基于分水岭算法的高分遥感图像道路提取优化方法

蔡红玥，姚国清

(中国地质大学(北京)信息工程学院，北京 100083)

0 引言

道路是地图绘制、路径分析和应急处理的重要基础地理数据。目前，从遥感图像中获取道路信息还主要靠人工目视识别，而手工提取方法远远不能适应数据更新的速度。高分辨率遥感卫星数据的应用越来越引起人们的重视，如何结合高分辨率遥感图像的影像特征和道路特点实现道路的自动化提取，已成为道路信息提取关注的焦点之一。模板匹配［1］和Snakes 模型［2］等传统方法因仅依据像元的灰度特征，难以解决高分辨率遥感图像的噪声和“异物同谱”问题。尽管基于纹理［3］和分层聚类等方法考虑了影像特征信息，但依然不能充分利用形状和空间关系等影像特征。人工智能和计算机视觉知识方法是近些年发展的方向［4－5］，但尚处于研究中，离实际应用还有一定距离。针对目前高分辨率遥感图像城市道路提取技术［6－7］存在的问题，本文提出基于改进分水岭算法的道路提取优化方法。分水岭算法能够根据图像固有的拓扑地貌特征将影像分割成各个连通的封闭区域，使图像转化为影像基元的组织形式，弥补了基于像元分析的不足。对该算法易出现的过度分割问题，本文采用了面向对象方法［8－9］，利用道路的几何、拓扑特性和地物的空间关系，修补了被斑马线和阴影等细节信息中断的道路;采用数学形态学［10－11］中常用的图像优化方法完善道路提取结果。结果证明本文方法对城市地区道路提取具有一定的实际意义。

1 研究方法

本文提出的道路提取优化流程包括图像预处理、图像分割、道路特征优化以及道路特征后处理(图1)。

图1 道路提取流程图Fig.1 Flow chart of road extraction

1.1 图像预处理

由于实验使用的QuickBird 原始图像整体偏暗，因此首先使用直方图均衡化来增大道路与周边环境的差异;然后采用中值滤波处理，在保持图像边缘的同时有效去除椒盐噪声，以缓解分水岭过度分割情况，减少跳跃性边界的产生(图2)。

图2 QuickBird 图像Fig.2 QuickBird image

1.2 图像分割

图像分割采用分水岭算法，该算法为浸没模型的区域生长型分水岭模型［12］，是通过选择合适的局域同质性阈值、剔除小面积集水盆、去除小斑块和区域合并来进行优化的。局域同质性阈值将梯度图像中小于该阈值的像元视为局部极小值，各个局部极小值的连通区域对应一个初始集水盆。随着阈值的增大，相邻的位于该阈值水平面以下的集水盆将被逐渐合并。其变化关系如图3 所示。

图3 局域同质性阈值与区域数目关系Fig.3 Relationship between local homogeneity threshold and region number

根据分割状况，可选取使集水盆增加与融合达到平衡的阈值(即图3 中5～8 之间的值)，分割效果比较理想。此外，剔除无意义的小面积初始集水盆，也是缓解过度分割的另一个方法。

区域合并是缓解过度分割的经典算法。本文通过最小面积阈值(MinRegion)和区域间最大平均灰度差(MaxGray_R)来约束合并过程，即如果分割结果中的最小区域小于MinRegion、且该最小区域与其各邻接区域的最小灰度差小于MaxGray_R，则合并;否则不合并。

图4 去除小斑块规则Fig.4 Principle of merging small patches

分水岭分割算法优化前后的对比如图5 所示。

图5 分水岭分割算法优化前(左)后(右)对比Fig.5 Comparing between watershed segmentation algorithms before(left)and after(right)optimization

1.3 道路特征优化

分水岭变换将图像分割为不同地物的影像基元。因道路具有较大的长度及长宽比，且交叉相连成网络，并具有树和阴影等背景特征，故采用面向对象方法，充分利用道路的几何、拓扑、辐射和上下文等特征来进一步优化道路提取结果。选取的特性指标有道路的长度、长宽比和矩形度，采用的方法是方向性延伸和遮挡处理算法。

