多特征融合的LSSVM遥感影像道路提取

因此，线性特征指数 ＩＬＦ的计算公式为
ＩＬＦ
＝Ｌ＝Ｌ＝Ｌ２ Ｗ ｎｐ ｎｐ
Ｌ
（４） （５）
其中，Ｗ、Ｌ为影像对象的 宽、长；ｎｐ 表示连 通 区 域 的面积。ＩＬＦ值 越 大，表 明 为 道 路 的 可 能 性 越 大； ＩＬＦ值越小，表明该值可以直接移除。
１．２．３ 二阶矩形状特征
ＳＭ、ＬＦＩ特征参数对规则的道路表达效果较
ｊ＝１
（９）
根据对偶理论可以进一步简化公式为
{∑ ∑ } ｍａｘ
Ｎ
αｉ
ｉ＝１
－
１ ２
Ｎ
αｉαｊｙｉｙｊφ（ｘｉ）φ（ｘｊ）
ｉ＝１
；
Ｎ
∑ ０≤ αｉ≤ Ｃ； αｉｙｉ ＝０ ｉ＝１
（１０）
式中，Ｃ为惩罚因子。最终的最优分类模型可以
表示为
[ ] Ｌ
∑ ｆ（ｘ） ＝ｓｇｎ αｉｙｉＫ（ｘｉ，ｘｊ）＋ｂ （１１） ｉ＝１
３ 实验结果分析
本文采用某地 ＲＧＢ三个波段的高分辨率遥
感影像数据为研究对象，利用本文提出方法获取
的道路信息如图 １所示。由图 １（ｂ）可知，高分辨
率遥感影像经过 ＨＩＳ变换，在 Ｓ分量上建筑物和
道路与其他地物的光谱特征差异明显，能够有效
地剔除建筑物与非道路信息；图 １（ｃ）为采用多尺
度分割方 法 获 取 的 影 像 对 象，包 括 了 道 路、建 筑
目前常用的遥感影像道路提取方法主要包 括半自动提取和自动提取方法。国内外学者对 遥感 影 像 道 路 提 取 方 法 进 行 了 大 量 研 究，如 Ｓｎａｋｅ模型、数学形态学、动态规划模型以及面向 对象法等。文献［３４］对 Ｓｎａｋｅ算法进行改进， 通过设置初始种子点结合光谱信息四元组表达， 利用 Ｓｎａｋｅ模型逼近道路边缘。文献［５］采用多 尺度分割算法获取影像对象，利用样本对象的光 谱特征进行支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ， ＳＶＭ）分类 器 模 型 训 练，完 成 多 尺 度 下 的 道 路 网 信息提取 工 作，该 方 法 受 样 本 选 取 结 果 影 响 较 大，而且分 割 结 果 容 易 出 现 粘 连 现 象。 文 献 ［６］
高分辨遥感影像的道路具有以下典型特征： （１）道路旁边的树木以及高大建筑物的阴影覆盖 道路，导致道路中断影响道路的连续性；（２）道路 上行驶的车辆导致道路上存在大量的斑点噪声 信息；（３）道路网在城市环境区域密度大、形状相 对单一。为了在复杂的高分辨率遥感影像上提 取道路信息，本文提出一种多特征融合的最小二 乘支持向量机 （ＬｅａｓｔＳｑｕａｒｅｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａ ｃｈｉｎｅ，ＬＳＳＶＭ）遥感影像道路提取方法，该方法利 用色彩变换 （色调 （Ｈｕｅ）、亮度 （Ｉｎｔｅｎｓｉｔｙ）、饱和 度（Ｓａｔｕａｔｉｏｎ），ＨＩＳ）增强遥感影像上的道路信息 抑制非道路信息，通过多特征融合的方法充分挖 掘遥感影像上多种道路特征信息，结合 ＬＳＳＶＭ分
１ 方法原理与流程
