结合尺度空间的面向对象高分辨率影像城市道路提取

陈　杰，邵权斌，梅小明，邓　敏，侯佳良

(1.中南大学 地球科学与信息物理学院，湖南 长沙 410083； 2．东华理工大学 江西省数字国土重点实验室，江西 南昌 330013)



结合尺度空间的面向对象高分辨率影像城市道路提取

陈杰1，2，邵权斌1，梅小明1，邓敏1，侯佳良1

(1.中南大学 地球科学与信息物理学院，湖南 长沙 410083； 2．东华理工大学 江西省数字国土重点实验室，江西 南昌 330013)

基于遥感影像的城市道路提取对于城市建设、规划和地图更新等有重要意义。针对高分辨率遥感影像城市道路网的复杂性，结合尺度空间思想提出一种面向对象的城市道路自动提取算法。在此基础上，使用Canny算子获取像元簇梯度图，并进行标记分水岭分割得到区域对象；建立城市道路与几何、光谱特征相关的道路规则，从分割结果中筛选出道路区域对象；使用形态学方法提取道路区域的骨架，并对骨架进行连接、光滑等后处理，最后输出道路网提取结果。实验结果表明，该方法用于复杂城市道路的高精度自动提取，对城市道路网更新有一定参考意义。

城市道路提取；遥感影像；尺度空间；道路规则；面向对象分析

城市道路是整个城市的骨架，它反映城市地物的空间结构布局，与人们的生产、生活息息相关。如何快速获取和更新城市路网数据是当前我国智慧城市建设中亟待解决的重要问题之一[1-2]。随着遥感技术的快速发展，高分辨率遥感影像能够提供现势、详细的地表信息，已逐渐成为城市交通规划和道路信息提取的重要数据源。但高分辨率遥感影像上同类地物间存在较大的光谱差异，且不同地物间因相互遮掩常常边界模糊，这些因素增加了从高分辨率遥感影像中提取城市道路的难度。

传统的遥感影像道路提取方式主要以人工解译的方式进行，但这种方式需要投入大量的人力且效率低下，已经无法满足数字城市建设的需要[1,3-13]。本文结合尺度空间分析方法及道路模型的相关知识提出面向对象的高分辨率影像城市道路自动提取方法。

1　城市道路自动提取方法

1.1最佳分析尺度选择

尺度空间分析技术可将单一空间尺度的影像转化成多级不同尺度下的影像进行解译分析，可以提高计算机图像自动理解与识别的能力[13]。本文使用各向异性扩散平滑模型构建高分辨率遥感影像尺度空间，该模型较其他尺度空间构建方法在影像边界保持和噪声抑制方面优势明显[14]。通过尺度空间的构建，可在获取影像上各类地物边界连续变化信息的同时，持续减弱同种地物、不同区域像元间的灰度、纹理不一致性。

信息熵是一个重要的遥感影像数据度量指标[16-18]。在影像尺度空间中，同一区域在不同尺度下的信息熵值不同，一般表现为尺度级数越高，影像平滑越严重，对应熵值越小。为了顾及遥感影像像元的空间特性，本文先计算每个像元的信息熵，再取每个尺度下所有像元的信息熵均值，以该均值为当前尺度影像信息量。在此基础上，本文通过分析相邻尺度间的信息熵差异变化规律来选择最佳尺度。设任意两幅相邻尺度(尺度分别为t和t+1)影像间的全局熵差值指标(Difference of Global Entropy Index，DGEI)为：H(t+1)-H(t)=▽H(t)。在某给定阈值下，当相邻尺度影像间的▽H(t)大于该阈值时，各向异性扩散模型的平滑作用会对影像信息量产生显著影响，那么，在此尺度上进行道路提取才有意义。为便于分析，以最初两尺度(即t= 1和t= 2)间信息量变化作为基准对▽H(t)进行归一化处理，并绘制归一化DGEI的尺度变化关系曲线。

