基于Canny邊緣檢測(cè)思想的改進(jìn)遙感影像道路提取方法

黃巍， 黃輝先， 徐建閩， 劉嘉婷

(1.湘潭大學(xué)信息工程學(xué)院，湘潭 411105; 2.華南理工大學(xué)土木與交通學(xué)院，廣州 510640)

0 引言

隨著遙感技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，遙感影像富含的海量信息得到越來(lái)越多的重視，應(yīng)用的意義隨之增大。其中道路信息對(duì)智能交通、智慧城市乃至智慧地球的建設(shè)具有重要作用。然而由于地物的復(fù)雜性，精準(zhǔn)識(shí)別提取道路信息成為當(dāng)前研究的重要課題。

目前，道路的提取方法大致可以分為基于區(qū)域的提取方法和基于邊緣的提取方法2類?；趨^(qū)域的提取方法主要是在“區(qū)域”(即在某種標(biāo)準(zhǔn)方面(如光譜信息、紋理信息等)相一致且位置上相鄰的像素群)上，根據(jù)區(qū)域的某些特征(如面積特征、周長(zhǎng)特征等)來(lái)完成影像的分類和目標(biāo)的識(shí)別[1-2]。該方法的提取效果很大程度上受標(biāo)準(zhǔn)選擇的影響，對(duì)人員先驗(yàn)知識(shí)的要求較高。基于邊緣的提取方法主要基于影像梯度在邊緣上的變化特性進(jìn)行道路的提取[3-5]。然而高空間分辨遙感影像所蘊(yùn)含的豐富地物信息會(huì)對(duì)邊緣的判斷造成較大的混淆，并且由于傳感器和天氣環(huán)境的影響，成像時(shí)會(huì)產(chǎn)生一定的噪聲，這給應(yīng)用傳統(tǒng)光學(xué)影像邊緣檢測(cè)方法進(jìn)行道路信息提取增加了難度。

針對(duì)基于邊緣的道路提取方法所存在的問題，本文提出了一種基于Canny邊緣檢測(cè)思想的改進(jìn)遙感影像道路邊緣提取方法。首先,采用一種結(jié)合中值濾波與自適應(yīng)高斯濾波的方法替換傳統(tǒng)Canny邊緣檢測(cè)方法的平滑強(qiáng)度固定的高斯濾波方法來(lái)對(duì)影像進(jìn)行降噪； 然后,在經(jīng)過(guò)Canny算法的梯度求取以及固定常數(shù)的雙閾值邊緣判斷部分，通過(guò)對(duì)粗略邊緣影像像素點(diǎn)的局部特性進(jìn)行分析，來(lái)自適應(yīng)地選擇高、低閾值判斷是否為邊緣點(diǎn)，以期在道路提取中抑制噪聲的干擾、保留邊緣細(xì)節(jié)，并有效解決遙感影像豐富地物中梯度變化較小的邊緣誤判問題，從而提高道路提取的完整性和準(zhǔn)確度，為地理信息系統(tǒng)提供準(zhǔn)確的基礎(chǔ)地理信息。

1 Canny邊緣檢測(cè)方法

用于圖像邊緣檢測(cè)的方法有很多，常用的邊緣檢測(cè)算子有Sobel，Log，Prewitt和Roberts等。這些算法的實(shí)現(xiàn)較為簡(jiǎn)單，檢測(cè)較快，但是易受噪聲干擾，如果將其應(yīng)用于遙感影像邊緣檢測(cè)中將會(huì)出現(xiàn)干擾邊緣多、邊緣不連續(xù)或者道路細(xì)節(jié)丟失等情況。

基于最優(yōu)化思想的Canny邊緣檢測(cè)方法可以彌補(bǔ)其他梯度算子的不足，被認(rèn)為是最成功也是應(yīng)用最廣泛的灰度邊緣檢測(cè)方法。本文在遙感影像邊緣檢測(cè)中借鑒Canny方法的實(shí)現(xiàn)思想，依照Canny方法的檢測(cè)步驟完成邊緣的提取。

Canny方法在實(shí)現(xiàn)上主要有4個(gè)步驟[6]：

1)平滑影像降噪。采用高斯函數(shù)G(x,y)對(duì)影像f(x,y)進(jìn)行卷積，得到平滑影像g(x,y)，即

(1)

g(x,y)=f(x,y)×G(x,y)，

(2)

