2019, Vol. 44引用本文 |
| 基于SLIC超像素的高分辨率遥感影像城镇道路提取 |  [PDF全文] |
道路作为城市的重要组成部分，是分析和解释其他目标的主要线索[1]。高分辨率遥感影像已成为一种易获取的重要数据来源[2]，探索快速、高效地从高分辨率遥感影像上提取道路的方法，已成为当前遥感应用研究领域的热点和难点[3]。文献[4]利用支持向量机把影像分为道路与非道路两类，根据形状指数从道路类中提取道路；Shi等[5]结合像素自适应邻域和光谱与空间属性把影像分为道路与非道路两类，用局部Geary’C对道路类提纯，根据对象形状指数提取道路；胡旭海等[6]结合影像纹理与光谱属性对影像进行分类，根据形态学与形状指数提取道路；Laptev等[7]结合多尺度与snakes模型提取道路；余洁等[8]采用区域增长算法生成道路基元，通过连接道路基元提取道路；傅嘉政等[9]使用小波变换进行图像降噪和道路边缘检测，然后将图像分为道路区域和非道路区域，最后利用霍夫变换提取分割道路。
针对道路提取方法易受噪声影响，且没有充分利用道路特征的问题，本文提出了一种基于SLIC(simple linear iterative clustering)超像素的高分辨率遥感影像城镇道路提取方法。该方法首先用SLIC算法对影像进行过分割生成SLIC超像素，对SLIC超像素进行分类克服影像噪声对分类结果的影响，然后根据绿色波段归一化植被指数(green normalized difference vegetation index，GNDVI)、地物边缘特征、对象形状指数、对象最小外接矩形长宽比、对象面积等道路特征提取道路对象，最后利用数学形态学对提取结果进行处理得到道路网。实验结果表明本文方法具有良好的城镇道路提取效果。
1 基于SLIC超像素的高分辨率遥感影像城镇道路提取方法基于SLIC超像素的高分辨率遥感影像城镇道路提取方法主要分为以下5个步骤：
1) SLIC算法对影像初始过分割生成SLIC超像素，以SLIC超像素为基本处理单元；
2) 使用k-means算法对SLIC超像素进行分类；
3) 根据GNDVI指数对分类影像进行过滤得到影像中人工区域类；
4) 使用改进Canny算法消除人工区域类中房屋与道路间的连接；
5) 根据对象的形状特征对上述处理的影像进行过滤，得到影像中的道路对象，最后使用数学形态学对得到的道路对象进行连接形成道路网。其整体流程如图 1所示。
 |
| 图 1 算法整体流程图 Fig.1 Flow Chart of Algorithm |
1.1 SLIC算法对影像初始过分割
Ren等[10]提出的超像素是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。Achanta等[11]提出了SLIC算法生成超像素，该算法将彩色图像转换为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造度量标准，对图像像素进行局部聚类生成超像素[12]。为了克服影像噪声对分类结果的影响，用SLIC算法对影像进行初始过分割生成SLIC超像素区域，每个超像素区域的光谱属性值为所包含像素的光谱均值。
对每个种子点聚类时，只在以种子点为中心的2S×2S区域内搜索相似像素点，而不是在整张图像中寻找，如图 2所示。
 |
| 图 2 像素搜索范围示意图 Fig.2 Pixel Search Scope |
1.2 k-means算法对SLIC超像素分类
文献[13]根据地物属性将地面主要物体划分为农业用地、人工区域、林地、水域4大类。本文用k-means算法根据SLIC超像素的光谱属性把SLIC超像素划分为4类，每个SLIC超像素中所包含的像素被划分到相应的类别中，影像被分为4类。
1.3 根据GNDVI指数过滤分类影像根据GNDVI指数[14]对分类影像进行过滤，保留影像中的人工区域类。GNDVI指数的计算公式为：
| $ {\rm{GNDVI = }}\frac{{G - R}}{{G + R}} $ | (1) |
式中，G为该类的绿色波段属性值；R为该类红色波段属性值。
图 3中列出了地面主要地物的GNDVI指数的分布范围。求影像各类中包含超像素的光谱属性均值作为该类的光谱属性值，计算每类的GNDVI指数值，如果该类的|GNDVI|＞GT，该类被过滤，其中GT为设定的GNDVI指数范围。
 |
| 图 3 GNDVI指数 Fig.3 Index of GNDVI |
图 3中，A为水域；B为林地；C为农业地；D为裸地；E为道路；F为居民区。
