基于圖像分塊和線段投票的遙感道路邊緣線提取

徐 南，周紹光

(河海大學(xué)地球科學(xué)與工程學(xué)院，南京 210098)

0 引言

隨著遙感技術(shù)的快速發(fā)展，遙感應(yīng)用越來越廣泛。如何充分利用遙感圖像的高分辨率特征快速提取和識(shí)別目標(biāo)地物成為目前遙感領(lǐng)域的一個(gè)熱點(diǎn)問題[1－3]。遙感圖像中道路的識(shí)別與提取更是當(dāng)前的一個(gè)研究難點(diǎn)和焦點(diǎn)問題[4－6]。

對(duì)于高分辨率遙感圖像，利用道路幾何特征提取道路信息是一種經(jīng)典的方法，國內(nèi)外很多專家對(duì)此作了大量研究，例如:鐘家強(qiáng)等[7]利用道路的線特征檢測(cè)道路網(wǎng);肖鵬峰等[8]通過相位一致性對(duì)道路進(jìn)行檢測(cè);朱昌盛等[9]采用平行線從遙感圖像中提取道路主干道;梅小明等[10]利用Beamlet變換算法提取道路的線狀特征;賈承麗等[11]通過Hough變換進(jìn)行目標(biāo)道路檢測(cè);雷小奇等[12]綜合幾何形狀特征進(jìn)行道路提取;李燕等[13]利用啟發(fā)式搜索算法跟蹤提取道路信息;周紹光等[14]則采用相位編組法和動(dòng)態(tài)規(guī)劃法提取道路。

現(xiàn)有方法一般基于2點(diǎn)假設(shè)來提取道路:①道路邊緣線清晰連續(xù);②道路為規(guī)則直線或連續(xù)平滑曲線。基于上述假設(shè)，傳統(tǒng)方法先使用Canny算子檢測(cè)邊緣，再利用Hough變換或直線擬合方法提取道路[15]。對(duì)于理想的道路，上述方法可獲得較好的提取效果;但大部分道路在遙感圖像中并不是直線或規(guī)則曲線，道路上的車輛、分隔欄以及道路兩旁建筑物與樹木的陰影等也會(huì)影響道路影像的質(zhì)量;大部分道路的邊緣并不是直線或連續(xù)平滑曲線，即使是局部邊緣也難以用一個(gè)簡(jiǎn)單的數(shù)學(xué)方程來嚴(yán)格描述，在這種情況下往往會(huì)使傳統(tǒng)方法難以奏效。

針對(duì)現(xiàn)有方法的上述不足，本文提出如下幾點(diǎn)改進(jìn):①使用方向模板檢測(cè)圖像中的邊緣線，解決道路影像對(duì)比度低、邊緣線較弱的問題;②將邊緣圖切割成子塊，提取出長(zhǎng)度大于給定閾值的直線段，解決傳統(tǒng)方法難以顧及道路局部幾何信息的問題;③向直線段兩端延伸并進(jìn)行投票，連接處于彎曲邊緣線的直線段;④使用一種新方法去除毛刺、分叉和雜亂結(jié)構(gòu)，得到道路網(wǎng)。改進(jìn)后的方法可以較好地提取復(fù)雜遙感圖像中帶有一定曲率、對(duì)比度較低、受噪聲影響嚴(yán)重的道路邊緣線信息。

1 道路邊緣線提取

1.1 圖像邊緣檢測(cè)流程

對(duì)于一般較為清晰的圖像，可采用Canny算子檢測(cè)并細(xì)化邊緣;而對(duì)于較為復(fù)雜的高分辨率圖像，邊緣影像對(duì)比度較低，可通過方向模板法獲得邊緣信息，其流程如下:

1)計(jì)算圖像各像元的梯度;

2)根據(jù)梯度方向?qū)⑾裨獎(jiǎng)澐譃槿舾深?本文取8類，見圖1);

圖1 方向梯度劃分Fig.1 Division of gradient direction

3)提取梯度模大于給定閾值的像元為邊緣點(diǎn)。

基于上述操作，對(duì)8個(gè)方向上的邊緣點(diǎn)分別提取分塊子線段并通過投票連接子線段，去除毛刺和雜亂邊緣線，取其并集形成最終道路網(wǎng)。

