基于遥感影像的地图道路网数据变化检测分析

2021-09-27吕喜容

经纬天地 2021年4期

吕喜容

（厦门亿力吉奥信息科技有限公司，福建厦门 361009）

0.引言

道路遥感影像在民生、救灾、军事等方面具有重要作用，因此，研究地图道路网数据变化检测分析方法，分析同一地区不同时相的遥感影像，检测道路网数据变化，定位产生变化的道路，判断变化类型，及时更新道路地图，具有重要意义。

当前国内外道路变化检测研究都取得较大发展，通过图像配准、目标分割等计算机视觉技术，检测变化的道路区域，分类和识别道路变化类型。文献[1]预处理采集的道路遥感影像，将笔画宽度作为道路特征，采用均值漂移算法，初始化道路特征信息，在遥感影像的样本数据中，后处理道路数据，提取符合空间形态的道路数据，以及符合属性特征的信息数据，但该方法受外界地形和天气影响较大，道路区域检出率较低。文献[2]构建道路特征编码器，采用迁移权值算法，区分道路区域和非道路区域的空间几何特征，利用人工神经网络训练方法，拟合道路特征，得到道路辐射的主干网，但该方法自动化程度较低，道路区域拓扑结构不连贯，检测精度较低。针对以上问题，结合区域遥感影像，设计地图道路网数据变化检测分析方法，采用旋转滑动模板，聚类遥感图像中的道路区域，优化道路检出率和检测精度。

1.基于遥感影像的地图道路网数据变化检测分析方法设计

1.1 提取遥感影像的道路网数据

采用旋转滑动模板，结合聚类算法，提取遥感影像中的道路网数据。将可旋转的滑动模板，作为提取道路网数据的基本单元，根据遥感图像分辨率，设置模板大小。把遥感图像输入旋转滑动模板，滑动矩形模板，0～90°旋转模板，使模板覆盖所有道路区域。矩形模板的旋转角度，由计算模板顶点得到，如公式（1）所示：

式（1）中，（x，y）为模板当前顶点位置；a为旋转角度；（x1，y1）为模板旋转后的顶点位置；m、n分别为模板长度和宽度。将长度远大于宽度的条状结构，作为遥感影像中道路的几何特征，删除不符合几何特征的区域，在模板两侧设置长方形区域，取反检测背景，剔除非道路干扰区域。采用邻域均值法，对遥感图像进行任意角度的一致性检测，统计模板内相似的像素个数，将相似个数大于设定阈值的模板区域，作为一致性较高区域，即地图道路的候选区域。

筛选道路候选区域，通过特定颜色量化像素值，统计量化后的像素，得到颜色分布的颜色直方图，将其作为候选区域的颜色特征，将RGB色彩空间的三原色，转换为HSV中的亮度、饱和度、色调三个参数，增加颜色直方图的维度。然后提取道路候选区域的纹理特征，定义9×9大小的方形窗口，令方形窗口遍历整幅遥感图像，比较窗口内中心点和其余点的像素值大小，若小于中心点，将像素点位置视作0，否则视作1，从左至右依次读取位置点数，统计窗口内所有像素点的二进制数，将相同的二进制数归为一类，记录二进制数中的最小数值，即为候选区域的纹理特征[3]。

将提取的颜色特征和纹理特征，输入k-means聚类算法，不断修正所有道路区域和非道路区域的距离误差，得到去除广场、水体等大部分误检区域的道路候选区域，界定道路区域和非道路区域。针对二进制数的道路网络二值图像，检测二值图像中的非零部分，把道路端点细化为单像素，将单像素连通区域作为道路骨架。提取道路骨架，统计骨架内与非零像素点欧式距离为1的像素点，当非零像素周围仅有一个不为零的像素点时，判定该点为骨架末端像素点，否则判定该点处于非末端区域，标记并连接道路末端的像素点，得到遥感图像的道路网[4]。至此完成遥感影像道路网数据的提取。

1.2 匹配新道路网数据和历史道路网数据

将遥感影像提取的道路网数据，作为新道路网数据，使其与历史道路网数据相匹配。引入径向基函数网络理论，匹配道路网数据的几何信息，包括长度、形状、方向、结点度、距离，将其作为道路网数据的5个空间特征，判断新道路网和历史道路网的相似度。利用长度相似度S，判定道路几何长度的相似程度，如公式（2）所示：

式（2）中，L、L′分别为新道路网数据、历史道路网数据中的道路几何长度；min、max分别为求最小值函数、求最大值函数。利用方向相似度A，判定道路整体走向的相似程度，如公式（3）所示：

式（3）中，O、O′分别为新数据和历史数据中道路首尾结点连线的方向角。利用形状相似度，综合描述道路形状特性，包括综合型道路、曲线型道路、平直型道路，形状相似度特征因子f计算公式如公式（4）所示：

式（4）中，X、X′分别为新数据和历史数据中第i个节点和第i+1个节点组成向量。形状相似度G计算公式如公式（5）所示：

式（5）中，M、M′分别为新数据和历史数据中的道路节点数；ki+1、ki为道路第i+1节点与起始节点、i节点与起始节点之间累积长度与道路总长度的比值[5]。利用距离相似度F，描述道路之间的相对位置差异，计算公式如公式（6）所示：

