高分辨率遙感圖像道路分割算法

蘇騰飛， 李洪玉, 屈忠義

(內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院，呼和浩特 010018)

高分辨率遙感圖像道路分割算法

蘇騰飛， 李洪玉, 屈忠義

(內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院，呼和浩特 010018)

為了提高從高分辨率遙感圖像(high-resolution remote sensing image，HRI)中提取道路信息的自動化程度和準(zhǔn)確性，發(fā)展了一種HRI道路分割算法，主要包括光譜合并、邊界合并和基于形狀特征的道路區(qū)域提取等3個步驟。其中，前2個步驟是基于區(qū)域生長的圖像分割算法。光譜合并綜合考慮了區(qū)域的均值、方差等統(tǒng)計特征量，以提高分割精度；邊界合并采用了基于矢量梯度的邊界計算方法，以準(zhǔn)確提取多光譜HRI中的邊界強度；結(jié)合全局最優(yōu)合并算法實現(xiàn)光譜和邊界合并，以得到最優(yōu)化的分割結(jié)果。在道路區(qū)域被完整分割出來的基礎(chǔ)上，利用形狀特征提取道路，采用圓形度特征區(qū)分道路和非道路。利用2景OrbView3多光譜圖像進行道路提取實驗的結(jié)果表明，該方法的道路提取結(jié)果總精度和Kappa系數(shù)分別在97%和0.8以上，明顯優(yōu)于SVM監(jiān)督分類方法。

高分辨率遙感圖像(HRI)；圖像分割；光譜合并；邊界合并；道路提取

0 引言

道路信息對于城市規(guī)劃、交通導(dǎo)航及GIS數(shù)據(jù)更新等具有重要意義[1-2]。遙感技術(shù)的不斷進步，使得利用計算機自動提取高分辨率遙感圖像(high-resolution remote sensing image，HRI)中的道路信息成為可能[3-4]。然而，如何從HRI中快速準(zhǔn)確地提取道路信息，依然是學(xué)者們研究的熱點。

目前HRI道路提取方法可以大致分為基于像素的和基于區(qū)域的2類?；谙袼氐牡缆诽崛∫话惆ɑ谙袼氐奶卣魈崛『屠枚喾N特征獲取完整的道路信息2個步驟。其中，基于像素的特征主要包含邊界、形狀、灰度和紋理等。由于遙感圖像中包含多種地物，僅利用基于像素的特征難以準(zhǔn)確地提取道路。例如李曉峰等[5]利用Canny算子得到道路的邊界線，但初始得到的道路邊界是不連續(xù)的，而連接這些間斷的道路邊界需要大量且復(fù)雜的計算；另外，要排除非道路地物的邊界，也是一項困難的工作。曾發(fā)明等[6]采用了類似的方法，利用Canny算子從遙感圖像中提取礦區(qū)道路。為了排除其他地物的干擾，提高道路提取精度，Shi等[4]和Das等[6]將圖像分類應(yīng)用到道路提取中；這類方法首先需要對HRI進行分類，然后利用分類所得的道路像素，以及形態(tài)學(xué)濾波、細(xì)化及連接等后續(xù)處理方法，得到完整的道路網(wǎng)絡(luò)。SVM分類器是目前較為流行的道路像素提取方法[4,6]，雖然結(jié)果較為令人滿意，但是分類器訓(xùn)練的過程費時費力，不利于實現(xiàn)道路提取的自動化?；趨^(qū)域的道路提取大多借助于面向?qū)ο蟮膱D像分析(object-oriented image analysis，OBIA)來實現(xiàn)。OBIA是21世紀(jì)初興起的一個圖像分析研究方向，與傳統(tǒng)的圖像處理方法不同的是，它主要考慮的是圖像中基于區(qū)域的特征[7]。所謂的“區(qū)域”也被稱為“對象”，是指圖像中符合某種均等一致標(biāo)準(zhǔn)的、且在空間上相鄰的若干像素的集合。OBIA將對象賦予語義信息，使得地物的高級特征(如區(qū)域周長、面積、幾何形狀、空間相對位置等)能夠有機地運用到圖像分析中，因此能夠提高圖像分類和目標(biāo)探測的精度。OBIA在道路提取中也已有較為成功的應(yīng)用[7-11]，這些方法主要包含圖像分割、特征計算和道路分類3個步驟，其中，分割算法的選用是關(guān)鍵。HRI中的道路區(qū)域具有多種形狀特征，如直線、曲線和環(huán)狀等[8]，這使得很多主流的遙感圖像分割算法難以在道路分割中得到滿意的效果。因此，發(fā)展適用于HRI道路提取的分割算法是非常必要的。