值得注意的是，在构建尺度空间时滤波器会无差别的抑制影像中所有边缘的强度，这会直接影响后续道路提取的准确度。因此，确定道路提取的最佳分析尺度，要在保证信息量足够的同时尽可能的保留影像原有边缘线信息，进而保证道路提取的精度。为此，本文引入边缘保持指数(Edge Preserved Index, EPI)[19-20]对尺度空间中各影像边缘保持程度进行数值衡量。为获得影像边缘保持程度随尺度参数的变化规律，分别计算各尺度下影像的4个方向(水平、竖直、正负对角向)的全局EPI值，以及相邻尺度间4个方向上的全局EPI差值(Difference of Edge Preserved Index, DEPI)。同样，为便于分析，将EPI指数以最前两尺度间的差异为基准进行归一化，并绘制归一化EPI指数的尺度变化曲线。

通过分析DGEI,DEPI两种指标随尺度因子t的变化曲线图，就可确定最佳的分析尺度的对应区间。在此区间之外，要么尺度因子的增加会引起影像信息的剧烈变化，导致图像边缘信息被过度模糊，不利于道路的提取和识别；要么尺度因子对影像信息的模糊效果微弱，其他信息对道路提取的干扰太强。

1.2基于聚类的标记分水岭分割

最佳分析尺度确定之后，道路的提取便在此尺度对应影像上进行。针对经典分水岭方法普遍存在的过分割问题，可以使用空间聚类方法先将影像像元聚类成簇，并提取像元簇的边界梯度图作为分水岭的分割对象。本文使用K-Means方法对最佳分析尺度下的影像像元按其灰度值进行归类计算，确定出每个像元的可能对应的地物类别。利用K-Means方法对影像像元进行聚簇结果，与原始影像的道路区域、植被、高亮建筑物等地物的实际分布情况基本一致，可达到由复杂地物分布到简单像元簇分布的转化的目的。进而，采用Canny算子[21]进行梯度提取，基于原始影像的梯度强度明显弱于基于像元簇的梯度强度，且前者响应微弱的边界在后者中也能较好地反映出来。而这种对弱边界的良好响应，能在分割的原始输入中更详尽地将各类地物的边界信息反映出来，使得原来灰度梯度上并不明显的边界也变得十分突出，原来边缘强度很高的边界其强度更高，这样更加有利于后续分水岭区域分割。本文采用基于标记的分水岭变换方法[21]进行分割，以限制分割结果的子区域数目，减少破碎区域的产生。

1.3构建道路筛选规则

对像元簇边界图使用标记分水岭分割后，将分割结果中的每个区域当成一个候选对象，依据理想道路模型[4,15]中道路的几何、光谱等特征设计出道路筛选规则对其进行判断。从道路的几何、光谱等角度设计如下筛选判断规则：

1)类别初筛：根据像元聚类结果，按各像元簇的簇中心平均灰度大小进行排序。由于道路区域在平均灰度上一般要比建筑物暗，但比水系和植被亮，可以确定道路簇中心灰度将处于所有像元簇的中间水平，即道路区域对象的簇序号处于中间位置。

2)长宽比：城市道路通常表现为条带状结构，因而具有较大的长宽比。使用各区域对象的最小外接矩形(Minimal Bounding Box, MBB)的长度与宽度的比KRMBB来近似区域对象的长宽比。

(1)

3)面积比：对于一些T形、十字形等道路交叉区域，单独区域对象的MBB长宽比无法对其有效区分。由于道路区域对象的实际像素面积SRoad在其MBB区域的像素面积SMBB中占用的比重会普遍较小，因而设置面积比SR为

(2)

