基于面向對象技術的低山區(qū)公路信息提取研究
——以廣西省玉林市為例

王代堃，王志恒，杜霄蒙，陳雨苗

(天津城建大學 a. 地質與測繪學院；b. 土木工程學院，天津 300384)

地質與測繪

基于面向對象技術的低山區(qū)公路信息提取研究
——以廣西省玉林市為例

王代堃a，王志恒a，杜霄蒙b，陳雨苗a

(天津城建大學 a. 地質與測繪學院；b. 土木工程學院，天津 300384)

針對高分辨率遙感影像提取公路信息中存在的對豐富特征信息利用不夠充分的問題，基于GeoEye_1衛(wèi)星影像，提出一種綜合考慮公路光譜屬性、紋理屬性、空間屬性等特征的面向對象公路信息提取技術．針對GeoEye_1數(shù)據的不同波段，采用試誤法建立適用于公路特征提取的綜合分類規(guī)則，并進行提?。詈?，以目視結果作為參考，對基于各波段的提取結果精度進行驗證．結果表明，基于藍光波段提取的公路信息精度最高，在選取的六個抽樣區(qū)域的提取精度分別達到84%，68%，78%，68%，83%和66%，平均精度達到74.7%．研究成果對高分辨率遙感影像在山區(qū)公路信息提取中的應用具有一定的參考價值．

山區(qū)公路；信息提??；面向對象技術；規(guī)則分類；GeoEye_1

山區(qū)公路是山區(qū)與外界聯(lián)系的重要通道．傳統(tǒng)的公路提取方法大多是基于像素的，比較典型的有基于最小二乘B樣條曲線的方法[1]，基于類與模糊集的道路網絡提取[2]和利用動態(tài)規(guī)劃方法提取道路特征[3]等．近年來，影像的空間分辨率已經達到1～2,m甚至是厘米級，傳統(tǒng)的基于像素的提取方法不能取得很好的效果．為了解決這個問題，一些學者開始嘗試使用面向對象[4-8]的分類提取方法，并取得了比較理想的提取結果．通過對已有的研究成果分析發(fā)現(xiàn)，GeoEye_1遙感影像在細微地物的解譯與判讀方面有突出優(yōu)勢，在面向對象技術的提取中能夠更加充分的利用山區(qū)公路的屬性信息，得到較好的提取結果，但目前利用面向對象技術提取道路的研究成果采用的影像大多是基于Quickbird影像[4-8]，也有部分研究是基于IKONOS影像[6]，對GeoEye_1影像只有較少的應用實例，同時，提取的道路目標大多是城鎮(zhèn)道路[8]，而鮮有對山區(qū)的公路的相關研究．

筆者在對GeoEye_1高分辨率衛(wèi)星影像中山區(qū)公路的光譜特征、幾何特征、紋理特征以及空間特征等進行分析的基礎上，采用面向對象技術對GeoEye_1的紅、綠、藍、近紅外和全色五個波段分別進行山區(qū)公路信息的提取，并對提取結果進行對比和精度評價，最終確定針對GeoEye_1的低山區(qū)公路面向對象提取的最佳波段．

1 研究區(qū)概況

研究區(qū)位于廣西壯族自治區(qū)玉林市興業(yè)縣石南鎮(zhèn)，北緯22°41' 52"至22°46' 36"，東經109°52' 11"至109°57' 14"．地處廣西東南部，粵桂兩省交界處．該地區(qū)地形主要為丘陵臺地與山地，氣候屬于亞熱帶季風氣候，年均溫度22,℃，雨量充沛．

實驗區(qū)主要道路為連接南鄉(xiāng)村和六聯(lián)村的四級鄉(xiāng)道，該路段依山傍水而建，屬于典型的山區(qū)公路，如圖1所示．本實驗區(qū)選取GEOEYE_1高分辨率衛(wèi)星數(shù)據，影像分辨率多光譜波段為2 m，全色波段為0.5，拍攝時間為2009年9月27日．

圖1 廣西省玉林市南鄉(xiāng)村—六聯(lián)村山區(qū)公路

2 GeoEye_1影像中研究區(qū)山區(qū)公路的主要特征

充分認識山區(qū)公路在GeoEye_1影像中的具體特征，有利于從原始影像中找到有利的判別標志和相關參數(shù)．本文在前人研究的基礎上[9-10]，結合覆蓋研究區(qū)的影像具體情況，分析該地區(qū)公路在GeoEye_1影像上的特征，詳見表1．

