道路提取

nk P ( rk ) N
（1-2）
式中，N为一幅影像中的像素中总数，nk为第k级灰度的像 素数，rk表示第k个灰度级，P（rk）表示该灰度级很出现 的相对频率。
图2 直方图均衡化增强
• ②同态滤波增强 • 同态滤波是一种在频域中将图像动态范围内进行压缩并将 凸显对比度进行增强的方法。它基于图像的成像模型。一 幅图像f(x,y)可以用它的照明分量i(x,y)及反射分量 r(x,y)来表示，即
不同分辨率遥感影像上道路特征
• 中低分辨率影像
• 由于中低分辨率影像的分辨率 的一般都在20m以上，所以可 以现实的地物细节不多。地物 清晰度低，道路在影像上的灰 度基本一致，与周围地物具有 明显的差异。在图像上能够利 用道路影像只是一些结构简单 的道路，对于城市复杂的道路 低分率影像无法满足要求。 （图1）
利用高分辨率遥感影像进行道路 提取
高分辨率影像的特点
• 高分辨率影像的显著特点就是高空间分辨率和高 时间分辨率。 • 高空间分辨率：指的是空间分辨率在5m甚至1m一 下。可以显示更多的地物信息。 • 高时间分辨率：一般指卫星都是近极轨太阳同步 卫星，这样就使得采样周期变短，捕捉信息快速， 效率更高。
国内外的研究现状
• 20世纪70年代，国外一些国家的机构和学者就对道路提取 进行了研究。国内起步比较晚，经过几十年的努力，针对 不同影像、不同空间分辨率、不同的道路模型等，出现了 许多新的理论和技术。由于遥感影像尤其是高分辨率的遥 感影像的目标细节的复杂性，现有的道路提取算法通用性 差，仅仅能运用与某些特定的场合，在自动道路提取技术 上不是很成熟。 • 道路提取的一些典型算法 1)基于线状特征的道路提取方法：这种方法主要是利用影 像上道路的线状特征和区域均质性特征提取道路。典型的 算法有：Snake模型方法、动态规划方法、模板匹配方法、 Hough变换方法等。
（1-4）
j
的小波函数是：
可以作为小波函数在尺度 2
下
1 2 2 W21j f ( x, y) f * 2 ( x , y ), W f ( x , y ) f * ( x, y) （1-5） j 2j 2j
1 2 • 由于二维小波变换的两个分量 W2 j f ( x, y) 和 W2 j f ( x, y)分 别正比于图像 f ( x, y ) 经 2 j ( x, y) 平滑后的沿水平和垂 直方向的偏导数，因此二维小波变换的矢量就是梯度。沿 着梯度方向检测小波变换系数模的局部极大值点，即可得 到图像的边缘点，这里采用的是双阈值法处理。 • 本次处理，选取的小波级数为2，最大阈值为250，最小阈 值为5。处理结果如图。
小波变换检测边缘
• 对于某些特殊的小波函数，小波变换的极大值对应着图像 的边缘点。在图像 f(x,y)，设 ( x, y ) 为一平滑函数，令：
2 ( x, y) ( x, y), ( x, y) ( x, y) x y
1
1 2 ( x , y ) 则 和 ( x, y)
高分辨率影像中道路的特征
• 遥感影像中的道路特征与其本身的材质和线状信息有关， 此外，在不同的分辨率的影像中道路的特征也是有所不同 的。遥感影像中道路的特征主要有以下几点： • ①几何特征：在遥感影像中，道路一般变现出具有一定宽 度和长度的带状区域。在一定的区域内，道路的宽度是一 定的，并且转向的弯曲度变化缓慢。 • ②辐射特征：理想条件下，道路在影像上所变现出来的灰 度基本是一致的或者在很小的范围内变化。但是现实中， 由于道路两旁的植物以及道路内的车辆、行人等的影像， 会使道路在影像上的灰度不均匀。这将不利于道路的提取。
• 利用影像的分割技术是一个很好的提取道路信息的方法。 常用的图像分割方法有基于阈值的分割方法、边缘检测方 法、区域分割方法等。道路信息的提取液应该是图像分割 技术的应用。 • 阈值分割法是一种简单有效的图像分割法。它对物体与背 景有较强对比的图像分割特别有效。其基本原理就是：通 过设定不同的阈值，把图像的像素点分成若干类。设原始 图像为f(x,y)，按照一定的准则在该图像中找到特征值T， 将图像分割为两个部分，分割后的图象为：
