道路网络的实时更新对于地理信息库建设、国土资源调查等方面具有重要的研究意义。利用遥感影像的道路提取具有识别范围大、成本低廉等典型优点，成为常用的方法。传统的利用遥感影像的道路提取大多依靠人工完成，费时费力，因此，研究高效率的道路提取算法具有重要的意义。近年来，随着国产遥感卫星的大力发展，高分辨率遥感影像也大量普及，数据源不再是限制条件，基于高分辨率遥感影像的道路提取成为重点研究方向^[1]。

学者们对利用高分辨率遥感影像的道路提取进行了大量的研究^[2-4]。与普通遥感影像相比，高分辨率遥感影像中的同类地物间差异更大，不同类间地物差异更小，仅仅依靠光谱特征难以得到很好的实验效果，因此，纹理特征等其他空间特征的融入成为了研究热点。文献[5]利用灰度共生矩阵纹理特征与光谱特征融合，在大棚识别方面取得了较好的效果。从该角度出发；文献[3]利用形态学剖面特征与光谱特征结合，由不同的实验场景表明，提取的道路网络能够达到一定的精度。但是上述方法均从像元的角度出发，容易产生椒盐现象，需要过多的后续处理。文献[2]针对像元级道路提取存在的椒盐等现象，从多尺度对象角度出发，分别提取典型的圆度、紧致度等线性特征，并结合光谱特征完成道路网络的初始判决，最后利用面积的特征，完成道路网络的精化，利用形态学细化完成中心线提取。该方法有效改善了像元级存在的椒盐现象，且针对地物的多尺度特性，以多尺度分割完成对象描述，值得借鉴。但是该类方法仅仅使用矢量叠加的多特征融合，高维的空间特征有可能存在光谱特征，造成Huge现象^[6-8]。文献[9]针对这一问题利用Kernel集成的方式有效地改善多特征融合分类，取得了较矢量叠加更优的结果，但是该算法需要占用较大的内存，算法效率方面有待提升。目前，道路提取算法均需要较多的后续处理与优化，才能得到较为精细的道路网络，且最终形成的道路中心线较多依赖于传统的形态学细化、中轴变换等方法^{[10, 11]}，该类方法容易产生毛刺等问题，线条提取结果不理想。

通过上述分析，可以发现目前道路提取存在以下不足之处：在空间特征与光谱特征融合方面存在不足；道路网络精化步骤需要较多的特征组合进行去除处理，且难以有效去除复杂的道路形状；需要有效提升提取的道路中心线等方面的视觉效果。

针对上述问题，本文设计了多特征融合框架下的道路中心线提取算法，该算法具有以下优点：引入更为有效的多特征融合算法，设计的形状特征能更为有效地精化初始道路网络，设计更有效的中心线提取算法完成道路网络的最终描述。

1 多特征融合的高分辨率遥感影像道路提取

本文的算法原理主要如图 1所示，其主要包括以下步骤：①以多尺度分割算法为基础，完成对影像的对象描述，利用道路的本身几何形状，引入描述更为准确的空间特征，完成道路对象的空间特征提取；②利用本文引入的多特征融合方法将对象级光谱特征与空间特征进行有效融合，并利用一种小样本、高效的机器学习分类器完成道路网络初提取；③利用本文构建的形状特征对初始道路网络进行优化，得到最终的道路网络; ④引入中心线提取方法完成道路中心线提取。

1) 构建道路目标特征。作为光谱信息的有效补充，空间特征挖掘成为了解决高分辨率遥感影像上同谱异物目标识别的有效方式，如纹理、形状等。目前，尚未存在一种最优特征完成对不同地物的特征描述。高分辨率遥感影像上的道路目标呈现出狭长的线性特征，学者们针对这一特征构建了紧致度、圆度等对线性特征^[2]，增强了道路与其他地物的区分度，提高了识别精度，但是对于复杂的道路目标，该类特征难以有效描述。本文结合道路的几何形状，从面向对象的角度出发，基于二阶矩设计了形状描述算子——二阶矩形状特征，由于本文的特征构建依赖于对象构建，影像分割成为预处理手段，为提高算法的自动化程度，笔者采用过分割的手段完成对象表达，该种方式主要优点是能够最大程度地保持对象内一致性。分割算法采用多尺度分割，具体实现平台为eCognition8.9。二阶矩特征为：

$ \left\{ \begin{array}{l} {\rm{SM}} = \frac{{\sum\limits_{i = 1}^n {{L_i}} }}{n}\\ {L_i} = \sqrt {{{\left( {{x_i} - {x_m}} \right)}^2} + {{\left( {{y_i} - {y_m}} \right)}^2}} \end{array} \right. $

(1)

式中，SM表示二阶矩特征；i表示分割后第i个对象；n表示分割后形成的对象个数；x_m与y_m表示第i个对象的质心位置; x_i与y_i表示第i个对象内任意像元; L_i表示某一对象内第i个像元与质心的欧氏距离。本文采用对象内取均值的方式实现对象级光谱特征，用以完成道路目标的光谱特征描述。

2) 初提取随机森林与DS证据(dempster theory, DS)多特征融合道路。通过矢量叠加实现同谱异物的区分的算法^[2]简单易行，能够保持特征的原始信息。因此，得到了广泛的应用，但是其通过简单的线性叠加方式，高维的空间特征特征在一定程度上会影响光谱特征，从而产生Huge现象，有可能导致更差的实验结果。针对这一问题，概率融合作为一种有效的多特征算法得到普及^[8]，其通过选取训练样本的方式来判定特征权重，从而获取特征组合，但是其需要人工选取样本来得到特征权重，在一定程度上影响了算法的自动化程度。本文采用了文献[10]提出的多特征融合算法——基于DS证据的多特征融合，该方法是一种决策级融合算法，其通过机器学习分类器对不同类别的判定后验概率来进行自动权重的多特征融合。

