自適應聚類學習的道路網提取方法

陳 光，薛 梅，陳良超，眭海剛

(1. 重慶市勘測院，重慶 401121； 2. 智慧城市時空大數據重慶市工程研究中心，重慶 401121； 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)

現有的新增道路提取方法大多都是針對不同影像類別、比例尺、影像區域和道路類型進行試驗[1]，從特征組合和分類方法兩方面進行改進提取結果，學者們試圖尋找一套通用的特征組合和有效的分類模型來完成針對所有類型道路的提取任務。然而，高分遙感影像道路網提取任務具有其特殊性，盡管遙感影像中的道路具有一些共同的特征，但是道路的多樣性和場景的復雜性使得道路之間常常表現出明顯的特征差異[2]。現有基于樣本學習的提取方法在處理高分影像數據時主要存在兩方面的問題：①道路在不同場景中表現多樣；在不同源影像上也存在特征差異，難以用固定的特征和規則實現普適的道路提取任務。②基于有監督的道路提取，依賴于采樣的絕對隨機性，但是實現采樣的隨機性非常困難，一旦采樣過程中存在任何偏見，提取結果就會存在差異。

基于上述分析，研究道路提取方法時，必須從道路特征的差異性出發，針對不同類型的道路發掘專屬的特征，以此來完成對道路的精細化提取。本文提出一種基于自適應聚類學習的道路網提取方法。

1 方法理論

方法處理流程如圖1所示。其主要由3部分構成：樣本特征自動獲取，樣本自適應聚類，道路分類融合與驗證。首先，針對分類樣本選擇困難的問題，利用已知道路矢量進行自動樣本標注，獲取全影像域的道路樣本和背景樣本；然后，針對高異質性樣本特征訓練分類器時導致的過擬合問題，提出自適應道路樣本聚類策略，利用聚類后的樣本分別訓練分類器并提取道路對象；最后對多分類器道路提取結果進行合并與驗證。

圖1 道路網提取方法總體框架

1.1 道路樣本特征自動化獲取方法

遙感影像分類訓練樣本與特征的自動化快速獲取已成為遙感大規模應用面臨的瓶頸問題[3]，遙感道路提取也不例外。本文使用SLIC[4]作為影像對象化分割方法，并將分割結果對象作為樣本特征提取單元(如圖2所示)。相對于傳統的基于像元的影像分析，面向對象的分類方法能夠綜合考察像元及其鄰域的光譜和空間特性，從而有效區分特征相似的地物[5]。

注：影像信息：IKONOS 1 m;參數：對象大小20,緊致度0.1。圖2 道路影像SLIC分割試驗

道路樣本標記基于已知舊時相路網矢量數據的語義信息進行。根據經驗認為遠離道路矢量所在位置的區域為背景地物。由此可根據已有道路提取結果生成道路樣本集和背景樣本集，具體流程如下：

(1) 柵格化道路矢量數據，以半徑rroad生成結構元素Sroad并執行形態學膨脹運算，生成道路樣本蒙版影像Xroad；以半徑rgap、rgap>rroad生成結構元素Sgap并執行形態學膨脹運算，生成蒙版影像Xgap，輔助背景樣本蒙版樣本的生成；以半徑rbg、rbg>rgap生成結構元素Sbg并執行形態學膨脹運算，將運算結果與Xgap邏輯取反后的影像按位執行邏輯與運算，得到背景樣本蒙版影像Xbg

(1)

式中，X為待處理影像；⊕為形態學膨脹運算符號；結構元素半徑rroad、rgap、rbg需要根據導航路網矢量線對應的寬度信息和影像分辨率設置，蒙版影像生成示意圖如圖3所示。

圖3 蒙版影像生成示意圖

(2) 分別將道路樣本蒙版影像和背景樣本蒙版影像與道路對象化分割結果疊加，統計每個分割對象內部屬于道路蒙版的像素數量nroad和屬于背景蒙版像素的數量nbg，判定對象屬于道路對象還是背景對象

(2)

