OpenStreetMap輔助下的高分辨率光學影像道路損毀提取

徐 豐，董 亮，蔡肖芋

（1.民政部國家減災中心,北京 100124；2.山西工程職業技術學院 建筑工程系，山西 太原 030009；3.武漢大學 測繪遙感信息工程國家重點實驗室，湖北 武漢 430079）

OpenStreetMap輔助下的高分辨率光學影像道路損毀提取

徐 豐1，董 亮2，蔡肖芋3

（1.民政部國家減災中心,北京 100124；2.山西工程職業技術學院 建筑工程系，山西 太原 030009；3.武漢大學 測繪遙感信息工程國家重點實驗室，湖北 武漢 430079）

提出了一種以高分辨率遙感影像和OpenStreetMap道路矢量數據作為數據源的道路損毀提取方法。在OpenStreetMap道路矢量數據的輔助下，利用道路在高分辨率影像上的特征，結合學習-檢測的方法對損毀區域進行檢測，提取疑似損毀路段，基于道路信息對損毀路段進行驗證，剔除虛警。實驗表明，該方法能夠快速、準確地對道路損毀信息進行提取。

高分辨率影像；OpenStreetMap；學習-檢測；道路損毀提取

道路是國家經濟和軍事的動脈，是交通運輸和物資輸送的重要保障，對軍事和民用都有很重要的意義。根據道路損毀信息提取所用的信息源可將道路損毀提取方法分為3類[1]：①基于災后單時相影像的提取方法，主要是使用目視判讀和分類的方法；②基于災前-災后多時相影像的提取方法[2]，利用災前、災后數據采用變化檢測的方式進行損毀提取；③基于災前先驗信息-災后影像多源信息融合的提取方法[3-5]，利用道路矢量數據、DEM、LiDAR數據等輔助道路損毀提取。與基于災后單時相影像檢測方法相比，通過災前-災后不同時相資料利用變化檢測方法進行對比分析的研究較多，且識別精度相對較高。道路對象，特別是主要道路，通常比較穩定，自然條件下變化較小，根據災前GIS道路網數據判斷災后發生變化的道路具有較高的可靠性[6]，且能克服災前影像數據不完備的問題。

高分辨率遙感影像上的道路灰度均勻、結構規整、排列有序。毀滅性的地震會使路面產生裂紋、位錯、下沉或懸浮，坍塌、滑坡和泥石流等次生災害會使巖土體在道路表面累積。災后被破壞的道路在高分辨率遙感影像上無論是光譜、幾何、拓撲以及上下文特征都會發生顯著變化，導致災后道路信息提取面臨很大的困難。

本文提出了一種基于OpenStreetMap道路矢量數據與Learning-Detection高分辨率遙感影像的道路損毀提取方法。主要步驟為：①在道路矢量數據的引導下利用Learning-Detection方法在遙感影像上提取疑似道路損毀區；②結合道路上下文信息對疑似損毀區域進行篩選，選出損毀道路路段。具體流程如圖1所示。

圖1 道路損毀檢測流程圖

1 基于L-D的疑似損毀路段檢測

災害損毀會引起道路本身特性的變化。災前矢量數據較容易獲取，本文依托災前矢量提供的先驗信息，快速、高效地檢測出道路上的損毀斷裂區。Tracking-Learning-Detection（TLD）是Kalal[7]提出的一種對視頻中單個物體長時間跟蹤的算法。本文采用基于L-D（學習-檢測）的方法對疑似損毀道路進行檢測。

首先，以道路矢量數據作為先驗信息進行引導追蹤，使用L-D的檢測方式，邊檢測邊追蹤邊學習更新；然后，采用自適應的多尺度檢測窗口滑動搜索道路損毀區域。本文使用多尺度檢測窗口策略來確定道路最佳匹配模板，檢測器是一個級聯分類器，用作道路圖像的檢測過濾；最后利用模板匹配方法尋找最近似道路圖像，找出錯誤分類并及時更新模板，避免出現類似錯誤，以便得到更精確的道路損毀區域。

