桥梁是重要的人工建筑之一，桥梁目标的检测和识别对于全球定位系统(global positioning system，GPS)数据获取、地图更新及桥梁建设辅助监管都有重要的意义。桥梁分为水上桥梁和路上桥梁。目前已有的桥梁识别算法都是关于与道路方向一致的水上桥梁识别，这些算法主要采用自上而下的知识驱动识别方法^[1]。吴樊等提出沿河流中线的桥梁判别方法，利用线性特征的匹配、提取等定位桥梁信息，提高了检测率^[2]；吴浩等根据河流和桥梁的关系，利用桥梁目标的形状特征与相邻水域、陆地之间的关系特征识别桥梁，获得了良好的效果^[3]；Gu等提出桥梁横跨在河流上，根据桥梁区域到水体边缘的距离确定桥梁^[4]；Gedik等利用桥梁与公路的连接和方向信息等进行桥梁识别^[5]。随着交通的快速发展，城区天桥、立交桥随处可见，因此，对遥感影像路上桥梁的检测与识别方法是必不可少的。已有的水上桥梁算法无法直接用于高分辨率影像上路上桥梁识别，因为道路上的桥梁周围环境复杂，建筑物、植被、道路上的车辆、道路绿化带、交通标志线、桥梁本身阴影等都干扰桥梁的提取。本文提出一种GIS道路数据辅助下的高分辨率遥感影像路上桥梁识别方法。首先，根据道路矢量数据确定道路缓冲区并进行边缘提取；然后，利用桥梁和路域范围内典型地物的边缘特征、桥梁阴影的灰度特征，消弱道路上车辆、道路绿化带、道路交通标线以及路上桥梁本身阴影产生的干扰；最后，根据桥梁有一对平行边的特征提取出路上桥梁。

1 路上桥梁识别方法 1.1 图像缓冲区建立与边缘提取

对高分辨率遥感图像进行桥梁识别时，为了减少冗余计算，可以先将不感兴趣区域剔除，突出感兴趣区域。因此利用已有GIS数据中的线状道路中心线向外扩展一定距离的区域建立缓冲区，与配准的遥感影像进行逻辑“与”处理可获得影像缓冲区。

由于高分辨率遥感图像道路上的桥梁多与道路的对比度不高，边缘相对较弱，因此，适合采用检测弱边缘的Canny检测算法^[6]。边缘检测会出现因漏检边缘点而导致部分边缘线断裂的现象，本文采用基于主动生长的边缘连接法^[7]。

1.2 去除基于先验知识和灰度特征的无效边缘

提取边缘后, 会得到大量的复杂边缘线条。因此，在检测桥梁平行线之前，必须去掉影响桥梁检测的无效线段。

1)去除基于先验知识的无效边缘。从遥感影像上可以看出，道路缓冲区域内的典型地物除桥梁外，还有车辆、道路绿化带、道路交通标线等，通过对典型地物的特征进行分析，获得去除无效线段的先验知识；利用先验知识，可确定对无效线段进行去除的3个规则。为方便起见，设道路缓冲区域图像提取出的边缘矢量线为集合T₀，A、B、C是需要确定的阈值。

规则1：在遥感影像上，桥梁经常对应较长的连续边缘，道路绿化带的边缘则比较细碎、粗糙。根据这一特点，遍历T₀中每一条边缘线t_i，计算边缘矢量线的长度l_i，若长度小于一定的门限A，则认为是无效线段，进行去除，否则认为是疑似桥梁线。这样可去除道路绿化带以及路面噪声的影响。

${{T}_{1}}=\left\{ {{t}_{i}}|{{t}_{i}}\in {{T}_{0}},{{l}_{i}}>A \right\}$

(1)

式中，₁为应用规则1后的边缘线集合。

规则2：因为桥梁边缘线多比较平滑，且近似于直线，局部曲率小，设定一个简单的衡量线段弯曲程度的参数c_i=d_i/l_i(d_i为边缘线首尾两端点间的距离；l_i为边缘线长度)，c_i值越小，弯曲程度越高，若c_i小于曲度阈值B，则去除大多数路上车辆对应曲度较大的无效边缘线。