1.4 消除其他地物与道路间连接在得到的人工区域类中，有的房屋与道路连接，用改进Canny算子消除他们之间的连接。传统的Canny算子用高斯函数对影像进行平滑再根据梯度属性提取地物边缘，本文对Canny算子进行改进，用SLIC算法对影像过分割生成SLIC超像素，超像素所包含的像素点的光谱均值作为此超像素内每个像素点的光谱值，即用SLIC算法对影像进行平滑，根据平滑后影像的梯度求地物边缘，边缘像素标记为1，非边缘像素标记为0，把每个边缘像素的8邻域像素标记为1，作为边缘点，增大边缘线的宽度，得到最终的边缘轮廓图。
对过滤影像与边缘轮廓图进行如式(2)的逻辑运算[15]，符合式(2)的像素被掩膜，消除其他地物与道路的连接。
| $ \left\{ \begin{array}{l} Y\left[ i \right] = 1\\ L\left[ i \right] = 1 \end{array} \right. $ | (2) |
式中，i为像素点的编号；Y[]为像素点在掩膜影像中的状态，1表示未被掩膜，0表示被掩膜；L[]表示像素点在边缘轮廓图中状态，1表示边缘点，0表示非边缘点。
1.5 结合形状特征提取道路1) 形状指数。对象的形状指数用对象光滑性SI和紧凑型性DEN表示。由于道路一般都是长而窄的形状，道路对象有较大的SI值和较小的DEN值，SI和DEN的计算公式为：
| $ {\rm{SI = }}\frac{P}{{4 \times \sqrt A }} $ | (3) |
| $ {\rm{DEN}} = \frac{{\sqrt N }}{{1 + \sqrt {{\rm{Var}}\left( X \right) + {\rm{Var}}\left( Y \right)} }} $ | (4) |
式中，P为对象周长；A为对象面积；N为对象所包含像素点个数；Var(X)、Var(Y)为对象所包含像素横纵坐标的方差。
当对象SI＞SIT且DEN＜DENT时该对象被保留下来，其他对象被过滤，其中SIT、DENT为设定的对象光滑性与紧凑型阈值。
2) 长宽比指数。根据形状指数对影像进行过滤消除形状与道路特征不符的对象，对影像中与道路特征相符的地物对象根据对象最小外接矩形的长宽比[13]消除，道路对象一般具有比较大的最小外接矩形的长宽比。LMER/WMER＜LWT的对象被过滤，LMER、WMER为对象外接矩形的长、宽，LWT为设定的长宽比阈值。
3) 面积指数。道路对象的面积比较大，根据面积指数对影像中面积较小的离散对象进行过滤。当Area＜AreaT对象被过滤，其中，Area为对象面积；AreaT为设定的面积阈值。对提取得到的道路对象，用数学形态学进行膨胀与腐蚀运算形成道路网。
2 实验结果及分析 2.1 实验一实验一使用的实验数据为2014年美国佛罗里达州迈阿密市某城镇区域的QuickBird全色及红、绿、蓝多波段经PANSHARPEN融合后的影像，影像大小为512像素×512像素，各波段的空间分辨率为0.61 m。该影像主要包括道路、房屋、树林、草地等地物，图 4(a)为实验原图像；图 4(b)为该影像被SLIC算法过分割的实验结果图。
 |
| 图 4 实验1影像数据 Fig.4 Remote Sensing Image of Test 1 |
目前，常用的影像分类方法有基于像素的k-means算法对影像进行无监督分类与SVM算法对影像进行监督分类。本文方法通过基于SLIC超像素的k-means算法对影像进行分类，将基于像素的k-means算法对影像分类和SVM算法对影像分类与本文方法的分类结果进行对比分析，验证了本文方法分类结果的有效性。图 5(a)为基于像素k-means算法把影像分为4类结果图；图 5(b)为SVM算法把影像分为4类结果图；图 5(c)为基于SLIC超像素k-means算法把影像分为4类结果图。在图 5(a)与图 5(b)的分类结果中，由于影像噪声的影响，使属于同一对象内像素间不连续，分类精度较低。基于SLIC超像素k-means算法分类可以克服影像噪声对分类结果的影响，使属于同一对象的像素紧凑连接，提高了分类精度。本文方法通过基于SLIC超像素k-means算法将影像分为4类，为后续根据GNDVI指数过滤得到影像中的人工区域类做准备。
 |
| 图 5 分类结果图 Fig.5 Classification Results |
根据GNDVI指数对分类影像进行过滤，得到分类影像中的人工区域类。图 6为根据GNDVI指数对分类影像进行过滤的实验结果图，设定的GNDVI指数为0.01。
 |
| 图 6 根据GNDVI指数对分类影像进行过滤的结果图 Fig.6 Results of GNDVI Index |
图 7(a)为传统Canny算子求影像边缘结果图；图 7(b)为改进Canny算子求影像边缘结图；图 7(c)为改进Canny算子边缘轮廓图与GNDVI指数过滤图的逻辑运算结果图。
