遥感影像中城市道路的提取

遥感影像中城市道路的提取

施海亮

（河海大学土木工程学院 江苏 南京 210098）

摘 要：阐述了城市遥感影像中道路提取的特点，以及当今道路特征提取的一些研究成果。根据城市道路的特点，设计了根据植被指数先提取道路两旁的植被方法，通过面积阈值和形状指数阈值剔除图斑，以及应用数学形态学，对图像进行细化，可以提取道路目标。实验结果证明这一方法的正确性。

关键字：道路提取，归一化植被指数，数学形态学，细化

1.引言

在遥感影像处理中，特征提取和模式识别具有重要的地位。特征提取一般可分为三个部分：点特征的提取、线特征的提取和面状特征提取，其中线状特征的提取具有承上启下的作用。在一幅遥感图像中，道路是一种重要的线型地物，因此道路提取具有重要的意义。

]1[如何提取道路特征现在已经有很多这方面的研究，但都有一定的不足。史文中等人对当今的研究进行了综述，认为根据道路提取的自动化程度，可以分为自动特征提取和半自动特征提取。其中具有代表性的方法有：基于像素与背景的算子模型的道路特征提取、基于树结构的特征判别模型的道路提取、基于最小二乘B 样条曲线的道路提取、基于类与模糊集的道路网提取、基于平行线对的道路提取、基于二值化和知识的道路提取和基于窗口模型特征的道路提取。另外，人工神经网络（ANN ）、遗传算法

（GA ）、数学形态学（Mathematical Morphology ）、次胜者受罚算法（RPCL ）、动态规划等一些新方法也应用到了道路提取中，并取得了一定的效果。

]2[]3[]4[]6][5[本文通过分析城市遥感影像，发现道路两旁一般都有绿化地带，而在遥感影像中，植被的提取比道路提取要容易。可以通过先提取植被使道路信息和其它地物孤立起来，为后续处理提供较好的二值图像。

本文选用的实验图像为南京市鼓楼区某一局部地区的IKONOS 影像（见图

（1）），并给出了各实验阶段的实验结果图像。

2.道路提取

道路具有一些光谱、几何和空间特征。道路的光谱特征与混泥土、柏油或沙土等材料的光谱特征有关，一般来说，公路像素要比相邻区域像素低，是低亮度区。道路一般都是平直的线，其局部曲率有一上限，另外，道路很少单独存在，总是相互连接成道路网。城市道路又有自己的一些特点。由于城市中建筑物较多，道路中会有很多建筑物的阴影。道路中会有很多斑马线、分道线和不同颜色的车辆等。这些因素很容易造成提取道路时道路结果发生断裂。道路两旁一般都有一些植被作为道路的绿化地带，这为道路提取带来很大的麻烦，很容易把部分植被错分成道路，和道路粘连在一起，通过一般的方法很难除掉这部分噪声。本文采用先提取植被的方法，使道路和旁边的植被很好的分开。

2.1 图像预处理

通过分析发现道路一般都在低亮度区域，可以设定一个阈值，首先把图像中与道路亮度差异很大的区域剔除掉。这为后处理排除了一部分干扰。对于本文实验图像，通过分析道路的亮度值均在500以下，故选取500作为阈值，处理后的图像见图（2），其中图像中黑色部分为剔除掉的区域。

图（1）原图图（2）预处理后图像

2.2植被指数

遥感图像中上的植被信息，主要是通过绿色植物的叶子和植被冠层的光谱特

性及其差异、变化而反映的。不同的光谱通道所获得的植被信息与植被的不同要素或某种特征状态有各种不同的相关性。对于复杂的植被遥感，仅用个别波段或多个单波段数据分析对比来提取植被信息是相当局限的。因而往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式），产生某些对植被长势、生物量等有一定指示意义的数值---“植被指数”。它用一种简单而有效的形式----仅用光谱信息，不需要其它辅助资料，也没任何假设条件，来实现对植被状态信息的表达。

在植被指数中，通常选用对绿色植物（叶绿素引起的）强吸收的可见光红波段（0.6~0.7m

µ）和对绿色植物（叶内组织引起的）高反射和高透射的近红外波段（0.7~1.1m

µ）。可以利用这两个波段的比值、差分、线性组合等多种组合来增强或揭示隐含的植被信息。

本文采用植被遥感中应用最广泛的归一化植被指数（NDVI）,NDVI被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值，即：

]8[

NDVI=(NIR-R)/(NIR+R)

其中NIR为近红外波段，R为红波段。认为NDVI>0的均为植被。对原图进行NDVI植被提取后与图（2）求并，，可以得到图（3）。图（4）为对原图直接进行二值化后的图。通过对比两幅二值图，发现直接对原图二值化，道路和植被有很多混在一起，并且部分地方道路发生了断裂现象，而且道路普遍比原图变细。

图（3）求并后的二值图图（4）直接二值化后的图

2.3噪声去除

由于遥感影像存在同物异谱和异物同谱现象，因此在图（3）中存在很多的噪声。其中以居民地和道路混杂最为明显，在图像上表现为大小不等的图斑，有的孤立存在，有的和道路紧密相连。对于较小的图斑我们可以采用下面的方法加以去除：首先标出图中所有的区域，然后计算出各区域的面积S(像素个数)，小于一定阈值的区域就作为噪声加以去除。图像中大得并且和其它区域连通的图斑用上面的方法不能去除，这时候就要考虑公路的形状特征，对这些无关特征进行去除，具体的方法如下：计算出各区域的周长P （区 域外围像素个数），然后根据公式：

S

P C ×=π42

求出各区域的形状指数C 。显然线状物体有较大的形状指数，因此可以通过设置适当的形状指数阈值来消除那些非线状的区域。对于各区域，只有同时满足面积阈值和形状系数阈值才保留（图（5）），这两个阈值基本上是相互独立的。

图（5）去斑后图像

2.4细化

图像进行去斑以后，仍有部分和道路紧密相连的图斑不能去除，并且道路有 些地方发生了断裂现象。我们可以通过数学形态学的相关操作来去除这部分图斑 和完成断裂处的连接。数学形态学是一种基于集合论的非线性理论,它的基本思 想是基于像素间的逻辑关系对数字图像进行分析处理。它能定量的描述和分析影 像的几何特征。通过选择合适的结构元素，对图（5）进行开运算和方向膨胀， 去除粘连的图斑和连接断裂处（图（6））。对图（6）进行细化运算并对细化后

]

9[