式中σ為平滑尺度參數(shù)。

2)計(jì)算梯度幅值和方向。選用合適的梯度算子計(jì)算降噪后影像各像素點(diǎn)的梯度大小和方向。

3)非極大值抑制(non-maximum suppression，NMS)。為了準(zhǔn)確地定位邊緣點(diǎn)位置，對(duì)各像素點(diǎn)的梯度值采取非極大值的抑制手段。在當(dāng)前像素點(diǎn)的鄰域內(nèi)，通過(guò)比較該點(diǎn)的梯度幅值，若大于沿梯度方向上相鄰2個(gè)像素點(diǎn)灰度值的梯度幅值，那么判斷該點(diǎn)是可能的邊緣點(diǎn)； 否則判斷該點(diǎn)為非邊緣點(diǎn)。

4)高、低閾值檢測(cè)與邊緣連接。通過(guò)上述步驟處理后得到的邊緣只是粗略的邊緣，還要將其經(jīng)過(guò)高、低閾值的檢測(cè)處理來(lái)剔除偽邊緣點(diǎn)。將小于低閾值的點(diǎn)排除，大于高閾值的點(diǎn)確定為邊緣點(diǎn)； 若介于兩者之間則標(biāo)記為弱邊緣點(diǎn)，再判斷此弱邊緣點(diǎn)與邊緣點(diǎn)是否相連接，若是，則將此點(diǎn)記為邊緣點(diǎn)。

2 影像濾波降噪

遙感影像在采集、轉(zhuǎn)換和傳送等過(guò)程中易因儀器和外界環(huán)境而產(chǎn)生噪聲，因此在進(jìn)行遙感影像邊緣檢測(cè)和道路提取前，需要采用適當(dāng)?shù)姆椒▉?lái)減少噪聲。但是平滑降噪的同時(shí)容易模糊原影像，使遙感影像的邊緣細(xì)節(jié)保留能力降低。為此，本文采用一種能降噪又能較好地保留邊緣細(xì)節(jié)的基于目標(biāo)尺度的自適應(yīng)高斯濾波器替換傳統(tǒng)Canny方法中的高斯濾波器，在高斯濾波前先使用中值濾波來(lái)平滑因地物信息增加造成的較多椒鹽噪聲，然后再求得各像素點(diǎn)的目標(biāo)尺度并與高斯函數(shù)結(jié)合，針對(duì)不同像素點(diǎn)來(lái)自適應(yīng)地改變平滑強(qiáng)度進(jìn)行濾波降噪。

2.1 中值濾波

中值濾波是一種依據(jù)排序理論的非線性濾波方式。通過(guò)將中心像素點(diǎn)鄰域里的所有像素的灰度值按大小順序排列，再用這些像素灰度值的中值來(lái)代替該中心像素點(diǎn)的灰度值。通過(guò)中值濾波能夠去除較大的孤立噪聲點(diǎn)。

2.2 目標(biāo)尺度

目標(biāo)尺度的概念最早由Saha等[7]在2000年提出。對(duì)于二維圖像而言是一種表征局部區(qū)域各像素灰度相似程度的量。不同于傳統(tǒng)的空間尺度概念，它是空間中某點(diǎn)基于鄰域半徑搜索和鄰域相似度的計(jì)算，用滿足條件的鄰域半徑表征像素點(diǎn)的局部特征的量，表示的是一種目標(biāo)的局部范圍內(nèi)形態(tài)學(xué)層面上的大小。2005年，Chen[8]用數(shù)學(xué)語(yǔ)言較為嚴(yán)謹(jǐn)?shù)孛枋龀隽四繕?biāo)尺度，即定義空間中任意像素點(diǎn)(x，y)的R(R≥0,R∈Z)鄰域Nxy(R)及邊界區(qū)域Bxy(R)分別為

Nxy(R)={(x,y)||x-i|≤R,|y-j|≤R}，

(3)

Bxy(R)={(i,j)|(i,j)∈Nxy(R)-Nxy(R-1)} ，

(4)

式中(i，j)為邊界區(qū)域上所有像素點(diǎn)的坐標(biāo)。

圖1為R=2時(shí)像素點(diǎn)(x，y)的鄰域與邊界區(qū)域示意圖，其中鄰域?yàn)榘咨珔^(qū)域和灰色區(qū)域，邊界區(qū)域?yàn)榛疑珔^(qū)域。

圖1 R=2鄰域圖Fig.1 Neighbourhood of R=2

點(diǎn)(x，y)與其邊界區(qū)域的相似程度Uxy(R)定義為

(5)