4)灰度信息：依据城区道路区域灰度单一且变化缓慢的特点，对区域对象内部灰度均质性进行筛选。即将区域对象中像元灰度均值和方差作为对象的均质性衡量指标。

5)最小面积：城区道路一般有双向多车道且有一定的长度，那么，设置最小面积阈值进一步去除一些几何、辐射筛选规则仍无法剔除的破碎区域。

1.4道路骨架提取与后处理

由于有许多地物会直接与城区道路空间相邻，导致获取的道路候选区中存在大量不规则突出或毛刺。为此，依据道路区域一般为细长条带状的特点，采用多方向线状形态学滤波方法[22]对初始道路候选区的不规则附属区域进行修整。其基本思想是设计出多方向线状结构元素SL,αi对二值的候选图像进行形态学滤波处理，剔除非道路部分。这里将设置结构元素SL,αi中方向参数αi=6°～12°×i，结构元素长度L为40～80像素。使用该多方向结构元素对道路候选区进行形态学开运算，修整道路候选区域中不规则的非道路区域，即可得到道路区域的形态学骨架。

另外，由于树木遮挡、建筑物阴影覆盖等导致城区道路断裂、互不连通的问题，采用如下步骤进行处理：骨架特征点识别，骨架毛刺剔除，断裂连接。其中， 骨架特征点识别是利用提取的形态学骨架为相互连通的单像素线的特点，对道路网骨架线的各像素进行识别，标记并存储骨架的端点和转点(拐点)。骨架毛刺剔除则是删除整个形态学骨架中所有端点与最近的特征点骨架像素数目小于20的部分。对于断裂的道路骨架，采取道路连接策略，步骤如下：

1)对每个道路骨架端点根据其所在道路段的方向、给定的检索长度和角度阈值建立搜索窗口；

2)对于同向道路的道路段，如图1(a)所示，连接与该端点连线角度与道路方向差异最小的骨架点，若无满足条件的点，则转向下一端点，直至完成所有端点遍历；

3)对相互垂直的道路段，连接方法与同向道路相似，如图1(b)所示，在完成同向连接后在搜索窗口内无满足条件的骨架点时，则将端点和窗口内道路骨架进行延伸，取交点为连接点，直至完成所有端点遍历；

图1　道路骨架连接示意图

4)在完成同向和垂向道路连接后，连接与端点距离最短的骨架点。

在完成道路骨架后处理操作后，为满足GIS道路更新需要，将骨架线在所有转点处断开成独立的道路段，然后使用Douglas-Peuker(DP)算法[24]进行骨架简化抽样，由此得到形状结构相对规整的道路网提取结果。

2　实验结果与分析

2.1试验数据

试验采用两组不同区域的遥感数据，分辨率为0.61 m、尺寸为750像元×1 640像元的美国佛罗里达州某城区QuickBird全色影像，以及分辨率为1 m、尺寸为750像元×1 640像元的苏州市城区IKNOS影像。下面将使用QuickBird影像数据作为示例数据对本文算法进行验证。如图2所示，整个试验数据中道路的光谱特征并不突显，该城市道路网的提取存在较大难度。红色方框指示出一块典型子图是后文介绍使用的示例图对应区域。

2.2尺度选择

按照前文所述，获取实验影像的尺度空间后，计算得到图3各影像的DGEI,DEPI尺度变化图。由图3(a)可知，随尺度因子t的增加，影像信息量差异变化曲线呈持续下降趋势，且最后收敛于0值。这种变化趋势说明随着尺度因子t的增加，影像蕴含的信息量在逐步减少，最终稳定在某个水平上不再变化。分析图3(b)中DEPI随尺度参数t变化的曲线图可以发现DGEI与DEPI有着相似的变化趋势，即随着尺度参数的增大明显的减小并最终收敛于0值。两者基本一致的这种规律表明，尺度因子对数据的影响在尺度转换前期变化明显，而在转换中后期逐渐下降甚至消失。定量地，当将DEPI,DGEI指标的阈值都设为0.15时，此时影像的信息熵变化较小，且影像内边缘指数维持在较高水平(0.7左右)。当尺度因子介于[6, 8]的区间时，尺度空间中各层影像间的整体信息量相差不多，且影像内边缘整体保持较好。随着尺度因子的增加，影像的模糊程度也逐渐增加，虽然同类地物间的差异进一步弱化，但不同地物间的差异也在同步减小，而这种同步变化是不利于道路的识别与提取的。因此，综合考虑影像平滑程度和影像边缘保持程度，将有意义的尺度区间的中间值t=7选为最佳分析尺度，并将其对应的影像作为尺度空间中用于提取道路的最佳影像。

