基于時頻特征的高分辨率遙感圖像道路提取

張 曦，胡根生,2，梁 棟,2，鮑文霞,2

（1.安徽大學 電子信息工程學院，安徽 合肥 230601；2.安徽大學 計算智能與信號處理教育部重點實驗室，安徽 合肥 230039）

基于時頻特征的高分辨率遙感圖像道路提取

張 曦1，胡根生1,2，梁 棟1,2，鮑文霞1,2

（1.安徽大學 電子信息工程學院，安徽 合肥 230601；2.安徽大學 計算智能與信號處理教育部重點實驗室，安徽 合肥 230039）

針對傳統的遙感圖像道路提取算法存在錯漏率較高的問題，提出一種基于時頻特征提取和域自適應學習分類器的高分辨率航空遙感圖像道路提取新算法。首先利用地統計學抽取道路的時域紋理特征和三維小波變換抽取道路的頻域光譜特征，構成高分辨率航空圖像中的道路特征。然后使用抽取的道路特征訓練由遷移支持向量機模型構建的域自適應分類器，并對高分辨率航空遙感圖像進行道路粗提取。最后，結合道路形態特征，用數學形態學方法處理粗分類后的道路，獲得提取后的完整道路。仿真實驗表明，所提方法能有效降低高分辨率航空遙感圖像道路提取中非道路目標的干擾，提高道路提取的精確性。

高分辨率遙感影像；道路提取；地統計學；三維小波變換；遷移學習

高分辨率遙感影像具有高時相性、獲取方便快捷、高空間分辨率、信息容量大等特點。利用高分辨率遙感影像進行道路的識別和提取，已成為圖像處理、計算機視覺和圖像理解等的重點研究課題之一，其研究成果不僅有益于豐富基礎地理信息，同時在軍事國防、城市規劃、環境監測和農業調查等領域也有著廣泛應用。

目前多數文獻給出的遙感圖像道路提取大致可以分為3個步驟，即道路的特征提取、圖像的分割和道路的修補。Hu等針對LiDAR數據采用自適應Meanshift檢測道路中心點，再使用張量投票法增強道路的顯著線性特征，然后利用加權霍夫變換提取道路中心線[1]。該方法只針對特定的LiDAR數據，不適合一般的航空高分辨率遙感圖像。區域分割法是較為經典的航空遙感圖像道路提取方法，Lefèvre等利用矩形區域提取道路分塊，然后采用形態濾波器連接這些道路分塊獲取完整道路[2]；Ma等用區域分割法將道路分割后，采用形態特征與數學形態學方法完成復雜道路的提取[3-4]；若道路周邊有相鄰的房屋、停車場等地物目標，該方法難以區分道路與非道路目標，且道路中心線有毛刺。利用回歸預測、分類等方法也可以獲得較好的道路提取結果，Song等利用基于目標的濾波器獲取道路的光譜和形狀特征，再運用SVM分類器、GANMM等將圖像粗分為道路組和非道路組，根據形狀相似準則采用區域增長法修補道路組中被遮掩的道路[5-6]，Miao等采用張量投票法提取道路中心線[7]，該類方法對于復雜道路口處的圖像提取不夠清晰，會出現漏提現象。近年來很多智能學習算法，比如蟻群算法或者人工神經網絡算法等已被用來抽取道路信息[8-9]，但蟻群算法存在收斂速度慢，神經網絡算法存在過擬合等問題。

針對傳統道路提取算法中存在的問題，本文考慮道路像元之間存在空間變化性和相關性以及光譜信息中的“異物同譜”或“同物異譜”等現象，利用地統計學抽取道路的時域紋理特征和三維小波變換抽取道路的頻域光譜特征構成高分辨率航空圖像中的道路特征。由于傳統的分類算法對于樣本來自不同分布的有限標簽模式的分類和回歸預測并不魯棒，本文利用遷移支持向量機模型構建的域自適應分類器，對高分辨率航空遙感圖像進行道路粗分類，提高分類的泛化能力。最后對粗分類后的道路利用數學形態學的方法進行修補，獲得最終的完整道路。

