用于自动识别遥感图像路网信息的改进模糊连接度方法

郑　瑾　　柳　肃　　孙　炜(湖南大学建筑学院　长沙　410082)(湖南大学电气与信息工程学院　长沙　410082)



用于自动识别遥感图像路网信息的改进模糊连接度方法

郑瑾*①柳肃①孙炜②
①(湖南大学建筑学院长沙410082)
②(湖南大学电气与信息工程学院长沙410082)

摘要：针对遥感图像中路网信息的自动识别问题，该文将小波模极大值边缘检测方法和模糊连接度方法结合，提出一种改进的模糊连接度方法。采用小波模极大值边缘检测方法进行模糊连接度种子点的自动选择，解决传统模糊连接度理论中种子点难以自动选择的问题。在此基础上，对传统的模糊相似度计算公式进行简化，在保证路网识别准确性的同时，大大减少了计算量。采用来自Quickbird高分辨商业遥感卫星的3组影像进行实验，验证了该文提出的路网识别方法具有较高的准确性和计算速度。

关键词：遥感图像；路网信息识别；模糊连接度；小波模极大值；图像边缘检测

1　引言

对交通路网信息的准确调查和测绘是做好交通规划方案的重要前提。传统的交通路网测绘方法大多还是基于人工方式，耗时费力，准确度较低，无法适应我国交通路网建设的快速发展。遥感技术是目前发展迅速的获取地理信息的新型技术手段[1]。从遥感图像中识别路网信息可以快速监测交通路网信息的变化情况，可广泛应用于路网规划、车辆导航、应急救灾、施工监管以及国防军事等领域。

围绕遥感图像路网识别技术，国内外学者开展了相关研究，文献[2]提出一种T型模板匹配方法，使用角度纹理特征进行初始道路点定位，使用灰度最小二乘匹配进行最佳道路点的预测，克服了路边树木阴影和车辆遮挡形成的噪声，但是不能很好地适应道路辐射突变的情形，对道路交叉口的处理需要大量的人工干预。文献[3]提出基于改进粒子滤波和Snake模型的方法，利用粒子滤波来选择道路种子点，再利用Snake模型把种子点连接成道路。文献[4]研究了数学形态学的方法，对二值影像使用形态开运算去除细小噪声，结合形态腐蚀和形态重建运算获取路网信息，利用形态闭运算完善路网信息。该方法在提取影像中道路细节信息上很有优势，但一定程度上依赖于初始影像分割结果，对道路的形状变化比较敏感。文献[5-7]给出了基于图像分割和边缘检测的方法，这些方法利用遥感图像中道路具有明显边界的特征来提取道路的边缘，但是容易丢失图像细节，边缘连续性较差。文献[8]利用DS证据理论融合形状特征以获取道路的中心线，降低了几何特征阈值选取的难度，减少了人工干预操作。

文献[9]在1979年提出了模糊连接度理论，此后，1995年文献[10]提出了用模糊连接度描述不同像素连接紧密程度的图像分割方法，并成功应用于医学图像分割等多个领域。模糊连接度理论运用“模糊相似性”来描述图像像素间的相似关系，其目标识别具有“相似性、连接性”的特点，与路网的遥感图像特征相符。所以模糊连接度理论比较适合用于遥感图像路网信息的自动识别。但传统模糊连接度理论的种子点自动选择比较困难，计算量偏大[11，12]。针对这些问题，本文改进了传统的模糊连接度理论，首先，采用小波模极大值边缘检测方法进行种子点自动选择；然后，根据小波模极大值边缘检测过程中已包含了图像灰度梯度信息的特点，去除了传统模糊相似度计算公式中的灰度部分，简化了计算，在保证路网识别准确性的同时，提高了计算实时性；最后，基于传统模糊连接度方法判别阈值难以选取的问题，给出了一种自动判别方法，提高了路网信息识别的准确性。

2　传统模糊连接度理论

设c和d是2维图像上两个像素点，显然从c到d的路径有很多条，路径数量与c，d之间的距离以及图像分辨率有关，本文假设其为n条。用PCDi来表示第i条从c到d的路径，则PCDi由一系列相邻的像素点组成，其中，=d 。

其中，a和b是两个相邻像素点，f(a)和f(b)是点a 和b的灰度值。h1和h2是灰度和梯度的标准高斯函数。w1和w2是表示灰度和梯度对模糊相似性影响的权重，。和的样本统计均值和方差用a1，β1，α2，β2表示。则

