基于平行边缘点对的道路检测方法

孙永超，王 平，高颖慧，董小虎

(国防科技大学 电子科学与工程学院 ATR重点实验室， 长沙 410073)

基于平行边缘点对的道路检测方法

孙永超，王 平，高颖慧，董小虎

(国防科技大学 电子科学与工程学院 ATR重点实验室， 长沙 410073)

为有效解决高分辨率遥感图像中的道路检测问题，提出了一种基于平行边缘点对的处理方法。首先归纳了高分辨率遥感图像道路的基本特征，提出一种平行点对模型；然后提取图像边缘信息，综合利用道路边缘梯度方向、道路边界灰度，构造对称方向宽度谱；最后通过非极大值抑制处理，得到对应于主干道路的局部峰值，并获取相应的倾角和水平宽度值，实现主干道路的自动提取。实验结果表明：该方法具有较高的检测精度，可以有效提取主干道路边缘，对直线和曲线道路都有较好的效果。

高分辨率遥感图像；道路检测；平行边缘点对

道路作为一种重要的基础设施，不仅是国民经济的动脉，而且具有重要的军事价值。所以，在高分辨率遥感影像自动目标识别领域，道路目标提取是热门的研究方向。

在高分辨率遥感影像中，道路呈明显的带状特性，宽度变化缓慢，道路边缘一般呈平行特性。现有的道路检测算法总体可分为两类：基于边缘特征的方法和基于区域特征的方法。本文着重研究道路的边缘平行特征。基于道路平行特征有许多相关的提取算法。蔡涛[1]提出一种从多波段遥感影像上提取道路的方法，以直线段和平行线段为特征基元，利用多波段图像的互补性提高对道路提取的准确性。Hu等[2]提出一种基于“桥接”(bridge-link)模型的算法，主要利用道路边缘平行线间的宽度特征，有效减少了因为道路被遮挡致使道路提取不完整的现象。卫靖杰[3]提出一种基于平行线模型的原则，通过对图像分层处理，提高道路提取精度，但耗时较长。朱昌盛[4]提出一种基于平行线对的方法，对SAR图像主干道进行提取，但是需要手动设置宽度参数。董银文[5]提出了一种基于直线特征的机场跑道自动识别算法，首先对图像进行直线提取，然后对提取的直线进行3次连接，最后实现机场跑道边界平行直线对的提取。

本文提出了一种基于平行边缘点对的主干道路提取方法，主要利用道路边缘的平行、对称，以及道路宽度变化缓慢等特性，实现道路主干的自动提取。

1 道路提取的基本框架

1.1 道路的基本特征

图1中给出了4幅道路目标高分辨率遥感图像。图中均有一条主干道路，道路宽度均匀且延伸性较好，道路边缘明显，但由于路面材质不同，道路呈现不同灰度。(a)中主干道路呈明显直线，还伴有数条乡村小路和田埂；(b)(c)中主干道路有一定弯曲度，道路边缘受到城区建筑影响较大；(d)中主干道路弯曲度较大。

图1 道路目标示例

可以看出，高分辨率遥感影像中道路不仅有丰富的光谱信息，而且道路的几何结构更加明显，可以获得更多形状和空间语义方面的信息，但是地物目标的种类也多样化，给道路识别带来很大影响。道路基本特征概括后主要有以下几类：

1) 几何特征：道路具有明显的方向性，沿长方向宽度变化较小；对于不同地形，道路弯曲度不同，但一般曲率变化缓慢。

2) 灰度特征：道路内部灰度较为均匀，但由于道路年龄差异、路面材质不同，会导致道路灰度的不均一；道路区域与其相邻区域的灰度差异较大，但容易受到路旁树木、建筑物及阴影的影响，造成边缘断裂。