${{T}_{2}}=\left\{ {{t}_{i}}|{{t}_{i}}\in {{T}_{1}},{{c}_{i}}>B \right\}$

(2)

式中，T₂为去除道路上的车辆、道路绿化带干扰后的边缘线集合。

规则3：在高分辨率遥感影像上，交通道路标线中的车道线、人行横道线产生的边缘线的方向多与道路中心线呈平行状态或夹角不大，路上横跨桥梁和道路中心线r之间的夹角α_i要大于某个阈值C，且存在交点。通过这一规则，可以去除大部分道路交通标线产生的边缘干扰。

${{T}_{3}}=\left\{ {{t}_{i}}|{{t}_{i}}\in {{T}_{2}},{{t}_{i}}\cap r\ne \varnothing ,{{\alpha }_{i}}>C \right\}$

(3)

利用以上3条规则可按流程图 1去除道路上车辆、道路绿化带、道路交通标线产生的干扰。

2)去除基于灰度特征的桥梁阴影线。从去除基于先验知识的无效线段后的边缘检测结果上看出，仍有部分无效的边缘，这多是由路上桥梁本身的阴影造成的。路上桥梁和其本身的阴影经过Canny边缘检测后，多形成三条距离相近的一组边缘线，桥梁阴影的存在很容易混淆桥梁边缘线的检测，影响路上桥梁的提取。如何有效地减少或去除桥梁阴影形成的边缘线是无效线段处理中十分重要的问题。

对于遥感影像上的阴影而言，它主要是由于光照不足所引起的，且阴影区域与非阴影区域相比，阴影区域具有较低的灰度值^[8-11]。

利用阴影区域灰度值要比非阴影区域灰度值低的这一特性，可以设计相关算法去除多余的桥梁本身阴影形成的边缘线。

通过减少或消除基于先验知识的车辆、绿化带、道路交通标线的干扰，去除基于灰度的桥梁本身造成的阴影后，得到疑似桥梁边缘线的集合。

1.3 路上桥梁目标的识别

获得了路上桥梁目标结构中最主要的特征(路上桥梁边缘线)后，就要判断所获得的边缘线是否为真正的路上桥梁边缘线。

设拟合出的两条桥梁边缘线为AB、CD，长度分别为l₁、l₂；A₁、B₁是AB在CD上的投影；C₁、D₁分别是CD在AB上的投影；d₁、d₂、d₃、d₄是直线端点到另一条直线的距离；两直线间的夹角是θ，如图 2所示。可依据规则4和规则5来判断所获得的边缘线是否为真正的路上桥梁边缘线。

规则4：根据简单路上桥梁知识可知，需要判别的路上桥梁应该有一对平行边。但路上桥梁边缘在高分辨率遥感影像上显示的并不是理想的一对平行线段，而且在线特征提取的过程中也会有一定的误差，两条边缘线只能是近似平行。设定规则对路上桥梁两边线之间的夹角进行判断，若夹角θ小于某一阈值θ_t，则认为其可能是路上桥梁目标边缘线，即满足式(4)，否则进行剔除。

$\theta =\left| {{\alpha }_{1}}-{{\alpha }_{2}} \right|<{{\theta }_{t}}$

(4)

规则5：简单路上桥梁在影像上成像的形状为长矩形，长度近似相等，且具有一定的宽度。因而需满足式(5)和式(6)：

$\frac{\min \left( {{l}_{1}},{{l}_{2}} \right)}{\max \left( {{l}_{1}},{{l}_{2}} \right)}>{{c}_{t}}$

(5)

$d<{{d}_{t}},d\in \left\{ {{d}_{1}},{{d}_{2}},{{d}_{3}},{{d}_{4}} \right\}$

(6)