将c和d之间所有路径的连接强度值的最大值定义为c和d之间的模糊连接度，则从整体的角度描述了c和d的相关性。

为了采用模糊连接度理论在图像中识别特定的目标，需要先在图像中人工或自动地定义明确属于该对象的起始点o，即所谓的“种子点”。然后计算图像中其它像素点与种子点之间的模糊连接度，如果模糊连接度大于一定的阈值，则判断该像素点属于该对象，否则不属于该对象。

3　基于改进模糊连接度的遥感图像路网信息自动识别

由于模糊连接度理论是采用“模糊连接度”来描述像素之间相似关系的，其识别出的目标内部像素具有“相似性”和“连接性”的特征，与背景反差大，这与遥感图像中交通路网对象具有的灰度均匀、彼此连接、与背景区分度高的特征相符，所以采用模糊连接度理论进行遥感图像中路网信息的识别可以取得较高的识别精度。

3.1基于小波模极大值图像边缘提取的模糊连接度种子点自动选取

种子点的选取对于运用模糊连接度理论进行对象的准确识别具有十分关键的作用。传统的种子点选取方式往往依赖人工目视判别，效率低下且容易受人为干扰。本文基于小波变换良好的时域与频域特性[13，14]，采用小波模极大值方法对遥感图像进行边缘提取[15]，以其提取的图像边缘作为种子点，从而实现种子点的自动选取。

在X-Y平面上定义一个函数θ(x，y)，如果其在整个平面上的积分等于1，且在x2+ y2趋于无穷时收敛到0，则该函数是一个2维平滑函数。灰度图像f(x，y)经该函数在尺度s作用下的小波变换分量可定义为

其中，

对于二进制小波变换，则有

3.2 模糊连接度算法的改进

本文将采用小波模极大值法提取的边缘点作为种子点，运用模糊连接度理论进一步准确识别出交通路网。由于在小波模极大值边缘提取算法中已经包含了梯度信息，所以传统模糊相似度uki的计算公式(1)可以简化为

这样可以大大减少模糊连接度的计算量。

传统的模糊连接度图像识别理论通过判断图像中所有其它像素点与种子点之间的模糊连接度是否大于一定的阈值，来判断该像素点是否属于识别的目标。但是阈值的选取十分困难，过大过小都会造成目标识别的不准确。本文设计了一种背景点与种子点模糊连接度比较的方法来解决这个问题。该方法在选取种子点的同时，也选取出背景点，如果图像中某像素点与所有种子点的模糊连接度的最大值大于其与所有背景点的模糊连接度的最大值，则该像素点属于交通路网，否则属于背景。详细流程如下：

步骤1将图像边缘检测之后的结果进行二值化处理，边缘上的点用白色表示，背景上的点用黑色表示。用点集表示边缘上的所有点，将其用作种子点；用点集2，…，n}表示背景上的所有点。用p(x，y)表示图像中坐标为(x，y)的点，初始化x =0，y =0；

步骤2根据式(5)分别计算p(x，y)与所有种子点的模糊连接度的最大值Ups以及与所有背景点的模糊连接度的最大值Upk：

否则，则认为p(x，y)属于背景，将该点加入背景点集K，即

步骤4令x=x +1，转至步骤2，如果x达到图像横向边界则退出循环；

步骤5令y=y +1，转至步骤2，如果y达到图像纵向边界则退出循环，结束。

通过上述流程可以遍历判断图像中的所有像素点是否属于种子点集，最终得到的种子点集S就是图像中交通路网的点集。

4　实验验证

基于Matlab2013环境(电脑处理器：INTEL 4 核I53470，内存：8 GB)，从高分辨商业遥感卫星Quickbird采集的遥感图像中选取了一幅分辨率为0.6 m的图像来进行路网信息识别，如图1(a)所示，该图包含了丰富的路网信息和多种干扰。如式(11)所示，本文改进的模糊相似度的计算仅需要计算像素的灰度，所以对图1(a)进行灰度化处理得到图1(b)。采用小波模极大值法对图1(b)进行边缘检测，再经二值化后得到图1(c)。将其中白色的边缘点用作种子点，将黑色的点作为背景点，运用本文第3.2节给出的路网识别流程，可以得到路网信息如图1(d)所示，可以看出图1(d)去除了图1(c)中的非道路边缘噪声，并填充了道路边缘之间的间隙，取得了很好的路网提取效果。