1.3.1 面向对象

在面向对象方法中，道路的长度、长宽比和矩形度的计算都依赖于基元的最小外接矩形。最小外接矩形的计算方法如图6 所示。

图6 旋转基元求最小外接矩形Fig.6 Minimum bounding rectangle calculated by rotating per-parcel

以基元初始水平外接矩形的中心点为轴，旋转基元并计算不同旋转角度下其水平外接矩形的面积，当外接矩形的面积最小时，旋转角度记为θ0;再将基元以角度θ0反转，即可得到基元的最小外接矩形(图6 中深灰背景的矩形)。本文以每次旋转增加1°，共旋转180°的方法来计算。道路斑块中包含大量的道路交叉口，其长度与建筑物相近，但建筑物的矩形度较高。矩形度为基元面积与最小外接矩形面积之比，是区别道路斑块和建筑物的重要形状指数。

1.3.2 方向性延伸

实验发现，道路基元在影像上的最大特点是有较长的长度，据此特性可以提取出道路的主干道。由道路中断形成的道路斑块在灰度和形状特性上往往与其他地物区别不大;但由于道路是连通的网络，曲率也有一定限制，所以道路斑块在位置上基本处于道路主干道的延长线上。根据上述原理，采用罗庆洲等［13］提出的方向性延伸法(图7)对道路进行提取。

图7 方向性延伸方法示意图Fig.7 Sketch map of directional extension method

在图7 中，A 和B 为待判断斑块，C 为道路。经细化在C 中心线端点O 的延长线方向做一扇形(POQ)，扇形的扫描半径(OP)和角度(∠POQ)由阈值确定。由图7 看出，斑块A 与扇形相交判定为道路，则斑块B 为非道路;然后再对斑块A 做相同处理，反复迭代，直至没有新的斑块归入道路为止。

利用几何和辐射特征提取出的主干道路和采用方向性延伸方法处理后的结果如图8 所示。

图8 主干道路提取结果Fig.8 Results of trunk road extraction

1.3.3 遮挡处理

由于道路沿线阴影和绿化带的存在，常会使道路影像边缘出现缺失。朱晓玲等［14］对此提出了遮挡处理方法:由于遮挡目标与道路有公共边，若公共边占遮挡对象整个边界的比例大于0.5，则将遮挡目标归为道路，并反复迭代(图9)。

图9 遮挡处理原理Fig.9 Principle of covering processing

这种方法虽然能够填补缺失的道路，但由于将整个遮挡对象都视为道路，依然影响道路的规整性。本文采取与最小外接矩形计算方法相似的算法对遮挡处理进行了优化。首先检测遮挡目标与道路邻接的所有像元，然后求出这些像元的最小外接矩形(图9 中有斜线的矩形)，并将其作为道路。在道路弯曲程度不大的情况下，该方法的应用效果较好，而且无论公共边界占整个遮挡对象边界的比例有多大，都可以将缺失的道路整齐填补。

1.4 道路特征后处理

利用面向对象方法优化道路提取结果后，道路的主体信息已经被提取出来;再利用形态学等方法在不改变道路整体信息的情况下，对道路信息进一步完善(包括填补空洞和连接中断的道路等)。

数学形态学的基本思想是利用一定形态的结构元量测和提取图像中对应的形状，以达到对图像分析和识别的目的。它主要用于图像的边缘检测、形态分析、骨架化和图像恢复重建等［15－16］。本文使用的方法有开闭运算、细化、裁剪和形态学重建。

图像的离散性造成旋转过程中出现孔洞，本文采用元素值为1 的3 像元×3 像元的结构元进行闭运算(先膨胀、后腐蚀)来充填遮挡处理后道路信息中的空洞(图10)。闭运算还可以用来连接缝隙较小的道路中断。

图10 闭运算填充孔洞Fig.10 Results of closing operation to fill holes

对于建筑与道路粘连的情况及孤立的非道路信息，首先用开运算(先腐蚀、后膨胀)将纤细处粘结的地物分开，计算各区域的面积，最后将小面积区域剔除。用类似的方法将小面积背景区域赋值为道路，可填补道路孔洞。

