文章快速检索  
  高级检索
像元与对象特征融合的高分辨率遥感影像道路中心线提取
曹云刚1,2, 王志盼1,2, 慎利1,2, 肖雪1,2, 杨磊3     
1. 西南交通大学高速铁路运营安全空间信息技术国家地方联合工程实验室, 四川 成都 611756 ;
2. 西南交通大学地球科学与环境工程学院, 四川 成都 611756 ;
3. 四川省第二测绘地理信息工程院, 四川 成都 610100
摘要:提出了一种融合像元-多尺度对象级特征的高分辨率遥感影像道路中心线提取方法。首先在像素级上提取影像的纹理和形状结构特征,在构建的多尺度分割集影像上提取对象的区域光谱特征。然后,将像元级特征与多尺度对象特征进行决策级融合,完成道路网的粗提取。最后,结合本文所提出的非道路区域自动去除算法和张量投票算法,实现道路中心线的精提取。不同场景、不同分辨率数据下开展的试验结果表明,该方法可有效改善传统道路提取方法易产生的“盐噪声”和非道路地物粘连现象。
关键词: 高分辨率遥感     多特征融合     道路提取     基于像素     面向对象    
Fusion of Pixel-based and Object-based Features for Road Centerline Extraction from High-resolution Satellite Imagery
CAO Yungang1,2, WANG Zhipan1,2, SHEN Li1,2, XIAO Xue1,2, YANG Lei3     
1. State-province Joint Engineering Laboratory of Spatial Information Technology of High-speed Railway Safety, Southwest Jiaotong University, Chengdu 611756, China ;
2. Faculty of Geosciences and Environmental Engineering Southwest Jiaotong University, Chengdu 611756, China ;
3. Sichuan Province Second Geographic Information Engineering Institute of Surveying and Mapping, Chengdu 610100, China
Foundation support: The National Basic Research Program of China(973 Program) (No.2012CB719901); The National Natural Science Foundation of China (Nos. 41201434;41401374); The Key Laboratory of Digital Mapping and Land Information Application of National Administration of Surveying, Mapping and Geoinformation(No.DM2016SC06);Geographical Condition Monitoring Engineering Technology Research Center of Sichuan Province((No.GC201516))
First author: CAO Yungang(1978—),male, associate professor,majors in remote sensing of resources and environment.E-mail: yungang@swjtu.cn
Corresponding author: SHEN Li, E-mail: rsshenli@outlook.com
Abstract: A novel approach for road centerline extraction from high spatial resolution satellite imagery is proposed by fusing both pixel-based and object-based features. Firstly, texture and shape features are extracted at the pixel level, and spectral features are extracted at the object level based on multi-scale image segmentation maps. Then, extracted multiple features are utilized in the fusion framework of Dempster-Shafer evidence theory to roughly identify the road network regions. Finally, an automatic noise removing algorithm combined with the tensor voting strategy is presented to accurately extract the road centerline. Experimental results using high-resolution satellite imageries with different scenes and spatial resolutions showed that the proposed approach compared favorably with the traditional methods, particularly in the aspect of eliminating the salt noise and conglutination phenomenon.
Key words: high resolution remote sensing     multiple feature fusion     road extraction     pixel-based     object-based    

基于遥感影像的道路提取在更新地理信息库、军事、导航等方面具有重要的研究意义[1]。近年来,随着高分辨率遥感影像的可获取性日益增强,使得在遥感影像上精确地提取道路要素信息成为可能,相关的自动化处理方法成为遥感领域的研究热点之一。

传统的道路提取算法大多从像元级角度出发,利用像元级光谱特征或通过构建基于像元的空间特征来顾及形状、边缘、纹理等上下文信息[2-8]。文献[2]基于影像的光谱特征设计了一种改进圆投影变换的曲折道路自动提取算法,在山区公路提取上取得了较为理想的效果。文献[3]通过融合道路的光谱和边缘特征来提高道路的提取精度,虽取得了一定的效果,但是对于边缘不明显的道路具有一定的局限性。文献[4]提出了融合LiDAR数据的道路提取方法,在城市遮挡严重的道路提取上取得了很好的效果,但是LiDAR数据的获取使得该方法具有一定的局限性。由于高分辨率遥感影像上地物细节信息极其丰富,空间分布复杂,同类地物呈现出很大的光谱异质性,具体表现为类内方差变大,类间方差减小,不同地物的光谱相互重叠[5],基于像素级光谱纹理结构信息的道路提取方法容易产生“盐噪声”现象。因此,面向对象的道路提取方法近年来日益受到重视。该类方法不再以单个像元及邻域像元作为处理单元,而是以对象区域作为基本的处理单元,通过分析粒度的提升,能够有效地改善像元级分析方法所存在的不足,使得道路提取结果具有较好的空间平滑性[9-10]。相关研究表明:面对对象的道路提取方法,对于空间相邻、形状相似的地物容易造成混分,从而产生粘连现象。此外,在现有的道路提取方法中,不管是基于像元级还是面向对象级,为了提升处理的精度,对于初始提取的道路区域,通常仍然需要较多的特征约束来进行非道路区域的去除,如长宽比,面积等特征[3, 7, 12],且参数的确定大多由人工确定,约束了算法的自动化程度。

