OpenStreetMap辅助下的高分辨率光学影像道路损毁提取

徐 丰，董 亮，蔡肖芋

（1.民政部国家减灾中心,北京 100124；2.山西工程职业技术学院 建筑工程系，山西 太原 030009；3.武汉大学 测绘遥感信息工程国家重点实验室，湖北 武汉 430079）

OpenStreetMap辅助下的高分辨率光学影像道路损毁提取

徐 丰1，董 亮2，蔡肖芋3

（1.民政部国家减灾中心,北京 100124；2.山西工程职业技术学院 建筑工程系，山西 太原 030009；3.武汉大学 测绘遥感信息工程国家重点实验室，湖北 武汉 430079）

提出了一种以高分辨率遥感影像和OpenStreetMap道路矢量数据作为数据源的道路损毁提取方法。在OpenStreetMap道路矢量数据的辅助下，利用道路在高分辨率影像上的特征，结合学习-检测的方法对损毁区域进行检测，提取疑似损毁路段，基于道路信息对损毁路段进行验证，剔除虚警。实验表明，该方法能够快速、准确地对道路损毁信息进行提取。

高分辨率影像；OpenStreetMap；学习-检测；道路损毁提取

道路是国家经济和军事的动脉，是交通运输和物资输送的重要保障，对军事和民用都有很重要的意义。根据道路损毁信息提取所用的信息源可将道路损毁提取方法分为3类[1]：①基于灾后单时相影像的提取方法，主要是使用目视判读和分类的方法；②基于灾前-灾后多时相影像的提取方法[2]，利用灾前、灾后数据采用变化检测的方式进行损毁提取；③基于灾前先验信息-灾后影像多源信息融合的提取方法[3-5]，利用道路矢量数据、DEM、LiDAR数据等辅助道路损毁提取。与基于灾后单时相影像检测方法相比，通过灾前-灾后不同时相资料利用变化检测方法进行对比分析的研究较多，且识别精度相对较高。道路对象，特别是主要道路，通常比较稳定，自然条件下变化较小，根据灾前GIS道路网数据判断灾后发生变化的道路具有较高的可靠性[6]，且能克服灾前影像数据不完备的问题。

高分辨率遥感影像上的道路灰度均匀、结构规整、排列有序。毁灭性的地震会使路面产生裂纹、位错、下沉或悬浮，坍塌、滑坡和泥石流等次生灾害会使岩土体在道路表面累积。灾后被破坏的道路在高分辨率遥感影像上无论是光谱、几何、拓扑以及上下文特征都会发生显著变化，导致灾后道路信息提取面临很大的困难。

本文提出了一种基于OpenStreetMap道路矢量数据与Learning-Detection高分辨率遥感影像的道路损毁提取方法。主要步骤为：①在道路矢量数据的引导下利用Learning-Detection方法在遥感影像上提取疑似道路损毁区；②结合道路上下文信息对疑似损毁区域进行筛选，选出损毁道路路段。具体流程如图1所示。

图1 道路损毁检测流程图

1 基于L-D的疑似损毁路段检测

灾害损毁会引起道路本身特性的变化。灾前矢量数据较容易获取，本文依托灾前矢量提供的先验信息，快速、高效地检测出道路上的损毁断裂区。Tracking-Learning-Detection（TLD）是Kalal[7]提出的一种对视频中单个物体长时间跟踪的算法。本文采用基于L-D（学习-检测）的方法对疑似损毁道路进行检测。

首先，以道路矢量数据作为先验信息进行引导追踪，使用L-D的检测方式，边检测边追踪边学习更新；然后，采用自适应的多尺度检测窗口滑动搜索道路损毁区域。本文使用多尺度检测窗口策略来确定道路最佳匹配模板，检测器是一个级联分类器，用作道路图像的检测过滤；最后利用模板匹配方法寻找最近似道路图像，找出错误分类并及时更新模板，避免出现类似错误，以便得到更精确的道路损毁区域。

