 長沙 410083； 2．東華理工大學 江西省數字國土重點實驗室，江西 南昌 330013)

基于遙感影像的城市道路提取對于城市建設、規劃和地圖更新等有重要意義。針對高分辨率遙感影像城市道路網的復雜性，結合尺度空間思想提出一種面向對象的城市道路自動提取算法。在此基礎上，使用Canny算子獲取像元簇梯度圖，并進行標記分水嶺分割得到區域對象；建立城市道路與幾何、光譜特征相關的道路規則，從分割結果中篩選出道路區域對象；使用形態學方法提取道路區域的骨架，并對骨架進行連接、光滑等后處理，最后輸出道路網提取結果。實驗結果表明，該方法用于復雜城市道路的高精度自動提取，對城市道路網更新有一定參考意義。

城市道路提取；遙感影像；尺度空間；道路規則；面向對象分析

城市道路是整個城市的骨架，它反映城市地物的空間結構布局，與人們的生產、生活息息相關。如何快速獲取和更新城市路網數據是當前我國智慧城市建設中亟待解決的重要問題之一[1-2]。隨著遙感技術的快速發展，高分辨率遙感影像能夠提供現勢、詳細的地表信息，已逐漸成為城市交通規劃和道路信息提取的重要數據源。但高分辨率遙感影像上同類地物間存在較大的光譜差異，且不同地物間因相互遮掩常常邊界模糊，這些因素增加了從高分辨率遙感影像中提取城市道路的難度。

傳統的遙感影像道路提取方式主要以人工解譯的方式進行，但這種方式需要投入大量的人力且效率低下，已經無法滿足數字城市建設的需要[1,3-13]。本文結合尺度空間分析方法及道路模型的相關知識提出面向對象的高分辨率影像城市道路自動提取方法。

1　城市道路自動提取方法

1.1最佳分析尺度選擇

尺度空間分析技術可將單一空間尺度的影像轉化成多級不同尺度下的影像進行解譯分析，可以提高計算機圖像自動理解與識別的能力[13]。本文使用各向異性擴散平滑模型構建高分辨率遙感影像尺度空間，該模型較其他尺度空間構建方法在影像邊界保持和噪聲抑制方面優勢明顯[14]。通過尺度空間的構建，可在獲取影像上各類地物邊界連續變化信息的同時，持續減弱同種地物、不同區域像元間的灰度、紋理不一致性。

信息熵是一個重要的遙感影像數據度量指標[16-18]。在影像尺度空間中，同一區域在不同尺度下的信息熵值不同，一般表現為尺度級數越高，影像平滑越嚴重，對應熵值越小。為了顧及遙感影像像元的空間特性，本文先計算每個像元的信息熵，再取每個尺度下所有像元的信息熵均值，以該均值為當前尺度影像信息量。在此基礎上，本文通過分析相鄰尺度間的信息熵差異變化規律來選擇最佳尺度。設任意兩幅相鄰尺度(尺度分別為t和t+1)影像間的全局熵差值指標(Difference of Global Entropy Index，DGEI)為：H(t+1)-H(t)=▽H(t)。在某給定閾值下，當相鄰尺度影像間的▽H(t)大于該閾值時，各向異性擴散模型的平滑作用會對影像信息量產生顯著影響，那么，在此尺度上進行道路提取才有意義。為便于分析，以最初兩尺度(即t= 1和t= 2)間信息量變化作為基準對▽H(t)進行歸一化處理，并繪制歸一化DGEI的尺度變化關系曲線。

值得注意的是，在構建尺度空間時濾波器會無差別的抑制影像中所有邊緣的強度，這會直接影響后續道路提取的準確度。因此，確定道路提取的最佳分析尺度，要在保證信息量足夠的同時盡可能的保留影像原有邊緣線信息，進而保證道路提取的精度。為此，本文引入邊緣保持指數(Edge Preserved Index, EPI)[19-20]對尺度空間中各影像邊緣保持程度進行數值衡量。為獲得影像邊緣保持程度隨尺度參數的變化規律，分別計算各尺度下影像的4個方向(水平、豎直、正負對角向)的全局EPI值，以及相鄰尺度間4個方向上的全局EPI差值(Difference of Edge Preserved Index, DEPI)。同樣，為便于分析，將EPI指數以最前兩尺度間的差異為基準進行歸一化，并繪制歸一化EPI指數的尺度變化曲線。