通过上述分析,现有道路提取方法存在以下问题:①基于像元级的道路提取和基于对象级的道路提取,是作为两个不同研究方向进行的;②基于像元级道路提取,容易产生“盐噪声”现象,而基于对象级道路提取,容易产生较多非道路区域“粘连”现象;③非道路区域去除,需要较多的特征和参数设置。

考虑到像元级特征与对象级特征能够分别在两个不同的层次对特征信息进行度量。与单层特征相比,像元-对象特征的融合能够实现不同层次特征信息的优势互补,有利于减少单一信息源对道路要素提取中对象可能存在的不确定性、不完全性和误差,从而有效提升道路提取精度[11]。因此,本文提出一种融合像元-多尺度对象级特征的高分辨率遥感影像道路提取方法,并设计一种新的高效的非道路区域去除算法,来精化道路区域提取结果,最后利用张量投票算法实现道路中心线的提取。

1 道路中心线自动提取方法

本文所提出的道路中心线自动提取方法的总体流程如图 1所示。该方法主要包括两部分:

图 1 道路中心线自动提取方法流程 Fig. 1 The process flow of the proposed approach for automatic extration of road center line

(1) 融合像元级特征与多尺度对象级特征的道路网初提取。首先构建多尺度对象级光谱特征和像元级空间特征特征向量,其中对象级光谱特征与像素级空间特征采用矢量叠加的方式进行[13],然后将构建的多尺度特征向量,输入到Probabilistic SVM分类器中,通过决策级融合得到不同尺度下的道路网络,通过投票的方式完成道路网粗提取。

(2) 非道路区域自适应去除下的道路中心线精提取。通过本文提出的一种新的非道路区域去除算法,自动去除初始道路网络中的非道路区域,并结合张量投票算法完成道路中心线精提取。

1.1 像元-对象特征融合的道路网粗提取

本文从像元级和对象级两个层次出发,分别选取具有代表性的空间或光谱特征指标,开展多特征融合道路网粗提取。

1.1.1 像元级特征提取

遥感影像空间特征,作为光谱特征的有效补充,在遥感影像信息提取方面得到了较多的应用,但是很难找到一个适合描述整体影像的空间特征[13],因此,本文分别从纹理、形状和线性3个角度开展多特征提取。

(1) 纹理结构特征。纹理是图像灰度在空间上以缓慢变化或者周期性变化而产生的图案模式,是反映图像中同质现象的重要视觉特征。作为一种典型的局部纹理特征描述算子,局部二值模式(local binary pattern,LBP)具有旋转不变性、灰度不变性和计算效率高等显著的优点,并且已经被广泛应用于影像分类、图像分割等研究领域[14],因此,本文将其作为纹理特征提取算子。

(2) 形状结构特征。本文利用像元形状指数(pixel shape index,PSI)来提取形状特征,通过度量像元与其周边邻域内像元的光谱相似度来描述空间上下文的形状分布。相关研究表明,PSI特征的引入有助于提升高分率遥感影像上城市目标要素的自动提取精度[15]

(3) 线性结构特征。在高分影像上,道路通常具有明显的线性特征,因此,提取线性特征理论上能够提高道路提取精度。相关研究表明,Frangi滤波能够增强影像中的线性结构特征,并且已经在医学影像处理中的血管增强方面得到了成功的应用[16]。因此,本文采用Frangi滤波进行道路线性目标增强特征的提取。

1.1.2 对象级特征提取

传统的面向对象的特征提取方法,往往关注为整幅影像选择一个最优尺度开展影像分割的预处理,继而开展对象级特征的提取。然而,高分辨率遥感影像中包含的不同尺寸大小的地物目标及不同层次的空间结构差异需要在不同尺度下反映,仅在单一尺度进行分析,很难充分全面反映不同尺度下的地物目标与空间格局。因此,本文拟借助多尺度分割手段,形成遥感影像分割集[17],将同一空间分辨率的遥感影像信息扩展到不同尺度上,实现影像信息的多尺度描述,继而在此框架下提取不同尺度下的对象级区域光谱特征。

