遥感图像中道路提取方法的探讨

遥感图像中道路提取方法的探讨

【摘要】道路提取是遥感图像中信息提取的一个研究热点，不仅具有理论价值也具有很广阔的应用前景。道路与人们生活休戚相关，而手工提取的方法远远不能满足地理信息系统（GIS）数据获取与更新的需要，因此从遥感图像自动提取道路的研究就显得尤为迫切。本文从遥感图像的道路特征描述出发，对道路提取的基本思想和模式识别的方法进行了探讨，对近年来道路提取的研究状况进行了分析和总结，并对道路提取的进一步发展提出了分析和展望。

【关键词】道路；遥感图像；模式识别；自动提取

1 道路提取的基本思想

1.1 道路的基本特征

道路的特征主要包括物理与几何的，其基本特征主要有以下几种。

（1）几何特征。道路呈长条状，其长度大于宽度，在较大范围内道路的宽度变化比较小，曲率也有限制；

（2）辐射特征。道路一般有明显的边缘，路面灰度均匀，与相邻区域灰度差比较大；

（3）拓扑特征。道路从拓扑结构看是相连的，可以形成网络状；

（4）上下文特征。上下文特征指的是道路相关的特征与信息，如道路旁的建筑物和树，这是局部上下文，全局上下文提供全局信息，如图像区域是城市还是乡村。

1.2 道路提取的模型与策略

常见的道路提取的模型与策略有很多。线段模型常用在中低分辨率下道路的建模中，对于主干道的检测这个模型是足够的。在高分辨率下，道路常用平行的边线来建模，相对线段模型来说，阴影或干扰将对道路提取产生很大影响。道路网络的组成离不开连接点与交叉点，对交叉点的精确检测与建模将有助于道路提取结果的改善。全局的拓扑性质应该与局部的上下文及几何特征有效的结合。

2 半自动道路提取方法

半自动的道路提取与全自动方法不同在于其需要人机交互，按交互的方式不同又可以分为两类。一类仅给定初始点和初始方向利用跟踪的方法来提取道路；另一类方法则给定一系列分散的种子点，利用主动轮廓模型，模拟退火，和动态规划等方法曲线拟合提取道路中心线。前者运用的主要是局部的特征，后者往往求的是全局的能量最小。

跟踪的方法会给定初始点和初始道路的方向，要通过跟踪的方法得到道路的中心线和边线。要解决的问题包括如何通过已检测到信息预测下一点处道路的参数(位置，宽度，曲率，方向)，利用图像信息选择最佳预测点并修正预测模型，确定停机准则(连续出现预测误差很大或是已经检测到的部分道路已经得到验证)。

在文献[4]中，预测利用了卡尔曼滤波方法，修正利用的是截面匹配的方法。截面匹配是指道路为狭长区域，在垂直于道路方向的相近的截面具有极大的相似性，根据这一特点，可以在预测到道路中心点后找到下一截面的位置，从而确定道路宽度和方向。卡尔曼滤波中假设系统是线性的，系统的观察也是固有状态的线性函数，系统和测量中的噪声是高斯白噪声。文章中把道路的曲率当成

常量，真实的形状与模型的偏差被认为是系统噪声。模型的状态变量有道路的位置(两个参量)，道路的方向，曲率。方法优点是当截面匹配由于暂时的干扰(如阴影)失败时能继续迭代，而不离开道路。连续的截面匹配的失败也可以当成是道路交叉点或道路终点的标志。缺点是方法把噪声当成是高斯分布的，与实际情况有偏差。文献[2]也运用卡尔曼滤波和截面匹配的方法做道路提取，而且提供了用户在半自动道路提取过程中人机交互的接口。

文献[5]中提出了一种Jetstream的方法认为跟踪道路的边线可以看成是随机过程，随机过程由内部的动力和统计数据模型驱动。先验动力模型用来保存已提取的曲线的属性并依此求出下一候选点的位置，数据模型用来验证预测点是否在边线上，以此选择最佳的候选点。动力模型用来预测下一点位置，有两个参数，步长和转角。数据模型给出点在边缘和点不在边缘上观值概率分布情况，这里主要利用统计的手段。非边缘点和边缘点分别采用了与梯度幅值和角度相关的统计量。确定了模型后计算中采用了连续重要性采样的蒙特卡罗方法。边缘跟踪可以用于图像分割中，用在道路提取时要增加一个宽度变量，同时跟踪两条边线。Jetstream方法很有特色的地方在于它对边缘的描述是用统计的办法，另一方面粒子滤波处理非正态分布比卡尔曼滤波更有优势，在监控中做人体和车辆的跟踪技术已经应用比较成熟，在道路提取方面用的还较少。文献[6]中运用了与Vosselman的卡尔曼滤波中用的模型也使用了道路截面信息，主要不同点就是使用粒子滤波代替卡尔曼滤波做预测。

半自动方法中的第二类主要有动态规划和Snake 模型方法。动态规划方法导出了道路的一般参数模型，将其表达成种子点之间的代价函数，以动态规划作为确定种子点之间最优路径的计算工具。比较早的有Gruen and Li 的文章，主要用在低分辨率图像道路提取方法中。Dal Poz 等对Gruen 的方法中的代价函数做了修改，增加了道路边缘梯度反向平行的约束条件，将动态规划的方法拓展到高分辨率图像的道路提取中。动态规划种子点的选取需要手工，较繁，同时此方法要很大的存储量。Snake模型方法是一种有效的目标轮廓提取方法，在道路提取中运用非常广泛。Snake模型方法根据对道路特征的抽象确定不同的道路模型，将道路特征与几何约束用能量函数表示出来，通过求能量函数最小值得到目标轮廓。Snake 模型的形式有很多，已经运用到道路提取中的有LSB-Snake,ziplok snake,Ribbon snake,multi-resolutionsnake。

3 全自动道路提取方法

前面提出的方法是以局部特性为基础，文献[3]提出了一种全局的办法，主要利用道路的拓扑特全自动提取无疑是遥感图像中道路提取的最终目标，但是由于遥感图像的复杂性和多样性，道路的自动提取涉及到计算机视觉、人工智能、模式识别等诸多领域。全自动提取方法因其复杂性，往往是多种方法的综合运用，主要有多尺度多分辨率、统计学习及几何概率模型方法。

Hinz 等报道了一种全自动基于多尺度，Snake模型和上下文信息的道路提取方法。该方法应用于农村道路的自动提取中效果很好。

农村道路的提取分成了三部分，显著道路，不显著道路和交叉口的提取。显著道路是指道路宽度基本恒定且对应区域灰度均匀的路段；不显著道路是道路网络中受阴影或干扰的路段，或者可以认为是显著道路间的间隔部分；交叉口一般包括十字路口，三叉口等。

对显著道路的提取采取了多尺度的方法：在低分辨率条件下检测线，在高分辨率下检测边缘再利用判决准则进行融合，非显著道路提取运用了Ribbon snake 的方法。交叉点由于拓扑关系的复杂用简单约束连接肯定会导致错误，故必须对交叉点进行检测。单纯的道路交叉点的提取是很复杂的，但利用已有的显著道路和非显著道路的知识，可以大大缩小搜索空间。在低分辨率图像中进行线检测时基于尺度空间分析可以对交叉点进行检测，在非显著道路提取时大多数由交叉点造成的显著道路间的间隔可以由带状蛇方法连接起来。已知这两点情况下，交叉点位置可以近似获取，交叉点的检测难度大大降低了。而且所选择的策略不受交叉段的形状与拓扑结构的影响。