1 道路圖像特征抽取

1.1 紋理特征抽取

本文利用地統計學抽取高分辨率航空圖像中道路的紋理特征。地統計學研究的對象是區域化變量，以變異函數為主要工具，研究樣本在空間分布上的空間相關性和變化性[10]。變異函數定義為在任意方向上，相距h的2個區域變化量Z（x）與Z（x+h）的方差。假設區域變化量Z（x）滿足（準）二階平穩條件，則變異函數γ（h）定義為：

式中，Z（xi）與Z（xi+h）分別為在空間位置xi和xi+h上的變量的屬性值；N（h）是xi和xi+h之間像元對的數目，i=1，2，…，N（h）。

將變異函數引入到二維區域變化中，設Z（i，j）為二維區域變化量，則東西方向上的變異函數為：

式中，Z（i，j）為像元（i，j）的屬性值；h為2點之間的距離，N（h）為相距為h的點對個數。

南北方向上的變異函數為：

西北-東南方向上的變異函數為：

東北-西南方向上的變異函數為：

利用移窗法，分別計算窗口內上述四個方向上的變異函數值，用來描述航空高分辨率遙感圖像道路的紋理特征。

1.2 光譜特征抽取

本文結合三維小波變換抽取航空高分辨率遙感圖像的光譜特征。同一時間同一地點獲取的多波段航空高分辨率遙感圖像可構成三維圖像，其中兩維是空間方向，另外一維是譜方向。對該三維圖像進行1次三維小波分解，可產生LLL、LLH、LHL、LHH、HLL、HLH、HHL和HHH 8個子代。本文選取一個低頻子代LLL和3個光譜差異子代LLH、LHH、HLH用來描述航空高分辨率遙感圖像的光譜特征。

2 道路圖像粗分類

2.1 域自適應分類器

傳統的神經網絡、SVM等機器學習算法對于樣本來自不同分布的有限標簽模式的分類和回歸預測并不魯棒，遷移學習的目的在于借助相關場景的數據來提高當前場景系統的泛化能力[11]。域自適應學習方法是一類重要的遷移學習方法，能有效利用源域中大量標簽數據來學習僅有少量標簽數據的目標域[12-14]。本文利用遷移最小方差支持向量機模型構建域自適應分類器，實現道路圖像的粗分類。

遷移支持向量機學習是在標準SVM決策函數基礎上增加一個“Δ函數”，使其在不同域中能更好地自適應，即遷移支持向量機的決策函數為[15]：

式（8）對應的拉格朗日形式為：

式中，αi≥0為拉格朗日乘子，根據Karush-Kuhn-Tucker（KKT）條件得到：

根據上述KKT條件可以得到如下線性方程組：

式中，y=（y1，…，yn）T；Ω=ZZT，Z=[y1Φ（x1），y2Φ（x2），…，yNΦ（xN）]；I=（1，…，1）T；a=（α1，…，αN）T；I為單位矩陣。

設a*、b*是上述線性方程組的解，則遷移支持向量機的決策函數式（7）可以表示為：

式中，K（xi，xj）是核函數，比如可以取RBF核

2.2 粗分類步驟

采用上述由遷移支持向量機模型構建的域自適應分類器進行航空高分辨率遙感圖像道路粗分類，步驟如下：

1）從多源多時相高分辨率航空遙感圖像中獲取道路和非道路圖像樣本集。

2）利用地統計學抽取樣本的時域紋理特征，利用三維小波變換抽取樣本的頻域光譜特征，結合時域紋理特征和頻域光譜特征構成樣本的特征向量集合。

3）利用樣本的特征向量集合訓練由遷移支持向量機模型構建的域自適應分類器，獲取式（15）所示的決策函數。

4）抽取待分類高分辨率航空遙感圖像時域紋理特征和頻域光譜特征構建特征向量，利用步驟3）的決策函數對整幅高分辨率航空遙感圖像進行道路和非道路的粗分類。流程圖如圖1所示。