1.1.3 基于DS证据理论的多特征融合

现有特征融合算法通常是采用特征“叠加”的方式(vector stacking),对多个特征进行融合,虽然该方法能够取得一定的效果,但是当特征维度增加时,会在一定的程度上“掩盖”光谱特征,在某些情况下,甚至会导致精度下降。针对此问题,虽然有文献提出了自适应特征加权的算法来进行多特征融合[13],但是并不能有效改善某个特征造成的提取误差,且其需要计算每个特征的分类精度,效率较低。而DS证据理论(dempster-shafer evidence theory)能够突出较优特征,且有效改善某一特征造成的误差[18]。因此,本文采用DS证据理论,进行决策级特征融合。其原理如下:

θ为识别框架,定义函数m:2θ→[0, 1]满足条件M(Φ)=0(Φ为空集),∑m(A)=1,(A∈2θ),则m(A)称为框架θ上的基本概率指派(BPA)。m(A)表示对命题A的精确信任程度,设m1m2、…、mn表示不同识别框架下的不同证据的BPA,则确定为:m=m1m2⊕…mn

式中,k由下式确定

BPA经DS证据理论融合,最终的目标判决公式如下

式中,m(Aw)表示目标地物BPA值;m(Ai)表示某一地物类别BPA值;ε表示目标类与其他类的差值。

由于SVM(support vector machine)算法具有小样本、结构化风险最小等优点,因此将SVM作为分类算法[19],其输出的后验概率构建DS证据理论中的BPA,实现特征的决策级融合。关于SVM中的概率输出,请参见文献[20]

为了避免高维空间特征影响光谱特征,本文将提取的3个像元级特征分别与对象级光谱特征进行叠加,在每个尺度下得到3组区域光谱-像元级特征,基于DS证据理论的多特征决策级融合流程参见图 2

图 2 SVM与DS证据理论融合 Fig. 2 SVM and DS evidence theory fusion

设地物类别为k类,分类器个数为n个,多特征决策级融合具体流程如下:

(1) 对于任意像元Xi(i=1,2,…,ll表示总体像元个数),其后验输出概率为Pst,其中,s=1,2,…,nt=1,2,…,k分别表示第s个分类器和第t个目标类。对于每一个SVM分类器,其构建的BPA为{Ps1,Ps2,…,Psk}。

(2) 表示像元Xin个分类器上的概率分配,i=1,2,…,l,即(D1,D2,…,Dl)。

(3) 对于Di按照式(1)和式(2)进行融合,对融合的结果依据式(3)和式(4)进行最终的类别判决。

(4) 重复以上步骤,得到所有像元的类别判决结果。

1.1.4 道路网粗提取

由上述算法提取出多个尺度下的初始道路区域。由于分割的尺度差异,不同的尺度提取的道路区域存在一定的误差,因此,考虑将其结果进行综合。本文对提取的n个不同尺度下的道路区域进行多尺度投票,具体如下

式中,scales示尺度s下的二值图像值;V表示道路二值图像值。通过对提取的多层次道路二值图像中每一个像元自动进行“决策”,得到最终初始道路网络。

1.2 非道路区域自适应去除下的道路中心线精提取

最终道路中心线的形成主要包括两个步骤,即初始道路二值图像自动阈值去除和基于张量投票理论的道路中心线提取。

1.2.1 自适应阈值去除非道路区域

经过多尺度投票算法提取的道路二值图像中,仍然会有部分非道路区域。现有算法大多是基于形态学的长宽比、面积等多个几何特征组合来去除非道路区域,而且需要人工设定阈值[3, 6, 11],从而影响了算法的鲁棒性。因此,设计一种自动的非道路区域去除算法具有重要的意义。考虑到道路区域具有连通区域长,曲率变换缓慢等特点,本文提出一种新的自动非道路区域去除算法:

(1) 二值图像连通区域标记(本文采用八邻域标记)。

(2) 对于任意标记区域,计算该区域形状描述子--外接椭圆长轴ab(如图 3所示,ab表示任意标记区域的外接椭圆),由于道路具有细长等线性特征,该值较大,因此能够很好地区分其他地物。

图 3 道路形状特征 Fig. 3 The road shape features

(3) 统计所有标记区域的形状描述子的值,通过OSTU自动阈值法[21]获取阈值T

(4) 将小于阈值T的标记区域进行自动去除。

1.2.2 道路中心线精提取

现有道路中心线提取算法中,大部分采用了形态学细化或中轴变换等算法,容易产生“毛刺”现象。因此,引入张量投票算法,改善这一问题。由于篇幅所限,具体的计算过程与方法参见文献[22]。

