基于高分系列衛星的“村村通”道路信息提取研究

劉志江

（寧波市交通建設工程試驗檢測中心有限公司，浙江 寧波 315042）

0 引言

公路是國家發展的命脈，是經濟發展的血管，更是帶動地方全方位發展的重要基礎建設，國家通過多年的建設與積累，基本已做到各行政村或自然村之間至少有一條進村或出村的道路，即“村村通”工程［1］。通過“村村通”工程的建設與應用，廣大群眾的交通出行便利性都有了極大地提升，并且為當地的經濟發展提供了重要的進出渠道。“村村通”工程道路需要定時巡查與質檢，每年都投入大量人力物力進行，尤其是道路信息，傳統的道路信息提取與巡查是工作人員驅車前往，并在圖上進行勾畫［2］。該方法提取道路信息的時效性較差，且在山區等地況復雜區域，不能及時到達。基于此情況，本研究采用遙感技術，對“村村通”工程的道路信息進行遙感提取，以此提升該工作的時效性［3］。遙感技術作為一門新興的技術，已廣泛地應用到道路信息遙感提取研究之中去。許超等利用非監督分類法提取城市硬質建筑表面信息，決策樹分類法提取城市水體信息，多重濾波處理對線性地物提取方面的優勢提取道路信息完成主要地物信息的提取后，對各項提取指標進行動態變化識別及分析［4］。肖遠煥等利用監督分類算法，通過實地采集的樣本進行道路信息提取，結果顯示監督分類在道路信息的提取中具有更高的精度［5］。徐喬等在應用較多的監督分類基礎上，采用隨機森林分類方法進行道路信息遙感提取，結果顯示：隨機森林算法的分類精度整體優于監督分類與非監督分類，且通過調整決策因子，道路信息提取的完整性更好［6］。王旭等采用面向對象分類方法，計算指數特征擴充特征空間庫，將所有的特征空間導入到面向對象算法中，進行遙感識別，以此提升遙感提取精度，最終的道路提取精度優于特征豐富前的提取精度［7］。

隨著國產高分辨率衛星的發射升空，國產高分辨率衛星影像也越來越多地應用到道路信息遙感提取中。本研究選用國產高分一號衛星（GF1）、高分二號衛星（GF2）影像作為研究數據，采用面向對象分類算法，通過計算影像的空間特征，并篩選最優特征，最終進行道路信息遙感提取，分析國產高分辨率衛星影像在道路信息提取中的適用性。

1 數據及原理介紹

1.1 數據介紹

高分專項是《國家中長期科學與技術發展規劃綱要（2006—2020 年）》確定的16 個重大科技專項之一，該項目于2010 年實施。“十二五”規劃期間，GF1、GF2 等陸續發射升空，實現了高時間分辨率、高空間分辨率的對地高效觀測平臺，并且突破了亞米級，被廣大遙感從業者稱為“中國的全球觀測系統”。

GF1 是國內第一顆高分辨率對地觀測光學遙感衛星，成功發射于2013 年4 月26 日，配置了2 臺2 m全色和8 m 多光譜的高分辨率相機。GF1 突破了高空間分辨率、多光譜與高時間分辨率結合的遙感技術，多載荷圖像拼接融合技術，高精度高穩定度姿態控制技術，5—8 年壽命可靠衛星技術，高分辨率數據處理與應用等關鍵技術，對于推動我國衛星工程水平的提升，提高我國高分辨率數據自給率，具有重大戰略意義。GF1 影像效果如圖1 所示。

圖1 GF1 影像效果圖

GF2 是目前我國民用分辨率最高的陸地觀測光學衛星，于2014 年8 月19 日成功發射。GF2 衛星影像的空間分辨率可達0.8 m，搭載有2 臺高分辨率1 m 全色和4 m 米多光譜相機，標志著我國遙感衛星及應用業務進入了亞米級的“高分時代”。GF2 的亞米級空間分辨率、高定位精度和快速姿態機動能力等特點，有效地提升了我國衛星綜合觀測效能，使我國高分辨率遙感衛星技術達到了國際先進水平。GF2 影像效果如圖2 所示。