此外，设计适当长度和方向的结构元进行形态学重建［17］以及使用全方位搜索开闭运算［18］可以进一步删除非道路信息。采用Hilditch 细化算法提取道路中心线后，裁剪算法［19］和剔除短线段［20］可去除多余的寄生分量，优化方向性延伸的结果。

2 结果与分析

图11(a)为0.6～0.7 m 空间分辨率的Quick-Bird 城市影像，道路提取结果如图11(b)所示。

图11 道路提取实验一Fig.11 Experiment Ⅰof road extraction

在道路提取实验中，提取主干道是道路特征提取的关键一步，要求在提取结果中尽量减少非道路信息的存在，因为后续操作将依赖于本步骤的结果。另外，本实验将中等路段分为长度大于25个像元和小于25个像元的基元。长度大的中等路段主要因为灰度差异未能在第一步作为主干道路被提取出来，故优先考虑这类道路;长度小的路段与建筑物的相似度高，则利用形状因子和矩形度加以判断。从提取结果(图11(b))可以看出，除部分长度较短的支路和影像边缘的道路有所遗漏外，大部分道路都被比较完整地提取出来。

另一组道路提取实验结果如图12 所示。

图12 道路提取实验二Fig.12 Experiment Ⅱof road extraction

3 结论与建议

实验证明，本文提出的方法能比较准确地提取出道路信息，对较复杂的道路环境也有很好的效果。改进的分水岭算法可以快速、有效地对遥感图像进行分割，并在一定程度上缓解过度分割现象;面向对象方法充分利用了道路的几何和拓扑等特征，可用于完善道路的提取结果;二值形态学不仅能够辅助上述方法的实现，还能够进一步优化道路提取结果。

本文提出的道路提取流程还有很多方面有待进一步完善。首先基于影像基元的分析方法依赖于图像分割结果，本文没有考虑图像中的纹理信息，图像也仅为灰度图，缓解过度分割的优化方法也较为简单，在合并规则与运行速度上还有待提高;在面向对象方法中，没有使用诸如支持向量机的分类器和知识库，只是利用形状特征进行简单提取;道路的上下文特征也有待挖掘。如何利用这些信息辅助道路的提取，结合多方面和多领域的知识，使道路提取更智能和自动化，是今后进一步研究的内容;如何建立有效的评估准则对提取出的道路进行准确性评价，也是需要研究的问题。

［1］胡翔云，张祖勋，张剑清.航空影象上线状地物的半自动提取［J］.中国图像图形学报，2002，7(2):137－140.Hu X Y，Zhang Z X，Zhang J Q.Semiautomatic extraction of linear object from aerial image［J］.Journal of Image and Graphics，2002，7(2):137－140.

［2］丁美琳，李光耀，张巧芳.Snakes 模型在卫星图片道路提取中的应用［J］.计算机技术与发展，2010，20(1):71－73.Ding M L，Li G Y，Zhang Q F.Application of road extraction in satellite images based on snakes model［J］.Computer Technology and Development，2010，20(1):71－73.

［3］张 睿，张继贤，李海涛.基于角度纹理特征及剖面匹配的高分辨率遥感影像带状道路半自动提取［J］.遥感学报，2008，12(2):224－232.Zhang R，Zhang J X，Li H T.Semi－automatic extraction of ribbon roads from high resolution remotely sensed imagery based on angular texture signature and profile match［J］.Journal of Remote Sensing，2008，12(2):224－232.

［4］林丽群，肖 俊.结合先验知识和图像特征的道路提取方法［J］.计算机工程与应用，2011，47(33):236－239.Lin L Q，Xiao J.Combined prior knowledge and image characteristics for lane detection method［J］.Computer Engineering and Applications，2011，47(33):236－239.

［5］宁亚辉，雷小奇，王功孝，等.Dempster－ Shafer 证据融合形状特征的高分辨率遥感图像道路信息提取［J］.中国图象图形学报，2011，16(12):2183－2190.Ning Y H，Lei X Q，Wang G X，et al.Road extraction from highresolution remote sensing images based on Dempster－Shafer evidence theory and fusion shape features［J］.Journal of Image and Graphics，2011，16(12):2183－2190.