目前很多主流的遙感圖像分割算法都是在區(qū)域生長的基礎(chǔ)上建立的。Beaulieu等[12]采用的層次逐步優(yōu)化算法(hierarchical stepwise optimization，HSWO)是較早提出的一種層次分割算法，它結(jié)合了全局最優(yōu)合并(global best merge，GBM)以提高分割精度，但GBM的實現(xiàn)非常耗時。Tilton等[13]在HSWO的基礎(chǔ)上改進了層次分割算法(refined hierarchical segmentation，RHSeg)，考慮了空間上不相鄰區(qū)域的合并，并且對算法進行了并行化的實現(xiàn)，以提高計算效率。Baatz等[14]提出的分形網(wǎng)演化算法(fractal net evolution algorithm，F(xiàn)NEA)則是一種多尺度的多光譜遙感圖像分割算法，采用光譜和形狀異質(zhì)性作為區(qū)域合并的標(biāo)準(zhǔn)。然而，以上分割算法均未考慮圖像區(qū)域的邊界信息，而邊界信息對于道路分割具有非常重要的作用。為了能從HRI中完整地將道路分割出來，本文發(fā)展了一種綜合利用光譜和邊界信息的GBM分割算法用于道路區(qū)域分割，然后利用道路區(qū)域的形狀特征提取道路，并通過OrbView3高分遙感圖像道路提取實驗證明該方法的可行性和精度。

1 基于光譜和邊界信息的道路分割

1.1 基于光譜信息的合并標(biāo)準(zhǔn)

基于光譜信息的合并標(biāo)準(zhǔn)中最簡單的是光譜均值差，即‖μi-μj‖1，其中i和j分別代表2個待合并區(qū)域N的標(biāo)號；μ為由區(qū)域的各波段光譜均值組成的向量；‖·‖1為一階范數(shù)。顯然，該標(biāo)準(zhǔn)沒有考慮區(qū)域大小對區(qū)域合并的影響。HSWO中的標(biāo)準(zhǔn)利用區(qū)域大小對光譜灰度差進行加權(quán)，以避免大小不均等的區(qū)域被錯誤地合并，其計算式[9]為

(1)

RHSeg算法的研究中，采用了更為豐富的光譜合并標(biāo)準(zhǔn)，包括光譜角制圖(spectral angular mapper，SAM)[10]，即

(2)

和波段總均方差(band sum mean squared error，BSMSE)，即

(3)

式(1)—(3)中：CHSWO，CSAM和CBSMSE分別指HSWO算法的合并標(biāo)準(zhǔn)、SAM合并標(biāo)準(zhǔn)以及BSMSE合并標(biāo)準(zhǔn)；‖·‖1和‖·‖2分別為一階和二階范數(shù)。雖然RHSeg算法主張采用SAM作為多光譜遙感圖像合并的準(zhǔn)則，但SAM不適用于單波段圖像的分割；而BSMSE不存在該問題，且BSMSE的計算量較SAM更少。但SAM和BSMSE都存在易將均值相近、方差差別較大的區(qū)域錯誤地合并的問題。為解決此問題，有必要對合并標(biāo)準(zhǔn)進行改進。

綜合考慮待合并區(qū)域的均值、方差等統(tǒng)計特征量，本文提出了一個改進的合并標(biāo)準(zhǔn)，以有效區(qū)分均值相近、方差不同的區(qū)域。2個待合并區(qū)域的方差和均值的差異性分別定義為

(4)

(5)

式中：B為波段數(shù)；σib和σjb分別為區(qū)域i和j在波段b的標(biāo)準(zhǔn)偏差；μib和μjb為區(qū)域i和j在波段b的均值；利用指數(shù)函數(shù)是為了在數(shù)值上使方差、均值的變化范圍歸一化。本文提出了光譜合并標(biāo)準(zhǔn)，即Dspec(i,j)是方差與均值差異性之和，即

Dspec(i,j)=Dvar(i,j)+Dmean(i,j) 。

(6)

1.2 基于特征值邊界強度的合并標(biāo)準(zhǔn)