表1 山區(qū)公路的主要特征

3 技術路線與研究方法

基于GeoEye_1影像的山區(qū)公路面向對象提取主要包括：數(shù)據預處理、面向對象提取以及對比驗證三個部分，詳見圖2．首先對原始影像進行必要的預處理，然后進行面向對象技術提取，包括圖像分割，斑塊合并，亮度閾值合并以及選擇屬性計算項，之后進行山區(qū)公路特征提取工作，該階段采用規(guī)則分類的方法對山區(qū)公路的光譜特征、紋理特征、空間特征進行綜合考慮，從而確定出具體的提取規(guī)則，最后進行結果分析．

3.1 影像預處理

對于原始影像進行適當?shù)奶幚砜梢蕴岣呙嫦驅ο蠓诸惖木龋谟跋穹指钸^程中，灰度差異較小但分屬不同地物類型的相鄰像元，分割后易被合并為一個對象，造成目標錯提、漏提．為此，須對原始影像進行預處理，增大提取目標與背景的反差，以取得更好的分割效果．

圖2 山區(qū)公路提取技術路線

3.2 面向對象分類

面向對象分類技術就是盡可能按照人類認識世界的方法和思維方式來分析和解決問題的系統(tǒng)方法[11]．該方法將影像對象的鄰近像元這一集合作為研究對象，從而識別感興趣的光譜要素，它能充分利用高分辨率影像的各波段的光譜、紋理和空間信息對圖像進行分類.

3.2.1 影像分割

影像分割是面向對象技術提取的基礎和重要階段，它能夠使地物目標的異質性最大．通過像素相似的特征值，包括亮度、光譜、顏色等，影像分割技術將整個圖像分割成與真實世界的對象相對應的對象，進一步更加真實地模擬現(xiàn)實世界[12]．一般而言，分割閾值采用試誤法來確定，并通過目視解譯方法來判斷其效果．

3.2.2 斑塊合并

為解決圖像過度分割問題，采用Full Lambda-Schedule Algorithm算法將細小斑塊合并到更大尺度的斑塊中，即在斑塊的光譜和空間信息的基礎上對臨近斑塊進行合并，如果一對臨近斑塊的合并結果小于設定的合并閾值時，就進行合并計算[13]．

3.2.3 亮度閾值合并

該過程主要解決過度分類后帶來的點要素信息的提取問題，它針對柵格數(shù)據進行操作，基于當前區(qū)域均值圖像的第一波段中斑塊的亮度值來進行分類．

3.2.4 選擇屬性計算項

該過程是在針對每一個斑塊對象的光譜、紋理和空間等屬性的基礎上，對圖像進行分類．具體包括：① 光譜屬性，每一個波段的最小值、最大值、平均值和標準差；② 紋理屬性，包括對象的范圍、平均、方差和熵；③ 空間屬性，包括對象的面積、長度等14類．

3.3 特征提取

本研究采用基于規(guī)則分類的特征提取方法，在分析目標地物屬性的基礎上，建立合適的分類方法，給分割后的對象賦予相應的特定要素規(guī)則．通過選擇光譜、紋理和空間屬性中的特定類別，并通過對比分析，建立針對目標地物提取的最佳規(guī)則．

3.4 結果輸出與分析

將最終的提取結果以矢量圖的格式導出，再以從基礎地理信息數(shù)據中獲得的公路信息為參考，對基于各波段提取的分類結果進行對比分析，以面積作為評價指標，確定基于GeoEye_1影像提取公路信息的最佳波段．

4 山區(qū)道路提取實驗

4.1 發(fā)現(xiàn)對象

4.1.1 圖像分割

本研究的對象為四級山區(qū)公路，寬度通常為4～6 m，因此分割時選擇的尺度也不宜過大，但對于全色波段來說，其分辨率更高，許多細小的地物都能夠被識別，分割尺度要相對較大，否則分割對象將過于細碎，不能很好的將公路信息提取．經過反復試驗，最終確定紅光波段的分割尺度為30，綠光波段的分割尺度為30，藍光波段的分割尺度為50，全色波段的分割尺度為70，分割效果如圖3所示．

圖3 分割尺度

4.1.2 斑塊合并

在圖像分割的基礎上，將屬于同一性質但被分割的對象進行合并，使得分割效果更加準確、合理．通過對不同波段的合并尺度進行實驗，最終確定藍光波段的合并尺度為30，紅光波段的合并尺度為10，綠光波段的合并尺度為10，全色波段的合并尺度為20，合并效果如圖4所示．

圖4 合并效果

4.1.3 亮度閾值合并與選擇屬性計算項

最后，在面向對象分類時，為解決過度分類后帶來的點要素信息的提取問題，對于實驗中的所有波段，都要進行亮度閾值合并．而對于屬性計算項，在接下來的分類規(guī)則中，對不同的波段，會采用不同的光譜屬性，紋理屬性和空間屬性，所以這三個屬性項都選擇，以便于下一階段的分析使用．