式中，1標識對象為道路樣本；-1標識對象為背景樣本；0標識非樣本對象；N為對象總數；Tarea為有效面積比閾值。

根據文獻[6—7]中對光譜特征和紋理統計特征的描述，本文選擇對象的光譜和紋理特征作為訓練特征。高分影像中光譜特征的高度細節化使得難以僅僅根據光譜特征完成道路提取任務。紋理與局部像元灰度的空間組織相關，在識別感興趣的目標和對象中有著非常重要的作用。本文以光譜特征和紋理特征聯合構成分類器訓練特征向量，具體包括：光譜特征維數為15(紅、綠、藍波段的均值、標準差、熵；色調均值、標準差；飽和度均值、標準差；亮度均值、標準差)，灰度共生矩陣(GLCM)[8]紋理特征維數為24(紅、綠、藍波段GLCM的均值、方差、熵、角二階矩、同質性、對比度、不相似性、相關性)，局部二值模式(LBP)[9]紋理特征維數為18(紅、綠、藍波段LBP的均值、標準差、偏度、峰度、能量、熵)，共57維特征。以圖2中試驗數據正負訓練樣本特征值的均值構建特征直方圖，如圖4所示。圖中垂直虛線左側為光譜特征，右側為紋理特征。對比直方圖發現，正負樣本的多個特征之間具有明顯的差異，表現出較好的區分性。

圖4 訓練樣本特征均值直方圖面

1.2 道路樣本自適應聚類

從道路樣本的獲取過程和實際道路場景的多樣性可知，道路樣本必然是混雜了不同等級、不同場景道路，其特征集合中包含有類似的特征表現，而更多的特征則表現出較大的差異。直接利用此類樣本訓練分類器將導致過擬合問題，即為了得到與樣本一致假設而使得訓練出來的分類器過于精細復雜，判別規則過于嚴格，這將導致分類器對于訓練樣本以外的、任何與樣本數據稍有不同的檢測數據都會產生非道路的判別結果。本文提出一種道路樣本自適應聚類策略，使得道路樣本能夠根據集合內特征分布情況進行重組，使得聚類后各組樣本在特征空間中呈聚集分布趨勢。

首先，由于在樣本數相對較少的情況下，高維特征使得樣本在統計上的漸近性質受到破壞[10]，因此需要通過特征降維，消除無關和冗余的樣本特征。本文利用Devijver[11]提出的向量相似性指數，按照黃昕[7]提出的特征選擇方法進行降維處理，本文不作贅述。

然后，利用高斯混合模型(GMM)執行自適應道路樣本聚類。由于類別數K未知，在實際數據處理中，需要通過多次測試、比較多個成分的擬合結果決定K值。為了能夠自適應地獲得類別數K，本節提出2個度量指標：分裂指數和合并指數。

(1) 設定初始K值，對原始樣本執行GMM聚類處理，得到K個高斯分布模型。

(3)

式中，j、k∈K；pj(x)、pk(x)為對應高斯模型在位置x的概率值；max為取極大值函數。

(3) 定義合并指數(merge index，MI)，即

(4)

若MI>TMI，則認為連線li所連接的2個高斯模型具有較大的重疊度，需要進行合并，即將總的類別數降為K-1。

(5) 重復執行上述操作，直至沒有符合分裂和合并條件的高斯模型，得到最終的樣本聚類數K。

最后，根據聚類結果將矢量路網標注的正樣本集合分為多個集合，負樣本保持不變。將每組正樣本與負樣本組合訓練一個分類器，實現對特定類別道路的提取。

1.3 道路分類和融合

本文選擇支撐向量機(SVM)分類器[12]執行道路分類提取(黃昕[7]在其博士論文中通過試驗證實了SVM分類器對于光譜-結構的混合特征分類的適用性)。基于各組樣本特征訓練分類的結果對應了不同類型的道路。根據各類道路樣本的道路提取結果，生成道路標記圖像，設P(Tn)為像素p在樣本組n對應的屬性，則有

(5)

利用多數投票方法集成多組道路標記結果

(6)

式中，Mp代表像素p在不同樣本組上被標記為道路的次數。多組融合規則定義為

(7)

式中，P是對每個像素的最終類別標記。如果一個像素在不少于1個樣本組的分類結果中被標記為道路，則該像素對應道路；否則，該像素標記結果為非道路。考慮路網提取結果的連通特性，本文最后根據幾何特征對混入道路提取結果的非道路對象作進一步的剔除，得到最終的道路提取結果。