图2　城市道路遥感影像

图3　DEPI/DGE变化曲线图

2.3区域分割

对测试影像在最佳分析尺度因子t=7条件下进行道路提取。使用K-Means方法对实验影像进行像元聚类(初始像元簇数为7)，由图4(a)可见，复杂城区地物分布被转化为7种像元簇的简单空间分布。原影像中的建筑物、植被、水系、道路等地物均得到较好归类。使用像元簇的簇边界图作为标记分水岭原始输入的结果进行区域分割，如图4(c)所示。由图中可知，基于聚类的分水岭分割方法对微弱的地物边界也有着良好的响应，因而可得到地物分布更加细致完整的区域分割结果，相对细致的区域分割结果能更好的反映出高分辨率影像地物种类、边界等的细微变化，这些细致的分割结果是后续区域对象筛选的完整性的前提。

2.4筛选及后处理

筛选规则对应参数设置如下：面积比阈值S1= 0.38，长宽比K1= 1.5，均质性指标σ1= 0.9，最小面积M=150。对应各规则筛选结果分别如图5所示。由图5(a)至(e)可见，类别筛选规则能有效的剔除影像上灰度值较暗或较亮的植被、水系和建筑物对应的区域对象；长宽比规则较好的保留了影像中形状狭长的对象，剔除那些方形、近圆形等长宽比值较小的区域对象；面积比筛选规则是长宽比规则的补充，能对具有较小长宽比又非狭长条带状的不规则的区域对象进行有效区分；灰度信息筛选规则对一些通过几何特征不明显、对象内部灰度不均匀区域对象剔除效果明显；最后使用面积规则剔除残余的破碎细小的区域对象得到道路候选区结果。在图5(e)所示的道路候选区中可发现，候选区仍存在着一些明显的非道路的附属结构，这些附属结构对后续的道路骨架线提取干扰较大，因此可使用多向线性算子对其进行滤波处理，结果如图5(f)所示。

图4　基于聚类的分水岭分割

图5　QuickBird影像中道路规则筛选结果展示

图6和图7分别给出QuickBird影像和IKNOS影像的道路提取结果，其中图6(a)为IKNOS影像中经形态学滤波处理得到的道路候选区。图6(a)和图7(b)为由道路候选区提取的形态学骨架及骨架特征点，其中红色圆点为骨架端点，蓝色十字标记为骨架交叉点位置。图6(b)为基于骨架特征点并顾及道路方向进行骨架断裂连接的结果，其中红色线段为骨架断裂连接处。图6(c)和图7(c)为使用DP算法对道路网骨架连接结果简化的效果图。从图6(d)和图7(d)的道路网提取结果与原影像叠加可知，提取道路网结果均与道路中心基本重合，仅在一些弯曲或道路交叉口等特殊位置与道路中心稍有偏差，这种现象主要是因为使用DP算法进行矢量化处理时省略了一些道路特征点而引起的，但与原始影像叠加后发现这种偏差仍在道路区域范围内。由图中结果分析可知，本文方法获得的道路骨架提取结果能具备表达道路的拓扑、连通、方向、几何位置关系的意义，可直接用于GIS数据分析、城市规划管理、交通数据更新等领域应用。

图6　QuickBird影像提取道路结果

图7　IKNOS影像提取道路结果

为进一步分析本文道路提取精度，采用人工目视解译结果作为提取结果质量评价的Ground truth，分别对两幅实验影像的道路提取结果进行精度统计。采用两种方式进行评价：①以经骨架断裂连接后的道路骨架作为基础；②以用DP算法简化后的道路骨架为基础。分别对上述两种方法提取的道路骨架以形态学重构的方式反向生成提取的道路区域，再与目视解译的Ground Truth进行覆盖比较，获得道路提取结果的完整性(提取结果中与参考数据匹配的像元在参考数据中的所占比例)、正确率(提取结果中正确匹配的像元在提取结果中所占的比例)和分叉系数(提取结果中，错误提取像元与正确提取像元的比值)作为精度评价指标。上述实验的具体精度统计结果见表1。