通過分析DGEI,DEPI兩種指標隨尺度因子t的變化曲線圖，就可確定最佳的分析尺度的對應區間。在此區間之外，要么尺度因子的增加會引起影像信息的劇烈變化，導致圖像邊緣信息被過度模糊，不利于道路的提取和識別；要么尺度因子對影像信息的模糊效果微弱，其他信息對道路提取的干擾太強。

1.2基于聚類的標記分水嶺分割

最佳分析尺度確定之后，道路的提取便在此尺度對應影像上進行。針對經典分水嶺方法普遍存在的過分割問題，可以使用空間聚類方法先將影像像元聚類成簇，并提取像元簇的邊界梯度圖作為分水嶺的分割對象。本文使用K-Means方法對最佳分析尺度下的影像像元按其灰度值進行歸類計算，確定出每個像元的可能對應的地物類別。利用K-Means方法對影像像元進行聚簇結果，與原始影像的道路區域、植被、高亮建筑物等地物的實際分布情況基本一致，可達到由復雜地物分布到簡單像元簇分布的轉化的目的。進而，采用Canny算子[21]進行梯度提取，基于原始影像的梯度強度明顯弱于基于像元簇的梯度強度，且前者響應微弱的邊界在后者中也能較好地反映出來。而這種對弱邊界的良好響應，能在分割的原始輸入中更詳盡地將各類地物的邊界信息反映出來，使得原來灰度梯度上并不明顯的邊界也變得十分突出，原來邊緣強度很高的邊界其強度更高，這樣更加有利于后續分水嶺區域分割。本文采用基于標記的分水嶺變換方法[21]進行分割，以限制分割結果的子區域數目，減少破碎區域的產生。

1.3構建道路篩選規則

對像元簇邊界圖使用標記分水嶺分割后，將分割結果中的每個區域當成一個候選對象，依據理想道路模型[4,15]中道路的幾何、光譜等特征設計出道路篩選規則對其進行判斷。從道路的幾何、光譜等角度設計如下篩選判斷規則：

1)類別初篩：根據像元聚類結果，按各像元簇的簇中心平均灰度大小進行排序。由于道路區域在平均灰度上一般要比建筑物暗，但比水系和植被亮，可以確定道路簇中心灰度將處于所有像元簇的中間水平，即道路區域對象的簇序號處于中間位置。

2)長寬比：城市道路通常表現為條帶狀結構，因而具有較大的長寬比。使用各區域對象的最小外接矩形(Minimal Bounding Box, MBB)的長度與寬度的比KRMBB來近似區域對象的長寬比。

(1)

3)面積比：對于一些T形、十字形等道路交叉區域，單獨區域對象的MBB長寬比無法對其有效區分。由于道路區域對象的實際像素面積SRoad在其MBB區域的像素面積SMBB中占用的比重會普遍較小，因而設置面積比SR為

(2)

4)灰度信息：依據城區道路區域灰度單一且變化緩慢的特點，對區域對象內部灰度均質性進行篩選。即將區域對象中像元灰度均值和方差作為對象的均質性衡量指標。

5)最小面積：城區道路一般有雙向多車道且有一定的長度，那么，設置最小面積閾值進一步去除一些幾何、輻射篩選規則仍無法剔除的破碎區域。

1.4道路骨架提取與后處理

由于有許多地物會直接與城區道路空間相鄰，導致獲取的道路候選區中存在大量不規則突出或毛刺。為此，依據道路區域一般為細長條帶狀的特點，采用多方向線狀形態學濾波方法[22]對初始道路候選區的不規則附屬區域進行修整。其基本思想是設計出多方向線狀結構元素SL,αi對二值的候選圖像進行形態學濾波處理，剔除非道路部分。這里將設置結構元素SL,αi中方向參數αi=6°～12°×i，結構元素長度L為40～80像素。使用該多方向結構元素對道路候選區進行形態學開運算，修整道路候選區域中不規則的非道路區域，即可得到道路區域的形態學骨架。

