基于FMH模型的高分辨率影像城市道路提取研究

王文军

（惠州市国土资源局惠城区分局 国土资源勘察测绘队，广东 惠州 516001）

1 引言

遥感可以通过非接触式传感器或卫星获取有关地球上物体的信息。随着遥感卫星和传感器的快速发展，遥感影像的分辨率越来越高。道路是遥感影像记录的典型人工地物之一，道路提取在城市规划和交通运输中起着至关重要的作用。高分辨率城市影像中的道路以密集分布的结构规则为主要特征，在遥感影像中，它是一条具有特定宽度和灰度的直线带。

近年来，从高分辨率遥感影像中提取道路信息的理论和实验研究得到了极大发展。N.Chandra 提出了一种基于认知视角的道路网络提取方法，能够检测出道路的主要部分、弯曲区域和交叉点[1]。安丽引入了一种多特征稀疏模型来表示目标道路的外观。采用一种新的稀疏约束正则mean shift 算法进行道路跟踪，具有良好的鲁棒性和准确性[2]。N.Chandra 等人根据道路的边缘、颜色和拓扑特征搜索感兴趣的区域[1]。此外，阈值分割和数学形态学在道路区域提取中都起到了很好的作用。模糊C均值也适用于道路提取，徐超利用Hough 变换从高分辨率影像中提取道路信息，因为大多数城市道路是直的[3]。

本文提出了一种新的城市道路提取模型，该模型采用模糊C均值、形态学和Hough 变换，称之为FMH（Fuzzy C-means, Morphology and Hough transform）。在对影像进行预处理后，先采用模糊C均值算法将影像分为道路部分和非道路部分，对上述结果进行侵蚀操作，去除非道路部分。然后将局部Hough 变换应用到子区域中提取道路特征。最后，采用扩张和细化相结合的方法将断裂部分连接在一起，以获得更好的可视化效果。

2 研究方法

研究提出一种基于高分辨率遥感影像的城市道路提取模型FMH。模型中使用的算法主要有模糊C均值聚类（Fuzzy C-means）、数学形态学（Morphology）、局部Hough 变换（Hough transform）等。技术流程如图1 所示。

图1 技术流程

2.1 模糊C 均值聚类

聚类是一种非监督的分类模式。模糊C均值聚类，又称模糊ISODATA，是一种常用的聚类方法。隶属度函数表示属于集合A的任何对象X的程度，其范围在0 到1 之间。对于每个类别，所有样本都可以定义为一个特定的模糊集。FCM 算法可以最大限度地提高同一类别中元素的相似度，同时最小化不同类别中元素的相似度。

2.2 数学形态学

提取线元素后，道路区域形状不规则，还有一定程度的骨折。为了平滑道路区域和连接道路裂缝，可以再次使用线元素对影像进行放大。之后，通过八度模板匹配方法可以实现形态细化，最后得到单像素宽度的道路信息。

2.3 局部Hough 变换

在对原始数据进行模糊C均值聚类和数学形态学处理后，仍然存在大量的非道路区域。Hough 变换用于提取道路区域直线特征的直线基元。Hough 变换是从数字影像中提取直线的经典算法。Hough 变换的基本原理是利用点和线的对偶性将影像维数中的每一点转化为参数空间中的曲线。如果影像维度中的某些点共线，则它们在参数空间中的相应曲线在某个点处相交。同样，在参数空间中的同一点相交的所有曲线对应于影像空间中直线上的点。

在影像空间中，一条直线可以由参数方程（7）表示。直线如图2 所示。

公式（7）中，λ是从直线到影像原点的距离，θ是直线法向和X轴正方向之间的角度。

图2 直线的极坐标

从参数方程可以看出，直线上的任何点（确定值和θ）对应参数空间中的正弦曲线。影像空间中同一直线上的点与参数空间中许多正弦曲线的交点映射。也可以说，参数空间中的交点对应于影像空间中的唯一直线。

Hough 变换的核心是通过局部模式（a点）的识别来实现影像全局模型的提取。与其他线性检测方法相比，Hough 变换具有明显的优势。Hough 变换特别有效，即使影像上的目标点是稀疏的。

Hough 变换在处理遥感影像时具有良好的抗噪声和抗断裂能力。然而，并不是所有的道路都能穿透整个影像。如果在整个影像中使用Hough 变换，将检测到与某条道路在同一条线上的一些非道路点或噪声。另外，在整个影像中道路长度不同的情况下，需要设置提取直线的阈值。较小的阈值可能会导致大量非道路点混合在一起。但如果门槛太大，只会检测出几条较长的道路，剩下的道路将被移除。因此，对影像进行整体Hough 变换很难取得良好效果。

在这种情况下，利用局部Hough 变换完成道路的提取。首先，整个影像被分割成一些小窗口。为了保证线段的完整性，窗口之间存在一定的重叠。然后逐个进行迭代扫描，根据阈值对每个窗口进行Hough 变换。其次，合并每个窗口的结果以获得路线图。这样，在每个子窗口中都可以检测到长距离的道路，并且可以消除远处共线噪声的干扰。

3 实验结果

3.1 实验数据集和参数设置

实验基于两景2019 年5 月拍摄的2 米分辨率高分一号卫星影像（命名为影像1 和影像2）。两幅影像的大小是540×540。在影像1 中，道路几乎是垂直和水平的，其他地面物体包括大量的居民楼和绿化带。然而，影像2 的道路并非都是水平或垂直的。除了影像1 中的非道路对象，影像2 中还有一条河从上到下横穿。参数设置如下：在FCM 聚类中，类别c的个数设为3，权重系数m设为2。在形态侵蚀中，0 度和90 度方向均采用长3 宽1 的直线模板，这次操作的次数是5 次。在局部Hough 变换中选择的子窗口大小为270×270，阈值为150。膨胀模板与侵蚀模板相同，操作次数是10 次。

3.2 结果分析

图3中的影像显示了模型基于影像1的处理过程。图3（a）为原始全色影像，图3（b）为灰度化和直方图均衡化的结果，均衡后，道路与其他地物的对比度增强。图3（c）为对图3（b）实施模糊C均值聚类后的影像二值化的结果。在二值化影像中，道路类别为白色，其他两个类别为黑色，除道路区域外，还有其他地面对象也被分类为道路类别。在不同方向的线路侵蚀和组合结果下，大量的非道路区域被移除或削弱，如图3（d）所示。利用局部Hough 变换提取每个窗口中的长线段。图3（e）为已移除非道路区域的提取道路区域。对于上述结果，执行行扩张操作，图3（f）为扩张道路，道路区域的孔洞被填满，破碎道路在一定程度上连通。最后，对放大后的影像进行形态学细化，图3（g）为仅具有一个像素宽度的道路提取结果，提取结果与如图3（h）所示的原始影像叠加。

图4 是基于影像2 的处理结果，尽管有些路段成了曲线或断裂，但提取出了主要道路的信息。通过对两幅不同影像的处理，可以看出新模型具有很好的道路提取效果。

图3 基于影像1的城市道路提取结果

图4 基于影像2的城市道路提取结果

4 结论

本文研究提出了一种新的基于FMH 的城市高分辨率图像道路提取模型，该模型包括模糊C均值、形态学和局部Hough 变换。经过预处理后，首先利用道路的灰度特征进行模糊C均值聚类，将图像分为道路区域和非道路区域。然后，通过形态侵蚀和局部Hough变换去除非道路区域，并提取道路区域。最后，进行形态扩张和细化操作，将断裂的部分连接在一起，以获得更好的可视化效果。实验证明了该FMH 模型的有效性。