2)基于面状特征提取的方法:常用的算法有面向对象的方 法,数学形态学的方法,图像分割方法,形状特征提取的方 法,基于知识的方法等。 3)基于线状特征与面状特征相结合的方法。
※这里主要想利用图像的分割方法提取道路。
利用遥感高分辨率影像提取道路的流程
影像预处理
影像校正
影像增强
几 何 校 正
辐 射 校 正
• ③拓扑特征：理想条件下,各道路相互连通,形成道路网, 各道路仅存在两种可能性:一种是与另外一条道路相交;另 外一种就是由于单幅影像的覆盖范围有限,道路直接延伸 到影像的边界外。 • ④上下文特征:上下文特征是指与道路相关的特征和信息， 上下文信息包含全局意义上和局部意义上两类。全局意义 上,上下文特征提供了全局范围的信息。局部意义上,上下 文特征提供局部范围内的信息。 • ⑤功能特征:与铁路、水路、航空和管道等组成运输网络, 起到运输的作用，一般都具有指向,将乡村、城市、厂矿 等联系起来。
f(x,y) = i(x, y) r(x,y)
(1-3)
根据这个模型可以使用下列方法把两个分量分别进行滤波。 如下所示：
f(x,y)---->In---->FFT---->H(u,v)---->FFFT-1---->Exp---->g(x,y)
利用同态滤波器增强的图像如图3：
图3 同态滤波增强
• 对于同一幅影像使用了不同的算法进行增强处理。由处理 结果可以看出，两种方法都起到了突出道路边缘的作用。 利用直方图均衡化方法对影响进行处理后，影像的增题亮 度增加，原本较暗的道路信息变得明显，但是由于直方图 处理是增题拉伸凸显的灰度，所以在原本较亮的地区周围 的地物也变得比较亮。 • 利用同态滤的方法对影像进行增强。效果也是很明显，与 直方图处理相比，仅仅是道路的信息更明显，这主要是因 为反射量在不同地物的交界处是急剧变化的。但是在道路 周围产生了许多细小的噪声点（图中近似绿色部分）。这 也噪声点对道路的提取将会造成障碍。
直方图处理后的二值图像
同态滤波处理后的二值图像
图5 阈值法处理后的二值图像（阈值为0.77）
• 通过对比两幅处理后的二值影像来看，两幅图像使用的是 相同的阈值处理方法，选取的是相同的阈值，但是处理后 的效果却差别很大。直方图处理后的二值图像道路信息比 较清晰，噪声点较少，并且道路与周边的地物分界明显。 而使用同态滤波方法处理的二值图像，道路信息相比来所 模糊了许多，有些细小的道路已经不明显了。而直方图处 理后的二值图像的道路信息就平滑的多。虽然增强后的图 像后者比前者要好，但是后者的二值凸显上的噪声点很多。 • 下边进行最后一步，使用图像分割技术的边缘提取算子进 行道路提取。
• 在影像的预处理阶段，暂不讨论影像的校正问题。重点是 在影像的增强和影像分割上。例如常用的空间域增强方法： 直方图均衡化，图像的直方图均衡化处理可以突出一些较 暗的道路影像信息，但是在突出影像信息的同时中不能忽 略增强影像所带来的一些负面影响——增加一些不必要的 噪声点。因为噪声点都是一些高频信号，表现在影像上是 一些较亮的离散的点，此时要考虑使用低通滤波去除这些 噪声点。常用的低通滤波方法有均值滤波、中值滤波、高 斯低通滤波等方法。 • 经过影像的预处理后理论上应该得到最大限度的滤除掉无 用的信息，留下的只是有用的感兴趣的信息，这里是道路 的影像信息。
图1 低分辨率道路影像
图2的航测影像 来自于英国 Bluesky公司， 该公司以航拍、 GIS/GPS相关业 务为主。
图2 高分辨率道路影像
图3 放大的影像
• 图3为图2的一个细节的放大，由放大的影像可以看到，影 像上的道路非常清晰，道路结构十分明显，道路周围的房 屋树木以及道路上的车辆和行人也看的十分清晰。这些信 息都是低分辨率影像无法实现的。但是道路两边的植物以 及一些建筑物的阴影也会成为提取道路的障碍。
• 高分辨率影像