另外，由于樹木遮擋、建筑物陰影覆蓋等導致城區道路斷裂、互不連通的問題，采用如下步驟進行處理：骨架特征點識別，骨架毛刺剔除，斷裂連接。其中， 骨架特征點識別是利用提取的形態學骨架為相互連通的單像素線的特點，對道路網骨架線的各像素進行識別，標記并存儲骨架的端點和轉點(拐點)。骨架毛刺剔除則是刪除整個形態學骨架中所有端點與最近的特征點骨架像素數目小于20的部分。對于斷裂的道路骨架，采取道路連接策略，步驟如下：

1)對每個道路骨架端點根據其所在道路段的方向、給定的檢索長度和角度閾值建立搜索窗口；

2)對于同向道路的道路段，如圖1(a)所示，連接與該端點連線角度與道路方向差異最小的骨架點，若無滿足條件的點，則轉向下一端點，直至完成所有端點遍歷；

3)對相互垂直的道路段，連接方法與同向道路相似，如圖1(b)所示，在完成同向連接后在搜索窗口內無滿足條件的骨架點時，則將端點和窗口內道路骨架進行延伸，取交點為連接點，直至完成所有端點遍歷；

圖1　道路骨架連接示意圖

4)在完成同向和垂向道路連接后，連接與端點距離最短的骨架點。

在完成道路骨架后處理操作后，為滿足GIS道路更新需要，將骨架線在所有轉點處斷開成獨立的道路段，然后使用Douglas-Peuker(DP)算法[24]進行骨架簡化抽樣，由此得到形狀結構相對規整的道路網提取結果。

2　實驗結果與分析

2.1試驗數據

試驗采用兩組不同區域的遙感數據，分辨率為0.61 m、尺寸為750像元×1 640像元的美國佛羅里達州某城區QuickBird全色影像，以及分辨率為1 m、尺寸為750像元×1 640像元的蘇州市城區IKNOS影像。下面將使用QuickBird影像數據作為示例數據對本文算法進行驗證。如圖2所示，整個試驗數據中道路的光譜特征并不突顯，該城市道路網的提取存在較大難度。紅色方框指示出一塊典型子圖是后文介紹使用的示例圖對應區域。

2.2尺度選擇

按照前文所述，獲取實驗影像的尺度空間后，計算得到圖3各影像的DGEI,DEPI尺度變化圖。由圖3(a)可知，隨尺度因子t的增加，影像信息量差異變化曲線呈持續下降趨勢，且最后收斂于0值。這種變化趨勢說明隨著尺度因子t的增加，影像蘊含的信息量在逐步減少，最終穩定在某個水平上不再變化。分析圖3(b)中DEPI隨尺度參數t變化的曲線圖可以發現DGEI與DEPI有著相似的變化趨勢，即隨著尺度參數的增大明顯的減小并最終收斂于0值。兩者基本一致的這種規律表明，尺度因子對數據的影響在尺度轉換前期變化明顯，而在轉換中后期逐漸下降甚至消失。定量地，當將DEPI,DGEI指標的閾值都設為0.15時，此時影像的信息熵變化較小，且影像內邊緣指數維持在較高水平(0.7左右)。當尺度因子介于[6, 8]的區間時，尺度空間中各層影像間的整體信息量相差不多，且影像內邊緣整體保持較好。隨著尺度因子的增加，影像的模糊程度也逐漸增加，雖然同類地物間的差異進一步弱化，但不同地物間的差異也在同步減小，而這種同步變化是不利于道路的識別與提取的。因此，綜合考慮影像平滑程度和影像邊緣保持程度，將有意義的尺度區間的中間值t=7選為最佳分析尺度，并將其對應的影像作為尺度空間中用于提取道路的最佳影像。