 |
| 图 7 实验结果图 Fig.7 Experimental Results |
图 7(a)的实验结果由于影像噪声和异物同谱现象的影响难以得到光滑连通的地物边缘轮廓；图 7(b)实验结果得到光滑连通的地物边缘轮廓。
图 8(a)为根据形状指数对影像过滤结果图，其中SIT=1.05，DENT=1.45；图 8(b)为根据对象外接矩形长宽比对影像过滤结果图，其中LWT=1.7；图 8(c)为根据对象面积对影像进行过滤结果图，其中AreaT=480。
 |
| 图 8 对象特征处理结果图 Fig.8 Experimental Results |
图 9(a)为影像中道路目视解译图；图 9(b)为数学形态学对道路提取结果处理结果图；图 9(c)为道路目视解译结果和道路提取结果与影像的叠加结果图。红色区域表示目视解译结果与道路提取结果重叠的区域，为正确的道路提取区域；蓝色区域为只属于道路提取结果，为错提的道路区域；绿色区域为只属于目视解译结果区域，为漏提的道路区域。
 |
| 图 9 影像道路结果图 Fig.9 Road Results of Image |
图 9(c)中红色区域占据了几乎全部道路区域，说明本文方法能正确提取出道路；蓝色区域分与绿色区域占据很少的区域范围，说明本文方法较低的错检率与漏检率。
2.2 实验二实验二使用的实验数据为2014年美国佛罗里达州迈阿密市某城镇区域的QuickBird全色及红、绿、蓝多波段经PANSHARPEN融合后的影像，影像大小为512像素×512像素，各波段的空间分辨率为0.61 m。原始影像中主要包括房屋、道路、树木、草地、湖泊等地物，如图 10(a)；图 10(b)为影像道路目视解译图；图 10(c)为影像道路提取结果图；图 10(d)为影像道路目视解译结果和提取结果与影像的叠加结果图。图 10(d)中红色区域为正确道路提取区域，蓝色区域为错提道路区域，绿色区域为漏提道路区域，红色区域几乎占据全部道路区域，蓝色区域与绿色区域占据很少的区域范围，本文方法有良好的道路提取效果。
 |
| 图 10 实验2实验结果 Fig.10 Experimental Results of Test 2 |
表 1列出了实验1与实验2道路提取结果的完整性、正确性、质量的定量评价结果[16, 17]。本文方法对实验一道路提取结果的完整性为0.889，对实验二道路提取结果完整性为0.820 9，说明本文方法可以较好地识别出道路区域；对实验1与实验2道路提取结果的正确性为0.911 9和0.896 9，说明本文方法可以正确地提取出道路区域；对实验1与实验2道路提取结果的质量为0.818 8和0.750 1，说明本文方法能有效地提高道路提取质量。
| 表 1 定量评价 Tab.1 Quantitative Evaluation |
 |
3 结束语
本文提出了一种基于SLIC超像素的高分辨率遥感影像城镇道路提取方法，该方法首先用SLIC算法对影像进行过分割生成SLIC超像素，以SLIC超像素为基本单元用k-means算法对影像进行分类，克服影像噪声对分类结果的影响。然后根据GNDVI指数对影像进行过滤，保留影像中人工区域类。根据改进Canny算子得到影像边缘轮廓图，对边缘轮廓图与过滤影像进行逻辑运算，消除其他地物与道路间的连接。最后根据对象形状指数、对象最小外接矩形的长宽比、对象面积对影像进行过滤得到道路提取结果。根据数学形态学对道路提取结果进行膨胀与腐蚀运算得到道路网。实验结果表明，本文方法在利用高分辨率遥感影像提取城镇道路方面具有良好的效果。
| [1] |
文贡坚, 王润生. 从航空遥感图像中自动提取主要道路[J]. 软件学报, 2000, 11(7): 957-964. |
| [2] |
余长慧, 孟令奎, 秦昆. 基于标点随机过程的遥感影像道路提取[J]. 武汉大学学报·信息科学版, 2006, 31(1): 59-62. |
| [3] |
吴小波, 杨辽, 沈金祥, 等. 利用空间连续性进行高分辨率遥感影像道路提取[J]. 武汉大学学报·信息科学版, 2011, 36(11): 1298-1301. |
| [4] |
Song M, Civco D. Road Extraction Using SVM and Image Segmentation[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(12): 1365-1371. |
| [5] |
Shi W, Miao Z, 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 |