1.1 基于輻條法的初始模板提取

在高分影像中，道路是條帶狀結構，道路的路寬在局部、小范圍內是穩定的，與其周邊地物有明顯的對比，因此，本文采用輻條法來提取初始模板。首先，在某一點位采用多方向的輻條距離計算，為此設定了一定角度的張量來避免多方向延伸導致的計算失敗，根據多方向計算的距離值來求得各獨立點處的輻條距離；然后，在一條道路上隨機選擇一定數量的點位進行計算；最后使用統計特征值來作為最初的高度。

由初始點發射的輻條與邊線的交點距離初始點的長度不一樣，這些交點投影到道路矢量方向上的垂直距離構成一個距離統計剖面圖，如圖2。計算各交點到投影點的距離，得到距離的集合，計算集合的平均值即可獲得初始模板的寬度 。

圖2 輻條法示意圖

1.2 基于級聯分類器的疑似損毀道路圖元檢測

道路不同路段的寬度存在差異，本文提出一種基于多尺度檢測窗口的級聯分類器的方法檢測道路損毀圖元。

1）多特征檢測器。一定范圍內的道路特征相對穩定，表現為灰度趨于一致、道路紋理特征穩定。災后由于滑坡泥石流、洪水等影響，道路表面會有碎石、土方、倒塌房屋碎片、水體等，導致損毀路段光譜特征發生明顯變化，如亮度變亮或者變暗，道路紋理也會變得粗糙、無規則，可利用這些特征作為損毀檢測匹配的依據。用一定尺寸的掃描窗對影像進行掃描，每掃描一個位置就形成一個包圍框，包圍框內的圖像區域稱為一個圖元（patch）。 計算初始圖基元和圖元的特征值，為匹配檢測和損毀路段識別作準備。

2）自適應多尺度檢測窗口。由于固定檢測窗口受道路寬度的變化或周圍環境的影響，本文采用自適應多尺度的檢測窗口來檢測圖元內的影像與初始模板的匹配情況。檢測窗口分為搜索框和匹配框兩級模板，搜索框定義為沿道路搜索的緩沖區，由于受配準精度和初始模板計算誤差的影響，搜索框可以增加緩沖區范圍；匹配框是在搜索框里進行搜索的滑動模板，根據特征檢測器進行特征計算，尋找最優匹配的檢索范圍。

3）級聯分類器。根據多特征檢測器的特征計算方法進行滑動檢測時，為了提高檢測的效率和精度，采用3級分類器進行匹配和損毀區域的檢測。3級分類器分別是方差分類器、隨機森林分類器和最鄰近相關性分類器，其中方差分類器是將匹配框內圖元的灰度值方差與標準框內的灰度值方差進行比較，先進行粗篩選，將方差大于一定閾值的過濾，提高后續計算效率。

2 基于上下文的道路損毀驗證

由于道路兩側植被對道路的遮擋、路邊高大建筑物的陰影對道路的遮擋以及路上車輛對道路局部紋理特征的影響，會導致道路光譜信息發生改變，但這些改變與道路的損毀有明顯區別，也比較穩定。陰影會導致影像偏黑，植被在光學影像上主要也是以植被顏色為主，較容易剔除。排除以上幾種干擾后剩下的就是損毀道路。

1）植被檢測。色彩不變量（color invariants）由獨立視點、表面方向、光照方向和光照強度等色彩模型構成[8]。由于缺少近紅外波段，因此需要探索基于 RGB影像的植被色彩不變量。實驗表明，從綠光波段中減去藍光波段有利于檢測植被區域。由綠光波段和藍光波段構成的色彩不變量如式（1）所示[9]。

其中，i、j是對應的圖像上行列號；I（i， j， g）, I （i， j，b）則是影像中對應像素在綠光波段與藍光波段的像素值；R 和C 為影像I的行列數。

根據Otsu 算法的最大類間方差原則，從指數影像中確定分割閾值Tc，將大于閾值Tc的像素標記為候選植被對象，小于閾值Tc的對象被標記為非植被對象。

歸一化處理強度影像I 后，根據閾值Ti分割強度影像，得到明暗分類標記影像；然后根據色彩不變量進行分割，標記影像V 與明暗標記反轉后影像作邏輯操作，如式（2）所示，得到最終的植被檢測結果影像。

