一種多特征融合的高分辨率遙感圖像道路提取算法

王鈺，何紅艷，譚偉，齊文雯

(1.北京空間機電研究所，北京 100094；2.先進光學遙感技術北京市重點實驗室，北京 100094)

0 引言

道路信息作為基礎地理信息的重要組成部分，在城市規劃、車輛導航、自動化駕駛等方面具有重要的作用。遙感技術的快速發展，使得遙感圖像的分辨率不斷提高，同時越來越多的中、高分辨率遙感數據可以免費獲取，數據源已經不是制約道路信息提取的關鍵因素。利用遙感圖像提取道路信息通常依據人工目視判讀，自動化程度和提取速度方面效率較低，且容易出現錯誤。因此，研究一種自動的道路提取算法具有非常重要的意義[1]。

目前國內外研究者利用遙感圖像提取道路信息已經取得一定的研究成果。例如，傅罡等利用一種改進的圓投影匹配追蹤算法，在山區曲折的實驗場景下，取得了較為理想的實驗結果[2]；Shi等提出一種改進的形態學空間濾波算法，利用該算法對圖像中的線性目標進行增強，然后利用一種簡單的閾值方式，從而快速有效地提取道路信息，對于復雜的城市道路，該類算法存在一定的不足[3]。上述方法均從像元級的角度出發，并沒有深入挖掘同類目標間的統計關系，對于上下文信息簡單的郊區道路能夠得到一定的實驗結果，但對于道路情景、同物異譜復雜的區域容易產生椒鹽與空洞現象[4]。面向對象的道路提取算法有效解決了這一問題，其以對象分割識別單元，從而有效改善了空洞現象，例如Huang等利用一種多尺度分割手段，分別提取圖像的圓度、長寬比等特征，然后利用一種機器學習分類器，有效識別了場景較為復雜的道路網絡[5]。但是，該類方法仍然缺乏對道路這一對象的深層次特征挖掘，對于環形等復雜形狀道路，使用長寬比等形狀特征難以描述，甚至有可能對光譜特征造成的一定干擾，從而導致提取結果精度較低。同時，在利用遙感圖像進行多維度特征組合提取時，容易產生Huge現象，且大大增加了內存開銷，影響了提取的運行效率[6]。

對現有利用高分辨率遙感圖像進行道路提取方法分析可知，現有算法不足之處在于：1)沒有深入挖掘圖像中道路的深層特征；2)多特征融合缺乏有效的增強手段。本文從這兩個角度出發，設計了一種有效的高分辨率遙感圖像多特征融合的道路提取算法，該算法能夠提取一種描述道路對象更為準確的空間特征，并引入了一種更為有效的多特征融合算法，從而提高道路信息的提取精度。

1 研究方法

本文算法的技術流程如1圖所示，其主要包括：首先以多尺度分割算法為基礎，完成對圖像的對象描述；再利用本文構建的新的空間特征，實現道路對象的空間特征提??；之后利用多特征融合的方式，將對象級光譜特征與空間特征進行有效融合，并利用一種小樣本、高效的機器學習分類器對道路網絡進行初始提?。蛔詈罄帽疚牡男螤钐卣鳎瑢Τ跏嫉缆肪W絡進行有效優化，得到最終的道路網絡。

圖1 本文算法技術流程

1.1 道路特征提取

對于高分辨率遙感圖像，存在著同類地物光譜間差異較大，而不同類地物光譜間差異較少，僅僅依靠光譜特征進行地物識別準確性較低。因此，空間特征的輔助加入，能夠有效提高識別精度，如Chen等針對依靠光譜特征難以從圖像中提取大棚信息，通過融合灰度共生矩陣等紋理特征，有效識別出了大范圍的大棚覆蓋區域[7]。但該類方法是從像元的角度出發，對于高分辨率遙感圖像難以有效的表達，使得椒鹽現象嚴重，而面向對象的圖像分析方法能夠有效克服這一缺點。對象的形成通常需要圖像分割、聚類等預處理手段，分割尺度的最優選擇是對象形成的關鍵，為了提高算法的自動化程度與效率，本文以過分割作為對象形成方法，不需要考慮最優尺度，該類方法能夠有效保持對象的勻質性，且提高了算法的效率。本文采用的分割算法為多尺度分割算法，目前已經在商業軟件eCognition中得到了很好的應用。

高分辨率遙感圖像上的道路網絡，普遍呈現狹長的形狀特征，研究者提取了經典的長寬比、填充度等線性形狀特征，將其應用到道路提取上得到了較好的實驗效果。但對于復雜的道路形狀，如環形道路等，該類形狀特征則缺乏有力的形狀描述。因此，研究一種適合描述復雜形狀的線性特征非常必要。本文從該角度出發，基于二階矩設計了一種更為有效的形狀描述算子——二階矩形狀特征，該特征的計算公式為：