圖2　城市道路遙感影像

圖3　DEPI/DGE變化曲線圖

2.3區域分割

對測試影像在最佳分析尺度因子t=7條件下進行道路提取。使用K-Means方法對實驗影像進行像元聚類(初始像元簇數為7)，由圖4(a)可見，復雜城區地物分布被轉化為7種像元簇的簡單空間分布。原影像中的建筑物、植被、水系、道路等地物均得到較好歸類。使用像元簇的簇邊界圖作為標記分水嶺原始輸入的結果進行區域分割，如圖4(c)所示。由圖中可知，基于聚類的分水嶺分割方法對微弱的地物邊界也有著良好的響應，因而可得到地物分布更加細致完整的區域分割結果，相對細致的區域分割結果能更好的反映出高分辨率影像地物種類、邊界等的細微變化，這些細致的分割結果是后續區域對象篩選的完整性的前提。

2.4篩選及后處理

篩選規則對應參數設置如下：面積比閾值S1= 0.38，長寬比K1= 1.5，均質性指標σ1= 0.9，最小面積M=150。對應各規則篩選結果分別如圖5所示。由圖5(a)至(e)可見，類別篩選規則能有效的剔除影像上灰度值較暗或較亮的植被、水系和建筑物對應的區域對象；長寬比規則較好的保留了影像中形狀狹長的對象，剔除那些方形、近圓形等長寬比值較小的區域對象；面積比篩選規則是長寬比規則的補充，能對具有較小長寬比又非狹長條帶狀的不規則的區域對象進行有效區分；灰度信息篩選規則對一些通過幾何特征不明顯、對象內部灰度不均勻區域對象剔除效果明顯；最后使用面積規則剔除殘余的破碎細小的區域對象得到道路候選區結果。在圖5(e)所示的道路候選區中可發現，候選區仍存在著一些明顯的非道路的附屬結構，這些附屬結構對后續的道路骨架線提取干擾較大，因此可使用多向線性算子對其進行濾波處理，結果如圖5(f)所示。

圖4　基于聚類的分水嶺分割

圖5　QuickBird影像中道路規則篩選結果展示

圖6和圖7分別給出QuickBird影像和IKNOS影像的道路提取結果，其中圖6(a)為IKNOS影像中經形態學濾波處理得到的道路候選區。圖6(a)和圖7(b)為由道路候選區提取的形態學骨架及骨架特征點，其中紅色圓點為骨架端點，藍色十字標記為骨架交叉點位置。圖6(b)為基于骨架特征點并顧及道路方向進行骨架斷裂連接的結果，其中紅色線段為骨架斷裂連接處。圖6(c)和圖7(c)為使用DP算法對道路網骨架連接結果簡化的效果圖。從圖6(d)和圖7(d)的道路網提取結果與原影像疊加可知，提取道路網結果均與道路中心基本重合，僅在一些彎曲或道路交叉口等特殊位置與道路中心稍有偏差，這種現象主要是因為使用DP算法進行矢量化處理時省略了一些道路特征點而引起的，但與原始影像疊加后發現這種偏差仍在道路區域范圍內。由圖中結果分析可知，本文方法獲得的道路骨架提取結果能具備表達道路的拓撲、連通、方向、幾何位置關系的意義，可直接用于GIS數據分析、城市規劃管理、交通數據更新等領域應用。

圖6　QuickBird影像提取道路結果

圖7　IKNOS影像提取道路結果

為進一步分析本文道路提取精度，采用人工目視解譯結果作為提取結果質量評價的Ground truth，分別對兩幅實驗影像的道路提取結果進行精度統計。采用兩種方式進行評價：①以經骨架斷裂連接后的道路骨架作為基礎；②以用DP算法簡化后的道路骨架為基礎。分別對上述兩種方法提取的道路骨架以形態學重構的方式反向生成提取的道路區域，再與目視解譯的Ground Truth進行覆蓋比較，獲得道路提取結果的完整性(提取結果中與參考數據匹配的像元在參考數據中的所占比例)、正確率(提取結果中正確匹配的像元在提取結果中所占的比例)和分叉系數(提取結果中，錯誤提取像元與正確提取像元的比值)作為精度評價指標。上述實驗的具體精度統計結果見表1。

