基于遙感影像的地圖道路網數據變化檢測分析

呂喜容

（廈門億力吉奧信息科技有限公司，福建 廈門 361009）

0.引言

道路遙感影像在民生、救災、軍事等方面具有重要作用，因此，研究地圖道路網數據變化檢測分析方法，分析同一地區不同時相的遙感影像，檢測道路網數據變化，定位產生變化的道路，判斷變化類型，及時更新道路地圖，具有重要意義。

當前國內外道路變化檢測研究都取得較大發展，通過圖像配準、目標分割等計算機視覺技術，檢測變化的道路區域，分類和識別道路變化類型。文獻[1]預處理采集的道路遙感影像，將筆畫寬度作為道路特征，采用均值漂移算法，初始化道路特征信息，在遙感影像的樣本數據中，后處理道路數據，提取符合空間形態的道路數據，以及符合屬性特征的信息數據，但該方法受外界地形和天氣影響較大，道路區域檢出率較低。文獻[2]構建道路特征編碼器，采用遷移權值算法，區分道路區域和非道路區域的空間幾何特征，利用人工神經網絡訓練方法，擬合道路特征，得到道路輻射的主干網，但該方法自動化程度較低，道路區域拓撲結構不連貫，檢測精度較低。針對以上問題，結合區域遙感影像，設計地圖道路網數據變化檢測分析方法，采用旋轉滑動模板，聚類遙感圖像中的道路區域，優化道路檢出率和檢測精度。

1.基于遙感影像的地圖道路網數據變化檢測分析方法設計

1.1 提取遙感影像的道路網數據

采用旋轉滑動模板，結合聚類算法，提取遙感影像中的道路網數據。將可旋轉的滑動模板，作為提取道路網數據的基本單元，根據遙感圖像分辨率，設置模板大小。把遙感圖像輸入旋轉滑動模板，滑動矩形模板，0～90°旋轉模板，使模板覆蓋所有道路區域。矩形模板的旋轉角度，由計算模板頂點得到，如公式（1）所示：

式（1）中，（x，y）為模板當前頂點位置；a為旋轉角度；（x1，y1）為模板旋轉后的頂點位置；m、n分別為模板長度和寬度。將長度遠大于寬度的條狀結構，作為遙感影像中道路的幾何特征，刪除不符合幾何特征的區域，在模板兩側設置長方形區域，取反檢測背景，剔除非道路干擾區域。采用鄰域均值法，對遙感圖像進行任意角度的一致性檢測，統計模板內相似的像素個數，將相似個數大于設定閾值的模板區域，作為一致性較高區域，即地圖道路的候選區域。

篩選道路候選區域，通過特定顏色量化像素值，統計量化后的像素，得到顏色分布的顏色直方圖，將其作為候選區域的顏色特征，將RGB色彩空間的三原色，轉換為HSV中的亮度、飽和度、色調三個參數，增加顏色直方圖的維度。然后提取道路候選區域的紋理特征，定義9×9大小的方形窗口，令方形窗口遍歷整幅遙感圖像，比較窗口內中心點和其余點的像素值大小，若小于中心點，將像素點位置視作0，否則視作1，從左至右依次讀取位置點數，統計窗口內所有像素點的二進制數，將相同的二進制數歸為一類，記錄二進制數中的最小數值，即為候選區域的紋理特征[3]。

將提取的顏色特征和紋理特征，輸入k-means聚類算法，不斷修正所有道路區域和非道路區域的距離誤差，得到去除廣場、水體等大部分誤檢區域的道路候選區域，界定道路區域和非道路區域。針對二進制數的道路網絡二值圖像，檢測二值圖像中的非零部分，把道路端點細化為單像素，將單像素連通區域作為道路骨架。提取道路骨架，統計骨架內與非零像素點歐式距離為1的像素點，當非零像素周圍僅有一個不為零的像素點時，判定該點為骨架末端像素點，否則判定該點處于非末端區域，標記并連接道路末端的像素點，得到遙感圖像的道路網[4]。至此完成遙感影像道路網數據的提取。

1.2 匹配新道路網數據和歷史道路網數據

將遙感影像提取的道路網數據，作為新道路網數據，使其與歷史道路網數據相匹配。引入徑向基函數網絡理論，匹配道路網數據的幾何信息，包括長度、形狀、方向、結點度、距離，將其作為道路網數據的5個空間特征，判斷新道路網和歷史道路網的相似度。利用長度相似度S，判定道路幾何長度的相似程度，如公式（2）所示：

式（2）中，L、L′分別為新道路網數據、歷史道路網數據中的道路幾何長度；min、max分別為求最小值函數、求最大值函數。利用方向相似度A，判定道路整體走向的相似程度，如公式（3）所示：