4.2 基于規(guī)則分類的特征提取

通過發(fā)現(xiàn)對象中的圖像分割，斑塊合并等操作，已經將目標區(qū)的遙感影像劃分成若干有意義的分離區(qū)域，形成了基本的影像對象，但最終公路提取的準確度取決于規(guī)則分類中規(guī)則的確定．根據波段的特點和山區(qū)公路的的特征建立適當?shù)囊?guī)則，并通過對實際分類效果的對比分析，確定基于GeoEye_1影像提取山區(qū)公路信息的規(guī)則，詳見表2．

表2 分類規(guī)則詳細信息

研究發(fā)現(xiàn)若選定屬性的閾值設定過高，則會把公路對象錯誤劃分為背景對象；若選定屬性的閾值設定過低，則會把背景類對象也分類為道路對象，造成結果的不準確．最終的閾值確定需要不斷試驗才可以確定．接下來以藍光波段屬性1的建立過程為例進行討論．選擇光譜屬性的平均值“Avgband”作為屬性1，可以看出，圖5a中的閾值設置為150，效果十分不理想，公路無法與周圍地物相區(qū)分，說明公路對象的特征值都比較高，故通過試誤法繼續(xù)增大閾值，最終確定的屬性1的閾值為296.1，如圖5b所示，公路輪廓清晰可見，之前與周圍地物無法區(qū)分的現(xiàn)象得到很大改善．然后在屬性1的基礎上，將屬性2設置為紋理屬性中的核內組成該區(qū)域的像素方差“Tx_variance”，核是一個像素數(shù)組用于將像素區(qū)分為不同的像素集．最終的閾值確定為187.1，設置后效果如圖5c所示，山區(qū)公路周邊的干擾因素進一步減少．

圖5 藍光波段屬性確定過程

圖6 近紅外分類規(guī)則效果

對于近紅外波段，圖6是用光譜屬性與紋理屬性提取的效果預覽．可看出對于近紅外波段，無論是用光譜屬性還是紋理屬性都不能很好地提取道路信息．

5 實驗結果與分析

整體上看，四種波段提取結果的山區(qū)公路對象網絡都較清晰，需要通過定量的方法進一步判斷不同波段提取效果的好壞．

在定性分析的基礎上，通過目視解譯的方法，從研究區(qū)遙感影像上提取公路信息，并將其作為準確度評價的標準．通過抽樣的方法，對基于不同波段提取的公路信息精度進行評價，對公路的不同路段建立6個面積提取樣區(qū)，如圖7中的正方形藍色區(qū)域1—6，樣區(qū)的設立充分考慮到公路周邊地物的不同特征，如樣區(qū)1中的路段橫穿居民區(qū)，樣區(qū)2，3，4中的路段進入山區(qū)，樣區(qū)3，6中的公路鄰河而建，樣區(qū)4，5中的公路處于彎道地段．

圖7 實驗區(qū)公路主要干路緩沖區(qū)建立與區(qū)域面積提取

基于空間分析，得到6個樣區(qū)內不同波段及目視解譯提取的公路的面積，如表3所示．

表3 提取樣區(qū)內不同波段及目視解譯的公路面積提取結果 m2

根據表3中的6個樣區(qū)內不同波段的公路面積提取結果，分別與樣區(qū)內目視解譯的山區(qū)公路面積進行比較，從而得出準確度的大?。我惶崛訁^(qū)內具體的比較公式如下

其中：A為光的提取準確度；S提取為某光的公路提取面積；S目視為該區(qū)域內對應的目視解譯提取的公路面積．

按公式運算后得到的不同波段公路面積提取準確度如表4所示．通過對比發(fā)現(xiàn)，藍光波段在6個區(qū)域內的公路面積提取準確度都是最高的，分別達到了84%，68%，78%，68%，83%，66%，其平均準確度為74.5%．

表4 提取樣區(qū)內不同波段的公路面積提取準確度

6 結 論

本文基于GeoEye_1衛(wèi)星影像，結合山區(qū)公路自身的特征及其在影像上的表現(xiàn)，提出一種綜合考慮公路光譜屬性、紋理屬性、空間屬性等特征的面向對象公路信息提取技術，并以廣西壯族自治區(qū)南鄉(xiāng)村和六聯(lián)村的四級鄉(xiāng)道1997年的部分影像作為實驗數(shù)據，進行山區(qū)公路提取實驗，并對實驗結果進行精度評定，得出以下結論：

(1)基于高分辨遙感影像，應用面向對象分類方法提取公路信息，由于充分考慮公路在影像上的空間、光譜和紋理特征，可以達到較高的提取精度；

(2)通過對比分析發(fā)現(xiàn)，在GeoEye_1四個波段中，基于藍光波段的公路信息提取精度最高，6個提取樣區(qū)的提取準確度分別達到84%，68%，78%，68%，83%，66%，其中部分樣區(qū)提取準確度較其他波段高出30%～50%．