3) 拓扑特征：道路间相互连通，不会突然中断，有一定的延续性。

4) 功能特征：道路具有一定的等级和用途，不同等级的道路具有不同的宽度和用途。

5) 上下文特征：道路周边区域一般总是存在着道路相关的图像特征，道路上来往的车辆、路边的绿化带和行树都是重要的上下文信息。

1.2 平行点对模型

道路边缘的理论模型包含平行直线和平行曲线，对于平行直线的判断，可以依据直线斜率，但是对于平行曲线，利用曲率的计算较为复杂且不利于计算机自动处理，为此设计一种平行点对模型，如图2所示。

图2 平行线对模型

平行点对模型：设L与K是由边缘点集组成的2条线，若L与K可以分成相应的边缘点对L1与K1，L2与K2，…，Ln与Kn，(n≥1，n∈N)，且各边缘点对满足如下条件：

1)L1∪L2∪L3…∪Ln=L；K1∪K2∪K3…∪Kn=K。

2) 对于其中任意一对Li与Ki(i=1，2，…n，n∈N)，具有相同的边缘方向θi，Li与Ki连线方向垂直于θi，且Li与Ki的距离d为定值。

那么L与K构成一组平行线。

2 主要算法流程

高分辨率遥感影像的道路提取遵循Marr视觉理论[6]，主要分为5个步骤，因此道路提取框架如图3所示。

图3 道路提取框架图

基于平行边缘点对的道路检测方法整体流程如图4所示，其核心是利用主干道路边缘所呈现的平行特性，构造了道路目标的对称方向宽度谱(symmetry orientation and width spectrum，SOWS)[7]。

SOWS(θi)=|{∠ek=θi,∠el=θi,

(1)

式(1)中，ek,el∈E表示图像中的边缘点，E为边缘点集合，θi∈[0,180]为道路边缘方向，|{…}|表示集合中元素的个数，Di为ek,el之间的几何距离，与主要道路大致宽度有关。若ek-el∈Di且∠ek=θi,∠el=θi，，则(ek,el)为方向θi距离Di上的边缘点对。通过统计边缘点对的数量，可以形成方向宽度谱图，根据显著峰值可以有效判断道路的主方向和宽度。

图4 算法流程

2.1 边缘提取

图像边缘检测是计算机视觉研究的热点问题之一，在计算机图形学等方面有着重要作用[8]。常用的边缘检测算子有Sobel算子、Roberts算子、Prewitt算子、Canny算子等[9]。

Sobel算子是典型的基于一阶导数的边缘检测算子，使用2个方向的模板，分别对图像进行邻域卷积，边缘点就是邻域内灰度变化大于一定阈值的像素点。

Canny算子是一种基于最优化思路推导出来的图像边缘检测算子，提取的边缘连续性较好，不容易受噪声的干扰。

图5中(a)(b)分别为Sobel算子和Canny算子对图1(a)的边缘提取结果，所提取的边缘点的数量分别为4 517和17 304。由图可知：Sobel算子不仅能提取出较完整的图像轮廓，而且计算简单，边缘点定位准确，在实时性和有效性上具有明显优势，所以本方法中选择Sobel算子用于提取边缘的位置和方向信息。

图5 边缘提取效果对比

2.2 边缘方向计算

边缘方向是非常重要的特征参数，通过提取主方向边缘，可以实现目标与背景的初步分离。对图5(a)中的边缘图提取结果统计边缘方向直方图如图6(a)所示，提取主方向边缘点如图6(b)所示，有效地去除了无关的边缘点。

图6 边缘方向计算

为了有效抑制背景干扰，在计算边缘方向时，可以采用基于局部PCA变换的方法[10]来代替传统的基于单像素灰度梯度的处理方法。

局部PCA方法：以任一边缘点E(i,j)为中心选取一个局部邻域窗口，大小p×p，其中p为奇数，其大小会影响PCA计算的速度和结果的准确性，这里取p=7。设边缘图像中局部邻域窗口内边缘点数目为n，像素坐标为(xi,yj)，则：

(2)

其中

(3)

从而可构造协方差矩阵：

(4)

进而计算S的特征根，有：

(5)