式中： |Bxy(R)|為邊界區(qū)域像素點(diǎn)個(gè)數(shù)；I為像素點(diǎn)的灰度值；σμ為影像梯度分布統(tǒng)計(jì)參數(shù)。根據(jù)高斯分布的3σ原則，99.7%的分布在均值的3σ區(qū)域范圍內(nèi)，故

σμ=μd+3σd，

(6)

式中μd和σd分別為影像中所有像素梯度值在去除20%高梯度值后的梯度均值和標(biāo)準(zhǔn)差[9]。

對(duì)于影像中的像素點(diǎn)，其目標(biāo)尺度Rxy為

s.t.?R∈Z(0≤R

(7)

式中Ts為相似度閾值常數(shù)，根據(jù)文獻(xiàn)[7]，Ts取值范圍一般為[0.75,0.85]。

求取目標(biāo)尺度Rxy的具體實(shí)現(xiàn)步驟為：

1)設(shè)置初始條件，包括初始目標(biāo)像素點(diǎn)(x，y)(一般選取影像左上端的第1個(gè)點(diǎn))，閾值Ts，初始鄰域R=1。

2)根據(jù)式(5)計(jì)算像素點(diǎn)(x，y)的邊界相似度。

3)若Uxy(R)≥Ts，則R=R+1，并返回到步驟2)； 若Uxy(R)

4)重復(fù)執(zhí)行步驟2)和步驟3)，直到各像素點(diǎn)遍歷截止。

2.3 自適應(yīng)目標(biāo)尺度平滑濾波

通過(guò)引入目標(biāo)尺度自適應(yīng)改變平滑尺度σ和模板大小來(lái)對(duì)不同的像素(x，y)進(jìn)行不同尺度的平滑濾波，以達(dá)到兼顧平滑噪聲和保留邊緣細(xì)節(jié)的目的。自適應(yīng)高斯濾波函數(shù)為

(8)

式中：σxy為自適應(yīng)平滑尺度參數(shù)；lxy為模板大小參數(shù)。通過(guò)式(7)求得的目標(biāo)尺度Rxy，令σxy=lxy=Rxy，最后將求出的G(x,y,σxy)離散化為(2lxy+1)×(2lxy+1)大小的模板并將模板與給定影像做卷積即可得出平滑影像。

3 雙閾值選取方法

經(jīng)過(guò)降噪處理、梯度求取以及NMS后得到的是粗略邊緣影像，還要進(jìn)一步根據(jù)高、低閾值來(lái)判斷粗略邊緣上的點(diǎn)是否為邊緣點(diǎn)。高、低閾值的設(shè)置直接關(guān)系到邊緣檢測(cè)的精度，是邊緣提取的關(guān)鍵。若閾值太高則可能導(dǎo)致邊緣線的破裂，若閾值太低則會(huì)容易將噪聲和梯度變化較小的邊界誤判為影像邊緣。而合適的閾值不但能夠抑制噪聲，而且還能減少偽邊緣的產(chǎn)生。

由于遙感影像受光照、場(chǎng)景等變化因素的影響，在某一部分分割效果良好的閾值在其他部分的效果不一定就好。高、低閾值的取值無(wú)法是一個(gè)確定不變的值，因此，本文采用以隨位置變化的函數(shù)值作為灰度閾值的自適應(yīng)閾值方法。

除非目標(biāo)有明顯的邊界，否則灰度閾值的大小對(duì)分割目標(biāo)的邊界定位和整體尺寸有很大的影響，這意味著尺寸(特別是面積)的測(cè)量對(duì)于灰度閾值的選取很敏感[10]，合適的面積尺寸范圍亦成為選取閾值的重要因素，對(duì)閾值的準(zhǔn)確、客觀的選取具有重要意義。跟據(jù)上文目標(biāo)尺度的定義，若某像素點(diǎn)的目標(biāo)尺度為Rxy，則在該點(diǎn)的Rxy×Rxy鄰域范圍內(nèi)，影像為相對(duì)平滑的同質(zhì)區(qū)域。因此可以在目標(biāo)尺度這樣一個(gè)面積尺寸范圍內(nèi)來(lái)進(jìn)行灰度閾值的選取。

基于上述討論，本文提出了一種基于目標(biāo)尺度的局部統(tǒng)計(jì)特性的雙閾值選取方法：

1)對(duì)于影像中每一像素點(diǎn)(x，y)，求得該點(diǎn)目標(biāo)尺度Rxy。

2)在該點(diǎn)的Rxy×Rxy鄰域范圍內(nèi)，求得高、低閾值Hxy和Lxy，即

Hxy=(mxy+3σxy)(1-Ts)，

(9)

