高分遙感影像的道路網提取實驗設計

郭杜杜， 王慶慶， 趙 亮， 王 洋

（新疆大學a.交通運輸工程學院；b.機械工程學院，烏魯木齊 830046）

0 引 言

道路作為交通四要素（人、車、路、環境）的重要組成部分，一直是交通信息采集的重要目標［1］。目前交通行業主要是采用全球定位系統（Global Positioning System，GPS）與人工核查相結合的方式進行道路信息數據的采集，存在數據收集周期時間長，成本高，數據受主觀因素影響大，質量得不到保障等問題［2］。道路網信息的自動提取和建立，對于我國規模日益龐大的道路網建設、養護和監管起著重要作用，也為無人駕駛領域的研究提供基礎數據。

近年來，通過高分遙感影像進行道路信息提取并矢量化已成為道路網數據獲取的重要來源。連仁包等［3］將局部形態學梯度圖引入傳統圓形模板匹配算法，減少人工設定的參數，提高算法的適應性；Liu等［4］對道路幾何特征進行推斷，構建農村公路幾何知識庫，利用知識推理實現路網提取；Cheng 等［5］引入半監督方法，結合多尺度濾波和多向非最大抑制算法，提取出平滑完整的路網中心線。賀浩等［6］基于道路語義特征信息設計了一種編解碼的深度學習網絡，實現道路中心線的提取?；谏疃葘W習的提取方法需要大量的訓練樣本，提取成本較高，基于模板匹配、面向對象等方法提取效果不佳，人為參數設定較多，對道路網自動提取效果的測試和優化仍需要繼續探索。

本文以城市區域原始高分遙感影像為研究對象，使用卷積濾波和線性均衡算法，抑制噪聲信息，清晰化道路邊緣；對道路和非道路地物進行多尺度分割和最近鄰特征匹配，實現道路初步提??；利用形態學閉運算對初步提取結果進行后處理和路網融合，最終實現城市區域路網的快速提取和矢量化。

1 實驗總體設計

圖1 所示為本文道路網提取實驗總體框架。根據道路網提取實驗的需求，選擇適當分辨率的高分遙感影像數據，結合道路及環境特點進行圖像預處理，實現道路初步提取，其次對初步提取的道路進行優化，接著對提取的道路進行路網融合，最終實現道路網的提取。

圖1 道路網提取實驗總體框架

2 實例驗證

2.1 實驗數據

實驗采用的影像是空間分辨率為2 m，包含3 個波段的衛星高分遙感影像，圖2 所示為某區域的原始高分遙感影像截圖。

圖2 原始影像

2.2 實驗過程

2.2.1 圖像預處理

圖像預處理采用卷積濾波［7］的圖像去噪方法和線性均衡［8］（Linear Equalization，LE）的圖像增強方法。采用的LE方法是將直方圖累積在2% ～98%之間的像元值拉伸，取直方圖累積在2%處對應的光譜值為最小值，98%處對應的光譜值為最大值。若像元值在最小值和最大值之間，則將其拉伸至0 ～255；若像元值小于最小值，則將其改為對應的最小值；若像元值大于最大值，則將其改為255。

圖3 所示為圖像預處理后的效果。由圖可見，預處理后的圖像中道路噪點減少，道路邊緣明顯清晰，將有助于減少下一步道路提取的“椒鹽”現象［9］。

圖3 預處理后影像

2.2.2 多尺度分割

多尺度分割利用的是一種自上而下的分割原理，但其本質卻是一個不斷自下而上合并的過程［10］。該過程依據光譜、形狀、紋理等多種特征，按照同質性原則不斷進行區域合并，直到所有合并后的區域都比設置的分割尺度小，則多尺度分割過程完成。具體分割流程如圖4 所示。

圖4 多尺度分割流程

采用ESP2 工具［11］對影像自動進行最佳分割尺度的找尋，該工具以不同的分割尺度下影像對象同質性的局部方差（Local Variance，LV）作為分割對象層的平均標準差，并用LV的變化率值（Rate of Change of LV，ROC-LV）來衡量分割效果，當LV呈現峰值時，即為最佳分割尺度。最終將最佳分割尺度可視化，見圖5。

圖5 最佳分割尺度

經過對LV 的各個峰值進行篩選，確定的各區域分割具體參數為分割尺度90，顏色因子0.4，形狀因子0.8，光滑度0.6 以及緊致度0.4。最終的分割結果如圖6 所示。

圖6 分割結果

2.2.3 最鄰近分類初步提取

采用最鄰近分類算法［12］進行圖像分割后的道路提取。最鄰近分類算法是利用基于對象特征定義的隸屬度函數進行分類。在最鄰近分類的過程中，會對照選擇的代表性樣本，在需要分類的對象中尋找與代表性樣本最接近的其他對象。判別是否接近的依據是待分類對象的隸屬度值是否超過一定的閾值。具體如下：