HRI中道路具有明顯的邊緣[8]，因此邊界信息對于道路分割是非常重要的。基于邊界信息的區(qū)域合并標(biāo)準(zhǔn)需要準(zhǔn)確計算邊界強度。Qin等[15]提出了一種基于矢量梯度的計算方法，適用于從多波段圖像中提取邊界強度。該方法需要首先計算原圖像在水平和豎直方向的梯度，然后對每個像素構(gòu)建梯度向量G(x，y)，即

(7)

式中：?vg(x,y)b為像素位置(x,y)在波段b的子圖像在豎直方向的灰度梯度值；?hg(x,y)b為像素位置(x,y)在波段b的子圖像在水平方向灰度梯度值。本文利用高斯差分濾波來計算灰度梯度值。G為維度為B×2的矩陣，每個像素的邊界強度是矩陣GTG的最大特征值λmax。

計算2個相鄰區(qū)域鄰接邊上的邊界強度，其值越小，說明這2個區(qū)域越適合合并?；谶吔鐝姸鹊暮喜?biāo)準(zhǔn)的計算公式為

(8)

式中：Dedge為2個相鄰區(qū)域的公共邊界的平均邊界強度值；|·|為集合的基數(shù)；?Ri和?Rj分別為區(qū)域Ri和Rj的邊界像素；?Ri∩?Rj為2個區(qū)域鄰接邊界的像素集合；λ(x,y)為像素(x,y)處的邊界強度值。

1.3 基于GBM的區(qū)域生長

基于GBM的區(qū)域生長是一種多尺度的圖像分割算法，其基本思想是通過自底向頂?shù)膮^(qū)域合并，將地物完整地分割出來。該算法主要包括3個步驟：①在初始階段，圖像中的每個像素被當(dāng)做獨立的區(qū)域；②按照一定的合并標(biāo)準(zhǔn)，搜索最符合合并標(biāo)準(zhǔn)的一對區(qū)域，將其合并；③若達到結(jié)束條件，則分割完成，否則繼續(xù)進行步驟②。

將光譜和邊界信息作為GBM的合并標(biāo)準(zhǔn)，得到了本文的HRI分割算法。在GBM的初始階段，每個像素被當(dāng)作獨立的區(qū)域，那時的邊界合并易受到噪聲干擾。因此，本文算法首先進行光譜合并；當(dāng)區(qū)域生長到一定大小之后，再進行邊界合并。圖1示出本文方法的流程(其中形狀特征道路區(qū)域提取將在下一節(jié)介紹)。

圖1 本文道路分割算法流程

Fig.1 Flow chart of the proposed method

光譜合并和邊界合并的停止條件是通過預(yù)先設(shè)定閾值來控制的；對于光譜合并，若待合并的2個區(qū)域的Dspec值大于閾值，則停止合并；對于邊界合并，停止條件與光譜合并的相同。

1.4 基于形狀特征的道路區(qū)域提取

幾何形狀是HRI中道路的最重要特征之一，很多道路提取研究都是基于形狀特征開展的。雷小奇等[9]概括道路形狀特征為：①條帶狀，且寬度變化較?。虎诩扔兄本€形，也有曲線形；③具有一定的長度，且長度較大。結(jié)合道路的形狀特點，對OBIA中常用的形狀特征進行分析，以確定最適合道路提取的形狀特征。OBIA中主要使用的區(qū)域形狀特征包括長寬比r、矩形度R和圓形度C。其中，r適合用于提取直線道路，而R適合用于提取曲線道路[8]。長寬比r是指區(qū)域的長L和寬W的比值，即

r=L/W,

(9)

在具體實現(xiàn)過程中，L和W的計算是較為困難的(特別是對于長寬不均勻的道路段和曲線道路段)。

矩形度R是區(qū)域面積A與其外接矩形面積Arect之比，即

R=A/Arect,

(10)

計算R時的Arect難以直接得出(尤其是對于不規(guī)則的凹多邊形)。

圓形度C指多邊形周長P的平方與其面積的比值，即

C=P2/A。

(11)

圓形區(qū)域的C具有最小的值4 π。不論是直線道路還是曲線道路，其C值均等同于L遠大于W的矩形的C值，即

C=4(1+α)2/α，

(12)

式中：α=L/W，α≥1；當(dāng)且僅當(dāng)α=1時，其C取得最小值16。因此道路的C值是較大的。因此，在HRI中道路區(qū)域被完整分割的前提下，利用C值區(qū)分道路和非道路是簡單、有效的一種方法。