1.2 分塊子線段提取

高分辨率遙感圖像中的道路受道路兩旁樹木和建筑物的陰影以及道路上車輛等多種因素的影響，一般難以形成直線或者連續(xù)平滑邊緣;但局部道路可被認(rèn)為是直線段，因此本文通過選取合適的m0×m0子塊，以保證每個(gè)子塊中只包含1～2條較長(zhǎng)的短直線段。對(duì)于每個(gè)子塊，獲取子線段的方法如圖2所示。

圖2 子塊中線段提取Fig.2 Extraction of line segments in sub－ block

提取各子塊中直線段的步驟如下:

1)檢測(cè)第i個(gè)子塊中邊緣像元個(gè)數(shù)，若像元個(gè)數(shù)小于給定閾值Psub，則認(rèn)為該子塊中無直線段，進(jìn)入下一子塊;否則在子塊中找出距離最大的2個(gè)點(diǎn)p1(c1，r1)和 p2(c2，r2);

2)計(jì)算p1和p2兩點(diǎn)間的距離 d(p1，p2)，記為d12;設(shè)d0為線段最短長(zhǎng)度閾值，若d12＜d0，則該子塊無直線段，i=i+1，轉(zhuǎn)至步驟1);

3)連接p1和p2兩點(diǎn)，形成直線段，以該線段為中軸線向兩側(cè)擴(kuò)展為以W0為寬度(W0為奇數(shù))并與子塊邊框相交的帶狀區(qū)域，若落在該帶狀區(qū)域中的邊緣像元點(diǎn)個(gè)數(shù)小于給定閾值Pline，則將2個(gè)端點(diǎn)歸零，轉(zhuǎn)至步驟1);否則認(rèn)為該帶狀區(qū)域內(nèi)存在一條直線段，保存該直線段及其相關(guān)信息，并將已檢測(cè)出來的直線像元?dú)w零，轉(zhuǎn)至步驟1);

4)若完成圖像遍歷，則跳出循環(huán);否則轉(zhuǎn)入下一子塊，i=i+1。

1.3 投票與子線段連接

經(jīng)過上述分塊提取子線段，可獲得各子塊中的直線段;但這些直線段難以自動(dòng)形成較好的道路邊緣線，在道路端頭、拐彎以及受噪聲影響嚴(yán)重處會(huì)存在斷裂和遺漏。因此，在此處采用基于直線段投票的方法來連接各子線段，依次形成以各子線段中點(diǎn)為中心、W0為寬度、L0為長(zhǎng)度的平行四邊形投票區(qū)域，對(duì)各投票區(qū)域進(jìn)行投票。各直線段投票區(qū)域如圖3所示。

圖3 直線段投票區(qū)域示意圖Fig.3 Voting zone of straight－ line segment

投票數(shù)組的計(jì)算流程如下:

1)設(shè)置與原圖像大小相同的投票數(shù)組Mm，n，各元素初始化為零，用來存放各像元票數(shù);

2)順次計(jì)算每條子線段的斜率和截距，以各子線段中點(diǎn)為中心，構(gòu)造寬度為W0、長(zhǎng)度為L(zhǎng)0的平行四邊形投票區(qū)域Ck，將落入Ck中的像元所對(duì)應(yīng)投票數(shù)組元素 Mc，r加上 1，即

3)遍歷所有直線段所對(duì)應(yīng)的投票區(qū)域，獲得投票矩陣Mm，n，篩選出票數(shù)大于給定閾值v0的點(diǎn)作為潛在道路點(diǎn)集 Rm，n，即

4)將上述潛在道路點(diǎn)集與分塊道路邊緣圖做并集，填補(bǔ)各道路之間的斷裂和遺漏，細(xì)化邊緣線，去除長(zhǎng)度小于給定閾值的道路和部分孤立點(diǎn)，以獲得連接好的道路。

1.4 毛刺和雜亂結(jié)構(gòu)去除

通過上述處理，可基本提取出遙感圖像中的道路;但依然會(huì)有部分道路與道路旁的建筑物或者其他微小地物存在粘連的現(xiàn)象，這會(huì)對(duì)最終的道路邊緣線提取造成不利影響，因此必須將道路旁附著的毛刺和一些雜亂邊緣線去除，步驟如下:

1)對(duì)于每個(gè)道路邊緣連通成分comp1，找到其端點(diǎn)集，記為ep1;進(jìn)行若干次腐蝕運(yùn)算后，端點(diǎn)集記為ep2;再以邊緣線圖像comp1為掩模、以端點(diǎn)集ep2為種子點(diǎn)進(jìn)行受限膨脹運(yùn)算，去除較短的毛刺，此時(shí)邊緣連通成分記為comp2;