2 試驗與分析

試驗數據對應區域為鄂爾多斯市城區局部，數據包括遙感影像與裁切后的導航路網。遙感影像為QuickBird多波段合成影像，導航路網為OpenStreetMap路網裁切數據，影像與路網矢量均具有相同的WGS-84大地坐標系，直接疊置顯示后具有很好的位置套合效果(如圖5所示)。影像范圍內的待提取道路為典型的城區道路，包括較寬的主干道和較窄的支路，主干道上具有明顯的綠化帶和行道線，而支路對應的光譜特征相對均一。部分路段存在陰影遮擋的情況。試驗數據具體描述信息見表1、表2。

表1 城區試驗數據描述信息

表2 城區導航數據描述信息

圖5 道路提取試驗數據

按照本文多樣本組分類融合道路提取方法，執行基于導航路網的自動樣本標記與特征獲取。樣本標記影像如圖6所示，正樣本標記影像展示了范圍內的道路對象，整體來看，道路光譜特征存在漸變的差異；從細部看，主干道中包含綠化帶對象，從而使得局部路面光譜具有較大差異，并且受綠化帶和行道線的影響，主干道與支路的紋理特征也具有較大差異。負樣本則主要對應道路兩旁的建筑物、裸土和植被對象，其中部分建筑物對象的光譜特征與道路較為相近。

圖6 樣本標記影像

樣本標記與特征統計信息見表3。原始的樣本特征維數為57維，包括文中提到的光譜和紋理特征，通過特征選擇去除相關特征和特征抽取后的特征維數為4維；自適應混合高斯模型聚類處理將原始正樣本分為3組具有較大特征差異的樣本組。

表3 樣本標記與特征信息

利用3組正樣本與負樣本分別訓練SVM分類模型，模型參數與訓練測試分類精度見表4。3個分類模型在最優參數配置下對測試樣本集的分類精度均超過94%。

表4 分類模型訓練參數

比對原始影像與分類結果的細部圖像能夠發現各分類器提取結果的差異(如圖7所示)。分類器1提取結果主要為綠化帶(如圖7(a)、(b)所示)，在對象化處理過程中，部分路段與植被對象特征混合，因而提取結果中還包括部分較窄的分支路段；分類器2由大部分正樣本特征集合訓練所得，其提取結果為影像域內的主要道路對象(如圖7(c)、(d)所示)；分類器3的提取結果則與斑馬線、行道線等對象對應(如圖7(e)、(f)所示)。

圖7 各分類器提取結果局部對比

各分類器的提取結果相互補充，融合處理后得到整體的道路提取結果(如圖8(a)所示)，最后根據形狀特征剔除部分非道路碎屑對象，得到最終的道路提取結果。道路提取結果保持了相對較為完整路網。對于新增道路，提取結果并不完整，但是仍然獲得了路段的主體部分。將本方法道路提取結果與路網矢量疊加，如圖8(b)所示。圖中可以清晰地看出新增道路提取結果，包括圖中右上角新增的主路，右側南北走向的支路，下方多條相交路段等。

圖8 道路網提取試驗結果

為驗證方法的有效性，選擇2種主流道路網提取方法執行比對試驗。選擇的方法包括：Huang提出的多尺度道路提取方法[13]和Shi提出的基于形態學特征的道路提取方法[14]。對比方法試驗結果如圖9所示。

圖9 道路提取方法對比提取試驗結果

定量評估采用的評價指標包括：完整性、正確性和質量[15]。精度指標統計結果見表5。3種方法的道路提取結果均具有較好的完整性；從正確性來看，本文方法提取結果中包含的非道路對象較少，提取結果的整體質量較高。

表5 道路提取試驗精度驗證統計

3 結 語

本文根據道路特征多樣化的特點，提出了基于自適應聚類學習的道路網提取方法，針對提取方法中的各技術點展開研究，包括：基于導航路網矢量標記的自動化道路正負樣本的選擇與特征提取；根據樣本特征的聚集性將道路樣本分為多組樣本，分別訓練分類器并提取不同特征的道路對象；通過融合處理將基于各分類器獲得的道路提取結果進行融合。文中提出的道路樣本聚類學習的思想，充分考慮了不同等級、不同場景下道路對象的多樣性，從而在全局影像域內兼顧不同等級和場景的新增道路對象提取。試驗以大場景新增道路提取任務為目標進行方法驗證，定性和定量的分析結果表明了本文方法的有效性。當前對地觀測數據獲取的頻率和分辨率逐步提高，路網數據快速更新的需求日益迫切，本文方法提供了新的思路，具有一定的現實意義。