Lxy=0.4Hxy，

(10)

式中：σxy和mxy分別為該像素點(diǎn)Rxy×Rxy鄰域范圍內(nèi)各像素的標(biāo)準(zhǔn)差和均值，分別表征了該局部區(qū)域的對(duì)比度和平均灰度特性[11]； 閾值Ts的取值同公式(7)。

從而對(duì)于不同的點(diǎn)有不同的閾值來(lái)進(jìn)行邊緣判斷和邊緣連接。高于高閾值Hxy的點(diǎn)判斷為邊緣點(diǎn)，低于低閾值Lxy的點(diǎn)判斷為非邊緣點(diǎn)。介于高、低閾值中間的點(diǎn)再根據(jù)是否和高于高閾值的邊緣點(diǎn)有連接來(lái)判斷是否為邊緣點(diǎn)。

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文方法效果，在Matlab2016平臺(tái)下將本文方法與傳統(tǒng)Canny方法以及結(jié)合Otsu算法選取閾值的Otsu-Canny方法進(jìn)行仿真實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)影像為2幅空間分辨率為0.61 m的QuickBird全色波段遙感影像。具體實(shí)驗(yàn)內(nèi)容包括： ①定性分析，將原始影像和添加噪聲的影像分別進(jìn)行實(shí)驗(yàn)得到邊緣檢測(cè)結(jié)果圖，從視覺上直觀地比較檢測(cè)結(jié)果及算法抗噪性； ②定量分析，采用評(píng)價(jià)指標(biāo)來(lái)進(jìn)行客觀的邊緣檢測(cè)效果評(píng)價(jià)； ③引入形狀特征參數(shù)完成道路邊緣提取的精細(xì)化處理并進(jìn)行結(jié)果精度評(píng)價(jià)。

4.1定性分析

圖2為原始影像的邊緣檢測(cè)結(jié)果。其中圖2(b)和(f)為傳統(tǒng)Canny方法的檢測(cè)結(jié)果，可以看到，傳統(tǒng)Canny方法將梯度變化較小的像素誤判為邊緣，產(chǎn)生的邊緣較為凌亂，特別是在影像1左上角道路邊緣部分、十字路口右上角圓圈內(nèi)以及影像2的道路兩側(cè)的平地部分有較多的誤判。圖2(c)和(g)為Otsu-Canny方法，該方法在進(jìn)行邊緣判斷時(shí)，受到的干擾較大，檢測(cè)出較多的虛假邊緣。圖2(d)和(h)為本文方法結(jié)果，可看出本文方法抗噪性較好，邊緣較為完整，道路的誤判率更低。

(a) 影像1(b) 影像1傳統(tǒng)Canny方法(c) 影像1 Otsu-Canny方法(d) 影像1本文方法

(e) 影像2(f) 影像2傳統(tǒng)Canny方法(g) 影像2 Otsu-Canny方法(h) 影像2本文方法

圖2原始灰度影像檢測(cè)結(jié)果

Fig.2Contrastwithoutnoiseofimage

圖3為高斯噪聲標(biāo)準(zhǔn)差為10和椒鹽噪聲密度0.05%的遙感影像的邊緣檢測(cè)結(jié)果。從結(jié)果圖可以明顯看出，前2種方法去噪能力差、受干擾影響較大，檢測(cè)到輪廓線較為零散，且誤判多、產(chǎn)生了許多虛假邊緣。而本文算法受噪聲干擾非常小，邊緣判斷準(zhǔn)確、邊緣輪廓清晰，線段平滑、連續(xù)性好。

(a) 影像1(b) 影像1傳統(tǒng)Canny方法(c) 影像1Otsu-Canny方法(d) 影像1本文方法

(e) 影像2(f) 影像2傳統(tǒng)Canny方法(g) 影像2Otsu-Canny方法(h) 影像2本文方法

圖3標(biāo)準(zhǔn)差10高斯噪聲和椒鹽噪聲0.05%影像檢測(cè)結(jié)果

Fig.3ContrastofimagewithGaussnoiseandsaltandpeppernoise

4.2 定量分析

為了驗(yàn)證算法的通用性和定性評(píng)價(jià)的可靠性，對(duì)影像1和影像2在無(wú)噪聲和有噪聲環(huán)境下進(jìn)行了對(duì)比實(shí)驗(yàn)，采用Abdou等[12]提出的從邊緣線的丟失、錯(cuò)誤檢測(cè)以及邊緣點(diǎn)定位誤差等方面綜合考慮的品質(zhì)因素P來(lái)評(píng)價(jià)邊緣檢測(cè)效果，即