式（3）中，O、O′分別為新數據和歷史數據中道路首尾結點連線的方向角。利用形狀相似度，綜合描述道路形狀特性，包括綜合型道路、曲線型道路、平直型道路，形狀相似度特征因子f計算公式如公式（4）所示：

式（4）中，X、X′分別為新數據和歷史數據中第i個節點和第i+1個節點組成向量。形狀相似度G計算公式如公式（5）所示：

式（5）中，M、M′分別為新數據和歷史數據中的道路節點數；ki+1、ki為道路第i+1節點與起始節點、i節點與起始節點之間累積長度與道路總長度的比值[5]。利用距離相似度F，描述道路之間的相對位置差異，計算公式如公式（6）所示：

式（6）中，U為新數據和歷史數據中的道路Hausdorff距離；B為新數據中道路生成的搜索緩沖區半徑。利用結點相似度D，判定新數據和歷史數據中，道路兩端結點的結點度相似程度，對道路首尾結點的相似度進行分權求和，結點相似度D計算公式如公式（7）所示：

式（7）中，J、J′分別為新數據和歷史數據中的道路首結點結點度；P、P′分別為新數據和歷史數據中的道路尾結點結點度。構建三層結構的人工神經網絡，把5個空間特征相似度值，作為網絡輸入信號，非線性連接網絡結構，迭代訓練神經元輸出值，輸出新道路網數據和歷史道路網數據的匹配度。采用非參數化離散算法，由輸出層至輸入層逆向傳播誤差信號，結合不同結構的神經元概率函數，修正網絡連接權值，最小化誤差信號，消除匹配度輸出值和真實值之間的偏差。歸一化處理輸出的最終匹配度I，計算公式如公式（8）所示：

式（8）中，h為隱含層輸出值；l為神經網絡連接權值。將匹配度最高的新道路網數據和歷史道路網數據，作為最佳匹配，確定兩份數據為同名要素。至此完成新道路網數據和歷史道路網數據的匹配。

1.3 檢測匹配道路網數據變化

計算匹配道路網數據變化特征，檢測新道路和歷史道路的變化。計算道路空間變化特征，設置道路路長變化閾值，當長度相似度小于閾值，判定道路長度發生變化，否則未發生變化，若發生變化時，當L＞L′，判定道路變化類型為延長，否則為縮短。設置道路路型變化閾值、方向變化閾值、距離變化閾值，當形狀相似度小于路型變化閾值時，判定道路發生局部形變，否則未發生變化，當方向相似度小于方向變化閾值時，判定道路發生旋轉變化，否則未發生變化，當距離相似度小于距離變化閾值時，判定道路發生位置變化，否則未發生變化。通過道路弧段結點度，衡量道路結點是否發生變化，其結點度V計算公式如公式（9）所示：

式（9）中，C、C′分別為新數據和歷史數據中道路弧段的結點度，當結點度大于0時，判定道路結點度增加，結點度小于0，判定道路結點度減小，結點度等于0，則判定道路結點度保持不變。分析道路屬性變化特征，包括寬度、名稱、材質、等級、車道數等附屬信息，通過字符相加形式，把道路所有屬性值，都合并到新增屬性字段中。道路新增屬性字段Z計算公式，如公式（10）所示：

式（10）中，Z1、Z2、L、Zn為道路各屬性字段；N為道路包含的屬性類別。采用重心后移規律匹配算法，計算新增屬性字段的相似度，設置道路屬性變化閾值，當屬性相似度低于閾值時，判定道路屬性發生變化，否則未發生變化。劃分決策數結點為內部結點和葉結點，使其分別表示一個道路特征，以及特征對應的道路變化。采用決策樹生成算法，排序道路網數據幾何變化特征、屬性變化特征的影響力值，根據影響力值設定決策樹的結點值。影響力值K計算公式如公式（11）所示：

式（11）中，g（j，E）為第j個遙感影像樣本數據中第E個道路變化特征的影響力值，S為樣本數量。從大到小依次排序變化特征的影響力值，生成決策樹的樹形結構，遞歸選擇最優變化特征，映射道路變化特征和變化類型，其映射關系如下：長度變化特征對應道路延長和縮短，方向變化特征對應道路旋轉變化，形狀變化特征對應道路局部變形，距離變化特征對應道路位置變化，結點度變化特征對應道路結點度增加、結點度減小，屬性變化特征對應道路屬性變化。將信息增益作為最優變化特征的選擇準則，遍歷遙感影像中的所有樣本數據，根據決策樹檢測到的最優變化特征，判斷并分類道路網數據變化。至此完成匹配道路網數據變化的檢測，實現結合區域遙感影像，地圖道路網數據變化檢測分析方法的設計。

