随着空间技术、传感器技术和计算机技术的快速发展，高分辨率遥感影像开始广泛应用于城市地理信息系统的更新，对高分辨率遥感影像道路网的自动提取一直是遥感影像数据应用的研究热点。随着我国高分遥感影像数据分辨率的不断提高，遥感影像的广泛深入应用更是迫在眉睫，对海量图像数据的认知、解释和自动处理成为社会信息化过程中面临的重要技术问题。尤其随着我国城镇化速度的加快，有关城市道路的各种地理信息及时更新也成为城市发展、用地、经济活动等内容的重要经济技术指标。及时更新城镇道路网信息对城市的宏观管理、交通运输、城镇规划、人们出行电子导航、应急事务处理等具有非常重要的意义。然而随着高分遥感影像信息量的不断丰富，遥感影像椒盐噪声的干扰也随之增加，这给道路信息的提取增加了难度。

本文项目数据采用分辨率为1 m的2014年9月沈阳市QuickBird遥感影像，处理软件选用ENVI 5.1，数值计算及可视化软件选用Matlab 2012。

1 道路提取方法

该方法首先进行图像预处理，其次利用改进的K-均值图像分割方法得到二值化图像，然后利用数学形态学原理与图像几何特征对二值化图像进行形态处理，得到最终的道路中心线，最后将提取的道路中心线与原始影像叠加进行精度评定。

1.1 图像预处理 1.1.1 图像滤波

图像预处理主要是对图像进行增强和去云雾处理，以去除不相关噪声，提高图像质量突出所需信息，有利于分析判读作进一步处理。本文数据为2014年9月采集的沈阳市QuickBird遥感影像，分辨率为1 m，无需云雾处理。图像增强方法有多种，包括空间滤波、彩色变换、图像运算、多光谱变换等，但具体方法要结合具体的试验图像数据需要选择。本文经过试验对比分析, 采用形态学开闭滤波器对试验图像进行去噪处理。形态学开运算能够去除比结构元素小的亮噪声，闭运算能够去除比结构元素小的暗噪声。试验结果表明，在选择合适的结构元素的情况下，形态学开闭滤波器比均值滤波和中值滤波去除噪声效果较好。如图 1、图 2所示。

1.1.2 图像灰度处理

为使项目获得的彩色遥感图像的纹理特征后续能继续进行分割处理，需将彩色图像转换成灰度图像。即将24位彩色图像用RGB数模中3个通道分别进行描述。本文利用Matlab作为工具将图 2(a)彩色图像转换为灰度影像，如图 3所示。

1.2 基于综合特征的图像数据分割 1.2.1 基于灰度共生矩阵模型的纹理特征量选择

Ohanian通过大量试验比较分析得出一些可在图像数据处理时参照使用的有益结论，并给出了几种纹理测量技术的比较结果，光谱方法和灰度游程长度法的纹理特征测量技术效果远不如灰度共生矩阵法。另外从统计特征的角度来讲，分数维、马尔科夫模型及Gabor滤波器特性均不如灰度共生矩阵优越。因此，本文选取灰度共生矩阵法对遥感图像相关纹理特征进行提取。

可从灰度共生矩阵上计算出的二阶统计函数一共有14个，这是由Haralick等定义的，即二阶矩(能量)、熵、对比度、相关性、方差、均匀性、密度、粗糙度、规则性、直线性、方向性、频率、相位等，这些信息从不同方面反映了影像的灰度分布、纹理粗细度等信息量，但它们并非独立存在，如密度不独立于频率，方向性只用于方向性纹理。通过试验和资料分析，对比度、相关性、二阶矩、熵、均匀性5种统计量反映遥感图像特征的效果最好，具体如下。

(1) 能量(二阶矩)可表示为

二阶矩也称为能量，是灰度共生矩阵各元素平方和，可用来探测灰度均匀分布的程度和图像纹理粗细度。f₁小说明图像纹理细，能量小；f₁大说明纹理粗，能量大。

(2) 对比度(惯性矩)可表示为

通过对比度可知，图像效果模糊，即纹理沟纹浅的对比度小；反之，纹理沟纹深的对比度越大，图像效果越清晰。从这个以意义上来说对比度反映的是图像的清晰度。

(3) 相关性可表示为

式中

为了探索通过纹理特征寻找道路特征的方法，本文引入相关性。笔者发现图像水平走向纹理，在θ=0°方向上的相关性，大于其他方向上的相关性，这样灰度共生矩阵元素在行或列方向上的相似程度就可以用相关性来衡量。

(4) 熵可表示为

在遥感图像数据处理中，若纹理复杂，共生矩阵中元素大小差异就小，熵就具有较大值；若图像灰度均匀，共生矩阵中元素大小差异就大，熵就具有较小值。因此，熵反映了遥感图像中纹理的复杂程度或非均匀度。