2)尋找每個(gè)道路連通域comp2中的端點(diǎn)集ep3和交叉點(diǎn)集cp1，如果端點(diǎn)數(shù)量等于2，則該道路不需要處理，此類道路屬于集合R1;否則，認(rèn)為該道路存在毛刺或分叉，此類道路屬于集合R2。篩選出每2個(gè)端點(diǎn)之間在該連通域中的最長(zhǎng)路徑作為主要道路，計(jì)算交叉點(diǎn)至各端點(diǎn)的距離;若該距離大于給定閾值，則該端點(diǎn)至交叉點(diǎn)之間的通路作為次要道路，否則作為毛刺剔除。道路集合R2經(jīng)處理后為集合R20;

3)取集合R1和集合R20的并集Ru=R1∪R20，并篩選出其中連通域面積(因?yàn)樵搱D像已經(jīng)過細(xì)化運(yùn)算，所以面積亦即連通域的長(zhǎng)度)大于閾值C0的連通域;

4)使用連通域形狀指數(shù)對(duì)上述運(yùn)算的結(jié)果進(jìn)一步篩選，計(jì)算每個(gè)連通域的形狀指數(shù)，去除形狀指數(shù)小于一定閾值并且連通域面積小于一定閾值的連通域，將篩選出來的連通域集合作為最終的道路邊緣集合。

上述步驟2)中搜索主要道路的詳細(xì)步驟如下:①對(duì)第i個(gè)連通域，搜索出其ne個(gè)端點(diǎn)，若ne≤2，該連通域無毛刺，i=i+1;②對(duì)于第j個(gè)端點(diǎn)Ej和第 k 個(gè)端點(diǎn) Ek，其中 j，k=1，2…，ne并且 j≠k，使用F(Ej，Ek)表示Ej與Ek之間的最短距離;③選擇Rmaini=max{F(Ej，Ek)}作為第i個(gè)連通成分中的主要道路。經(jīng)過上述①—③步驟操作之后，可能會(huì)依然存在如圖4所示的雜亂結(jié)構(gòu)。

圖4 雜亂邊緣線Fig.4 Mess edge lines

為去除上述雜亂結(jié)構(gòu)，定義形狀指數(shù)S，即

式中:Plen為連通成分像元個(gè)數(shù);△r為連通區(qū)域最小包絡(luò)矩形的行像元差;△c為邊緣線最小包絡(luò)矩形的列像元差。按照上述步驟提取出的道路邊緣線一般呈長(zhǎng)條形，其形狀指數(shù)S會(huì)明顯小于2，而雜亂邊緣線的形狀指數(shù)會(huì)大于2。因此，選取適當(dāng)?shù)拈撝礢0可有效地去除圖4中的雜亂邊緣線。多次實(shí)驗(yàn)表明，當(dāng)S0=2時(shí)，可取得較好的效果。

2 實(shí)驗(yàn)與結(jié)果分析

本文以2景IKONOS圖像為例，檢驗(yàn)新算法提取道路邊緣線的效果(圖5—7)。

圖5－1 本文方法對(duì)圖像I的實(shí)驗(yàn)結(jié)果Fig.5－1 Experimental results for image I by method proposed in this paper

圖5－2 本文方法對(duì)圖像I的實(shí)驗(yàn)結(jié)果Fig.5－2 Experimental results for image I by method proposed in this paper

實(shí)驗(yàn)過程中的參數(shù)取值情況如下:m0=20，n0=20，w0=3，W0=3，v0=3，d0=7，Psub=18，Pline=15，S0=2。采用本文方法，從圖像Ⅰ中提取出大部分道路邊緣線(圖5)。

作為對(duì)比，給出了使用經(jīng)典Hough變換方法提取的結(jié)果(圖6)。

圖6 Hough變換法對(duì)圖像I的實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of image I by Hough transform method

圖像Ⅱ的影像信息比較復(fù)雜，故對(duì)過短的邊緣 線沒有作為結(jié)果輸出(圖7)。

圖7－1 本文方法對(duì)圖像Ⅱ的實(shí)驗(yàn)結(jié)果Fig.7－1 Experimental result of imageⅡ by method proposed in this paper

對(duì)于圖像Ⅰ和圖像Ⅱ，影像地物較為復(fù)雜，且對(duì)比度較低，使用Canny算子難以提取出完整邊緣，故采用方向模板方法進(jìn)行邊緣檢測(cè)。