１．１ ＨＩＳ空间变换 由于道路的光谱信息与其他地物在高分辨 率遥感影像 ＲＧＢ颜色空间存在较大的相似性，在 复杂场景的遥感影像上，直接在光谱空间提取道 路信息导 致 信 息 提 取 不 足，出 现 明 显 的 断 面、缺 失等情况 ［１０］。为 了 突 出 道 路 与 非 道 路 信 息 的 差 异，文献［１０］指出利用影像的 ＨＩＳ提取原始影像 的光谱饱和度 Ｓ信息，能有效地表达道路信息同 时抑制非道路信息。在 Ｓ分量上进行多尺度分 割，能够有 效 地 提 高 分 割 影 像 对 象 质 量，确 保 道 路对象的完整性、准确性。ＨＩＳ变换的基本原理 为：利用颜色空间变换基本原则将遥感影像的红 色（Ｒ）波段、绿色（Ｇ）波段、蓝色（Ｂ）波段转换到 ＨＩＳ空间获取 Ｈ、Ｉ、Ｓ分量。ＨＩＳ转换公式为
多特征融合的 ＬＳＳＶＭ 遥感影像道路提取
沈吉宝
（甘肃省测绘工程院，甘肃 兰州 ７３００５０）
［摘 要］ 针对高分辨率遥感影像上道路与相邻近地物的光谱信息相似导致提取道路不理想问题，提 出多特征融合的最小二乘支持向量机（ｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＬＳＳＶＭ）遥感影像道路提取方法。 该方法首先对原始影像进行色彩变换（ＨＩＳ）提取光谱饱和度（Ｓａｔｕｒａｔｉｏｎ，Ｓ）分量；然后，采用多尺度分割算法 获取道路区域影像对象，并提取影像对象的多种特征作为最小二乘支持向量机分类器的输入；最后，通过最 小二乘支持向量机对道路信息进行提取，并通过数学形态优化道路提取结果。结果表明，该方法能够有效地 提取复杂场景下的道路信息，提高道路提取的精度。
长的形状 特 征，文 中 以 影 像 对 象 的 矩 形 匹 配 度
（ＲｅｃｔａｎｇｕｌａｒＭａｔｃｈ，ＲＭ）、线 性 特 征 指 数 （Ｌｉｎｅａｒ
ＦｅａｔｕｒｅＩｎｄｅｘ，ＬＦＩ）、二阶矩形状特征（ＳｈａｐｅＦｅａ
ｔｕｒｅｏｆＳｅｃｏｎｄＭｏｍｅｎｔ，ＳＭ）等特征参数。
１．２．１ 矩形匹配度
道路在高分辨率遥感影像上一般存在狭长、
１．２．２ 线性特征指数
高分辨率遥感影像上仅用光谱特征难以表
达道路的特征信息，道路通常为狭长的影像分割
对象，因此 遍 历 上 述 分 割 方 法 获 取 的 影 像 对 象，
计算每个 影 像 对 象 的 最 小 外 接 矩 形，采 用 文 献
［５］提出的方法获取每个连通区域的中心线。该
矩形满足
ＬＷ＝ｎｐ
影像的分割对象；ｘｍ、ｙｍ 表示第 ｉ个对象的行方 向、列方向质心位置；ｘｉ、ｙｉ为第 ｉ个影像对象的任 意像元；ｌｉ为影像对象内部第 ｉ个像元与质心间的 欧式距离；ＳＭ 表示影像对象的二阶矩特征参数。
２ 多特征融合的 ＬＳＳＶＭ 遥感影像提取
２．１ 最小二乘支持向量机
在小样 本、非 线 性 及 高 维 数 据 分 类 过 程 中， 支持向量机具有明显的优势。针对凸优化问题， 通过引入最小二乘线性系统能有效地解决 ＳＶＭ 分类模型存在的凸优化问题。本文采用上文论 述的多种道路典型特征训练 ＬＳＳＶＭ 分类器生成 分类模型，然后对整个高分辨率遥感影像进行道 路信息提取 。 ［１４］
其中，Ｋ（ｘｉ，ｘｊ）为 满 足 Ｍｅｒｃｅｒ条 件 的 核 函 数， Ｋ（ｘｉ，ｘｊ）＝φ（ｘｉ）φ（ｘｊ）。