张量投票算法仅需要设定一个参数σ,且具有对噪声不敏感,提取的中心线光滑等优点[22]。但是该方法并不能提取道路交叉口。考虑道路网络的拓扑特征,采用文献[23]提出的方法进行连接。

2 试验结果分析与讨论

为了验证本文方法的有效性,试验设计主要从以下几个方面考虑:①选择不同传感器、不同分辨率、不同场景的高分辨率遥感影像作为试验数据源;②充分考虑空间关系,并从对象级和像元级两个角度出发,对现有道路提取算法进行比较。因此,本文设计了两组试验进行验证,依次与现有相关文献提出的方法进行对比,其中文献[9]从对象级的角度出发,文献[6, 11, 25]则从像素级的角度出发,文献[9, 25]分别顾及了对象级和像素级的空间特征。最终的精度评价从定性和定量两个角度进行,其中定量评价采用了完整率、正确率、检测质量3个指标[24],计算公式如下

式中,E1E2E3分别为完整率、正确率、检测质量;TP表示正确提取的道路长度(像元个数);FN表示没有提取出的道路长度;FP表示错误提取出的道路长度。E1(完整率)用来描述道路提取的完整程度,最优值为1。E2(正确率)表示道路提取的正确程度,最优值为1。E3(检测质量)表示提取结果质量,同时顾及了完整率指标和正确率指标,最优值为1。值得指出的是,道路提取的精度不仅仅依靠一个指标,需要同时考虑3个指标的结果[23]

考虑到算法的效率和自动化程度,本文在试验中确定了4个不同的分割尺度构建多尺度影像集。PSI计算中,有3个重要的计算参数:光谱约束阈值(Tspe)、空间约束阈值(Tspa)、方向线条数(D)。根据文献[5]的建议,将Tspe 设定为各类样本均值欧氏距离的标准差,将Tspa 设定为50,方向线条数D设为20,在特征描述与效率方面能够取得较为理想的结果。此外,本文采用LibSVM软件包实现SVM分类算法,其中核函数为RBF,参数cg通过交叉验证自动获得最优值。

2.1 试验1:IKONOS影像

试验数据为澳大利亚Hobart地区(42°48′S,147°14′E)的IKONOS影像,影像大小为1072×1059像素,影像通过与全色波段融合,空间分辨率为1m,波段数为可见光3波段。如图 4所示为试验1所采用的IKONOS高分辨率遥感影像以及人工目视判断生成的作为地表真试验证值的道路区域和中心线图。

图 4 试验1数据 Fig. 4 The data for experiment 1

通过与文献[6]、文献[9]、文献[11]、文献[25]的方法进行对比,结果如图 5所示。

图 5 试验1中不同方法所提取道路区域和中心线 Fig. 5 Road areas and centerline extracted by different methods in experiment 1

本文算法在试验1中的相关参数设置参见表 1,与现有算法提取精度对比见表 2。对比算法相关参数设置为:文献[6]算法中,通过人工设置两个5×5道路模板,分割参数设置为T=18,非道路区域去除,面积参数设置为100,长度参数设置为150,区域搜索参数设置为30;文献[9]算法中尺度参数为10、15、25、40;文献[11]算法中二值化参数设置为0.01,非道路区域去除,面积参数设置为50,长宽比参数设置为15;文献[25]算法中空间剖面特征设置为10、20、30、40,连接参数设置为25。由图 5中(f)-(j)可以看出,文献[6]算法提取的中心线出现了较多的漏提取现象,文献[9]提取的中心线产生了较多“毛刺”现象,文献[11]提取的中心线产生了较多的非道路中心线线条,文献[25]和本文算法对道路中心线保持较好,但是本文的中心线目视更佳,且中心线更加完整。

表 1 试验1和试验2中本文算法参数设置 Tab. 1 Parameter settings for the proposed method in experiment 1 and experiment 2
试验分割尺度特征融合参数中心线提取参数
试验140、30、20、100.9420
试验230、20、15、100.8815

表 2 试验精度评价 Tab. 2 Accuracy assessment for experiments(%)
方法试验1试验2
完整
正确
检测
质量
完整
正确
检测
质量
本文方法63.0578.4553.7476.7895.2373.93
文献[6]方法33.8068..4930.3042.9394.5642.09
文献[9]方法61.7755.7241.2679.6556.0849.05
文献[11]方法68.0851.7841.6758.1787.7853.82
文献[25]方法60.4976.7745.5459.8092.4757.02