(1)

(2)

式中：i表示分割后第i個對象;n表示分割后形成的對象個數;xm與ym表示第i個對象的質心位置;xi與yi表示第i個對象內任意像元;lengthi表示某一對象內第i個像元與質心的歐式距離;SM表示二階矩特征。

為了說明本文的二階矩特征作為道路特征的有效性，本文分別提取了長寬比特征和二階矩特征并進行對比，實驗效果如圖2所示。

從圖2可以看出，本文構建的二階矩特征對于線性形狀描述更為有效，從而在特征層次上大大提升了道路與其他地物的區分度，為下一步識別道路提供可靠的前提。

本文以圖像分割為基礎，提取圖像的光譜特征，分別計算各個對象的像元灰度均值，以該值作為該對象的光譜特征，從而實現對象級光譜特征提取。

圖2 不同形狀特征對比

1.2 基于Kernal集成的多特征融合

空間特征的有效融合能夠改善同譜異物現象，但是隨著空間特征維度的增加，高維特征有可能會產生Huge現象，對于地物的識別并不會有效提升[8]。目前常用的道路提取算法中，特征的融合方式通常采用矢量疊加等[9]，盡管該類方法是一種有效的特征融合方式，能夠很好的保持各類特征的信息，但是高維的空間特征可能會影響光譜特征，從而降低實驗精度。張春森等提出了一種概率融合的多特征融合方法[10]，該類方法分別從空間和光譜兩個角度出發，以特征權重的方式進行特征融合，得到了有效的實驗結果，但是其特征權重的獲取，需要人工獲取樣本，影響了算法的自動化程度。對于構建的空間特征，如何有效地與光譜特征進行融合，從而有效減少特征維度，提高算法精度與效率是一個亟待解決的問題[11]。Fauvel等設計了一種Kernal集成的多特征融合算法[12]，將構建的形態學空間特征與光譜特征，以Kernal核函數的方式進行有效的融合，在高分辨率遙感圖像分類中得到了很好的應用?；贙ernal集成的多特征融合能夠有效保持特征的原始信息，充分利用各個特征的優點。因此，本文采用Kernal集成將二階矩空間特征與光譜特征進行有效的融合?；贙ernal的多特征融合，其主要公式為：

k=u1k1+u2k2

(3)

式中：k1表示光譜特征核函數；k2表示二階矩特征核函數；k表示新合成的核函數；u1和u2表示不同特征的合成權重。

利用公式(3)將二階矩空間特征與光譜特征進行有效的融合，能夠同時利用空間特征和光譜特征的優點，從而提高從高分辨率遙感圖像中提取道路的精度。

1.3 基于SVM的道路網絡初提取

利用1.2節中構建的Kernal核函數，本文選擇一種經典的機器學習分類器—支持向量機(surpport vector machine，SVM)進行樣本訓練預測等[13-14]。SVM在小樣本的條件下，仍然能夠有效地進行分類預測，且具有一定的抗噪性。在樣本有限的情況下，適合本文的道路提取算法。基于SVM的道路網絡初提取步驟如下：

步驟1：利用Kernal將二階矩空間特征與光譜特征進行融合，構建出新的Kernal核函數；

步驟2：以上一步驟中的Kernal核函數作為SVM新的核函數，完成樣本訓練；

步驟3：利用訓練出的模型，完成道路網絡的初始提取。

其中，對于樣本選擇，本文采用二分類的方式完成，即只判定道路與非道路類。兩類的樣本個數分別為各自真實分布的5%。SVM分類器中核心參數C、g等通過五倍交叉驗證完成獲取最優值。

利用圖像分割形成的標記矩陣，以眾數規則方式完成道路網絡的對象級提取，其主要思想是通過判定該對象類道路像元與非道路像元的個數比較，從而完成道路的對象級提取，改善了椒鹽與空洞現象。

1.4 基于二階矩的道路網絡精細化

利用SVM提取的初始道路網絡，不可避免的存在非道路區域，需要將這些區域進行去除，從而保存道路網絡的唯一性與完整性。傳統的方法通常使用面積閾值、長寬比等方式進行去除，且需要多個形狀特征進行組合，為了更加有效自動化去除非道路區域，本文利用圖像分割后得到二階矩形狀特征進行去除。再次使用二階矩形狀特征的好處在于：1)無需重新計算二階矩特征，提高了算法的效率；2)能夠更為有效地去除非道路區域，提高了算法的精度。