2）陰影檢測。陰影在遙感影像上表現為灰度值較低的特性。本文使用陰影色彩不變量指數Shorter來檢測陰影[10]，如式（3）所示。

其中，i， j 為對應的像素行列號；I（i， j， r） 、 I （i， j， g）、I（i， j，b ）分別為影像中對應像素在紅光波段、綠光波段與藍光波段的像素值；R 和C 為影像I 的行列數。類似于植被檢測方法，利閾值Ts標記候選陰影對象。

3）車輛檢測。高分遙感影像上的車輛特征提取比較復雜，本文采用的車輛提取方法包括對象增強處理與候選對象提取兩個步驟。

3 實驗與結果分析

為了驗證本文方法的有效性，以四川省北川羌族自治縣某地區和四川省蘆山縣寶盛鄉某地區3組地震后影像和OpenStreetMap矢量道路數據為數據源，提取由地震引發的道路阻塞路段。實驗影像數據描述表1所示。

表1 實驗數據描述

圖3展示了實驗中利用Learning-Detection方法得到的疑似損毀區檢測結果。共有14處疑似損毀路段，再利用上下文信息特征剔除掉非道路損毀區域，得到道路損毀檢測結果。

圖3 道路損毀檢測

從實驗的結果可以看出，基于矢量引導的道路損毀提取策略可以將疑似損毀道路檢測出來，偽損毀路段經過驗證后也能有效剔除。從表2數據看出道路信息提取的準確度高，漏檢率低于10%。

表2 實驗結果統計

4 結 語

本文利用GIS數據作為引導，提出了基于Learning-Detection的檢測方法來提取疑似道路損毀區，并利用上下文信息對疑似區進行偽損毀路段判斷。實驗證明，該方法能夠快速、準確地對損毀信息進行提取。由于損毀信息的復雜性，在利用上下文信息時還需要考慮更多的影響因素，同時由于影像對損毀信息表現的局限性，如何更加有效地描述災害損毀在高分影像上的特征，并準確提取損毀區域是今后進一步研究的問題。

[1] 柳稼航,楊建峰,魏成階,等．震害信息遙感獲取技術歷史、現狀和趨勢[J]．自然災害學報,2004,13(6):46-53

[2] 張璽銳．基于SAR圖像的道路損毀信息提取方法研究[D]．成都:電子科技大學,2013

[3] 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,2008,12(6):949-955

[4] 徐陽,李清泉,唐爐亮．基于道路矢量數據的遙感影像道路損毀檢測[J]．測繪通報,2011(4):14-16

[5] 秦軍,曹云剛,耿娟．汶川地震災區道路損毀遙感評估模型[J]．西南交通大學學報,2010,45(5):768-773

[6] LI Deren．Remotely Sensed Images and GIS Data Fusion for Automatic Change Detection [J]． International Journal of Image and Data Fusion,2010,1(1):99-108

[7] KALAL Z, MATAS J, MIKOLAJCZYK K,et al． P-N learning: Bootstrapping Binary Classifiers by Structural Constraints[J]． 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition． 2010: 49-56

[8] GEVERS T, STOKMAN H M G． Classifying Color Transitions into Shadow-geometry, Illumination, Highlight or Material Edges[C]//Image Processing, 2000． Proceedings． 2000 International Conference on． IEEE, 2000, 1: 521-524

[9] SHORTER N, KASPARIS T． Automatic Vegetation Identification and Building Detection from a Single Nadir Aerial Image[J]． Remote Sensing． 2009, 1(4): 731-757

P237

B

1672-4623（2016）12-0004-03

10.3969/j.issn.1672-4623.2016.12.002

徐豐，碩士，副研究員，主要從事災害遙感、SAR應用等方面研究。

2016-03-17。

項目來源：高分辨率對地觀測系統重大專項技術研究與開發項目（03-Y20A10-9001-15/16）；高分三號針對陸地目標的SAR圖像質量控制研究技改項目。