为了验证所提方法的通用性，选取另外两幅遥感图像进行路网信息识别实验，识别结果如图2和图3所示。图2中包含了大量的农田，与道路的区分度较高。而图3中则包含了较多的建筑物，由于道路和建筑物的房顶光谱特征相近，所以在边缘提取的时候造成了较多的噪声，如图3(c)所示，虽然如此，由于本文提出的改进模糊连接度识别方法具有“相似性”和“连接性”的特征，所以道路识别过程中能够很好地去除建筑物造成的干扰，取得很好的识别效果，如图3(d)所示。

图1　验证实验1

图2　验证实验2

图3　验证实验3

为了对上述3个实验的结果进行量化分析，用识别准确的路网像素点数量占实际路网像素点数量的比例来表示提取准确率，将本文所提出的改进模糊连接度的路网自动提取方法与文献[11]的基于传统模糊连接度的方法、文献[12]的基于纹理-模糊连接度的方法、文献[3]提出的基于改进粒子滤波和Snake模型的方法，文献[4]的数学形态学方法，文献[5～7]的图像分割和边缘检测方法等遥感图像道路信息自动提取方法的结果进行了比较。因为文献[2]和文献[8]的方法需要人工干预，所以本文不与其进行比较。3个验证实验的比较结果如表1～表3所示。结果显示，本文所提出的方法具有更高的准确率和更快的计算速度。

表1　验证实验1的结果比较

表2　验证实验2的结果比较

表3　验证实验3的结果比较

5　结论

本文改进了基于模糊连接度的遥感图像路网信息识别方法，通过采用小波模极大值方法对图像进行边缘检测，将检测到的边缘点用作模糊连接度的“种子点”，解决了种子点的自动准确选择问题；进一步在边缘检测的基础上，运用模糊连接度的“相似性和连接性”识别道路信息，并根据小波模极大值边缘检测中已包括了图像梯度信息的情况，对传统模糊相似度计算公式进行了简化，提高了计算速度；通过比较像素点与背景点、像素点与种子点模糊连接度最大值的方法，解决了传统模糊连接度图像识别方法中判断阈值难以选择的问题，提高了识别的准确性。对3组高分辨卫星遥感图像中的路网信息识别实验表明，本文方法具有精度较高、速度快的优点。

参考文献

[1]王雷，冯学智，都金康，等.遥感影像分类与地学知识发现的集成研究[J].地理研究，2001，20(5):637-643.WANG Lei，FENG Xuezhi，DU Jinkang，et al.On the integration between image classification and geographical knowledge discovery[J].Geographical Research，2001，20(5):637-643.

[2]林祥国，张继贤，李海涛，等.基于T型模板匹配半自动提取高分辨率遥感影像带状道路[J].武汉大学学报信息科学版，2009，34(3):293-296.LIN Xiangguo，ZHANG Jixian，LI Haitao，et al.Semiautomatic extraction of ribbon road from high resolution remotely sensed imagery by a T-shaped template matching[J].Geomatics and Information Science of Wuhan University，2009，34(3):293-296.

[3]LIU Junyi，SUI Haigang，TAO Mingming，et al.Road extraction from SAR imagery based on an improved particle filtering and snake model[J].International Journal of Remote Sensing，2013，34(22):8199-8214.

[4]李利伟，刘吉平，尹作为.基于数学形态学的高分辨率遥感影像道路提取[J].遥感信息，2005(3):9-11.LI Liwei，LIU Jiping，and YIN Zuowei.Road extraction from high resolution remote sensing image based on mathematic morphology[J].Remote Sensing Information，2005(3):9-11.

[5]MATKAN A A，HAJEB M，and SADEGHIAN S.Road extraction from Lidar data using support vector machine classification[J].Photogrammetric Engineering and Remote Sensing，2014，80(5):409-422.

[6]MA Hairong，CHENG Xinwen，WANG Xin，et al.Road information extraction from high resolution remote sensing images based on threshold segmentation and mathematical morphology[C].Proceedings of the 2013 6th International Congress on Image and Signal Processing，Hangzhou，2013，2:626-630.

[7]劳小敏，张哲伦，张丰，等.基于邻域总变分和边缘检测的遥感影像道路提取[J].浙江大学学报(理学版)，2013，40(6):705-709.LAO Xiaomin，ZHANG Zhelun，ZHANG Feng，et al.Road extraction from remote sensing images based on neighborhood total variation and edge detection[J].Journal of Zhejiang University(Science Edition)，2013，40(6):705-709.