２．２ 数学形态学优化道路信息
在道路边缘区域通常存在大量的车辆、居民点
等噪声信息，导致提取的道路信息存在空洞、断线等
现象。为了保证提取结果的完整性，采用数学形态
学方法对分类的原始道路信息进行断线连接、空洞，
物、空地、以及其他地类信息。图 １（ｄ）为利用矩
以最小二乘线性系统作为 ＬＳＳＶＭ 分类器的 损失函数，通过引入拉格朗日因子 α，将遥感影像 道路提取问题转换为拉格朗日优化求解问题：
Ｆ（ω，α，ξ，ｂ） ＝
Ｎ
Ｊ（ω，ξ）－∑ αｉ{ ｙｉ［ωφ（ｘｉ）＋ｂ］－１＋ξｉ} ｉ＝１ （７）
式中，Ｊ（ω，ξ）为目标优化函数；Ｎ为输入样本个 数；ω为权向量；α拉尔朗日因子；ξ为松弛变量；ｂ 求一阶偏导数，并令偏导数等于 ０，可以得到
Ｌ＝０ ω
Ｌｂ＝０
Ｌ＝０
ξ
Ｌ＝０ α
（８）
∑ ∑ 进而获取
Ｎ
α ｉ＝１ ｉ ＝０、ω ＝
Ｎ
ｉ＝１αｉφ（ｘｉ）
的约束条件，并 将 约 束 条 件 带 入 公 式 （７）可 得 得
ＬＳＳＶＭ回归函数 Ｑ（α）
∑ ∑∑ Ｑ（α）
＝
Ｎ
αｉ
ｉ＝１
－
１ ２
Ｎ ｉ＝１
Ｎ
αｉαｊｙｉｙｊφ（ｘｉ，ｘｊ）
第 ３５卷 第 ６期 ２０２１年 ６月
北京测绘 ＢｅｉｊｉｎｇＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇ
Ｖｏｌ．３５ Ｎｏ．６ Ｊｕｎｅ２０２１
引文格式：沈吉宝．多特征融合的 ＬＳＳＶＭ遥感影像道路提取［Ｊ］．北京测绘，２０２１，３５（６）：８００８０４．
Ｒｅｆｅｒｅｎｃｅｆｏｒｍａｔ：ＳＨＥＮＪｉｂａｏ．ＲｏａｄＥｘｔｒａｃｔｉｏｎｆｒｏｍ ＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＢａｓｅｄｏｎＭｕｌｔｉＦｅａｔｕｒｅＦｕｓｉｏｎａｎｄＬＳＳＶＭ［Ｊ］． ＢｅｉｊｉｎｇＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇ，２０２１，３５（６）：８００８０４． ＤＯＩ：１０．１９５８０／ｊ．ｃｎｋｉ．１００７３０００．２０２１．０６．０２０
以及剔除孤立区域，获取完整的道路信息。数学形
态学运算主要包括腐蚀、膨胀以及派生的开运算、闭
运算等操作。腐蚀、膨胀的数学形态学计算如下。
假设 Ａ、Ｂ为两个非空数据集，其中 Ｂ为规
定的形态 结 构 元 素，那 么 腐 蚀、膨 胀 的 定 义 分 别
可以表示为
ＡΘＢ＝｛ｘ｜（Ｂ）ｘＡ｝
（１２）
Ａ Ｂ＝｛ｘ｜［（Ｂ＾）ｘ∩Ａ］≠｝ （１３）
［收稿日期］ ２０２０１２０４ ［作者简介］ 沈吉宝（１９８４—）男，甘肃兰州人，大学本科，注册测绘师，从事航空摄影测量、图像处理、遥感影像变化检测与识别等工作。 Ｅｍａｉｌ：ｓｈｅｎｊｂ＿８４＠１６３．ｃｏｍ
第 ３５卷 第 ６期
沈吉宝．多特征融合的 ＬＳＳＶＭ遥感影像道路提取
８０１
类器提取道路信息。
相互平行的两条线，在一定范围内两条线间的距
离保持不变，针对这一特点，本文采用提取 ＲＭ参
数 ＭＲ 作为影像对象的特征参数用于后期道路提 取的依据，其定义如下：
ＭＲ
＝Ａｉｎ Ａｏｂｊ