圖2 GF2 影像效果圖

1.2 面向對象分類

面向對象分類算法是在監督分類、非監督分類算法的基礎上發展而來的一種高精度遙感分類算法［8］。不同于傳統的監督分類與非監督分類，面向對象分類算法不是針對某一個或某一區域像元樣本進行樣本計算，而是結合非監督分類算法中的聚類分析算法、最鄰近優選算法，以及監督分類算法中的樣本特征計算、異常值剔除等，進行的算法優化。面向對象分類算法首先對影像進行多尺度分割，將影像分割成一個個細小的圖斑，分割原理是非監督分類中的聚類分析等算法，該算法根據臨近像元的特征進行歸類與劃分；然后將樣本套合到分割的圖斑，以圖斑替代樣本，對圖斑進行基于像元光譜的計算，并剔除精度較差的圖斑，以此提升圖斑樣本的精度［9］；之后將圖斑導入到算法中進行填圖，最終得到高精度的分類成果。

本研究在面向對象的基礎上，進行特征擴充，并選取對道路信息具有較高相關性的特征，以此提升道路信息提取的精度。特征擴充主要包括紋理特征、指數特征、光譜特征［10］，結果如表1 所示。擴充后的特征有16 個，在此基礎上，通過ENVI+IDL等工具進行特征計算與最優特征篩選，并導入到面向對象分類算法中，以此達到道路信息的完整識別與提取。

表1 特征空間構建

2 結果分析

2.1 最優分割與特征擴充

采用ENVI 等遙感專用軟件，對GF1 影像與GF2 影像進行多尺度分割，并通過不斷調整分割尺度，獲取各地物類型的最優分割尺度。其中，2 種影像的最優分割尺度結果如圖3 所示。

圖3 GF1、GF2 道路最優分割尺度示意圖

由圖3 可知：GF1 衛星影像的最優分割尺度為80，在該尺度下，各地物類型較好地分割開來，其中，對于耕地內的裸地，也與建筑裸地較好地分割開來，道路信息的分割效果嚴格按照道路像元邊界進行分割。而GF2 衛星影像的最優分割尺度為75，得益于GF2 的亞米級像元分辨率，地物的紋理表達更清晰，通過分割，將地物信息更加詳細地分割開來，如，耕地內的各地塊、獨棟建筑與居民樓等信息。

通過來回調換分割閾值，可進行各地物的分割對象選取。采集各地物的對象作為樣本，分別采集居民地、耕地、裸地、水體、道路5 大類。對采集的樣本，結合影像信息，進行特征計算與擴充，共計算影像的8 個紋理特征、4 個指數特征：通過計算指數特征，擴大水體、耕地與居民地的分類窗口；通過計算紋理特征，擴大裸地、道路的分類窗口。以此提升分類精度。

2.2 面向對象分類

通過特征擴充與篩選后的影像分割，分割后的圖斑最大限度地避免了“異物同譜”現象的參與，達到了分割圖斑最純凈的目的。將分割后的樣本對象，導入到面向對象分類算法中進行遙感解譯，得到結果如圖4 所示：圖4（a）為GF1 衛星影像的分類效果，圖4（b）為GF2 衛星影像的分類效果。

圖4 GF1、GF2 面向對象分類示意圖

由圖4 可知：整體來說，2 種衛星影像的分類效果整體一致，居民地、水體、耕地等信息均識別了出來；GF1 衛星影像的識別效果，建筑物多為連片識別，而GF2 更傾向于獨棟識別，GF2 影像的建筑物識別中，雖然識別效果較精細，但部分硬化地表錯分較多；道路的識別中，GF1 影像更多地識別出了主干道，而GF2 識別得更加詳細，如，田間的道路也均識別了出來，但GF2 把更多的裸地也錯誤識別成了道路。究其原因，GF2 的像元分辨率較高，對地表信息分類更精細，也造成了相近類型的錯誤識別，出現“過分類”現象。

2.3 整體精度驗證

本研究采用預留的20% 樣本對本研究中劃分的5 類地物的分類精度進行精度驗證，本研究劃分的5 大類，基本涵蓋了地表覆蓋類型。本研究的分類結果精度驗證方法主要為預留驗證樣本進行精度驗證，驗證結果如表2、表3 所示。整體來說GF2衛星影像的分類精度更高；道路的整體分類精度GF1 優于GF2，主要是因為GF2 的道路分類出現了“過分類”現象，但通過分析，GF2 的道路提取結果更精細。