2 算法的實例驗證

為了驗證本文提出的HRI道路分割算法的效果，采用2景OrbView3高分辨率多光譜圖像(空間分辨率4 m，有藍、綠、紅和近紅外4個波段)，進行了道路提取實驗；并對本文方法與SVM監(jiān)督分類方法的道路提取結(jié)果進行了對比分析。

2.1 實例1

第1景OrbView3多光譜圖像的時相為2007年1月11日，中心地理坐標(biāo)為E112.456 804°，N43.056 624°，覆蓋區(qū)域為內(nèi)蒙古自治區(qū)二連浩特市偏南的郊區(qū)。用于道路提取實驗所截取的子圖像(僅顯示紅波段)及道路提取實驗結(jié)果見圖2。

(a) 原圖像 (b) 邊界提取結(jié)果 (c) 光譜合并結(jié)果

圖2-1 實例1 HRI圖像和道路提取實驗結(jié)果

Fig.2-1 HRI image of case 1 and road extraction result

(d) 邊界合并結(jié)果 (e) 本文方法道路提取結(jié)果 (f) SVM道路提取結(jié)果

圖2-2 實例1 HRI圖像和道路提取實驗結(jié)果

Fig.2-2 HRI image of case 1 and road extraction result

圖2(a)中有3條較長的近南北方向的直線型道路，幾乎互相平行，其中2條道路相距很近；另外1條相距較遠的道路寬度非常小(最小處甚至只有一個像素)，這給對該條道路的完整分割帶來很大的難度。圖2(a)的上方還有1條近東西方向的道路，其寬度較小，且東邊的部分路段十分模糊。圖像獲取時正處于當(dāng)?shù)氐亩?，地表沒有植被覆蓋，大部分道路與周圍地面的邊界十分清晰。

按照本文道路提取方法流程，首先進行圖像分割，包括光譜合并和邊界合并。圖2(c)(d)分別顯示了光譜合并和邊界合并的分割結(jié)果。光譜合并基本將均等一致的區(qū)域分割出來；但在圖2(c)中近東西方向道路的西側(cè)路段因其寬度很小、灰度值與周圍地面相近而未被分割出來；而圖2(c)中東側(cè)近南北方向的道路，盡管其寬度較小，仍被完整地分割了出來，顯示了本文方法的優(yōu)勢。經(jīng)過邊界合并，圖2(c)中一些尺度較小的區(qū)域被合并到背景地面區(qū)域中。圖2(d)中道路區(qū)域被完整地保留下來，只有圖中上方近東西方向道路的東側(cè)路段被錯誤地合并到了背景區(qū)域中，這是因為其邊界強度很小(圖2(b))。對邊界強度的提取結(jié)果進行了歸一化，其值范圍是0～1。本實驗中，光譜合并的閾值是0.50，邊界合并的閾值為0.15。

在圖像分割的基礎(chǔ)上，利用區(qū)域形狀特征進行道路提取，結(jié)果見圖2(e)。所利用的形狀特征是圓形度C，對于C<300的區(qū)域分為非道路，否則分為道路。圖2(e)中，東側(cè)南北方向道路的北側(cè)路段沒有被分為道路，這是因為該路段的灰度值較高，沒有與南側(cè)較長的路段合并，造成其C較小。圖2(f)是采用SVM監(jiān)督分類方法得到的道路提取結(jié)果，其中很多灰度值較低的區(qū)域被錯誤地分類成道路，而且一些灰度值較高的路段被被錯誤地分類成非道路。為了定量地驗證2種方法的精度，分別計算了它們的分類總精度和Kappa系數(shù)。

2.2 實例2

第2景OrbView3多光譜圖像的獲取時間為2004年6月30日，中心地理坐標(biāo)為(E115.889 264°，N28.723 345°)，覆蓋區(qū)域是江西省南昌市市區(qū)。用于道路提取實驗的子圖像(僅顯示藍波段)及道路提取實驗結(jié)果見圖3。