表1　道路提取实验结果精度统计

由表1数据可知，本文方法提取的道路结果与目视解译结果对比的正确率较高，完整性较好。与未简化的骨架为基础重构统计的精度数据对比发现，经DP算法处理后道路提取结果的正确率略有提升，而分叉系数略有降低，这主要是由于DP算法简化前的道路形态学骨架明显曲折不平滑，在形态学重构时会导致重构的道路结果出现很多附属结构，这导致错误像素面积增加，进而影响提取精度。综上所述，本文提出的算法能够在高分辨率遥感影像中自动获取到城市道路的矢量化结果，且提取的道路区域的结构完整，正确率相对较高，是一种可行的高分遥感影像自动道路提取方案，对提高遥感数据利用率和城市路网更新效率具有一定应用价值。

3　结　论

本文基于尺度空间思想提出一种面向对象的高分辨率遥感影像城市道路自动提取方法。针对单一尺度分析方法对高分辨率遥感影像解译困难的问题，对尺度空间中各级影像进行分析，并选出最佳的道路提取尺度，降低后续道路识别提取的难度。针对高分辨率遥感影像内地物分布复杂、传统分水岭分割结果过分割现象严重的问题，采用基于聚类的方法将复杂的地物分布转化为像元簇的简单分布，并使用簇边界图代替灰度梯度图作为分割的原始输入，提高区域分割方法对微弱边界的响应，确保区域分割结果的可靠性。针对道路骨架断裂的问题，采用端点探测和顾及道路方向的连接策略，实现道路骨架的断裂区域的自动连接，进而实现城区道路网自动矢量图提取。

[1]项皓东. 从高分辨率遥感影像中提取道路信息的方法综述及展望[J]. 测绘与空间地理信息, 2013, 36(8):202-206.

[2]LIU Xu, TAO Jun, YU Xiang, CHENG Jian-jie, et al. The rapid method for road extraction from high-resolution satellite images based on USM algorithm[C]. Image analysis and signal processing (IASP), 2012 International Conference on. IEEE, 2012: 1-6.

[3]LIANG W U. A Survey of Automatic Road Extraction from Remote Sensing Images [J]. Acta Automatica Sinica, 2010, 36(7): 912-922.

[4]江中亮. 高分辨率遥感影像道路提取算法研究[D]. 长沙: 中南大学, 2014.

[5]江涛, 朱运海, 董凤宝. 小波变换在遥感影像道路特征提取中的应用[J]. 测绘工程, 2004,13(2): 34-36.

[6]SHI W, MIAO Z, WANG Q, et al. Spectral-Spatial Classification and Shape Features for Urban Road Centerline Extraction [J]. IEEE Geoscience & Remote Sensing Letters, 2014, 11(4): 788-792.

[7]贾鹏, 颜佩丽, 何军, 等. 基于边界特性改进直方图门限法的道路提取[J]. 测绘工程, 2009,18(3): 51-54.

[8]向晶, 周绍光, 陈超. 基于改进高斯混合模型的遥感影像道路提取[J]. 测绘工程, 2014, 23(3): 42-45.

[9]GROTE A, HEIPKE C, ROTTENSTEINER F, et al. Road extraction in suburban areas by region-based road subgraph extraction and evaluation[J].2009 Urban Remote Sensing Joint Event, 2009: 1-6.

[10] 林祥国, 田雷, 王家民, 等. 改进角度纹理特征提取高分辨率遥感影像带状道路[J]. 测绘科学, 2015, 40(5): 55-59.

[11] 孙晨阳. 多尺度遥感影像道路信息提取方法研究[D]. 重庆: 西南大学, 2015.

[12] 明冬萍, 王群, 杨建宇. 遥感影像空间尺度特性与最佳空间分辨率选择[J]. 遥感学报, 2008 (4): 529-537.