（1）建立樣本庫。通過選定道路對象特征和非道路對象特征構成樣本庫，建立的樣本庫將是后面進行道路和非道路類別劃分的重要依據。

（2）最鄰近特征的配置。對選定的樣本進行最近鄰特征的配置，主要選取樣本對象的各個波段的光譜，均值、亮度、標準差以及長寬比和密度等參數特征對知識特征庫進行構建。

（3）分類算法的執行。根據建立的樣本庫以及配置的相應特征進行道路和非道路類別的提取。算法執行過程中的計算步驟：

步驟1計算待分類樣本與代表性樣本之間的距離。

步驟2根據計算的距離d進行隸屬度函數z（d）的判別。

式中：k為調節參數，決定z（d）的增長；functionslope為調節因子，決定隸屬度函數的寬窄，參數值越小，函數越窄，一般默認值為0.2。

步驟3根據計算得出的隸屬度值來進行待分類對象的判別。

該區域的道路目標提取結果如圖7 所示，初步提取的結果中道路斷裂的情況較為明顯，且道路邊緣存在“鋸齒形”現象。

圖7 初步提取結果

2.2.4 后處理及路網融合

形態學閉運算具備能夠彌合小裂縫而保持總的位置和形狀不變的優點，是圖像處理與分析中常用的一種方法。形態學閉運算包含“膨脹”和“腐蝕”兩部分內容，其定義式如下：

式中：·為卷積運算符；⊕和Θ 為膨脹和腐蝕；a 和b為運算對象。

形態學閉運算流程如圖8 所示，其中A 表示初始圖像，B表示卷積核，C 表示膨脹后圖像，D 表示腐蝕后的最終圖像。首先進行“膨脹”操作，“膨脹”的本質是求局部區域內像素點的最大值［13］。膨脹的具體實現過程就是將圖像或圖像的一部分區域（見圖8 中A區域）與卷積核（見圖8 中B區域）進行卷積。卷積核可以是任意的形狀和大小，它擁有一個單獨定義出來的參考點。通常情況下，卷積核是一個小的帶有參考點和實心正方形或者圓形。卷積核B 與A 區域及進行卷積計算，即計算卷積核B 覆蓋區域像素點的最大值，并把這個最大值賦值給參考點指定的像素，最終實現A區域的逐漸增長；接著對“膨脹”過后的C區域進行“腐蝕”，“腐蝕”則是求局部區域內像素點的最小值［14］。腐蝕的過程則是將卷積核B 與C 區域進行卷積計算，計算卷積核B 覆蓋區域像素點的最小值，并把這個最小值賦值給參考點指定的像素，實現圖像中的C區域逐漸縮減，實現斷裂部分的填補，最終達到D區域的效果。

圖8 閉運算示意圖

對初步提取道路的斷裂部分進行形態學閉運算，使得斷裂的道路能夠連接起來，同時使得提取的道路邊緣更加平滑，如圖9 所示。

圖9 道路提取優化

對提取出的道路對象進行道路類別像素級的連貫融合，使得提取的道路網形狀更加清晰，并將提取出的道路矢量圖附加在原始影像上，最終提取結果見圖10。

圖10 最終提取結果

3 精度評價

3.1 評價指標

為對道路網提取的精度進行全面客觀的評價，本文基于混淆矩陣［15］計算生產者精度、用戶精度、總體精度以及Kappa 系數［16］4 個指標。生產者精度指的是算法準確判定的像元數與該類總像元數的比值；用戶精度指的是用戶準確判定的像元數與該類總像元數的比值；總體精度指的是被準確分類的像元總數與所有像元總數的比值；Kappa 系數是利用了整個誤差矩陣的信息，它通常被認為能夠更準確地反映整體的分類精度。其中，Kappa系數的具體評價標準可以分為5個等級，如表1 所示。

表1 Kappa系數評價標準表

3.2 評價結果

通過過驗證標注得出道路目標提取區域的矢量文件。并將此矢量文件與提取的結果進行疊加驗證，得出此區域道路網目標提取的誤差矩陣評價，具體評價結果如表2 所示。

表2 誤差矩陣評價結果

誤差矩陣的評價結果主要由混淆矩陣評價、單一類別精度評價和總體類別精度評價三部分組成。實驗區域的誤差矩陣提取結果顯示提取的總體精度都達到了0.95以上，道路單一類別的提取精度也在0.95 以上；Kappa系數達到了0.967，由Kappa系數值對應的評價結果標準（見表1）可以看出，道路提取的效果良好。

4 結 語

本文將多種圖像處理算法進行融合，設計了一整套針對衛星遙感影像的道路網自動提取流程。將提出的方法應用于原始遙感影像案例驗證，并準確地提取出道路網拓撲信息，結果表明：提取的總體精度達到0.95以上；Kappa系數達到了0.967。從而證明了本文的方法有效性。下一步的研究可以在道路網拓撲結構提取的基礎上，進行道路的長度、寬度等信息的提取。