通常，λ1>λ2。若λ2=0，则邻域窗口内边缘点为理想直线。但是在边缘图像中，由于噪声的影响，以及边缘像素位置的不确定性，λ2往往是一个较小的数值。实验表明：对于较接近直线的线段，λ2在0～0.3之间浮动，因此可以将λ2>0.4的局部线段作为曲度较大的边缘剔除，同时可通过λ1求得邻域窗口内边缘点的主元方向θ：

(6)

图7(a)为PCA方法计算的边缘方向谱，图7(b)为提取主方向边缘点的结果，与图6相比有效抑制了背景干扰，具有较好的鲁棒性。

2.3 道路边缘点对提取

图8给出了对图1(a)进行SOWS计算的结果，其中w表示宽度，o表示方向，CP-SOWS表示平行边缘点对数量。可以看出：在SOWS中，(w=11,o=60)处存在1个显著峰值，这对应于图像中的主干道路边缘信息，因此可以实现主干道路的提取。

图7 PCA方法边缘方向计算

图8 SOWS计算结果

由定义可知：SOWS局部显著峰的位置包含了相应平行边缘的方向和宽度信息，据此在边缘图像中可以实现道路边缘的提取。其中，为了便于检测局部峰值，往往需要利用非极大值抑制方法对SOWS进行处理，消除干扰峰的影响，进一步突出显著峰，其处理步骤如下：

步骤1 对SOWS进行非极大值抑制处理得到最大显著峰值SOWSmax；

步骤2 设定比例因子r=0.50，有峰值检测阈值ThSOWS=SOWSmax·r；

步骤3 遍历SOWS，若SOWS>ThSOWS，则获取相应坐标值(o,w)；

步骤4 利用(o,w)，遍历原始边缘图E和边缘方向图O，若边缘点E(i,j)的方向O(i,j)=o，同时E(i,j⊕w)为边缘点，且O(i,j⊕w)=o，则边缘点对E(i,j)和E(i,j⊕w)为道路边缘点，赋值为1，否则赋值为0。

步骤5 重复步骤2～4，直至满足条件的峰值处理完毕，输出结果。

其中，符号⊕表示两边缘点之间按照几何距离相加。

3 实验结果与分析

为了评估本方法在高分辨率遥感图像中的实际性能，通过以下2组实验进行论证。实验1中通过与传统的Hough变换方法、数学形态学方法的对比试验，验证本方法的优越性。实验2中通过测试本方法对复杂背景下道路检测的效果，验证本方法的有效性。

3.1 实验1

为了有效地进行对比试验，选取2类典型道路的高分辨率遥感图像，其中图9(a1)为平行直线道路，图像大小为204×154像素，分辨率为1 m；图9(a2)为平行曲线道路，图像大小为255×199像素，分辨率为1 m。对2幅图像分别使用文献[11]基于数学形态学的方法、文献[12]基于Hough变换的方法和本方法进行处理，效果对比如图9所示。

实验1的结果表明：对于典型的平行直线道路，3种方法都能够达到较好的提取效果。对于典型的平行曲线道路，基于Hough变换的方法只能检测到道路的直线部分，对于弯曲的部分无法有效检测，而本方法可以有效地提取出整个道路的平行边缘。

基于数学形态学的方法虽然也可以有效地提取道路的轮廓，但是无法判断道路边缘是否平行，在复杂背景下，容易受到河流等其他地物的影响。另外本方法还可以对道路的主方向和宽度进行检测，检测结果如表1所示。

表1 道路主方向与宽度检测

3.2 实验2

为验证本方法的有效性，实验2利用图1中所给的不同背景复杂度下含有主干道路目标的高分遥感图像进行测试分析。

图10(a)为Sobel算子边缘提取效果，包含主干道路边缘信息，同时还包括部分建筑物、阴影等边缘的干扰。图10(b)为SOWS计算结果，均有明显的显著峰，有利于平行边缘点对信息的区分，并实现道路主方向和宽度的检测。图10(c)为主干道路提取结果。