對(duì)比圖5(d)和圖6(b)可以看出，本文算法能夠較好地提取出高分辨率遙感圖像中的道路;而經(jīng)典的Hough變換只能檢測(cè)出部分短直線，對(duì)于彎曲或不甚規(guī)則的道路邊緣監(jiān)測(cè)則無能為力，且檢測(cè)出來的邊緣斷裂嚴(yán)重。圖7中的遙感圖像更為復(fù)雜，地物種類繁多，道路有一定曲率，部分道路影像對(duì)比度較低，但本文方法能提取出絕大部分道路的邊緣線。

為更加清楚地看出本文算法中的投票過程，特放大局部圖像，以觀察其投票前后的變化(圖8)。

圖8 局部圖像投票前后變化Fig.8 Changes of local image before and after voting

在圖8中:(a)圖給出局部放大的遙感圖像;(b)圖為投票連接之前的局部圖像，存在較多斷裂和遺漏;(c)為投票連接后的局部圖像，各段直線之間能夠很好地連接。通過對(duì)比可以看出，采取延伸投票之后可以很好地連接發(fā)生彎曲的線段或各分塊中的子線段，形成連續(xù)完整的道路邊緣線。

一般文獻(xiàn)定義查全率(precision)和查準(zhǔn)率(recall)2種指標(biāo)[16]，用于研究圖像分類中這2個(gè)指標(biāo)的相互關(guān)系。本文借助這2種指標(biāo)衡量2景固定圖像的道路提取精度，即

式中:N1為道路邊緣總段數(shù);n1為被正確提取出的道路邊緣總段數(shù);Pleni為第i個(gè)道路邊緣的長(zhǎng)度。

式中:N2為被提取出的邊緣線總段數(shù);n2為被正確提取出的道路邊緣線總段數(shù);Plenj為第j個(gè)道路被提出的邊緣線的長(zhǎng)度。

本文實(shí)驗(yàn)中，2景圖像的查全率分別為86.3%和90.1%，查準(zhǔn)率分別為90.3%和92.7%。

已發(fā)表的論文中一般只計(jì)算出道路邊緣線提取結(jié)果的查全率(比如文獻(xiàn)[14])，經(jīng)比較發(fā)現(xiàn)，本文方法提取道路邊緣線結(jié)果的查全率優(yōu)于上述文獻(xiàn)。

3 結(jié)論

1)傳統(tǒng)邊緣檢測(cè)算子如Canny算子難以檢測(cè)出弱邊緣線，而方向模板法利用相位信息和圖像像元之間的連通關(guān)系可獲取圖像中的弱邊緣線;經(jīng)典Hough變換和基于最小二乘方法的魯棒性較差，無法檢測(cè)出存在彎曲、低對(duì)比度、受噪聲影響嚴(yán)重的道路。本文將所獲得的8個(gè)方向的邊緣圖分別進(jìn)行分塊，搜索子線段;以一定寬度向線段兩邊延伸形成平行四邊形投票區(qū)域，篩選出潛在道路點(diǎn)以連接子線段，選取長(zhǎng)度大于給定閾值的線段作為最終道路邊緣線;去除毛刺和雜亂邊緣線，取8個(gè)方向道路邊緣線的并集，獲得最終道路網(wǎng)。

2)使用本文方法對(duì)2景IKONOS圖像進(jìn)行實(shí)驗(yàn)的結(jié)果表明，本文算法對(duì)于存在彎曲、對(duì)比度較低的高分辨率遙感圖像可以識(shí)別，并能提取出較為清晰的道路邊緣線，而對(duì)于邊緣清晰的道路影像則具有更好的提取效果。

[1]明冬萍，駱劍承，沈占鋒，等.高分辨率遙感影像信息提取與目標(biāo)識(shí)別技術(shù)研究[J].測(cè)繪科學(xué)，2005，30(3):18－20.Ming D P，Luo J C，Shen Z F，et al.Research on information extraction and target recognition from high resolution remote sensing image[J].Science of Surveying and Mapping，2005，30(3):18－20.

[2]劉曉沐，季 艷，萬壽紅.單源可見光遙感圖像中的水域識(shí)別[J].儀器儀表學(xué)報(bào)，2006，27(6):2086－2087.Liu X M，Ji Y，Wan S H.Waters recognition in single－source visible remote sensing image[J].Chinese Journal of Scientific Instrument，2006，27(6):2086－2087.

