結合矢量引導的高分辨率遙感影像道路自動提取

程效猛，鄭 浩，眭海剛，馮文卿

(1. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 2. 裝備項目管理中心，北京 100034)

道路是一種極其重要的人工地物，是地形圖和GIS系統的主要組成數據之一[1]。近年來，高分辨率遙感影像越來越得到人們的關注，從高分影像數據中進行道路的檢測與識別已成為重要的研究課題[2]。如果能自動地從遙感影像中提取道路網，將會簡化城市地物目標的分類和測量過程[3]。利用已有的矢量數據來獲取先驗信息,替代人工干預，對于提高遙感影像中道路提取的穩定性和可靠性將會有很大幫助。

矢量路網數據輔助下的道路提取方法是國內外道路提取的研究熱點，已吸引一批學者展開相關研究。Mailard和Cavayas首先提出了地圖匹配法用來更新數據庫，根據舊的道路尋找新的道路[4]。吳曉燕等在已有矢量下建立緩沖區，在緩沖區內部檢測道路點和道路段，但是對于新增道路的提取需要人工干預[5]。丁磊等從矢量數據獲取可信的訓練樣本，利用樸素貝葉斯方法對影像進行分類[6]。Cao利用OSM路網數據來輔助提取復雜場景下的道路中線，根據影像的色調和飽和度特征進行聚類來區分道路與背景地物[7]?？偨Y來看，這些算法的不足之處在于，利用分類方法提取出的道路位置不是十分準確，在場景較為復雜的區域會出現錯分、斷裂等現象，導致道路網整體提取精度不高，并且有時需要引入人工干預。

本文采用OSM道路網數據作為引導矢量，提出一種利用高分辨率遙感影像進行道路自動提取的方法。首先采用灰度形態學濾波的方式對影像進行預處理，通過OSM路網提供的先驗信息對模糊C均值(fuzzy C-means,FCM)算法進行改進，并將輸入的遙感影像粗分為3類；接著以粗分類結果作為分類特征，通過OSM矢量路網自動獲取道路樣本，利用支持向量機(support vector machine,SVM)對粗分類結果進行精分類，并采用粒子群優化(particle swarm optimization,PSO)算法對SVM進行最優參數的選取，以提高分類精度；最后對二值化分類結果進行形態學處理，得到精確的道路網信息。

1 算法原理介紹

1.1 影像預處理

高分辨率遙感影像中含有很豐富的地物細節，非目標噪聲繁多，在進行目標地物特征提取時，首先要對影像進行預處理。形態學能夠利用結構元素探測圖像中目標的結構信息，抗噪聲能力比較強[8]。本文應用灰度形態學的膨脹、腐蝕及開閉操作方式對遙感影像進行去噪和增強處理。

1.2 改進的FCM聚類算法

針對SVM在分類過程中無法獲取高精度道路網的問題[9]，本文首先利用FCM對遙感影像進行粗分類，以擴大不同類別之間的距離，然后采用SVM進行精細分類，降低分類的誤判率。但是FCM算法聚類效果往往受到初始聚類中心的影響，收斂結果易陷入局部極小值的問題，為此筆者提出了一種改進的FCM聚類算法。

通過OSM矢量路網提供的先驗信息給出了一種簡潔快速的初始聚類中心選取規則。本文利用FCM將遙感影像粗分為3類，需要選取3個初始聚類中心。首先將矢量路網節點所在位置的像素點作為第1類樣本，計算出中心點位置，作為第1類的聚類中心；接著利用矢量路網生成道路緩沖區，覆蓋道路區域，選取道路區域附近的相同數量背景點作為第2類樣本，計算出中心點位置，作為第2類的聚類中心；最后在遠離第1類和第2類樣本點的區域選取相同數量的像素點作為第3類樣本點，計算出中心點位置，作為第3類的聚類中心。聚類中心計算公式如下

(1)

式中，ICi為第i類的聚類中心；sj為樣本點；p為樣本個數。

本文選取影像灰度的均值和方差作為影像聚類的特征，充分利用一階和二階統計特征進行了有效的特征提取[10]。

1.3 樣本點的采集

本文利用OSM矢量路網節點選取SVM分類所需要的正負樣本點。FCM聚類將影像粗分為3類，確定了道路的大致范圍。因此在選取正樣本點時，只需將落在道路區域矢量節點位置的像素點作為正樣本點即可，這樣可以排除無效的樣本點。

根據經驗認為遠離道路矢量所在位置的區域為背景地物。因此以OSM矢量路網為中心做緩沖區，覆蓋道路區域，將過渡區域外的范圍視為背景地物，在背景地物中選取負樣本點，如圖1所示。