1.1 基于辐条法的初始模板提取

在高分影像中，道路是条带状结构，道路的路宽在局部、小范围内是稳定的，与其周边地物有明显的对比，因此，本文采用辐条法来提取初始模板。首先，在某一点位采用多方向的辐条距离计算，为此设定了一定角度的张量来避免多方向延伸导致的计算失败，根据多方向计算的距离值来求得各独立点处的辐条距离；然后，在一条道路上随机选择一定数量的点位进行计算；最后使用统计特征值来作为最初的高度。

由初始点发射的辐条与边线的交点距离初始点的长度不一样，这些交点投影到道路矢量方向上的垂直距离构成一个距离统计剖面图，如图2。计算各交点到投影点的距离，得到距离的集合，计算集合的平均值即可获得初始模板的宽度 。

图2 辐条法示意图

1.2 基于级联分类器的疑似损毁道路图元检测

道路不同路段的宽度存在差异，本文提出一种基于多尺度检测窗口的级联分类器的方法检测道路损毁图元。

1）多特征检测器。一定范围内的道路特征相对稳定，表现为灰度趋于一致、道路纹理特征稳定。灾后由于滑坡泥石流、洪水等影响，道路表面会有碎石、土方、倒塌房屋碎片、水体等，导致损毁路段光谱特征发生明显变化，如亮度变亮或者变暗，道路纹理也会变得粗糙、无规则，可利用这些特征作为损毁检测匹配的依据。用一定尺寸的扫描窗对影像进行扫描，每扫描一个位置就形成一个包围框，包围框内的图像区域称为一个图元（patch）。 计算初始图基元和图元的特征值，为匹配检测和损毁路段识别作准备。

2）自适应多尺度检测窗口。由于固定检测窗口受道路宽度的变化或周围环境的影响，本文采用自适应多尺度的检测窗口来检测图元内的影像与初始模板的匹配情况。检测窗口分为搜索框和匹配框两级模板，搜索框定义为沿道路搜索的缓冲区，由于受配准精度和初始模板计算误差的影响，搜索框可以增加缓冲区范围；匹配框是在搜索框里进行搜索的滑动模板，根据特征检测器进行特征计算，寻找最优匹配的检索范围。

3）级联分类器。根据多特征检测器的特征计算方法进行滑动检测时，为了提高检测的效率和精度，采用3级分类器进行匹配和损毁区域的检测。3级分类器分别是方差分类器、随机森林分类器和最邻近相关性分类器，其中方差分类器是将匹配框内图元的灰度值方差与标准框内的灰度值方差进行比较，先进行粗筛选，将方差大于一定阈值的过滤，提高后续计算效率。

2 基于上下文的道路损毁验证

由于道路两侧植被对道路的遮挡、路边高大建筑物的阴影对道路的遮挡以及路上车辆对道路局部纹理特征的影响，会导致道路光谱信息发生改变，但这些改变与道路的损毁有明显区别，也比较稳定。阴影会导致影像偏黑，植被在光学影像上主要也是以植被颜色为主，较容易剔除。排除以上几种干扰后剩下的就是损毁道路。

1）植被检测。色彩不变量（color invariants）由独立视点、表面方向、光照方向和光照强度等色彩模型构成[8]。由于缺少近红外波段，因此需要探索基于 RGB影像的植被色彩不变量。实验表明，从绿光波段中减去蓝光波段有利于检测植被区域。由绿光波段和蓝光波段构成的色彩不变量如式（1）所示[9]。

其中，i、j是对应的图像上行列号；I（i， j， g）, I （i， j，b）则是影像中对应像素在绿光波段与蓝光波段的像素值；R 和C 为影像I的行列数。

根据Otsu 算法的最大类间方差原则，从指数影像中确定分割阈值Tc，将大于阈值Tc的像素标记为候选植被对象，小于阈值Tc的对象被标记为非植被对象。

归一化处理强度影像I 后，根据阈值Ti分割强度影像，得到明暗分类标记影像；然后根据色彩不变量进行分割，标记影像V 与明暗标记反转后影像作逻辑操作，如式（2）所示，得到最终的植被检测结果影像。