圖1 道路粗分類流程圖

經過粗分類，圖像被分為待定道路目標以及非道路目標2種情況。其中，待定道路目標包括實際道路以及極少量的紋理特性和光譜特性都與道路相近的城市區域，例如停車場、裸露的地面等。由于高分辨率遙感圖像道路細節非常清楚，粗分類后，樹木以及道路的車道線等會在分類后的道路中存留漏洞和不連貫地帶裂縫，為此，我們利用道路形態特征和數學形態學方法處理粗分類后的待定道路目標，獲得最終的完整道路。

3 數學形態學處理

本文選取道路的面積、長寬比、矩形度來描述道路目標的幾何形態特征。高分辨率航空遙感圖像中的道路目標經粗分類和二值化處理后，其面積不會很小，因此計算分類后各區域的面積，通過設定一個閾值濾除掉小面積非道路目標的斑塊。道路具有的獨特的線性特征，與房頂、停車場等非道路目標相比，道路目標的長寬比更大，因此可以利用長寬比提取出具有明顯線性特征的區域。矩形度定義為目標圖像的面積和最小矩形的面積之比，反映了目標圖像與矩形的近似程度。

利用上述形態特征，采用數學形態學方法處理粗分類后的待定道路目標。數學形態學中的膨脹算法能夠解決道路提取時因車輛或車道線所產生的孔洞問題，腐蝕算法能夠消除目標的邊界，消除因膨脹運算而產生的噪點。閉運算即先膨脹后腐蝕，填平道路孔洞以及裂縫的同時使斷連的道路連接，平滑道路邊界。

4 實 驗

為了驗證本文所提方法的有效性，本部分進行仿真實驗。實驗所用數據為安徽省淮北市某地區的高分辨率航拍彩色圖像，圖像大小為512×512，空間分辨率為1．5 m。這些地區的道路環境復雜，包含了居民區、工廠、停車場、植被、裸地等非道路目標，道路目標則包含了主干道、次干道與支路等多尺度的城市道路，見圖2。結合地統計學紋理抽取和SVM分類的道路提取方法、文獻[16]的道路提取方法和基于數學形態學的道路提取方法被用來與本文所提方法進行比較分析。本文方法所取參數為：地統計學滑窗大小為7×7，非抽樣三維小波的分解水平為2，遷移最小方差支持向量機的參數由網格搜索法確定。不同方法的道路提取結果如圖3所示。

圖2 實驗所用源圖像

從圖3中可以看出，結合地統計學紋理抽取和SVM分類的道路提取方法，將圖像中長條形的建筑物邊緣、圍墻等誤識別為道路；文獻[16]的道路提取方法和基于數學形態學的道路提取方法將大量與道路相連接的裸地、停車場、廠房等地物誤識別為道路；本文將紋理特征和光譜特征相結合構建道路特征，并用遷移支持向量機分類方法提取道路，較好地去除了其他地物的干擾。

對于高分辨率航空遙感圖像道路提取效果的評價可用定量分析方法。本文采用完整性、正確性和質量這三個經典的精度指標作為道路提取效果的定量度量標準[17]：

圖3 不同方法的道路提取結果

式中，E1，E2，E3分別為完整性、正確性和質量指標；TP（true positive）、FP（false positive）、FN（false negative）分別為正報、誤報和漏報。定量評價結果如表1所示。

表1 不同方法的定量評價結果/%

從表1可以看出，除完整性指標外，本文道路提取方法的正確性指標和質量指標均高于其他3種方法。本文方法的完整性指標低是因為在利用本文方法進行道路粗分類時將道路中的汽車、遮住道路的植被等分割出去，在提升準確性的同時，降低了道路的平滑性。文獻[16]方法和數學形態學方法將圖像中汽車以及與道路相連接的裸地、停車場、廠房、路邊植物等地物誤識別為道路。數學形態學中的開、閉運算方法雖在平滑道路邊緣有著極大的優勢，但這將使得道路的覆蓋范圍過寬，完整性指標雖高，但過多地將非道路目標提取為道路會嚴重影響提取道路的準確性與質量。綜合而言，本文所提道路提取方法取得了更好的道路提取效果。