(11)

式中：II為理想邊緣像素?cái)?shù)量；IA為實(shí)際檢測(cè)出的邊緣像素?cái)?shù)量；d為理想邊緣像素i與實(shí)檢邊緣像素的距離； α為常數(shù)，通常取0.1。P值越大表示檢測(cè)效果越好。

圖4和圖5分別為影像1和影像2的高斯噪聲—品質(zhì)因素曲線圖和椒鹽噪聲—品質(zhì)因素曲線圖?？梢钥吹奖疚姆椒ㄔ诓煌瑥?qiáng)度噪聲下的邊緣檢測(cè)評(píng)價(jià)結(jié)果品質(zhì)因素值始終高于其他2種方法的品質(zhì)因素值。從客觀上表明本文方法的邊緣檢測(cè)效果較好，特別是在噪聲環(huán)境下更優(yōu)于其他2種方法，說(shuō)明本文方法抗噪性更強(qiáng)。

(a) 影像1(b) 影像2

圖4高斯噪聲—品質(zhì)因素曲線圖

Fig.4FigureofmeritversusGaussnoisedensity

(a) 影像1(b) 影像2

圖5椒鹽噪聲—品質(zhì)因素曲線圖

Fig.5Figureofmeritversussaltandpeppernoisedensity

4.3 道路提取后處理及結(jié)果

本文方法克服了其他邊緣算法抗噪性較差、邊緣點(diǎn)判斷準(zhǔn)確性較低的缺點(diǎn)，由誤檢、漏檢造成的雜亂邊緣干擾較少、連續(xù)性也較好，因此可以依據(jù)邊緣形狀特征來(lái)判別邊緣的類別，通過(guò)統(tǒng)計(jì)邊緣線的尺寸，將大片面積和小片面積區(qū)域的邊緣區(qū)分開[13]。定義一個(gè)形狀特征描述參數(shù)L，對(duì)于灰度圖像而言參數(shù)L表示邊緣線的周長(zhǎng)，對(duì)于二值圖像參數(shù)L則表示邊緣所包含的像素點(diǎn)的個(gè)數(shù)，統(tǒng)計(jì)圖像中的邊緣線，將小于參數(shù)L的邊緣線剔除，實(shí)現(xiàn)道路邊緣精細(xì)化處理。本文實(shí)驗(yàn)中L為邊緣線像素點(diǎn)個(gè)數(shù)，影像1和影像2分別取值55和175，得到圖6(a)和(c)。最后通過(guò)對(duì)道路邊緣線進(jìn)行映射來(lái)評(píng)價(jià)提取結(jié)果，將邊緣線標(biāo)紅疊加到原始遙感影像上。如圖6(b)和(d)所示可以直觀地看到道路邊緣提取的準(zhǔn)確性較高，漏判、誤判很少，提取效果明顯。

(a) 影像1道路提取結(jié)果(b) 影像1道路疊加圖(c) 影像2道路提取結(jié)果(d) 影像2道路疊加圖

圖6道路邊緣提取結(jié)果

Fig.6resultsofimagedetection

5 總結(jié)

本文從遙感影像的自身特征出發(fā)，在傳統(tǒng)Canny邊緣檢測(cè)方法的思想上，提出了一種改進(jìn)的遙感影像道路提取方法。

1)針對(duì)遙感影像受噪聲影響較大的問題，利用一種平滑尺度自適應(yīng)的高斯濾波器對(duì)影像進(jìn)行降噪處理。該方法對(duì)噪聲的抑制效果明顯。

2)為了客觀、準(zhǔn)確地選取閾值來(lái)判斷邊緣點(diǎn)，采用基于目標(biāo)尺度的局部特性雙閾值選取方法，從而改善影像中豐富地物造成的邊緣漏檢、誤檢現(xiàn)象。

3)本文方法參數(shù)的設(shè)定無(wú)需人工參與，自動(dòng)化程度較高，能通過(guò)較為簡(jiǎn)單的方法完成道路邊緣線的提取且準(zhǔn)確度較高。但是有少量與道路邊緣線粘連的毛刺被提取出來(lái)，如何解決這一問題將是下一步研究的工作。