为了更加准确地描述本文方法与其他方法的差异,对图 4(b)中选取的局部区域(图中选定的正方形区域),进行放大精确对比分析,如图 6所示。

图 6 局部区域精确对比 Fig. 6 Accurate comparison in local areas

图 6中椭圆区域的对比可以看出,文献[6]和文献[9]算法提取的道路区域,容易出现边缘粘连现象,而且边缘拟合并不准确与光滑。文献[11]提出的方法中,道路区域边缘较为光滑与准确,但是容易出现较多的“盐噪声”,本文算法与文献[25]所提算法对道路形状保持较好。

2.2 试验2:QuickBird影像

试验2数据为美国德克萨斯州地区(31°44′N,106°15′E)的QuickBird影像,影像大小为1043×880像素,波段为4(可见光+近红外),空间分辨率约为2.6m(图 7)。设计本次试验的目的是验证不同分辨率和不同场景对道路提取精度的影响。

图 7 试验2数据 Fig. 7 The data for experiment 2

对比文献[6]、文献[9]、文献[11]、文献[25]提出的方法,道路提取如图 8所示。

图 8 试验2中不同方法所提取道路区域和中心线的结果图 Fig. 8 Road areas and centerlines extracted by different methods in experiment 2

本文算法在试验2中的相关参数设置参见表 1,与现有算法提取精度对比见表 2。对比算法相关参数设置为:文献[6]算法中,通过人工设置两个5×5道路模板,分割参数设置为T=20,非道路区域去除,面积参数设置为20,长度参数设置为20,区域搜索参数设置为25;文献[9]算法中尺度参数为10、20、25、35;文献[11]算法中二值化参数设置为0.01,非道路区域去除,面积参数设置为30,长宽比参数设置为10;文献[25]中空间剖面特征设置为10、20、30、40,连接参数设置为20。由图 8中(f)-(j)可以看出,文献[11]和文献[25]算法提取的道路中心线拟合并不十分准确,例如弯曲道路段出现了偏移现象。文献[6]、文献[9]和本文提出的算法提取的中心线,准确度较高,但是文献[6]算法中中心线出现了较多漏提取情况,而文献[9]算法提取的中心线出现了较多非道路中心线,且“毛刺”现象较多。本文算法提取的中心线无论从准确度和完整性均优于其他算法。

为了更加准确地描述本文方法与其他方法的差异,对图 7(b)中选定的局部区域(右下角正方形区域),进行放大精确对比分析,如图 9所示。

图 9 局部区域精确对比 Fig. 9 Accurate comparison in local areas

图 9的上方椭圆区域可以看出,文献[9]提出的方法,过度平滑了地物的细节,如对道路的隔离带进行了合并。对比图中的下方椭圆区域看出,文献[6, 11, 25]算法产生了部分“盐噪声”,后续处理中容易产生较多错误的道路中心线,本文方法保持了道路的细节特征,减少了“盐噪声”现象。

在不同场景、不同分辨率、不同传感器的高分遥感影像上得到的试验结果,从定性的角度来看,本文算法在目视效果上均优于现有其他算法(如图 5图 8所示),道路区域和中心线均取得了较为理想的结果,有效减少了道路二值图像中的“盐噪声”和粘连现象,道路中心线提取更为完善,减少了漏提取、毛刺及拟合不准确现象,不论从实际应用的角度和视觉效果都更为理想。

表 2的试验精度评价结果进行定量分析,可以发现,试验1和试验2中本文算法结果的3个精度指标均处于较高的层次,从而证明了本文方法的有效性。文献[9]和文献[11]提出的算法对道路的完整性保持得较好,但是由于“盐噪声”和粘连现象,导致提取的中心线正确率较低。文献[6]和文献[25]提出的算法得到道路中心线正确率较高,但是文献[6]提取的道路中心线缺失较多,因此完整率较低,文献[25]的方法由于提取的二值道路图像,产生了较多的断裂,其结果依赖于后续的中心线连接,因此降低了完整率。本文算法道路二值图像提取更为完整,准确率更高,且中心线的形成有效减少了毛刺和断裂现象,因此取得了较其他算法更优的定量结果。

2.3 参数敏感性分析

为了使参数设置更加准确,试验1影像辐射分辨率经过线性拉伸至8位。本文提出的方法中,主要需设定的参数包括:初始分割尺度层数n,特征融合判决参数ε,中心线提取尺度参数σ。以试验1所采用数据为例,参数ε和参数σ对本文提取精度影响如图 10所示。

图 10 不同参数设置条件下对本文道路提取精度的影响 Fig. 10 The accuracy of road extraction under different parameter settings