（３）
其中，Ａｉｎ表示影像对象拟合矩形面积；Ａｏｂｊ表示分
割算法获取影像对象面积。由于道路狭长的特
点，该值越大为道路的可靠性越大，反之越小。
难以获取满意的分类精度。因此，为了提高影像
的分类精度，文献［１１］提出通过加入影像的光谱
特征有效提取道路信息，但提取结果存在严重的
“椒盐”现象；文献［１２］通过面向对象思想对影像
进行聚类、分 割 等 预 处 理 方 法，克 服 分 类 结 果 的
“椒盐”现 象，但 分 割 尺 度 过 大，会 导 致 影 像 对 象
好，但难以有效地表示环线等复杂情况。本文从
该角度出发，设计一种描述复杂形状的线性特征
二阶矩形状特征有效地形状描述子，该特征的计
算公式为
ｎ
∑ ｌｉ
ＳＭ
＝ ｉ＝１ ｎ
；
８０２
北京测绘
第 ３５卷 第 ６期
槡 ｌｉ ＝ （ｘｉ－ｘｍ）２ ＋（ｙｉ－ｙｍ）２
（６）其中，ｎLeabharlann 示分割后影像对象数量；ｉ表示第 ｉ个
利用改进的长宽比指数对遥感影像进行分割，结 合光谱特征提取线性特征明显的道路信息，该方 法提取精确度较高，但对于存在阴影遮挡区域效 果较差。文献［７］提出利用纹理分析与波束变化 的方法提取高分辨率遥感影像上的道路信息方 法。高分辨率遥感影像上道路细节信息复杂、容 易受其他地物的干扰，采用单一方法或单一类型 的特征难以精确提取道路信息［８９］。
１
Ｉ
Ｖ１
Ｖ２
＝
３
－槡２ ６
槡２ ２
１ １
３ ３
－槡２ ６
－槡２ ２
槡２ ３
Ｒ Ｇ Ｂ
０
（１）
利用 ＨＩＳ转换公式的 Ｖ１、Ｖ２ 分量计算饱和 度为
槡 Ｓ＝ Ｖ２ １＋Ｖ２ ２
（２）
由于高分 辨 率 遥 感 影 像 上 存 在 “同 物 异 谱、
异物同谱”现 象，仅 依 靠 光 谱 特 征 进 行 地 物 识 别
分割结果 存 在 噪 声；分 割 尺 度 过 小，会 出 现 过 分
割显现、分 割 结 果 过 碎；不 论 分 割 尺 度 过 大 还 是
过小，都会影响后期影像分类精度提高。为了提
高获取分 割 对 象 效 率 与 自 动 化 程 度，本 文 采 用
ｅＣｏｇｎｉｔｉｏｎ软件提供的多尺度分割算法，对影像饱
［关键词］ 色彩变换（ＨＩＳ）；多尺度分割；多特征融合；最小二乘支持向量机（ＬＳＳＶＭ） ［中图分类号］ Ｐ２３７ ［文献标识码］ Ａ ［文章编号］ １００７３０００（２０２１）０６０８０００５
０ 引言
道路作为城市的重要组成部分，用于政府地 理信息部 门 更 新 地 理 信 息 数 据 库、地 理 信 息 监 测、改善导 航 地 图 时 效 性 和 精 确 性［１］，提 供 数 据 支撑。由于城市构成的复杂性以及道路光谱特 征与其他地物存在“异物同谱现象”，高分辨率遥 感影像上提取道路信息依然是一个具有挑战的 课题［２］。
和度进行处理，获取影像对象［１３］。
１．２ 典型道路特征
在高分辨率遥感影像上，道路类别信息与其
他地物（建筑物、植被、水体、裸地）信息表现出明
显的空间特征、纹理特征差异。为能够有效地从
高分辨率遥感影像上分离出道路信息，文中提取
几种典型的道路特征作为后续 ＬＳＳＶＭ 分类器的
输入参数。由于道路在遥感影像上普遍呈现狭