一種基于區域生長的高分辨率遙感影像道路提取方法

摘要：隨著遙感影像分辨率的提高，從高分辨率遙感影像中進行道路網提取，可以為交通信息提供瞬時、準確、可靠的數據，為交通規劃提供極大的幫助。提出利用高分辨率遙感影像中道路的光譜信息特征提取路網的方法?？紤]到高分辨率遙感影像光譜信息的復雜性，首先對遙感影像光譜信息進行K均值聚類，實現道路類和非道路類分離；同時，獲取區域生長的判決條件和判斷閾值，然后在道路類上運用區域生長的方法提取路網；最后，運用數學形態學等處理優化路網。實驗證明，該方法從高分辨率遙感影像提取路網有較高的準確度和適用性。

關鍵詞：高分辨率遙感影像；光譜信息；道路提??；K均值；區域生長

DOIDOI：10.11907/rjdk.143740

中圖分類號：TP301

文獻標識碼：A 文章編號文章編號：16727800（2015）001002703

基金項目基金項目：國家自然科學基金項目（61170102；61350011）；交通運輸部重點項目（2012-364-208-802-2）；湖南省自然科學基金項目（11JJ3070）；湖南省自然科學基金重點課題（12JJ2036）；湖南省自然科學基金面上課題（14JJ2115）；湖南省教育廳科研項目（12A039）；湖南工業大學研究生創新基金項目（CX1404）

作者簡介作者簡介：李建飛（1989-），男，河南上蔡人，湖南工業大學計算機與通信學院碩士研究生，研究方向為遙感影像處理；文志強（1973-），男， 湖南湘鄉人，博士， 湖南工業大學計算機與通信學院副教授、 碩士生導師，研究方向為圖像處理、模式識別。

0 引言

高分辨率遙感影像具有覆蓋范圍大、信息客觀真實、成本低、獲取方便等優點，被廣泛應用。隨著分辨率的提高，遙感影像所包含的信息更加豐富、詳細，這為使用高分辨率遙感影像監測地表環境和人類活動提供了基礎[1]。

基于遙感影像的道路提取，一直受到學者的關注?，F有研究主要運用光譜、紋理等特征來提取道路。如邊緣連接法，利用光譜差異提取道路邊緣[2]；數學形態學提取法，根據光譜信息，運用數學形態學相關原理提取道路網[3]；基于形態分割的方法[4]等。隨著分辨率的提高，光譜信息越來越復雜，道路上的車輛、道路兩邊的建筑物等投影對道路造成很大的干擾。因此，單憑一種方法從高分辨率遙感影像提取路網有一定的難度，路網的完整性難以保證。

本文在運用高分辨率遙感影像光譜信息的基礎上，利用 kmeans與區域生長結合提取路網。運用kmeans聚類將道路與非道路分離，并獲取道路類的質心和道路類中所有像素點對與質心的標準偏差，其質心作為區域生長的判決值，標準偏差作為區域生長判斷閾值。種子點在人工干預下在道路類中選擇，并在道路類中進行區域生長提取道路網。

1 提取道路方法

1.1 道路基本特性

高分辨率遙感影像中的道路包含以下基本特性[5]：①主干路、次干路、支路的是相互連通的；②每一條道路段路面寬度以及其路面內光譜特性基本一致；③由于路面護欄、分道線、車輪線、交通線等影響，使得道路面的灰度分布不均勻。

1.2 道路提取方法

本文采用kmeans聚類分離出道路類；然后在在道路類中采用區域生長提取路網；最后經過噪聲去除、數學形態學處理以及細化等處理實現路網的優化。本文研究的路網提取流程如圖1所示。

圖2是在kmeans基礎上進行區域生長的算法流程圖，該算法具體說明如下：

第一步：對影像進行K均值聚類，將道路和非道路及其它分為K類。K值的選擇是關鍵的一步，K值直接關系著道路類是否分完整；由K值的大小設置其初始中心值，這樣能提高算法的收斂速度。設像素點到類中心的距離為D（像素值之間的距離），其步驟如下：