同時，藍光波段的提取效果在今后也有需要改進的地方．其一，部分樣區(qū)的解譯精度仍然不夠準確，如部分提取區(qū)的精度只接近70%，還需進一步提高；其二，對山區(qū)公路周圍屬性相似地物的誤提取現(xiàn)象仍較為突出，尤其當周圍地物復雜時，會影響提取精度，如提取區(qū)1覆蓋的居民區(qū)，對居民地的誤提取要比全色波段嚴重，今后可以嘗試和全色波段先進行融合，再建立適當?shù)囊?guī)則進行提?。?/p>

［1］ GRUEN A，LI Haihong. Semi-Automatic linear feature extraction by dynamic programming and LSB-snakes[J]. Photogrammetric Engineering and Remote Sensing，1997，63(8)：985-995.

［2］ STEGER C，MAYER H，RADIG B. The role of grouping for road extraction[C]// Automatic Extraction of Manmade Objects from Aerial and Space Images. Basel：Birkhaeuser Verlag，1997，245-255.

［3］ GRUEN A，LI Haihong. Road extraction from aerial and satellite images by dynamic programming[J]. ISPRS Journal of Photogrammetry and Remote Sensing，1995，50(4)：11-20.

［4］ 朱曉鈴，鄔群勇. 基于高分辨率遙感影像的城市道路提取方法研究[J]. 資源環(huán)境與工程，2009，23(3)：296-299.

［5］ 袁 華，章皖秋，郭洪江. 基于面向對象技術的Quick Bird遙感影像分類[C]// 2010 International Conference on Remote Sensing(ICRS 2010). 杭州：Asia Pacific Environmental Science Research Center，2010：473-476.

［6］ 孫曉霞，張繼賢，劉正軍. 利用面向對象的分類方法從IKONOS全色影像中提取河流和道路[J]. 測繪科學，2006，31(1)：62-63

［7］ 黃 亮，左小清，張曉曉. 面向對象的道路信息識別提取分析[J]. 昆明理工大學學報：理工版，2010，35(6)：6-10.

［8］ 唐 靜，吳俐民，左小清. 面向對象的高分辨率衛(wèi)星影像道路信息提取[J]. 測繪科學，2011，36(5)：98-99.

［9］ VOSSELMAN G ，DE KNECHT J. Road tracing by profile matching and Kaiman filtering [C]// Automatic Extraction of Man-made Objects from Aerial and Space Images. Birkhauser：Basel，1995：265- 274.

［10］ 陳昌鳴. 面向對象的高分辨率遙感影像農村公路專題信息提取[D]. 重慶：重慶交通大學，2011.

［11］ 何 軍，蹤 程，劉云生. 面向對象技術在土地檢測系統(tǒng)中的應用[J]. 天津城市建設學院學報，2007，13(3)：219-222.

［12］ 汪東川. 土地利用/覆蓋格局時空動態(tài)分析與模擬—以藉河流域為例[D]. 北京：中國科學院研究生院，2010.

［13］ 胡卓瑋，王志恒，魏 錸，等. 基于 RS 與 GIS 混合編程的公路水毀災情信息提取[J]. 自然災害學報，2013，22(1)：94-101.

Study of Information Extraction of Hilly Highway Based on Object-oriented Technology： the Case of Yulin City，Guangxi Province

WANG Dai-kuna，WANG Zhi-henga，DU Xiao-mengb，CHEN Yu-miaoa
(a. School of Geology and Geomatics；b. School of Civil Engineering，Tianjin Chengjian University，Tianjin 300384，China)

Abundant feature information is not fully used in the information extraction of highways based on high resolution remote sensing image. Based on GeoEye_1 satellite image，this paper proposes an object-oriented mountain highway information extraction method which takes into account spectral properties，texture features，and space features of the highways. First，the general classification rule is established according to the highway characteristics of the high resolution remote sensing image and the coefficient values are determined by trial-error method. Then，the extraction experiment is conducted on different band respectively. Finally，the extraction result is compared with the visual interpretation result both on whole area and the sampling area. The results show that the image of blue band has the highest accuracy to extract the information of the mountain highway of the study area. The accuracy of the six sampling areas are 84%，68%，78%，69%，83%and 66%，with the 74.7% average accuracy. The result has certain reference value for the study on object-oriented extraction along highways in mountain areas.

mountain highway；information extraction；object-oriented technology；regular classification；Geoeye_1

P237：TP751

A

2095-719X(2014)02-0101-06

2013-11-12；

2014-02-24

天津城建大學本科生科研立項(2012-2013) A類重點扶持項目(21-21124809A)

王代堃（1992—），男，山西長治人，天津城建大學本科生．