图 10(a)中可以看出,试验1中正确率指标在[0.88,0.98]区间均处于上升阶段,而完整率和检测质量指标均在ε=0.9取得最大值,在区间[0.92,0.98]内,当ε=0.94时,两者均取得局部最大值。考虑到总体的精度,因此选取0.94作为本文试验的参数值。值得提出的是,从图 10(a)可以看出,特征融合参数对总体精度的影响不明显。从图 10(b)可以看出,检测质量和正确率,这两个指标均在区间[5, 20]处于上升阶段,当σ=20时取得最大值,这是由于当参数过小时,提取的中心线可能会产生不必要的“毛刺”现象,而正确率指标在区间[20, 45]局部下降,之后基本保持不变。完整率和检测质量指标在区间[20, 45]之间,精度均处于下降阶段,且变化较为明显,这是由于参数过大时,部分中心线拟合的并不完整(例如:小环形道路拟合成折线)。当σ=20时,在区间[5, 45]取得全局最优值,因此,选取20作为中心线提取参数。从图 10(c)可以看出,随着分割尺度层数n的增加,3个精度评价指标精度变化较为平缓,精度上无显著提高。由于尺度的增加会大大降低处理的效率,因此综合考虑,本文将分割尺度定为4。

2.4 结果讨论与分析

文献[9]提出的方法中,其采用了对象级结构特征,而该特征的获取受到影像分割的影响,由于同谱异物等现象,相似地物容易分割在一起,因此容易形成“粘连”现象。文献[6]和文献[11]提出的方法中,本身从像元级的角度出发,且仅顾及了像元的光谱特征,易形成“盐噪声”和断裂现象,需要后续复杂的算法进行断裂道路段连接,而本文利用张量投票算法,很好地解决了断裂道路连接问题。而且文献[6]和文献[11]所提算法,对初始提取的道路段,设计了多个形状特征组合的方式进行非道路段去除,且阈值的设置依靠经验,影响了算法的自动化程度和效率。文献[6]提出的算法,需要人工精心选择两个5×5像元大小的道路模板,且分割阈值的确定,需要经验判断,当道路宽度小于5个像元的大小时,容易造成漏提取(如试验2 QuickBird影像所示)。文献[25]提出的算法,考虑了影像的空间结构特征,利用道路区域通常较为匀质的性质,设计了一种基于结合像元级光谱-空间特征的道路提取算法,较好地改善了同谱异物现象,且道路边缘较为理想,但是随着空间特征尺度的增加,会对宽度和长度较小的道路产生“掩盖”的作用,最终的特征组合方式,与文献[9]提出的算法类似,采用了特征叠加的方式进行处理,当空间特征维度增加时,对光谱特征会产生一定的影响,会在一定程度上影响道路网的完整性。

像元级道路提取易产生的“盐噪声”现象和面对对象易产生的粘连现象,对后续道路提取和中心线的形成产生了比较严重的影响。本文提出的方法,主要有以下3个方面的优点:①利用了像元级形状结构特征、纹理结构特征、线性结构特征,像元级空间特征的融入,有效改善了光谱特征的不足,多尺度对象级光谱特征能够更好地描述地物本身属性和平滑部分地物“噪声”;②本文采用证据理论进行多特征融合,能够修正少数特征下的错误提取结果,且能避免高维空间特征对光谱特征的影响,使提取的道路区域更加完善与准确;③本文设计的自适应去除算法,有效地减少了人为干预,提高了算法的效率。总之,本文提出了一个完整的高分影像道路中心线提取算法。通过开展不同的试验表明,本文算法能够为实际应用和其他研究方向提供参考和借鉴。

3 结 论

本文提出了一种融合像元-多尺度对象级特征的高分辨率遥感影像道路中心线提取方法。该方法结合了像元级和对象级道路提取各自的优点,较好地改善了基于像元级道路提取易产生的“盐噪声”现象,与面向对象道路提取易产生的粘连现象。试验证明,像元级特征和对象级特征融合的道路提取算法是可行的,且比单一层次取得更好的结果。此外,本文还提出了一种新的非道路区域自动去除算法,改善了初始道路提取后需要较多的后续处理问题,提高了道路提取的准确性。由于本文是基于监督学习的方法来提取道路中心线,需要借助于地表真实值训练样本,因此在今后的研究中将进一步探索非监督模式下的道路提取策略。