圖1 負樣本采集

利用OSM矢量路網信息能夠自動獲取足夠多的樣本點，為后續的SVM分類提供可靠的樣本支撐。

1.4 支持向量機分類

SVM是進行遙感影像分類和地物目標信息提取的常用方法。它能很好地解決分類樣本容量小、非線性、高維數等在分類中遇到的較為困難的問題，具有較強的泛化能力[11]，然而支持向量機的參數選擇的恰當與否會對數據的訓練和收斂性帶來很大的影響。PSO不僅具有全局尋優能力，而且具有高效的收斂性和較強的局部尋優能力[12]。本文以徑向基函數(RBF)作為核函數，利用PSO方法，探討如何尋找SVM分類器最佳參數。

(2)

(3)

使用粒子群算法對SVM的參數進行優化選擇，主要過程如圖2所示。

圖2 PSO尋找SVM最優參數流程

1.5 二值影像后處理

利用OSM矢量路網提供的先驗信息去除房屋等建筑物對分類后圖像的影響。首先根據Canny算子求取地物邊緣，然后將邊緣像素點的8鄰域作為邊緣點，增大邊緣線的寬度，得到邊緣輪廓圖。接著利用邊緣輪廓圖對二值道路圖進行掩膜，消除其他地物與道路的連接[13]。然后利用OSM矢量路網生成道路成緩沖區，根據新舊路網相互連接的假設，與矢量路網道路緩沖區相接的為道路區域，與道路區域已斷開的房屋等建筑物區域為非道路區域。當去除房屋等建筑物的非道路圖斑后，利用閉運算連接斷開的道路段，通過背景填充的方法填充孤立的孔洞，使整個道路區域變得完整。采用形態學腐蝕和膨脹運算，形成整個道路網。

2 試驗結果及分析

為驗證本文方法的有效性和普適性，利用Matlab實現了本文所提出的道路提取算法，采用Google Earth影像數據進行試驗，所選兩個地區的道路分布和光譜輻射信息具有較大差異，并與直接采用FCM算法和傳統的SVM算法進行了比較。選取了2016年安徽省兩個不同區域的影像作為試驗區域，分辨率均為1 m，大小分別為1816×1648像素和1234×1090像素，并從官網下載了每個區域對應的OSM矢量路網作為引導矢量。利用本文算法分別對兩幅影像進行處理，得到的試驗結果如圖3、圖4 所示。

圖3 試驗1區域

試驗1區包含較多的建筑物區域和空地，同譜異物帶來很強的干擾，并且存在較多寬度不同的道路。從SVM分類結果來看，本文算法對不同寬度的道路有較強的適應性，能夠將大部分道路提取出來，后處理的過程中除了少數區域外，能夠去除建筑物干擾，并且保留了寬度較小的道路。試驗2區有大量的房屋和其他建筑物，對道路提取形成了很強的干擾。但是從分類結果來看，本文算法對道路和背景有很好的區分性，具有較強的抗干擾能力，能夠區分密集建筑物區域中的道路，經過形態學后處理，可以得到準確、完整的道路網。

直接使用FCM算法及傳統的SVM算法進行對比試驗，對上述試驗2區域的影像進行處理，得到的道路分類結果如圖5、圖6所示。

圖4 試驗2區域

圖5 FCM分類結果

圖6 傳統SVM分類結果

從分類結果中可以看到，使用FCM算法對試驗區進行分類后，分類結果中仍然存在大量的干擾，無法將具有明顯光譜差異的建筑物與道路區分開來，并且房屋與道路之間有很強的黏滯現象，分類效果不明顯。直接使用傳統SVM方法效果比FCM分類效果要好，去除了大部分的干擾物，但是從試驗2區來看，對于復雜區域，傳統的SVM容易存在錯分和漏分的現象，分類精度不高。

為了對試驗結果進行定量化評估，選取了完整性(Completeness)、正確性(Correctness)、質量(Quality)的定量評價結果[14-15]，得到的精度評價結果見表1。從表1中的試驗結果精度對比中可以看出，本文算法對于不同場景的道路提取具有良好的穩健性，并且為全自動提取，提高了效率。

表1 定量評價 (%)

3 結 語

針對目前遙感影像分類的道路提取方法存在道路位置定位不準確，容易出現錯分、漏分的現象及自動化程度低的問題，本文提出了一種基于OSM矢量路網的全自動道路提取方法。利用OSM提供的先驗信息改進分類算法，提出的SVM結合FCM策略能夠很好地提高道路網提取的精度，并且提升了道路提取的自動化程度。通過算法對比及精確評價證明本文所提出算法的精確性和有效性。但是本文算法未能完全解決道路遮擋問題和同譜異物現象帶來的干擾，試驗結果中仍存在信息丟失和誤提取等問題，需在下一步研究中進行改善。