2）阴影检测。阴影在遥感影像上表现为灰度值较低的特性。本文使用阴影色彩不变量指数Shorter来检测阴影[10]，如式（3）所示。

其中，i， j 为对应的像素行列号；I（i， j， r） 、 I （i， j， g）、I（i， j，b ）分别为影像中对应像素在红光波段、绿光波段与蓝光波段的像素值；R 和C 为影像I 的行列数。类似于植被检测方法，利阈值Ts标记候选阴影对象。

3）车辆检测。高分遥感影像上的车辆特征提取比较复杂，本文采用的车辆提取方法包括对象增强处理与候选对象提取两个步骤。

3 实验与结果分析

为了验证本文方法的有效性，以四川省北川羌族自治县某地区和四川省芦山县宝盛乡某地区3组地震后影像和OpenStreetMap矢量道路数据为数据源，提取由地震引发的道路阻塞路段。实验影像数据描述表1所示。

表1 实验数据描述

图3展示了实验中利用Learning-Detection方法得到的疑似损毁区检测结果。共有14处疑似损毁路段，再利用上下文信息特征剔除掉非道路损毁区域，得到道路损毁检测结果。

图3 道路损毁检测

从实验的结果可以看出，基于矢量引导的道路损毁提取策略可以将疑似损毁道路检测出来，伪损毁路段经过验证后也能有效剔除。从表2数据看出道路信息提取的准确度高，漏检率低于10%。

表2 实验结果统计

4 结 语

本文利用GIS数据作为引导，提出了基于Learning-Detection的检测方法来提取疑似道路损毁区，并利用上下文信息对疑似区进行伪损毁路段判断。实验证明，该方法能够快速、准确地对损毁信息进行提取。由于损毁信息的复杂性，在利用上下文信息时还需要考虑更多的影响因素，同时由于影像对损毁信息表现的局限性，如何更加有效地描述灾害损毁在高分影像上的特征，并准确提取损毁区域是今后进一步研究的问题。

[1] 柳稼航,杨建峰,魏成阶,等．震害信息遥感获取技术历史、现状和趋势[J]．自然灾害学报,2004,13(6):46-53

[2] 张玺锐．基于SAR图像的道路损毁信息提取方法研究[D]．成都:电子科技大学,2013

[3] 陈世荣,马海建,范一大,等．基于高分辨率遥感影像的汶川地震道路损毁评估[J]．遥感学报,2008,12(6):949-955

[4] 徐阳,李清泉,唐炉亮．基于道路矢量数据的遥感影像道路损毁检测[J]．测绘通报,2011(4):14-16

[5] 秦军,曹云刚,耿娟．汶川地震灾区道路损毁遥感评估模型[J]．西南交通大学学报,2010,45(5):768-773

[6] LI Deren．Remotely Sensed Images and GIS Data Fusion for Automatic Change Detection [J]． International Journal of Image and Data Fusion,2010,1(1):99-108

[7] KALAL Z, MATAS J, MIKOLAJCZYK K,et al． P-N learning: Bootstrapping Binary Classifiers by Structural Constraints[J]． 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition． 2010: 49-56

[8] GEVERS T, STOKMAN H M G． Classifying Color Transitions into Shadow-geometry, Illumination, Highlight or Material Edges[C]//Image Processing, 2000． Proceedings． 2000 International Conference on． IEEE, 2000, 1: 521-524

[9] SHORTER N, KASPARIS T． Automatic Vegetation Identification and Building Detection from a Single Nadir Aerial Image[J]． Remote Sensing． 2009, 1(4): 731-757

P237

B

1672-4623（2016）12-0004-03

10.3969/j.issn.1672-4623.2016.12.002

徐丰，硕士，副研究员，主要从事灾害遥感、SAR应用等方面研究。

2016-03-17。

项目来源：高分辨率对地观测系统重大专项技术研究与开发项目（03-Y20A10-9001-15/16）；高分三号针对陆地目标的SAR图像质量控制研究技改项目。