表2 GF1 面向對象分類精度驗證

表3 GF2 面向對象分類精度驗證

2.4 局部精度分析

采用局部分析方法分析GF1 與GF2 影像的提取效果，結果如圖5 所示，圖5（a）為GF1 影像的平原地區“村村通”道路提取效果。

圖5 “村村通”道路提取效果圖

由圖5 可知：影像上的硬化道路均識別了出來，道路提取效果嚴格按照道路走向，涇渭分明，并且各個村莊之間的道路均未出現斷頭路現象，相對于GF2 的平原地區道路提取效果，未出現“過分類”的現象，而GF2 的平原地區分類效果存在邊界過于詳細、嚴格按照像元邊界的現象，這就造成了道路兩旁到其他地類過渡區域的“過分類”。而GF1 影像的平原地區的“村村通”道路提取成果中，耕地內的土質道路未參與到道路信息的提取中來，是因為本研究通過指數特征與光譜特征計算，將土質道路的特征與硬化道路的特征進行了計算與對比，并擴大了2 條道路的特征差異，避免了在分類過程中錯誤識別與劃分，整體提高的“村村通”道路提取的精度。

圖5（b）為GF2 影像的山地地區“村村通”道路提取效果，由圖5（b）可知：山地地區“村村通”道路曲折蜿蜒，遙感提取較麻煩，GF1 影像在山地地區的道路識別中具有一定的局限性。因為山地地區林地較多，易造成遮擋，對道路信息的提取具有較大的影響。而GF1 影像的像元分辨率為2 m，對遮擋部分道路的提取更加困難。本研究結合GF2 影像，將道路信息準確地識別了出來。通過計算植被指數特征，針對遮擋區域的混合像元，進行了重新劃分。道路的紋理特征優先劃定了線性地物特征，基于GF2 影像的像元信息，根據線性地物特征以及林地混合像元分析，將其劃定到道路特征圖斑中，以此提升山地地區的道路提取精度。

2.5 GF影像適用性討論

通過本研究的試驗，GF 系列衛星影像在道路信息提取中具有較好的適用性與較高的精度。本研究采用GF1 與GF2 影像進行“村村通”道路信息提取，結果顯示：GF1 在平原地區提取精度較好，且與GF2 影像的提取效果相差不大；但在山地地區，GF1 衛星影像的提取效果較差，針對樹林遮擋的地區，GF1 本身像元分辨率較高，不能較好地計算相應的特征，并且在區分混合像元時不理想。GF2 影像在山地地區的提取效果整體優于GF1，因為GF2影像的分辨率優勢，可為山地地區較窄、較曲折的道路提供更好的數據源，同時給易造成斷頭路的樹木遮擋地區以及土質道路影響地區的時空特征計算提供便利。但GF2 影像的過境周期較差，GF1 影像可達到逐月覆蓋，這給道路信息提取與更新提供了較好的數據源。相比于GF1，GF2 影像雖可進行更高精度的道路提取，但在信息更新優勢上弱于GF1。整體來說，GF1 衛星與GF2 衛星各有利弊，結合應用GF 系列衛星，可在“村村通”道路信息提取中發揮更大的優勢。

3 結語

本研究采用擴充與篩選后的特征庫作為新的特征空間，導入到面向對象分類方法進行基于GF系列衛星影像的“村村通”道路信息遙感識別與提取，以此研究GF 系列衛星影像在道路信息提取中的適用性，結果如下：

GF 系列衛星影像在“村村通”道路信息提取中具有較好的適用性與較高的精度；

通過擴充面向對象特征庫、優化道路的訓練模型，提升了地表信息遙感提取的精度，獲取了較完整的道路信息；

綜合對比GF1 與GF2 影像在道路提取中的適用性得出：GF1 與GF2 影像均具有較高的道路提取精度，GF1 在主干道的提取中具有更高的分類精度，道路兩旁地表混淆較少，如在平原地區道路提取中；而GF2 的提取效果出現了“過分類”現象，但局部道路提取精度優于GF1 衛星影像，如在山地地區。

雖然本研究取得了較理想的成果，但仍存在一定的問題：首先，本研究選用的GF2 影像未考慮時相問題，GF2 影像的重訪周期較長，較難獲取及時性的高質量影像；其次，本研究僅僅選取了一小部分地區，未涉及更大的區域，在廣域的道路提取中，本研究的道路模型適用性有待驗證。