(a) 原圖像(b) 邊界提取結(jié)果(c) 光譜合并結(jié)果

圖3-1 實例2 HRI圖像和道路提取實驗結(jié)果

Fig.3-1 HRI image of case 2 and road extraction result

(d) 邊界合并結(jié)果 (e) 本文方法道路提取結(jié)果(f) SVM道路提取結(jié)果

圖3-2 實例2 HRI圖像和道路提取實驗結(jié)果

Fig.3-2 HRI image of case 2 and road extraction result

圖3(a)中有1個“井”字形的道路網(wǎng)，除了西側(cè)南北方向道路的部分路段較為模糊外，其他路段的邊界均十分清晰，在東南方向路段還有一個環(huán)狀的路口。圖3(a)中共有道路、建筑、土壤和植被等4類地物，其中很多土壤區(qū)域的光譜值與道路的相近，這加大了道路提取的難度。圖3(c)和(d)分別為光譜合并和邊界合并的分割結(jié)果，圖3(a)中的道路網(wǎng)絡(luò)基本被完整地分割出來。值得一提的是，圖3(a)北部寬度很小的道路段以及西側(cè)南北方向道路的模糊路段均被完整地分割出來，這表示本文道路分割方法具有良好的效果。光譜合并和邊界合并的閾值分別為0.15和0.03。

圖3(e)和(f)分別是本文方法和SVM方法的道路提取結(jié)果。本文方法道路提取中C=200。與實例1類似，SVM方法可以將道路的主體部分提取出來，只有個別灰度差異較大的路段沒有被合并到主體道路網(wǎng)絡(luò)的區(qū)域中，造成漏檢；但本文方法卻將一些較小尺度的路段完整地分割出來，依然顯示了很好的性能。在用SVM方法提取道路的結(jié)果中，很多土壤區(qū)域被錯分為道路，特別是在圖3(f)北部區(qū)域，因土壤的灰度值較高，易與道路混淆；而本文方法卻沒有出現(xiàn)這樣的問題。表1顯示了2種方法的道路提取精度，本文方法優(yōu)于SVM。

表1 本文方法和SVM方法道路提取精度對比Tab.1 Accuracy comparison between the proposed method and SVM

3 結(jié)論

1)本文發(fā)展了一種高分辨率遙感圖像(HRI)道路分割方法，該方法共包括3個步驟：光譜合并、邊界合并和基于形狀特征的道路區(qū)域提取，其中前2個步驟完成了HRI圖像的分割。

2)為了提高分割精度，本文在光譜合并的合并標(biāo)準(zhǔn)中綜合考慮了均值、方差等統(tǒng)計特征量。在圖像分割的基礎(chǔ)上，利用圓形度來區(qū)分道路和非道路區(qū)域。

3)利用2景OrbView3圖像進行的道路提取實驗證明，本文提出的道路提取方法具有較高的精度。

[1] Mena J B.State of the art on automatic road extraction for GIS update:A novel classification[J].Pattern Recognition Letters,2003,24(6):3037-3058.

[2] 史文中,朱長青,王昱.從遙感影像提取道路特征的方法綜述與展望[J].測繪學(xué)報,2001,30(3):257-262. Shi W Z,Zhu C Q,Wang Y.Road feature extraction from remotely sensed image:Review and prospects[J].Acta Geodaetica et Cartographica Sinica,2001,30(3):257-262.

[3] 吳亮,胡云安.遙感圖像自動道路提取方法綜述[J].自動化學(xué)報,2010,36(7):912-922. Wu L,Hu Y A.A survey of automatic road extraction from remote sensing images[J].Acta Automatica Sinica,2010,36(7):912-922.

[4] Shi W Z,Miao Z L,Debayle J.An integrated method for urban main-road centerline extraction from optical remotely sensed imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(6):3359-3372.

[5] 李曉峰,張樹清,韓富偉,等.基于多重信息融合的高分辨率遙感影像道路信息提取[J].測繪學(xué)報,2008,37(2):178-184. Li X F,Zhang S Q,Han F W,et al.Road extraction from high-resolution remote sensing images based on multiple information fusion[J].Acta Geodaetica et Cartographica Sinica,2008,37(2):178-184.

[6] 曾發(fā)明,楊波,吳德文,等.基于Canny邊緣檢測算子的礦區(qū)道路提取[J].國土資源遙感,2013,25(4):72-78.doi:10.6046/gtzyyg.2013.04.12. Zeng F M,Yang B,Wu D W,et al.Extraction of roads in mining area based on Canny edge detection operator[J].Remote Sensing for Land and Resources,2013,25(4):72-78.doi:10.6046/gtzyyg.2013.04.12.

[7] Das S,Mirnalinee T T,Varghese K.Use of salient features for the design of a multistage framework to extract roads from high-resolution multispectral satellite images[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(10):3906-3921.