实验2结果表明：对于高分辨率遥感图像，基于平行边缘点对的方法可有效抑制背景干扰，较为准确地提取平行道路边缘点，从而有利于主干道路的检测。

4 结束语

对于主干道路提取，本文从边缘和灰度的角度构造了主干道路自动提取方法，主要利用道路边缘的平行、对称，以及道路宽度变化缓慢等特性，综合利用道路边缘梯度方向、道路边界灰度，构造对称方向宽度谱(SOWS)，并通过对SOWS的非极大值抑制处理，得到对应于主干道路的局部峰值，并获取相应的倾角和水平宽度值，实现道路网主干道路的自动提取，通过对不同场景高分辨率遥感图像的实验结果，验证了方法的有效性。

图10 实验2结果

[1] 蔡涛,王润生.一个从多波段遥感图像提取道路网的算法[J].软件学报,2001,12(6):943-948.

[2] HU H,LIU Y,WANG X,et al.Road Extraction in Remote Sensing Images Using a New Algorithm[C]//Proceeds of IEEE International Conference on Intelligent Information Hiding and Multimedia Signal Processing.Harbin,[s.n.],2008:779-782.

[3] 卫靖杰,李光耀,汪燕琴,等.基于平行线对的卫星照片道路自动提取算法[J].计算机工程与应用,2008,44(29):193-195.

[4] 朱昌盛,周伟,关键.基于平行线对检测的SAR图像主干道提取算法[J].中国图象图形学报,2011,16(10):1908-1917.

[5] 董银文,苑秉成.基于直线特征的航拍图像机场跑道自动识别算法[J].系统工程与电子技术,2013,35(4):876-879.

[6] 史文中,朱长青,王昱.从遥感影像提取道路特征的方法综述与展望[J].测绘学报,2001,30(3):257-261.

[7] TANG L，XIE W X，HUANG J J．Finding Main Road Seeds Based on Symmetrical Edge Orientation Histogram[J].Electronics Letters,2004,40(4):235-237。

[8] 阮秋琦,阮宇智,译.数字图像处理 [M].北京:电子工业出版社,2005.

[9] 胡尚举,田国法,申江波.边缘检测算子的分析比较 [J].大众科技,2008(9):48-49.

[10] 胡正平,杨苏,王成儒.基于局部PCA的参数约束Hough直线分层检测[J].系统工程与电子技术,2009,31(11):274-275.

[11] 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.

[12] 安丽.基于 Hough 变换的高分辨率遥感影像道路提取[D].南昌:东华理工大学,2015.

(责任编辑陈 艳)

RoadDetectionMethodBasedonParallelEdgePoint

SUN Yongchao, WANG Ping, GAO Yinghui, DONG Xiaohu

(ATR Key Laboratory, College of Electronic Science and Engineering,National University of Defense Technology, Changsha 410073, China)

In order to solve the problem of road detection in high-resolution remote sensing image, an algorithm based on parallel edge points was proposed. In this paper, a comprehensive analysis to the characters of the road in high resolution remote sensing images was first given, and then a parallel edge points model was proposed. This model can be used to extract the image edge information, and to build the symmetry orientation and width spectrum by exploiting the road edge directions and the gray scale of image boundary. Further, the local peak of the main load and the corresponding angle and horizontal width value can be obtained by utilizing non-maximum suppression. Finally, the main road can be automatically extracted from remote sensing image. Extensive experimental results showed that our method can effectively extract the edge of the main road, and with high accuracy and good generalization capability.

high resolution remote sensing images; road detection; parallel edge point

2017-05-21

国家自然科学基金资助项目(9140C8002011004)

孙永超(1985—)，男，山东章丘人，硕士研究生，主要从事计算机视觉、自动目标识别方向的研究，E-mail：sych0611@126.com。

孙永超，王平，高颖慧，等.基于平行边缘点对的道路检测方法[J].重庆理工大学学报(自然科学)，2017(11):185-191.

formatSUN Yongchao, WANG Ping, GAO Yinghui, et al.Road Detection Method Based on Parallel Edge Point[J].Journal of Chongqing University of Technology(Natural Science)，2017(11):185-191.

10.3969/j.issn.1674-8425(z).2017.11.028

TP751.1

A

1674-8425(2017)11-0185-07