表1　道路提取實驗結果精度統計

由表1數據可知，本文方法提取的道路結果與目視解譯結果對比的正確率較高，完整性較好。與未簡化的骨架為基礎重構統計的精度數據對比發現，經DP算法處理后道路提取結果的正確率略有提升，而分叉系數略有降低，這主要是由于DP算法簡化前的道路形態學骨架明顯曲折不平滑，在形態學重構時會導致重構的道路結果出現很多附屬結構，這導致錯誤像素面積增加，進而影響提取精度。綜上所述，本文提出的算法能夠在高分辨率遙感影像中自動獲取到城市道路的矢量化結果，且提取的道路區域的結構完整，正確率相對較高，是一種可行的高分遙感影像自動道路提取方案，對提高遙感數據利用率和城市路網更新效率具有一定應用價值。

3　結　論

本文基于尺度空間思想提出一種面向對象的高分辨率遙感影像城市道路自動提取方法。針對單一尺度分析方法對高分辨率遙感影像解譯困難的問題，對尺度空間中各級影像進行分析，并選出最佳的道路提取尺度，降低后續道路識別提取的難度。針對高分辨率遙感影像內地物分布復雜、傳統分水嶺分割結果過分割現象嚴重的問題，采用基于聚類的方法將復雜的地物分布轉化為像元簇的簡單分布，并使用簇邊界圖代替灰度梯度圖作為分割的原始輸入，提高區域分割方法對微弱邊界的響應，確保區域分割結果的可靠性。針對道路骨架斷裂的問題，采用端點探測和顧及道路方向的連接策略，實現道路骨架的斷裂區域的自動連接，進而實現城區道路網自動矢量圖提取。

[1]項皓東. 從高分辨率遙感影像中提取道路信息的方法綜述及展望[J]. 測繪與空間地理信息, 2013, 36(8):202-206.

[2]LIU Xu, TAO Jun, YU Xiang, CHENG Jian-jie, et al. The rapid method for road extraction from high-resolution satellite images based on USM algorithm[C]. Image analysis and signal processing (IASP), 2012 International Conference on. IEEE, 2012: 1-6.

[3]LIANG W U. A Survey of Automatic Road Extraction from Remote Sensing Images [J]. Acta Automatica Sinica, 2010, 36(7): 912-922.

[4]江中亮. 高分辨率遙感影像道路提取算法研究[D]. 長沙: 中南大學, 2014.

[5]江濤, 朱運海, 董鳳寶. 小波變換在遙感影像道路特征提取中的應用[J]. 測繪工程, 2004,13(2): 34-36.

[6]SHI W, MIAO Z, WANG Q, et al. Spectral-Spatial Classification and Shape Features for Urban Road Centerline Extraction [J]. IEEE Geoscience & Remote Sensing Letters, 2014, 11(4): 788-792.

[7]賈鵬, 顏佩麗, 何軍, 等. 基于邊界特性改進直方圖門限法的道路提取[J]. 測繪工程, 2009,18(3): 51-54.

[8]向晶, 周紹光, 陳超. 基于改進高斯混合模型的遙感影像道路提取[J]. 測繪工程, 2014, 23(3): 42-45.

[9]GROTE A, HEIPKE C, ROTTENSTEINER F, et al. Road extraction in suburban areas by region-based road subgraph extraction and evaluation[J].2009 Urban Remote Sensing Joint Event, 2009: 1-6.

[10] 林祥國, 田雷, 王家民, 等. 改進角度紋理特征提取高分辨率遙感影像帶狀道路[J]. 測繪科學, 2015, 40(5): 55-59.

[11] 孫晨陽. 多尺度遙感影像道路信息提取方法研究[D]. 重慶: 西南大學, 2015.

[12] 明冬萍, 王群, 楊建宇. 遙感影像空間尺度特性與最佳空間分辨率選擇[J]. 遙感學報, 2008 (4): 529-537.