参考文献
[1] 史文中, 朱长青, 王昱. 从遥感影像提取道路特征的方法综述与展望[J]. 测绘学报 , 2001, 30 (3) : 257–262. SHI Wenzhong, ZHU Changqing, WANG Yu. Road Feature Extraction from Remotely Sensed Image:Review and Prospects[J]. Acta Geodaetica et Cartographica Sinica , 2001, 30 (3) : 257 –262. DOI:10.3321/j.issn:1001-1595.2001.03.014
[2] 傅罡, 赵红蕊, 李聪, 等. 曲折道路遥感影像圆投影匹配改进追踪法[J]. 测绘学报 , 2014, 43 (7) : 724–730. FU Gang, ZHAO Hongrui, LI Cong, et al. A Method by Improved Circular Projection Matching of Tracking Twisty Road from Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica , 2014, 43 (7) : 724 –730. DOI:10.13485/j.cnki.11-2089.2014.0097
[3] 李晓峰, 张树清, 韩富伟, 等. 基于多重信息融合的高分辨率遥感影像道路信息提取[J]. 测绘学报 , 2008, 37 (2) : 178–184. LI Xiaofeng, ZHANG Shuqing, HAN Fuwei, et al. Road Extraction from High-resolution Remote Sensing Images Based on Multiple Information Fusion[J]. Acta Geodaetica et Cartographica Sinica , 2008, 37 (2) : 178 –184. DOI:10.3321/j.issn:1001-1595.2008.02.009
[4] 李怡静, 胡翔云, 张剑清, 等. 影像与LiDAR数据信息融合复杂场景下的道路自动提取[J]. 测绘学报 , 2012, 41 (6) : 870–876. LI Yijing, HU Xiangyun, ZHANG Jianqing, et al. Automatic Road Extraction in Complex Scenes Based on Information Fusion from LiDAR Data and Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica , 2012, 41 (6) : 870 –876.
[5] 黄昕, 张良培, 李平湘. 融合形状和光谱的高空间分辨率遥感影像分类[J]. 遥感学报 , 2007, 11 (2) : 193–200. HUANG Xin, ZHANG Liangpei, LI Pingxiang. Classification of High Spatial Resolution Remotely Sensed Imagery Based on the Fusion of Spectral and Shape Features[J]. Journal of Remote Sensing , 2007, 11 (2) : 193 –200.
[6] CHAUDHURI D, KUSHWAHA N K, SAMAL A. Semi-Automated Road Detection from High Resolution Satellite Images by Directional Morphological Enhancement and Segmentation Techniques[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 2012, 5 (5) : 1538 –1544. DOI:10.1109/JSTARS.2012.2199085
[7] 雷小奇, 王卫星, 赖均. 一种基于形状特征进行高分辨率遥感影像道路提取方法[J]. 测绘学报 , 2009, 38 (5) : 457–465. LEI Xiaoqi, WANG Weixing, LAI Jun. A Method of Road Extraction from High-resolution Remote Sensing Images Based on Shape Features[J]. Acta Geodaetica et Cartographica Sinica , 2009, 38 (5) : 457 –465. DOI:10.3321/j.issn:1001-1595.2009.05.013
[8] MIAO Zelang, SHI Wenzhong, GAMBA P, et al. An Object-based Method for Road Network Extraction in VHR Satellite Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 2015, 8 (10) : 4853 –4862. DOI:10.1109/JSTARS.2015.2443552
[9] HUANG Xin, ZHANG Liangpei. Road Centreline Extraction from High-resolution Imagery Based on Multiscale Structural Features and Support Vector Machines[J]. International Journal of Remote Sensing , 2009, 30 (8) : 1977 –1987. DOI:10.1080/01431160802546837
[10] LI Mengmeng, STEIN A, BIJKER W, et al. Region-based Urban Road Extraction from VHR Satellite Images Using Binary Partition Tree[J]. International Journal of Applied Earth Observation and Geoinformation , 2016, 44 : 217 –225. DOI:10.1016/j.jag.2015.09.005
[11] MIAO Zelang, SHI Wenzhong, ZHANG Hua, et al. Road Centerline Extraction from High-resolution Imagery Based on Shape Features and Multivariate Adaptive Regression Splines[J]. IEEE Geoscience and Remote Sensing Letters , 2013, 10 (3) : 583 –587. DOI:10.1109/LGRS.2012.2214761
[12] 李刚, 万幼川. 基于改进的像素级和对象级的遥感影像合成分类[J]. 测绘学报 , 2012, 41 (6) : 891–897. LI Gang, WAN Youchuan. Synthesis Classification of Remote Sensing Image Based on Improved Pixel-level and Object-Level Methods[J]. Acta Geodaetica et Cartographica Sinica , 2012, 41 (6) : 891 –897.