如果提取的边缘线特征同时符合规则4和规则5，则可以认为它是真正的桥梁目标边缘线。

依据两条桥梁边缘线可以进一步对路上桥梁目标的参数进行估计，包括路上桥梁位置、路上桥梁方位、路上桥梁长度和宽度等参数。

1)路上桥梁位置的确定。路上桥梁边缘线确定后，其与道路中心线的交点分别为B₁(x₁, y₁)和B₂(x₂, y₂)。路上桥梁中心点的位置为：

${{B}_{o}}\left( x,y \right)=\left( \frac{{{x}_{1}}+{{x}_{2}}}{2},\frac{{{y}_{1}}+{{y}_{2}}}{2} \right)$

(7)

2)路上桥梁方位的确定。对路上桥梁边线对的方位角取平均为：

$\alpha =\left( {{\alpha }_{1}}+{{\alpha }_{2}} \right)/2$

(8)

式中，α₁、α₂分别为两桥梁边线的方位角；α是路上桥梁的方位角。

3)路上桥梁长度和宽度的确定。两条边缘线的长度均值为路上桥梁的长度，即

$l=\left( {{l}_{1}}+{{l}_{2}} \right)/2$

(9)

路上桥梁方位确定后，根据路上桥梁两边线与道路中心线的交点，构建路上桥梁边线的直线方程，两边线之间的距离即为路上桥梁的宽度。设两平行线的截距分别为b₁、b₂，则路上桥梁宽度W可以表示为：

$W=\left| \left( {{b}_{1}}-{{b}_{2}} \right)\cos \alpha \right|$

(10)

对于疑似路上桥梁边缘线集合T_B，识别路上桥梁目标的具体处理过程如下：①标记疑似路上桥梁边缘线集合T_B中的边缘全部为未处理，并将未处理的边缘记为集合T_C；②判断T_C是否为空，不为空继续，否则结束；③统计T_C中边缘线数目，记为N；④i=1；⑤j=i+1, …, N，找到符合要求的j，使得T_C中第i、j条边缘t_i、t_j同时满足规则4和规则5，记录第i、j条边缘为路上桥梁目标，估计桥梁参数，输出到结果文件中，同时标记这两条边缘为已处理，否则，标记第i条边缘为已处理；⑥i=i+1，遍历下一条未处理边缘，返回步骤⑤；⑦遍历结束后，重新整理未处理边缘T_C，返回步骤②。

2 试验与分析

在VS2008环境下设计与实现了上述桥梁识别方法。根据图 3处理流程进行了影像路上桥梁识别试验。试验影像1是覆盖韶山部分的Pleiades卫星多光谱影像，分辨率为2 m；试验影像2是覆盖深圳部分的航空影像，分辨率为0.2 m。

图 4(a)和图 5(a)为原图像；图 4(b)和图 5(b)为道路矢量数据；图 4(c)和图 5(c)为缓冲区生成；图 4(d)和图 5(d)为最终的识别结果在原图上的定位。试验中长度阈值设置为A=1 m，曲度阈值设置为B=0.9，与道路中心线夹角阈值C=30°，检测平行线时两边线夹角θ的阈值设为5°，距离阈值则设为40 m，路上桥梁的各参数的估计值如表 1所示。

从图 4和图 5的试验结果可以看出，影像上的路上桥梁能得到较好的识别，表 1提取的路上桥梁参数与实际参数误差在许可范围内。可见，本文提取高分辨率遥感影像路上桥梁的方法是有效的。

3 结束语

本文提出一种GIS道路数据辅助下的高分辨率遥感影像路上桥梁识别方法。试验结果表明，针对路上桥梁本身的特点以及其与道路的关系，建立知识规则，确定识别高分辨率遥感影像路上桥梁的准确率。该方法适用于提取河流线对水上桥梁进行识别。

本文算法沿道路中心线进行检测，依赖于提供的道路网信息的准确性，对于环形和不规则的桥梁提取则需要进一步研究。