圖1 路網提取流程

圖2 算法流程

（1）將類的初始中心設置為{{0，0，0}，{255/（K-1），255/（K-1），255/（K-1）}，{2*255/（K-1），2*255/（K-1），2*255/（K-1）}，……，{255，255，255}}。

（2）在第n次迭代中，對所有的點求到每個中心的歐氏距離D，將該點歸到距離最短的中心所在的類中。

（3）利用求均值的方法求出中心值，進而更新該類的中心值。

（4）對于每個聚類中心，利用（2）和（3）的迭代法更新后，中心值保持不變，迭代結束。

實驗中計算像素點到類中心的歐氏距離： 其中R、G、B分別代表3個通道的像素值。

D=（R1-R2）2+（G1-G2）2+（B1-B2）2（1）

實驗驗證如圖3所示，對于本圖K=3聚類效果較好，為下一步區域生長提供了基礎數據。

第二步：聚類結束后，將道路類的中心作為區域生長的判斷條件，求出道路類中的像素的灰度值與中心點的標準偏差Saj，作為區域生長判斷的閾值。采用標準偏差作為閾值，當道路點比較少時，標準偏差比標準差更能反映對中心點的偏離度；當道路點相對較多時，標準偏差和標準差的值相當，故標準偏差更能準確評估某一點對于道路類質點的偏離度，能更好地判斷是否隸屬于道路點。其中，a=B，G，R，j為屬于道路的類的個數， n的值為道路這一類中包含像素個數。

區域生長法是一種被廣泛使用的經典方法，其空間和時間開銷都比較大。為了實現快速提取路網，選擇在道路類中進行區域生長，初始種子點選擇在道路類中的一點。道路點的判斷正確與否直接關系著路網的完整性，本文采用式（4）來判斷，設影像道路上某一點P0，其光譜值為P0a。區域生長步驟如下：

（1）在圖像道路類中各個類順序掃描，找到一個還沒有歸屬的像素點P1。

（2）以P1為中心，考慮到P1的4鄰域像素Pi，如果P1滿足生長準則式（4），則將Pi與P1合并，同時將Pi壓入堆棧。

（3）從堆棧中取出一個像素，把它作為P1，返回步驟（2）。

（4）當堆棧為空時，返回步驟（1）。

（5）重復步驟Step1-Step4直到圖像中道路所有類中的每一個點都有歸屬時，生長則結束。

2 實驗結果與分析

用某城市的高分辨率遙感影像驗證本文提出的方法。實驗結果如圖4，其中原始影像尺寸800*780；圖4（a）通過kmeans聚類后的圖像，道路類與非道路類分離出來；圖4（b）在kmeans類的基礎上在原圖上進行區域生長，效果不是很理想；圖4（c）區域生長后，噪聲去除，但路網還有較多斷裂；圖4（d）通過數學形態學處理，斷裂處連接和內部斑點消除。

為驗證算法的適用性，與經典區域生長相比較。選取某郊區的圖像（見圖5（a））作試驗，運行結果如圖5（b）、（c）、（d）所示。

為評估道路提取的效果，采用人工判讀定義參考圖6，并參考文獻[69]作下列統計：①參考道路長度；②檢出道路長度；③檢出的錯誤道路長度。采用以下3個指標進行評估路網，檢測率PD=檢出的正確道路長度/參考道路長度；虛警率PF=檢出的錯誤道路長度/參考道路長度；檢測質量θ=檢出的正確道路長度/（參考道路中未檢測出的長度+檢出的道路長度），得到表1數據。

由表1可以看出，運用本文算法提取的道路，在檢測率上，不論是郊區還是城區道路都遠遠高于經典算法；在虛警率上，不論是郊區還是城市道路都遠遠低于經典算法；重要評價參數檢測質量θ，本文算法在郊區道路上θ=91.20%、城區道路θ=85.66%，而經典算法在這兩種道路上的θ分別為70.02%、73.67%。本文算法不論是城市道路還是郊區道路都明顯優于經典區域生長算法。

3 結語

本文提出了一種從高分辨率遙感影像中提取路網的方法。該方法是利用遙感影像的光譜特性，先對其kmeans聚類，得到道路類與非道路類。在此基礎上利用區域生長方法提取道路網，比單純利用區域生長精度更高。