| [6] |
胡海旭, 王文, 何厚军. 基于纹理特征与数学形态学的高分辨率影像城市道路提取[J]. 地理与地理信息科学, 2008, 24(6): 46-49. |
| [7] |
Laptev I, Mayer H, Lindeberg T, et al. Automatic Extraction of Roads from Aerial Images Based on Scale Space and Snakes[J]. Machine Vision and Applications, 2000, 12(1): 23-31. DOI:10.1007/s001380050121 |
| [8] |
余洁, 余峰, 张晶, 等. 结合区域生长与道路基元的高分辨率遥感影像道路提取[J]. 武汉大学学报·信息科学版), 2013, 38(7): 761-764. |
| [9] |
傅嘉政, 杨少敏, 刘浩. 基于小波变换和霍夫变换的高分辨率遥感影像道路提取[J]. 测绘地理信息, 2015, 40(4): 48-50. |
| [10] |
Ren X, Malik J. Learning a Classification Model for Segmentation[C]. Ninth IEEE International Conference on Computer Vision, Vancouver, Canada, 2003 https://www.researchgate.net/publication/4038368_Learning_a_classification_model_for_segmentation
|
| [11] |
Achanta R, Shaji A, Smith K, et al. SLIC Superpixels Compared to State-of-the-art Superpixel Methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282. DOI:10.1109/TPAMI.2012.120 |
| [12] |
王春瑶, 陈俊周, 李炜. 超像素分割算法研究综述[J]. 计算机应用研究, 2014, 31(1): 6-12. DOI:10.3969/j.issn.1001-3695.2014.01.002 |
| [13] |
Yi L, Zhang G, Wu Z. AScale-Synthesis Method for High Spatial Resolution Remote Sensing Image Segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10): 4062-4070. DOI:10.1109/TGRS.2012.2187789 |
| [14] |
Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a Green Channel in Remote Sensing of Global Vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298. DOI:10.1016/S0034-4257(96)00072-7 |
| [15] |
刘金榜, 李建松, 柯晓龙, 等. ArcGIS支持下高分辨率遥感影像解译效率提高方法[J]. 测绘地理信息, 2014, 39(6): 54-58. |
| [16] |
Heipke C, Mayer H, Wiedemann C, et al. Evaluation of Automatic Road Extraction[J]. International Archives of Photogrammetry and Remote Sensing, 1997, 32((3 SECT 4W2): 151-160. |
| [17] |
Wiedemann C, Heipke C, Mayer H, et al. Empirical Evaluation of Automatically Extracted Road Axes[C]. Empirical Evaluation Techniques in Computer Vision, Piscataway, N J, 1998 https://www.researchgate.net/publication/2671242_Empirical_Evaluation_Of_Automatically_Extracted_Road_Axes
|