[8] 唐偉,趙書河,王培法.面向?qū)ο蟮母呖臻g分辨率遙感影像道路信息的提取[J].地球信息科學(xué),2008,10(2):257-262. Tang W,Zhao S H,Wang P F.Object-oriented road information extraction from high resolution imagery[J].Geo-information Science,2008,10(2):257-262.

[9] 雷小奇,王衛(wèi)星,賴均.一種基于形狀特征進行高分辨率遙感影像道路提取方法[J].測繪學(xué)報,2009,38(5):457-465. Lei X Q,Wang W X,Lai J.A method of road extraction from high-resolution remote sensing images based on shape features[J].Acta Geodaetica et Cartographica Sinica,2009,38(5):457-465.

[10]蔡紅玥,姚國清.基于分水嶺算法的高分遙感圖像道路提取優(yōu)化方法[J].國土資源遙感,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05. Cai H Y,Yao G Q.Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm[J].Remote Sensing for Land and Resources,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

[11]盧昭羿,左小清,黃亮,等.面向?qū)ο蟮耐队盎シ指畹缆纷兓瘷z測[J].國土資源遙感,2012,24(3):60-64.doi:10.6046/gtzyyg.2012.03.12. Lu Z Y,Zuo X Q,Huang L,et al.Road change detection using object-oriented projective interactive partition[J].Remote Sensing for Land and Resources,2012,24(3):60-64.doi:10.6046/gtzyyg.2012.03.12.

[12]Beaulieu J M,Goldberg M.Hierarchy in picture segmentation:A stepwise optimization approach[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1989,11(2):150-163.

[13]Tilton J C,Tarabalka Y,Montesno P,et al.Best merge region-growing segmentation with integrated nonadjacent region object aggregation[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(11):4454-4467.

[14]Baatz M,Sch?pe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[C]//Angewandte Geographich Informationsverarbeitung,XII.Germany:Wichmann,2000:12-23.

[15]Qin A K,Clausi D A.Multivariate image segmentation using semantic region growing with adaptive edge penalty[J].IEEE Transactions on Image Processing,2010,19(8):2157-2170.

(責(zé)任編輯：李瑜)

A study of road segmentation from the high resolution remote sensing image

SU Tengfei, LI Hongyu, QU Zhongyi

(WaterConservancyandCivilEngineeringCollege,InnerMongoliaAgricultureUniversity,Hohhot010018，China)

In order to enhance the automation and accuracy of road information extraction from the high-resolution remote sensing image (HRI), this paper proposes a HRI road segmentation algorithm, which includes 3 stages, i.e., spectral mergence, edge mergence, and road region extraction based on shape property. The first two stages are actually the image segmentation method based on region growing. Spectral statistic variables, such as average and variance, are considered in the spectral merging criteria to raise segmentation accuracy. A vector gradient method is used to accurately derive edge strength that is critical for edge merging criterion. Spectral and edge mergences are all implemented as global best merge algorithm, so the segmentation result is optimized. On the premise of the complete segmentation of the roads, shape properties can be effectively used to extract roads from HRI. Circularity is adopted to separate roads from non-road regions. Two scenes of OrbView3 multispectral images are used to carry out road extraction experiment. The experimental result shows that the overall accuracy and Kappa coefficient of the method proposed in this paper are above 97% and 0.8, respectively, obviously superior to the result of SVM supervised classification.

high-resolution remote sensing image(HRI)；image segmentation；spectral mergence；edge mergence；road extraction

2014-05-16；

2014-07-11

國家自然科學(xué)基金面上項目“鹽漬化灌區(qū)節(jié)水灌溉條件下不同尺度農(nóng)田水環(huán)境物質(zhì)遷移與響應(yīng)機理研究”(編號：50669005)資助。

10.6046/gtzyyg.2015.03.01

蘇騰飛,李洪玉,屈忠義.高分辨率遙感圖像道路分割算法[J].國土資源遙感,2015,27(3):1-6.(Su T F,Li H Y,Qu Z Y.A study of road segmentation from the high resolution remote sensing image[J].Remote Sensing for Land and Resources,2015,27(3):1-6.)

TP 79

A

1001-070X(2015)03-0001-06

蘇騰飛(1987-)，男，碩士，助理實驗師，主要研究方向為遙感圖像處理與分析算法的構(gòu)建。Email：stf1987@126.com。

李洪玉(1973-)，男，碩士，副教授，主要從事遙感測繪的教學(xué)與科研工作。Email: lhy1973imau@163.com。