2 實驗與分析

為了驗證本文算法的有效性，選擇不同衛星遙感器、不同成像分辨率、不同場景的高分辨遙感圖像作為數據源進行實驗，并且通過不同算法進行對比，對比算法的選擇主要考慮以下2個方面，1)選取不同的特征融合算法進行對比，本文選擇Huang等提出的常用的矢量疊加進行對比，其中經過參數調優，設置為：分割尺度分別為10、20、30、40，人工選取5%真實訓練樣本；2) 選取現有較優算法進行對比，如Miao等提出的算法[15]，其從道路邊緣的角度出發，結合改進長寬比、面積閾值去除非道路得到精化道路網絡，其中參數設定，經過多次實驗確定最優參數為二值化閾值0.001、長寬比過濾閾值15、面積閾值200。對道路提取結果從定性和定量兩個角度進行評價，從定量的角度出發[16]，利用完整率、正確率、檢測質量3個指標評價不同算法的精度。

2.1 實驗1 IKONOS遙感圖像

實驗1數據選取澳大利亞Hobart地區的Ikonos遙感圖像，可見光多光譜的成像分辨率為4 m，全色波段成像分辨率為1 m，選擇融合后空間分辨率1 m的圖像進行實驗，圖像大小為800像素×1 000像素，實驗圖像及真實道路網絡分布如圖3所示。

圖3 實驗1圖像及真實道路網絡

實驗1不同算法對比實驗結果如圖4所示。從圖4可以看出，采用本文算法對于道路的邊緣保持的更加完整，而采用Miao等提出的算法提取的道路網絡，盡管邊緣保持較好，但是仍然有部分的道路網絡沒有提取出來，這是由于最優參數難以確定，且以單閾值的方式來判定全局存在不足之處。采用Huang等提出的算法提取的道路，對于邊緣部分難以保持，且對于同譜異物區域得不到有效的實驗結果。本文算法總體效果最好，對于邊緣部分與其他區域均得到的實驗結果相對較優，完整識別出了道路網絡，而Miao等提出的算法漏提取較多。為了進一步說明本文算法的有效性，選取圖中小區域進行局部對比，如圖5所示。Huang等提出的算法提取的道路，在邊緣出現粘合的現象且道路網絡不夠準確。Miao等提出的算法提取的道路容易出現中斷的情況，道路網絡不夠完整。本文提出的算法能夠較好地保持道路網絡形狀。

圖4 實驗1不同算法對比實驗結果

圖5 實驗1不同算法局部對比

2.2 實驗2 QuickBird遙感圖像

為了驗證不同分辨率和不同場景下，算法的可靠性，實驗2數據選取了美國Texas地區的QuickBird遙感圖像，可見光多光譜成像分辨率為2.16 m，波段組合為RGB真彩色圖像，圖像大小為805像素×650像素。實驗圖像及真實道路網絡分布如圖6所示。

圖6 實驗2圖像及真實道路網絡

實驗2不同算法對比實驗結果如圖7所示，從圖7可以看出，在復雜道路環境場景下，采用本文的算法仍然能夠完整地提取出道路網絡，邊緣保持完整。采用Huang等提出的算法提取的道路，對于邊緣部分難以保持，相似地物出現粘合現象，受同譜異物的影響存在著錯誤提取。采用Miao等提出的算法提取的道路雖然能夠提取出道路網絡，但存在一定的漏提取且對細節特征道路的隔離帶進行了過渡平滑。本文算法得到道路提取效果最佳，道路網絡完整，邊緣清晰。為了進一步說明本文算法的可靠性，選取圖中小區域進行局部對比，如圖8所示。Huang等提出的算法提取的道路，由于同譜異物的影響，提取出較多的非道路區域。Miao等提出的算法提取的道路出現較多的鹽噪聲，道路網絡不夠完整。本文提出的算法能夠較好地保持道路形狀，鹽噪聲較少。

利用不同衛星遙感器、不同成像分辨率、不同場景的高分辨遙感圖像提取道路信息，從定性的角度來看，在目視效果上本文的算法均優于其他算法(如圖4和圖7所示)，提取道路網絡更為完善，存在較少的漏提取和鹽噪聲。表1給出兩次實驗利用完整率、正確率、檢測質量3個指標評價不同算法精度的結果。定量分析表明，本文的算法在3個指標方面均優于其他算法，再次驗證了本文算法的有效性。

圖7 實驗2不同算法對比實驗結果

圖8 實驗2不同算法局部對比

算法實驗1實驗2完整率正確率檢測質量完整率正確率檢測質量文獻[5]0.906 00.551 50.531 50.893 00.582 00.597 4文獻[15]0.667 90.714 00.553 60.712 50.731 80.614 2本文算法0.917 00.724 40.679 80.922 70.752 00.703 5

3 結束語

本文構建了一種新的形狀特征，有效提高了道路網絡的提取精度，引入一種新的多特征融合算法，有效利用了光譜與空間特征，改善了同譜異物問題，提高了道路提取的總體效果。但本文算法仍然需要人工選取正負訓練樣本，效率方面仍然存在一定的不足之處。有待進一步研究一種自動化的樣本獲取方法，有效提高算法的自動化程度和運算效率。