［6］董占杰，毛政元.基于道路绿地特征的遥感影像道路信息提取方法研究［J］.国土资源遥感，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］马 欢，楚 恒，王汝言.纹理与几何特征在道路提取中的应用［J］.计算机与现代化，2012(7):96－99.Ma H，Chu H，Wang R Y.Application of texture and geometrical characteristics in road extraction［J］.Computer and Modernization，2012(7):96－99.

［8］卢昭羿，左小清，黄 亮，等.面向对象的投影互分割道路变化检测［J］.国土资源遥感，2012，24(3):60－64.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.

［9］许高程，毕建涛，王星星，等.面向对象的高分辨率遥感影像道路自动提取实验［J］.遥感信息，2012(2):108－111.Xu G C，Bi J T，Wang X X，et al.An experiment of automatic road extraction from high－resolution remote sensing image based on object－oriented technology［J］.Remote Sensing Information，2012(2):108－111.

［10］刘小丹，刘 岩.基于Hough 变换和路径形态学的城区道路提取［J］.计算机工程，2012，38(6):265－268.Liu X D，Liu Y.Urban road extraction based on Hough transform and path morphology［J］.Computer Engineering，2012，38(6):265－268.

［11］杨先武，韦春桃，吕建刚，等.基于形态重建的高分辨率遥感影像城市道路提取［J］.测绘通报，2012(1):45－47.Yang X W，Wei C T，Lü J G，et al.Urban road extraction of high resolution remote sensing images based on shape reconstruction［J］.Bulletin of Surveying and Mapping，2012(1):45－47.

［12］潘婷婷，李朝峰.基于区域生长型分水岭算法的卫星图像道路提取方法［J］.计算机工程与设，2008，29(19):4987－5013.Pan T T，Li C Z.Road extraction method of satellite image based on region－ growth watersheds algorithm［J］.Computer Engineering and Design，2008，29(19):4987－5013.

［13］罗庆洲，尹 球，匡定波.光谱与形状特征相结合的道路提取方法研究［J］.遥感技术与应用，2007，22(3):339－344.Luo Q Z，Yin Q，Kuang D B.Research on extracting road based onits spectral feature and shape feature［J］.Remote Sensing Technology and Application，2007，22(3):339－344.

［14］朱晓玲，邬群勇.基于高分辨率遥感影像的城市道路提取方法研究［J］.资源环境与工程，2009，23(3):296－299.Zhu X L，Wu Q Y.Study on the method of extracting city roads from the high resolution remote sensing image［J］.Resources Environment and Engineering，2009，23(3):296－299.

［15］潘建平，邬明权.基于数学形态学的道路提取［J］.计算机工程与应用，2008，44(11):232－240.Pan J P，Wu M Q.Road detection based on morphology［J］.Computer Engineering and Application，2008，44(11):232－240.

［16］胡海旭，王 文，何厚军.基于纹理特征与数学形态学的高分辨率影像城市道路提取［J］.地理与地理信息科学，2008，24(6):46－49.Hu H X，Wang W，He H J.City road extraction from high resolution remote sensing imagery based on texture and mathematical morphology［J］.Geography and Geo－Information Science，2008，24(6):46－49.

［17］Vincent L.Morphological grayscale reconstruction in image analysis:Applications and efficient algorithms［J］.IEEE Transaction on Image Process，1993，2(2):176－201.

［18］申邵洪，宋 杨，万幼川，等.高分辨率多光谱遥感影像中城区道路信息的自动提取［J］.遥感应用，2007(8):73－77.Shen S H，Song Y，Wan Y C，et al.An approach for automatic road extraction in dense urban area from high－resolution multispectral satellite imagery［J］.Remote Sensing Information，2007(8):73－77.

［19］Gaetano R，Zerubia J，Scarpa G.Morphological road segmentation in urban areas from high resolution satellite images［C］//Digital Signal Processing(DSP).Corfu Greece:IEEE，2011:1－8.

［20］Zhu C，Shi W，Pesaresi M.The recognition of road network from high－ resolution satellite remotely sensed data using image morphological characteristics［J］.International Journal of Remote Sensing，2005，26(24):5493－5508.