[13] 张春森, 郑艺惟, 黄小兵, 等. 高光谱影像光谱-空间多特征加权概率融合分类[J]. 测绘学报 , 2015, 44 (8) : 909–918. ZHANG Chunsen, ZHENG Yiwei, HUANG Xiaobing, et al. Hyperspectral Image Classification Based on the Weighted Probabilistic Fusion of Multiple Spectral-spatial Features[J]. Acta Geodaetica et Cartographica Sinica , 2015, 44 (8) : 909 –918. DOI:10.11947/j.AGCS.2015.20140544
[14] OJALA T, PIETIKAINEN M, MAENPAA I, et al. Multiresolution Gray-scale and Rotation Invariant Texture Classification with Local Binary Patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence , 2002, 24 (7) : 971 –987. DOI:10.1109/TPAMI.2002.1017623
[15] HUANG Xin, ZHANG Liangpei, LI Pingxiang. Classification and Extraction of Spatial Features in Urban Areas Using High-resolution Multispectral Imagery[J]. IEEE Geoscience and Remote Sensing Letters , 2007, 4 (2) : 260 –264. DOI:10.1109/LGRS.2006.890540
[16] FRANGI A F, NIESSEN W J, VINCKEN K L, et al. Multiscale Vessel Enhancement Filtering[M]//WELLS W M, COLCHESTER A, DELP S L. Medical Image Computing and Computer-assisted Intervention. Berlin:Springer, 1998:130-137.
[17] HAY G J, BLASCHKE T, MARCEAU D J, et al. A Comparison of Three Image-object Methods for the Multiscale Analysis of Landscape Structure[J]. ISPRS Journal of Photogrammetry and Remote Sensing , 2003, 57 (5-6) : 327 –345. DOI:10.1016/S0924-2716(02)00162-4
[18] ZHOU Qifeng, ZHOU Hao, ZHOU Qingqing, et al. Structural Damage Detection Based on Posteriori Probability Support Vector Machine and Dempster-shafer Evidence Theory[J]. Applied Soft Computing , 2015, 36 : 368 –374. DOI:10.1016/j.asoc.2015.06.057
[19] CHANG C C, LIN C J. LibSVM:A Library for Support Vector Machines[J]. ACM Transactions on Intelligent Systems and Technology , 2006, 2 (3) : 27 .
[20] PLATT J C. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods[M]//SMOLA A J, BARTLETT P, SCHÖLKOPF B, et al. Advances in Large Margin Classifiers. Cambridge, MA:MIT Press, 1999.
[21] OTSU N. A Threshold Selection Method from Gray-level Histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics , 1979, 9 (1) : 62 –66. DOI:10.1109/TSMC.1979.4310076
[22] 沈大江, 王峥, 田金文. 基于张量投票算法的SAR图像道路提取方法[J]. 华中科技大学学报(自然科学版) , 2009, 37 (4) : 51–54. SHEN Dajiang, WANG Zheng, TIAN Jinwen. Road Networks Detection in SAR Images Using Tensor Voting Algorithm[J]. Journal of Huazhong University of Science&&Technology (Natural Science Edition) , 2009, 37 (4) : 51 –54.
[23] CHEN Qiang, SUN Quansen, HENG P A, et al. A Double-threshold Image Binarization Method Based on Edge Detector Pattern Recognition[J]. Pattern Recognition , 2008, 41 (4) : 1254 –1267. DOI:10.1016/j.patcog.2007.09.007
[24] HEIPKE C,MAYER H,WIEDEMANN C,et al.Evaluation of Automatic Road Extraction[C]//Proceedings of the International Archives of Photogrammetry,Remote Sensing and Spatial Information Sciences.Tokyo:ISPRS,1997:151-160.
[25] SHI Wenzhong, MIAO Zelang, DEBAYLE J. An Integrated Method for Urban Main-road Centerline Extraction from Optical Remotely Sensed Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing , 2014, 52 (6) : 3359 –3372. DOI:10.1109/TGRS.2013.2272593
http://dx.doi.org/10.11947/j.AGCS.2016.20160158
中国科学技术协会主管、中国测绘地理信息学会主办。
0

文章信息

曹云刚,王志盼,慎利,肖雪,杨磊
CAO Yungang, WANG Zhipan, SHEN Li, XIAO Xue, YANG Lei
像元与对象特征融合的高分辨率遥感影像道路中心线提取
Fusion of Pixel-based and Object-based Features for Road Centerline Extraction from High-resolution Satellite Imagery
测绘学报,2016,45(10): 1231-1240
Acta Geodaetica et Cartographica Sinica, 2016, 45(10): 1231-1240
http://dx.doi.org/10.11947/j.AGCS.2016.20160158

文章历史

收稿日期: 2016-04-07
修回日期: 2016-06-16

相关文章

工作空间