[13] TZOTSOS A, ARGIALAS D, KARANTZALOS K. Object-based image analysis through nonlinear scale-space filtering [J]. Isprs Journal of Photogrammetry & Remote Sensing, 2011, 66(1):2-16.

[14] PERONA P, MALIK J. Scale-space and edge detection using anisotropic diffusion[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,1990,12(7): 629-639.

[15] 靳彩嬌. 高分辨率遙感影像道路提取方法研究[D]. 鄭州:信息工程大學, 2013.

[16] KUMAR A, DADHWAL V K. Entropy-based fuzzy classification parameter optimization using uncertainty variation across spatial resolution [J]. Journal of the Indian Society of Remote Sensing, 2010, 38(38):179-192.

[17] 韓鵬, 龔健雅, 李志林.基于信息熵的遙感分類最有空間尺度選擇方法[J].武漢大學學報(信息科學版),2008，7(33): 676-679.

[18]陳杰, 陳鐵橋, 梅小明, 等.基于最優尺度選擇的高分辨率遙感影像丘陵農田提取[J].農業工程學報, 2014(5): 99-107.

[19] BHUTADA G G, ANAND R S, SAXENA S C. Edge preserved image enhancement using adaptive fusion of images denoised by wavelet and curvelet transform[J]. Digital Signal Processing, 2011, 21(1):118-130.

[20] 楊恢先, 王緒四, 謝鵬鶴,等. 改進閾值與尺度間相關的小波紅外圖像去噪[J]. 自動化學報, 2011, 37(10): 1167-1174.

[21] 劉春江. 基于遙感影像的道路邊緣提取方法設計[J]. 科技視界, 2015(28): 269-271.

[22] 周家香, 周安發, 陶超, 等. 一種高分辨率遙感影像城區道路網提取方法[J].中南大學學報 (自然科學版), 2013, 44(6): 2385-2391.

[23] 肖鵬峰, 馮學智. 高分辨率遙感圖像分割與信息提取[M].北京:科學出版社, 2011: 263-267.

[24] DOUGLAS D H, PEUCKER T K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature [J]. Cartographica: The International Journal for Geographic Information and Geovisualization, 1973, 10(2): 112-122.

[25] 胡華龍, 吳冰, 黃邵美. 結合Gabor紋理與幾何特征的高分辨率遙感影像城區道路提取方法[J]. 測繪科學技術學報, 2015,32(4):395-400.

[責任編輯：張德福]

Object-based urban road extraction from high resolution imagery with space-scale theory

CHEN Jie1,2, SHAO Quanbin1, MEI Xiaoming1, DENG Min1, HOU Jialiang1

(1.School of Geoscience & Info-Physic, Central South University, Changsha 410083，China; 2.Key Laboratory for Digital Land and Resources of Jiangxi Province，East China University of Technology，Nanchang 330013, China)

Urban road extraction from remote sensing image is significant for city construction, planning and map updating. An automatic extraction algorithm of urban road by integrating scale-space and object-based approach is proposed in this paper. Furthermore, canny operator is used to produce the gradient image, where marker-based watershed transform is conducted to achieve image regional objects. Rules are designed to choose the road objects step by step and other objects are discarded, based on the typical geometric and spectrum features of urban roads and the former cluster results. Then, the morphological skeleton algorithm is used to generate centerline of these road objects followed by some post-processing work, such as skeleton smoothing and connection. The experiment results show that the proposed method is suitable for automatic extraction of urban road, and the applicability of algorithm and the accuracy of results go for the updating of urban road-network.

urban road extraction; remote sensing image; scale-space; road rule; object-based analysis

10.19349/j.cnki.issn1006-7949.2016.12.002

2015-12-29

江西省數字國土重點實驗室開放研究基金資助項目(DLLJ 201313)；中央高校基本科研業務費專項資金資助(2014ZZTS250)

陳杰(1980- )，男，副教授.

TP753

A

1006-7949(2016)12-0005-07