[13] TZOTSOS A, ARGIALAS D, KARANTZALOS K. Object-based image analysis through nonlinear scale-space filtering [J]. Isprs Journal of Photogrammetry & Remote Sensing, 2011, 66(1):2-16.

[14] PERONA P, MALIK J. Scale-space and edge detection using anisotropic diffusion[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,1990,12(7): 629-639.

[15] 靳彩娇. 高分辨率遥感影像道路提取方法研究[D]. 郑州:信息工程大学, 2013.

[16] KUMAR A, DADHWAL V K. Entropy-based fuzzy classification parameter optimization using uncertainty variation across spatial resolution [J]. Journal of the Indian Society of Remote Sensing, 2010, 38(38):179-192.

[17] 韩鹏, 龚健雅, 李志林.基于信息熵的遥感分类最有空间尺度选择方法[J].武汉大学学报(信息科学版),2008，7(33): 676-679.

[18]陈杰, 陈铁桥, 梅小明, 等.基于最优尺度选择的高分辨率遥感影像丘陵农田提取[J].农业工程学报, 2014(5): 99-107.

[19] BHUTADA G G, ANAND R S, SAXENA S C. Edge preserved image enhancement using adaptive fusion of images denoised by wavelet and curvelet transform[J]. Digital Signal Processing, 2011, 21(1):118-130.

[20] 杨恢先, 王绪四, 谢鹏鹤,等. 改进阈值与尺度间相关的小波红外图像去噪[J]. 自动化学报, 2011, 37(10): 1167-1174.

[21] 刘春江. 基于遥感影像的道路边缘提取方法设计[J]. 科技视界, 2015(28): 269-271.

[22] 周家香, 周安发, 陶超, 等. 一种高分辨率遥感影像城区道路网提取方法[J].中南大学学报 (自然科学版), 2013, 44(6): 2385-2391.

[23] 肖鹏峰, 冯学智. 高分辨率遥感图像分割与信息提取[M].北京:科学出版社, 2011: 263-267.

[24] DOUGLAS D H, PEUCKER T K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature [J]. Cartographica: The International Journal for Geographic Information and Geovisualization, 1973, 10(2): 112-122.

[25] 胡华龙, 吴冰, 黄邵美. 结合Gabor纹理与几何特征的高分辨率遥感影像城区道路提取方法[J]. 测绘科学技术学报, 2015,32(4):395-400.

[责任编辑：张德福]

Object-based urban road extraction from high resolution imagery with space-scale theory

CHEN Jie1,2, SHAO Quanbin1, MEI Xiaoming1, DENG Min1, HOU Jialiang1

(1.School of Geoscience & Info-Physic, Central South University, Changsha 410083，China; 2.Key Laboratory for Digital Land and Resources of Jiangxi Province，East China University of Technology，Nanchang 330013, China)

Urban road extraction from remote sensing image is significant for city construction, planning and map updating. An automatic extraction algorithm of urban road by integrating scale-space and object-based approach is proposed in this paper. Furthermore, canny operator is used to produce the gradient image, where marker-based watershed transform is conducted to achieve image regional objects. Rules are designed to choose the road objects step by step and other objects are discarded, based on the typical geometric and spectrum features of urban roads and the former cluster results. Then, the morphological skeleton algorithm is used to generate centerline of these road objects followed by some post-processing work, such as skeleton smoothing and connection. The experiment results show that the proposed method is suitable for automatic extraction of urban road, and the applicability of algorithm and the accuracy of results go for the updating of urban road-network.

urban road extraction; remote sensing image; scale-space; road rule; object-based analysis

10.19349/j.cnki.issn1006-7949.2016.12.002

2015-12-29

江西省数字国土重点实验室开放研究基金资助项目(DLLJ 201313)；中央高校基本科研业务费专项资金资助(2014ZZTS250)

陈杰(1980- )，男，副教授.

TP753

A

1006-7949(2016)12-0005-07