[8]宁亚辉，雷小奇，王功孝，等.Dempster-Shafe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 Yahui，LEI Xiaoqi，WANG Gongxiao，et al.Road extraction from high-resolution remote sensing images based on Dempster-Shafer evidence theory and fusion shape features[J].Journal of Image and Graphics，2011，16(12):2183-2190.

[9]ROSENFELD A.Fuzzy digital topology[J].Inform Control，1979，40:76-87.

[10]UDUPA K J and SAMARASEKERA S.Fuzzy connectedness and object definition:theory，algorithm and application in image segmentation[J].Graphical Model and Image Processing，1995，58(3):246-261.

[11]魏敏，李朝峰.基于模糊连接度的卫星图像道路提取新方法[J].计算机工程与应用，2006，42(13):230-232.WEI Min and LI Chaofeng.Relative-fuzzy-connectedness based road extraction new method from remote sensing image[J].Computer Engineering and Application，2006，42(13):230-232.

[12]钱厦，盛庆红，宗鹏.基于纹理-模糊连接度的遥感影像道路自动提取[J].计算机工程与应用，2011，47(34):187-189.QIAN Xia，SHENG Qinghong，and ZONG Peng.Automatic road extraction from remote sensing images based on texture-fuzzy connectedness[J].Computer Engineering and Applications，2011，47(34):187-189.

[13]吴光文，王昌明，包建东，等.基于自适应阈值函数的小波阈值去噪方法[J].电子与信息学报，2014，36(6):1340-1347.doi:10.3724/SP.J.1146.2013.00798.WU Guangwen，WANG Changming，BAO Jiandong，et al.A wavelet threshold de-noising algorithm based on adaptive threshold function[J].Journal of Electronics ＆ Information Technology，2014，36(6):1340-1347.doi:10.3724/SP.J.1146.2013.00798.

[14]郝岩，许建楼.迭代重加权的小波变分修复模型[J].电子与信息学报，2013，35(12):2916-2920.doi:10.3724/SP.J.1146.2012.01561.HAO Yan and XU Jianlou.Iteratively reweighted based wavelet variational inpainting model[J].Journal of Electronics ＆ Information Technology，2013，35(12):2916-2920.doi:10.3724/SP.J.1146.2012.01561.

[15]田岩岩，齐国清.基于小波变换模极大值的边缘检测方法[J].大连海事大学学报，2007，33(1):102-106.TIAN Yanyan and QI Guoqing.Edge detection based on wavelet transfer module maxima[J].Journal of Dalian Maritime University，2007，33(1):102-106.

郑瑾：女，1975年生，讲师，博士生，研究方向为新型区域规划方法研究.

柳肃：男，1956年生，教授，研究方向为地域建筑文化研究.

孙炜：男，1975年生，教授，研究方向为智能信息处理方法研究.

An Improved Fuzzy Connectedness Method to Recognize Automatically the Road Network Information from Remote Sensing Image

ZHENG Jin①LIU Su①SUN Wei②
①(College of Architecture，Hunan University，Changsha 410082，China)
②(College of Electrical and Information Engineering，Hunan University，Changsha 410082，China)

Abstract:To recognize automatically road network from remote sensing image，an improved fuzzy connectedness method is proposed by combining traditional fuzzy connectedness theory with wavelet modulus maximum algorithm.The wavelet modulus maximum image edge detection algorithm is used to solve the problem of selecting seed points automatically in traditional fuzzy connectedness theory.On this basis，traditional fuzzy similarity computational formula is simplified.This can reduce the cost of calculation greatly without reducing the recognition accuracy.Three high-resolution remote sensing images from the satellite Quickbird are processed in the experiments to prove the effectiveness of the proposed method.The results show that the proposed road network recognition method has high accuracy and rapid computation speed.

Key words:Remote sensing image; Road network information recognition; Fuzzy connectedness; Wavelet modulus maximum; Image edge detection

*通信作者：郑瑾zheng.jin@163.com

收稿日期：2015-05-12；改回日期：2015-10-19；网络出版：2015-12-04

DOI:10.11999/JEIT150563

中图分类号：TP751.1

文献标识码：A

文章编号：1009-5896(2016)02-0413-05