• 与中低分辨率影响相比，高分 辨率影像由于空间分辨率增加 （一般在1m一下），所以能够 显示的地物信息更加丰富，可 以显示更多的细节信息。可以 提供大量的高精度的数据。 （图2）
• 图1显示的是低分 辨率影像。图1仅 能显示位于山间的 比较宽的主路，位 于右下角的村庄里 的小路无法显示出 细节。
http://www.bluesky-world.com
高分辨率影像提取道路的难点
• 高分辨率影像在提供更丰富的细节和高精度的数据的同时， 也是有缺点的。由于影像的分辨率的大幅提高，原本在低 分辨率影像上无法识别的地物变得清晰，提供更多的细节 的同时也增加了无关的噪声干扰。例如在道路两边的植物， 建筑物的阴影，道路上的车辆等，同时在高分辨率影像还 有的特点就是“同谱异物”，“异物同谱”的现象，这些 都增加了数据处理的难度。在进行影像的预处理中，这些 的无关的噪声点都必须考虑在内，这样就使处理难度增加， 效率下降，更使得一些好的处理算法的应用型收到局限。
• 图1来源谷歌地 球上一幅高分 辨率的遥感影 像。影像上的 主干道路比较 清晰。零散的 噪声点较少。 但是道路的边 缘信息不是很 明显，需要进 行图像增强来 突出道路信息。
图1 原始图像
这里选取两种方法进行影像增强：
• ①直方图均衡化 • 直方图修正是指增加影响像素值直方图分布来对影像进行 增强处理。经过直方图修正后，影像的像素值在各个级别 上都有分布，影像的像素值间的差距拉大，更容易表现细 节。 • 数字图像中灰度级别为rk的像素出现的频数（概率）：
Baidu Nhomakorabea
阈值法简化图像
• 增强后的图像仍然是灰度图像。将原本的彩色图像转换成 灰度影像有利于图像的处理。这里希望采用阈值法将处理 好的灰度图像转换成二值图像，二值图像只有黑白两色， 结构更简单，通过合理的选取阈值，可以去除掉一些不感 兴趣的信息，由于二值图像只有黑色和白色，目标与北背 景的对比度最大，更有利于边缘信息的识别。使用阈值法 变换的原理如式（1-1）所述。 • 这里选取的阈值是0.77，经过验证，选取阈值0.77效果最 好，但是不同的图像的阈值选取会有所不同。
• 基于以上的道路特征，在进行道路提取是能够利用的道路 特征主要是集合特征和辐射特征。辐射特征是一个很好用 的识别特征，但是其他地物的干扰会影响到道路的灰度信 息。所以在影像的预处理时要尽可能的剔除掉无用的噪声， 然后结合道路的几何特征提取道路。
国际摄影测量遥感大会
http://www.isprs.org
b0 g ( x, y) b1
f ( x, y) T
f ( x, y) T
（1-1）
若取b0为黑，b1为白，即为图像的二值化。
•
图像经过低通滤波处理可以去除掉一些高频的噪声点， 再恰当的使用锐化高通滤波可以突出边缘特征，而道路信 息往往就是边缘信息。再将图像经过阈值处理算法，通过 选取合适的阈值，可以去除掉很多小的零散的噪声点，最 后使用边缘提取算法就可以提取出感兴趣的道路信息。在 整个过程中，较难处理的就是图像平滑过程中会隐去一些 边缘信息，而锐化过程又会增加很多不必要的噪声，再者 阈值的选取要是十分关键，现有的一些自动阈值算法，例 如迭代法、Otsu阈值法、一维、二维最大熵法等，都不太 理想。而根据一些经验的手动选取阈值效果更好一些。 • 下边就根据以上论述的道路提取流程，以实例验证一些算 法。
空 间 域 增 强
频 率 域 增 强
影像预处理流程
遥感影像道路提取方法
• 在遥感影像中对道路进行提取主要是利用了道路的线状特 征和辐射特征。线状特征也就是道路影像所表现出来的在 一定区域内具有一定宽度和长度，并且转向的弯曲度变化 较小。但是在大多数城市中，尤其是一些大城市，道路错 综复杂，路宽也是不定，道路两侧的建筑物、植物阴影也 是提取道路的一大障碍。而在乡村、城镇一些小的地方， 由于道路较少，直线较多，周边的干扰也比较少，所以相 对城市来说提取困难要小一些。 • 针对以上的一些困难，若是想能够得到好的道路信息，更 需要在把重点放在影像的预处理阶段，如何滤除掉无用的 信息以及增强感兴趣的信息尤为重要。