(5) 均匀性可表示为

均匀性即局部平稳性，是度量图像纹理局部变化的多少。

通过获取遥感图像的特征矢量说明上述所讨论的问题。首先选取像元距离d为1，窗口大小为5×5像素，并在4个方向取均值。在遥感图像上对纹理特征各参数进行统计分析，根据项目研究目标，选取房屋、裸地、绿地、道路典型样本进行数据处理并分析，数据整理结果见表 1，根据数据处理结果绘制的纹理特征参数对比图如图 4所示。

从表 1和图 4可以看出，道路地物的纹理特征与非道路地物的纹理特征在相关性和均匀性方面差异比较小，但道路地物与非道路地物在角二阶矩和熵所反映的地物纹理特征差异较大；另外，道路地物与非道路地物在对比度方面所反映出来的差异也比较大。说明反应明显的是角二阶矩和熵及对比度，运用这几项纹理特征参数进行道路目标的提取是可行的。

1.2.2 光谱特征选取

在遥感数据图像数据处理中，光谱特征的提取主要是基于图像光谱的统计特征、地学特征及地物光谱曲线特征等信息。在对遥感影像数据进行地物信息提取时，比较常用的有一阶统计量灰度的均值、二阶统计量方差与标准差等方法。根据大量研究结果和相关文献介绍，遥感图像的模式识别过程中为了能对地物信息特征充分有效地提取，在数据处理时既要使用一阶统计特征量，也要充分利用二阶统计特征量，进而提高图像的分类精度。这也是本文研究选择均值与标准差作为光谱特征量的主要原因。

1.2.3 基于道路纹理与光谱特征的图像分割

根据以上分析，将预处理后的灰度图像在以目标像素为中心的5×5像素的移动窗口计算其纹理特征值，在数据处理时取0°、45°、90°和135° 4个方向，灰度级数为16，计算对比度、角二阶矩和熵3个特征统计量，并分别求取它们4个方向的平均值X_C、X_S、X_E和标准差σ_C、σ_S、σ_E作为纹理特征值。对该区域预处理后24位彩色影像，在同一位置及n=5的窗口计算图像的灰度平均值X_R、X_G、X_B和标准差σ_R、σ_G、σ_B作为光谱特征值。这样经过数据处理后，将计算值组合成一个新的综合特征向量X参与影像的聚类分割提取

获得每个像元的特征向量后，将光谱特征和纹理特征相似区域归类为同类区域，然后利用改进后的K-均值聚类算法进行分析，进一步进行数据处理，即对同类区域中的异类区域进行分割提取去除，以便获得最佳的图像道路分割结果。分割过程如图 5所示。

根据前述数据处理方法获得取的遥感图像分割提取处理结果如图 6所示。

从图 6中可以看出，同时考虑纹理特征和光谱特征的道路图像分割结果基本上将道路与周围地物比较清楚地分割出来，基本避免了遥感图像误分割和漏分割现象。

1.3 基于数学形态学方法与道路形状特征剔除干扰图斑

按照上述方法对图像进行道路地物分割时，当某类地物的光谱特征和纹理特征与道路的纹理特征和光谱特征相同或十分相似时，就会产生某种程度的连接，进而导致不能进行完全分割。如城市主干道路旁边的楼房屋顶与道路的纹理特征和光谱特征十分相似，在这类地区按照上述方法进行图像道路信息分割时，往往会使非道路图斑不能彻底去除，从而造成在获得的道路图像上会遗留一部分非道路图斑。针对该现象，本文首先利用形态开运算分离出道路与非道路图斑，再利用图像几何特征中的面积与长宽比进行分析，根据图像特征选择尺寸合适的面积与长宽比参数，在Matlab软件中对图像进行处理，最后得到去除全部噪声图斑的道路图像。运算结果如图 7所示。

1.4 基于数学形态学剔除道路干扰图斑

通过综合特征方法和数学形态学算法进行道路信息提取和去斑后，即可把道路的基本轮廓提取出来，但提取出的图像道路信息在道路中心存在孔洞，在道路边缘存在毛刺，甚至出现道路截断现象等。为解决这些不足，首先基于形态学闭运算连接断线道路，填充道路孔洞(如图 8所示)，然后利用形态学细化方法去掉毛刺提取道路中心线，这样道路信息完善后即可根据道路中心线的提取结果形成矢量化路网。然后还要进一步对道路网信息进行形态细化，以获得具有一个像素宽度的完整的道路中心线道路网信息图像，经形态细化后的道路图像结果如图 9所示，最终得到矢量化的地理信息并添加到数据库中。

1.5 提取成果检核

为检验所提取道路信息网络的准确性，笔者将提取的目标和道路的中心线与原始遥感图像进行叠加，如图 10所示，可以看出提取的道路目标位置及中心线与原始道路目标位置和方向都有较好的吻合效果。

2 结语

本文首先综合使用图像纹理信息和光谱特征，然后结合图像几何特征及道路连续性，再辅以数学形态学算法及其精细化算法处理，最后运用改进的K-均值聚类对图像进行分割，提高了图像分割的效果，可快速利用图斑面积等特征去除非道路图斑，进而得到比较完善的道路网信息提取结果。该方法可用于路况比较复杂地区道路网信息的提取。