[3]張偉偉，毛政元.一種面向高空間分辨率遙感影像的路口自動(dòng)定位新方法[J].國土資源遙感，2012，24(1):13－16.Zhang W W，Mao Z Y.A new approach to automatic positioning of road junctions in high spatial resolution remotely sensed imagery[J].Remote Sensing for Land and Resources，2012，24(1):13－16.

[4]高芳琴，吳健平.遙感圖像識(shí)別中線性地物提取方法研究[J].儀器儀表學(xué)報(bào)，2005，25(4):653－656.Gao F Q，Wu J P.Detecting linear object in remote sensing image recognition[J].Chinese Journal of Scientific Instrument，2005，25(4):653－656.

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

[6]董占杰，毛政元.基于道路綠地特征的遙感影像道路信息提取方法研究[J].國土資源遙感，2011，23(2):43－46.Dong Z J，Mao Z Y.Methodological research on road extraction based on characteristics of road greenbelts in remotely sensed imagery[J].Remote Sensing for Land and Resources，2011，23(2):43－46.

[7]鐘家強(qiáng)，王潤(rùn)生.一種基于線特征的道路網(wǎng)變化檢測(cè)算法[J].遙感學(xué)報(bào)，2007，11(1):27－32.Zhong J Q，Wang R S.A road network change detection algorithm based on linear feature[J].Journal of Remote Sensing，2007，11(1):27－32.

[8]肖鵬峰，馮學(xué)智，趙書河，等.一種基于相位一致的高分辨率遙感圖像特征檢測(cè)方法[J].遙感學(xué)報(bào)，2007，11(3):303－310.Xiao P F，F(xiàn)eng X Z，Zhao S H，et al.Feature detection from high－resolution remotely sensed imagery based on phase[J].Journal of Remote Sensing，2007，11(3):303－310.

[9]朱昌盛，周 偉，關(guān) 鍵.基于平行線對(duì)檢測(cè)的SAR圖像主干道提取算法[J].中國圖形圖象學(xué)報(bào)，2011，16(10):1908－1917.Zhu C S，Zhou W，Guan J.Main roads extraction from SAR imagery based on parallel pairs detection[J].Journal of Image and Graphics，2011，16(10):1908－1917.

[10]梅小明，張良培，李平湘.利用Beamlet變換算法提取遙感圖像直線[J].計(jì)算機(jī)科學(xué)，2007，34(12):230－232.Mei X M，Zhang L P，Li P X.Line extraction in remote sensing image with Beamlet transform[J].Computer Science，2007，34(12):230－232.

[11]賈承麗，匡綱要，粟 毅.基于Hough變換的高分辨SAR圖像道路目標(biāo)檢測(cè)[J].國防科技大學(xué)學(xué)報(bào)，2009，26(1):50－55.Jia C L，Kuang G Y，Su Y.Road extraction from the high－ resolution SAR imagery using Hough transform[J].Journal of National University of Defense Technology，2009，26(1):50－55.

[12]雷小奇，王衛(wèi)星，賴 均.一種基于形狀特征進(jìn)行高分辨率遙感影像道路提取方法[J].測(cè)繪學(xué)報(bào)，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.

[13]李 燕，余旭初.基于啟發(fā)式圖搜索的遙感影像道路半自動(dòng)提取[J].測(cè)繪學(xué)院學(xué)報(bào)，2002，19(4):268－271.Li Y，Yu X C.Semi－ automatic extraction of roads from satellite imagery based on heuristic graph search[J].Journal of Institute of Surveying and Mapping，2002，19(4):268－271.

[14]周紹光，徐 勇.在高分辨率遙感影像中提取無清晰連續(xù)邊緣線的道路[J].測(cè)繪學(xué)報(bào)，2008，37(3):301－307.Zhou S G，Xu Y.To extract roads with no clear and continuous boundaries in remote sensing images[J].Acta Geodaetica et Cartographica Sinica，2008，37(3):301－307.

[15]韓秋蕾，朱 明，姚志軍.基于改進(jìn)Hough變換的圖像線段特征提取[J].儀器儀表學(xué)報(bào)，25(4):436－439.Han Q L，Zhu M，Yao X J.Line segment feature extraction based on improved Hough transform[J].Chinese Journal of Scientific Instrument，25(4):436－ 439.

[16]Martin D R，F(xiàn)owlkes C C，Malik J.Learning to detect natural image boundaries using local brightness，color，and texture cues[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26(5):530－549.