5 結 語

融合時域紋理特征與頻域光譜特征等多種特征，訓練由遷移支持向量機模型構建的域自適應分類器，并對高分辨遙感影像進行道路粗提取，然后結合道路形態特征，使用數學形態學方法處理粗提取后的影像，獲得提取后的完整道路，最后提取道路中心線，建立道路骨架。實驗結果表明，本文提出的方法能夠有效降低高分辨率航空遙感圖像道路提取中非道路目標的干擾，提高道路提取的精確性。多種特征相融合，為道路提取提供了一個良好的途徑，但依然很難獲得一個通用的線性特征用于不同尺度的遙感圖像，對此還需要進行進一步的研究。

[1] Hu X, Li Y, Shan J, et al． Road Centerline Extraction in Complex Urban Scenes From LiDAR Data Based on Multiple Features[J]．IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11):7 448-7 456

[2] Lefèvre S, Courtrai L． Road Network Extraction from Remote Sensing Using Region-based Mathematical Morphology[C]．International Workshop on Pattern Recognition in Remote Sensing (PRRS 2014),2014

[3] Ma H,Cheng X,Wang X,et al．Road Information Extraction from High Resolution Remote Sensing Images Based on Threshold Segmentation and Mathematical Morphology[C]．2013 6th International Congress on．IEEE,2013(2):626-630

[4] 雷小奇,王衛星,賴均．一種基于形狀特征進行高分辨率遙感影像道路提取方法[J]．測繪學報,2009(5):457-465

[5] Song M,Civco D．Road Extraction Using SVM and Image Segmentation[J]．Photogrammetric Engineering & Remote Sensing,2004,70(12):1 365-1 371

[6] Shi W,Miao Z,Debayle J．An Integrated Method for Urban Main-road Centerline Extraction from Optical Remotely Sensed Imagery[J]．IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6):3 359-3 372[7] Miao Z,Shi W,Gamba P,et al．An Object-Based Method for Road Network Extraction in VHR Satellite Images[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8( 10):4 853-4 862

[8] Yin Dandong,Du Shihong,Wang Shaowen,et al． A Direction-Guided Ant Colony Optimization Method for Extraction of Urban Road Information from Very-High-Resolution Images[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8(4): 785-794

[9] Mokhtarzade M,Zoej M J V．Road Detection from High-Resolution Satellite Images Using Artificial Neural Networks[J]．International Journal of Applied Earth Observation and Geoinformation, 2007, 9(1): 32-40

[10] 劉愛利,王培法,丁園園．地統計學概論[M]．北京:科學出版社,2012

[11] Pan S J,Yang Q．A Survey on Transfer Learning[J]．IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1 345-1 359

[12] Pan S J,Tang I W,Kwok J T,et al．Domain Adaption Via Transfer Component Analysis[J]． IEEE Transactions on Neural Networks, 2011, 22( 2):199-210

[13] Duan L X,Tsang I W,Xu D．Domain Transfer Multiple Kernel Learning [J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,2012, 34(3):465-479

[14] Bruzzone L,Marconcini M．Domain Adaptation Problems:a DASVM Classification Technique and a Circular Validation Strategy[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(5):770-787

[15] Yang J,Yan R,Hauptmann A G．Cross-domain Video Concept Detection Using Adaptive SVMS[C]．15th Proc of Int Conf on Multimedia, 2007

[16] Ma H,Cheng X,Wang X,et al．Road Information Extraction from High Resolution Remote Sensing Images Based on Threshold Segmentation and Mathematical Morphology[C]．6th International Congress on Image and Signal Processing (CISP), 2013( 2): 626-630

[17] Wiedemann C,Heipke C,Mayer H,et al．Empirical Evaluation of Automaticallyextracted Road Axes[J]． Empirical Evaluation Techniques in Computer Vision,1998: 172-187

P237.3

B

1672-4623（2016）06-0018-04

10.3969/j.issn.1672-4623.2016.06.006

張曦，碩士，研究方向為遙感影像道路提取。

2016-03-11。

項目來源：國家自然科學基金資助項目（61401001）；安徽省自然科學基金資助項目（1408085MF121）。