2.實驗論證分析

將此次設計方法（方法1），與用于地圖道路網數據變化檢測分析的核密度檢測方法（方法2）、貝葉斯網絡檢測方法（方法3），進行對比實驗，比較三組分析方法的檢測性能。

2.1 實驗準備

選擇某城市2000年基礎道路網數據和2020年基礎道路網數據，包括縣鄉道、省道、國道三類道路，將2000年數據作為歷史數據，共有1426條道路，將2020年數據作為新數據，共有1883條道路，統計的道路網數據變化（如表1所示）：

表1 道路網數據變化統計

三組方法分別檢測該城市的道路網數據變化。選擇15-20級的高分辨率遙感影像，作為提取地圖道路網數據的實驗對象，采集遙感影像的外界條件不同，包括夜晚場景和白天場景，陰影和光照變化較大，其比例尺和空間分辨率（如表2所示）：

表2 遙感影像比例尺和空間分辨率

不同級別遙感影像的圖像分辨率都為256×280。設計方法在遙感影像中提取道路候選區域，旋轉滑動模板的檢測顯示（如圖1所示）：

圖1 遙感圖像道路網數據提取

左圖為用于檢測的18級遙感圖像，右圖為使用40×10像素大小滑動模板后，提取的道路候選區域。

2.2 實驗結果

2.2.1 道路檢出率實驗結果

針對白天場景和夜晚場景的遙感圖像，比較三組方法的道路檢出率，檢出率C計算公式如公式（12）所示：

式（12）中，b、c分別為真實道路區域和非道路區域中，檢測為道路區域的像素點個數。道路檢出率的實驗對比結果（如圖2所示）：

圖2 道路檢出率實驗對比結果

表3 道路檢出率實驗對比表

由圖2可知：夜晚場景中的道路檢出率要低于白天場景，針對白天場景的遙感圖像，設計方法道路檢出率均值為96.8%，相比核密度檢測方法、貝葉斯網絡檢測方法，本設計方法道路檢出率分別提高了4.5%、9.3%。針對夜晚場景的遙感圖像，設計方法道路檢出率均值為92.7%，相比核密度檢測方法、貝葉斯網絡檢測方法，設計方法道路檢出率分別提高了5.3%、9.1%。兩個時段平均分別提高了4.9%、9.2%。

在遙感圖像中提取的道路網數據，明顯多于另兩組方法，檢測的道路區域更加全面。

2.2.2 道路檢測精度實驗結果

針對白天場景和夜晚場景的遙感圖像，比較三組方法的道路檢測精度，檢測精度O計算公式如公式（13）所示：

式（13）中，O為真實道路區域中，檢測為非道路區域的像素點個數。道路檢測精度實驗對比結果（如圖3所示）：

由圖3可知：夜晚場景中的道路檢測精度同樣低于白天場景，針對白天場景的遙感圖像，設計方法道路檢測精度均值為98.4%，相比核密度檢測方法、貝葉斯網絡檢測方法，設計方法道路檢測精度分別提高了10.6%、16.8%。針對夜晚場景的遙感圖像，設計方法道路檢測精度均值為88.1%，相比核密度檢測方法、貝葉斯網絡檢測方法，設計方法道路檢測精度分別提高了5.3%、10.2%。兩個時段平均分別提高了8.0%、13.5%。

圖3 道路檢測精度實驗對比結果

表4 道路檢測精度實驗對比表

在遙感圖像中提取的道路網數據更加準確，充分刪除了圖像中的非道路區域。

2.2.3 道路變化檢測精度實驗結果

比較三組方法的道路變化檢測精度，變化檢測精度計算公式如公式（14）所示：

式（14）中，p為正確檢測到發生變化，且對變化類型判斷正確的道路數量；v為正確檢測到未發生變化的道路數量；q為檢測到的道路總數量。三組方法的實驗對比結果（如圖4所示）：

由圖4可知：設計方法道路變化檢測精度均值為96.6%，對道路屬性變化判斷最為準確，檢測精度高達98.3%，核密度檢測方法、貝葉斯網絡檢測方法道路變化檢測精度均值分別為87.1%和82.6%，設計方法道路變化檢測精度分別提高了9.5%、14.0%，提高了對道路變化類型的檢測準確度，檢測結果更加真實可靠。

圖4 道路變化檢測精度實驗對比結果

表5 道路變化檢測精度實驗對比表

3.結束語

此次研究結合遙感影像，設計了一組地圖道路網數據變化檢測方法，提高了道路檢出率和檢測精度，對道路變化類型的判斷更為準確。但此次研究仍存在一定不足，在今后的研究中，會將道路檢測過程與障礙物檢測過程相融合，提升道路檢測算法的準確性，使分析方法能夠適應多種環境且復雜多變的道路環境。