机器学习分类器中，如极大似然、支持向量机(support vector machine, SVM)均是经典的分类方法，其中，SVM尤其适合小样本情况下的目标判别，但是不足之处在参数寻优与设定等方面较为复杂^[12]，且训练时间较长。随机森林分类器(rondom forest, RF)是近年来发展起来的新的机器学习分类方法，具有训练样本少、参数少、训练时间快等典型优点，且实验效果达到了SVM的相同精度^[13]。因此，笔者选择RF作为机器学习分类器, 基于RF与DS证据理论，构建了多特征融合算法，具体步骤如下：①人工选取5%真实训练样本，采用所有像元分为道路类与非道路类的方式进行地物分类。②首先，利用随机森林分类器分别从光谱与空间特征两个角度进行训练、预测得到像元属于道路类的后验概率；然后，利用DS证据理论进行多特征决策级融合；最后，利用过分割得到的标记矩阵完成对象级概率描述。其中，对象概率的获取方式为：

$ {p_{{\rm{obj}}}} = \frac{{\sum\limits_{i = 1}^n {{p_i}} }}{n} $

(2)

式中，p_i表示第i个像元属于道路的后验概率；p_obj表示某一对象属于道路类的后验概率。

通过设定简单阈值T，进行道路类地物判定：如果p_obj>T, p_obj为道路；否则p_obj不是道路。采用面向对象与后验概率相结合的道路提取，能够大大减少椒盐与空洞现象，简化了后续处理，对于道路的完整性能够起到很好的铺垫作用。

3) 改进长宽比实现道路网络精化。基于RF与DS证据提取的初始道路网络中存在部分非道路区域，笔者改进长宽比特征描述复杂道路形状特征，进行道路精化，改进长宽比的计算为：

$ {\rm{ratio}} = \frac{{\sqrt[2]{{{L^2} + {W^2}}}}}{W} $

(3)

式中，ratio表示改进长宽比特征；L和W分别表示二值标记图像原始长度和宽度的几何特征。

4) 提取张量投票道路中心线。利用本文构建的改进长宽比特征有效地对非道路区域进行了去除，得到了较为精细的道路二值图像，通过形态学细化、中轴变换等方法取得了较为理想的可得到的道路中心线，但是该类方法对于二值图像的提取质量要求较高，且对于边缘存在缺失等情况容易产生毛刺等问题，严重影响了道路网最终提取精度。

本文引入计算机视觉中张量投票算法可改善上述问题，该方法只需设定一个参数，且能够自动连接断裂道路中心线，非常适合提取道路中心线。基于张量投票算法的断裂点连接效果非常理想，该算法能够有效优化由于高分影像上存在的阴影等因素造成的断裂问题。

2 实验与分析

为了验证本文算法的有效性，本文选取了澳大利亚Homart地区的IKONOS影像，其中空间分辨率为1 m，影像大小为800像素×1 000像素。实验影像及真实道路网络分布如图 2所示。

为了验证本文算法的有效性，笔者选择了不同道路提取算法进行对比^{[2, 11]}。文献[2]从面向对象的角度出发，首先，提取了圆度、紧致度等多个对象级空间特征；然后，以矢量叠加的方式融合光谱与空间特征，结合SVM分类器，以形态学细化的方法得到最终的道路中心线，其中，本实验中最优参数设定为：分别选取5%真实样本作为训练样本，通过交叉验证获取参数C、g，核函数确定为径向基函数(radial basis function, RBF)核。首先，文献[11]从道路的边缘特征出发，以二值分割的手段获取初始道路网络图，其中，阈值设置为0.01；然后，利用长宽比与面积阈值的方式去除其他非道路区域，得到精细化的道路网络，参数设置为10与200。笔者经过多次试验确定最优参数为：二值化阈值参数为0.25，改进长宽比特征过滤阈值为15。其中，不同算法对比实验结果如图 3所示。

从图 3可以看出，本文算法总体效果最好，基本上完整识别出了道路网络，而文献[11]提出的算法出现了部分漏提取情况。对图 3小区域更精细的对比如图 4所示。

从图 4可以看出，本文算法提取的道路中心线更为光滑，拟合更为准确，没有出现毛刺等问题。文献[11]提出的算法出现拟合不准确的现象，且道路交叉口存在断裂现象。这是由于其从线条拟合的角度出发，对于弯曲较大的曲线段，难以得到较好的拟合效果。文献[2]提出的算法内部出现了空洞，存在严重毛刺现象。这是由于其从形态学细化的角度出发，对于提取的二值道路区域存在的空洞现象难以有效描述，对于边缘不整齐等现象容易产生毛刺现象。该类问题在一定程度上影响了道路的完整性和唯一性。笔者定量的角度出发，利用完整率、正确率和检测质量3个指标评价不同方法的精度，评价结果如表 1所示。

从表 1可以看出，本文方法在3个指标方面均优于其他方法，再次验证了本文方法的有效性。

3 结束语

笔者提出了多特征融合框架下的高分辨率遥感影像道路中心线提取算法，该算法从面向对象的角度出发，引入一种新的多特征融合算法完成光谱与空间特征融合，结合本文构建的形状特征完成了道路网络精化，利用张量投票算法完成了准确的中心线提取，通过与现有算法对比，验证了本文算法的有效性。由于本文算法属于监督分类的方法，仍然需要一定的人工干预，如何获取自动的训练样本是下一步研究的方向。