式（6）中，U为新数据和历史数据中的道路Hausdorff距离；B为新数据中道路生成的搜索缓冲区半径。利用结点相似度D，判定新数据和历史数据中，道路两端结点的结点度相似程度，对道路首尾结点的相似度进行分权求和，结点相似度D计算公式如公式（7）所示：

式（7）中，J、J′分别为新数据和历史数据中的道路首结点结点度；P、P′分别为新数据和历史数据中的道路尾结点结点度。构建三层结构的人工神经网络，把5个空间特征相似度值，作为网络输入信号，非线性连接网络结构，迭代训练神经元输出值，输出新道路网数据和历史道路网数据的匹配度。采用非参数化离散算法，由输出层至输入层逆向传播误差信号，结合不同结构的神经元概率函数，修正网络连接权值，最小化误差信号，消除匹配度输出值和真实值之间的偏差。归一化处理输出的最终匹配度I，计算公式如公式（8）所示：

式（8）中，h为隐含层输出值；l为神经网络连接权值。将匹配度最高的新道路网数据和历史道路网数据，作为最佳匹配，确定两份数据为同名要素。至此完成新道路网数据和历史道路网数据的匹配。

1.3 检测匹配道路网数据变化

计算匹配道路网数据变化特征，检测新道路和历史道路的变化。计算道路空间变化特征，设置道路路长变化阈值，当长度相似度小于阈值，判定道路长度发生变化，否则未发生变化，若发生变化时，当L＞L′，判定道路变化类型为延长，否则为缩短。设置道路路型变化阈值、方向变化阈值、距离变化阈值，当形状相似度小于路型变化阈值时，判定道路发生局部形变，否则未发生变化，当方向相似度小于方向变化阈值时，判定道路发生旋转变化，否则未发生变化，当距离相似度小于距离变化阈值时，判定道路发生位置变化，否则未发生变化。通过道路弧段结点度，衡量道路结点是否发生变化，其结点度V计算公式如公式（9）所示：

式（9）中，C、C′分别为新数据和历史数据中道路弧段的结点度，当结点度大于0时，判定道路结点度增加，结点度小于0，判定道路结点度减小，结点度等于0，则判定道路结点度保持不变。分析道路属性变化特征，包括宽度、名称、材质、等级、车道数等附属信息，通过字符相加形式，把道路所有属性值，都合并到新增属性字段中。道路新增属性字段Z计算公式，如公式（10）所示：

式（10）中，Z1、Z2、L、Zn为道路各属性字段；N为道路包含的属性类别。采用重心后移规律匹配算法，计算新增属性字段的相似度，设置道路属性变化阈值，当属性相似度低于阈值时，判定道路属性发生变化，否则未发生变化。划分决策数结点为内部结点和叶结点，使其分别表示一个道路特征，以及特征对应的道路变化。采用决策树生成算法，排序道路网数据几何变化特征、属性变化特征的影响力值，根据影响力值设定决策树的结点值。影响力值K计算公式如公式（11）所示：

式（11）中，g（j，E）为第j个遥感影像样本数据中第E个道路变化特征的影响力值，S为样本数量。从大到小依次排序变化特征的影响力值，生成决策树的树形结构，递归选择最优变化特征，映射道路变化特征和变化类型，其映射关系如下：长度变化特征对应道路延长和缩短，方向变化特征对应道路旋转变化，形状变化特征对应道路局部变形，距离变化特征对应道路位置变化，结点度变化特征对应道路结点度增加、结点度减小，属性变化特征对应道路属性变化。将信息增益作为最优变化特征的选择准则，遍历遥感影像中的所有样本数据，根据决策树检测到的最优变化特征，判断并分类道路网数据变化。至此完成匹配道路网数据变化的检测，实现结合区域遥感影像，地图道路网数据变化检测分析方法的设计。

2.实验论证分析

将此次设计方法（方法1），与用于地图道路网数据变化检测分析的核密度检测方法（方法2）、贝叶斯网络检测方法（方法3），进行对比实验，比较三组分析方法的检测性能。

2.1 实验准备

选择某城市2000年基础道路网数据和2020年基础道路网数据，包括县乡道、省道、国道三类道路，将2000年数据作为历史数据，共有1426条道路，将2020年数据作为新数据，共有1883条道路，统计的道路网数据变化（如表1所示）：

表1 道路网数据变化统计

三组方法分别检测该城市的道路网数据变化。选择15-20级的高分辨率遥感影像，作为提取地图道路网数据的实验对象，采集遥感影像的外界条件不同，包括夜晚场景和白天场景，阴影和光照变化较大，其比例尺和空间分辨率（如表2所示）：

表2 遥感影像比例尺和空间分辨率

不同级别遥感影像的图像分辨率都为256×280。设计方法在遥感影像中提取道路候选区域，旋转滑动模板的检测显示（如图1所示）：

图1 遥感图像道路网数据提取

左图为用于检测的18级遥感图像，右图为使用40×10像素大小滑动模板后，提取的道路候选区域。

2.2 实验结果

2.2.1 道路检出率实验结果

针对白天场景和夜晚场景的遥感图像，比较三组方法的道路检出率，检出率C计算公式如公式（12）所示：

式（12）中，b、c分别为真实道路区域和非道路区域中，检测为道路区域的像素点个数。道路检出率的实验对比结果（如图2所示）：

图2 道路检出率实验对比结果

表3 道路检出率实验对比表

由图2可知：夜晚场景中的道路检出率要低于白天场景，针对白天场景的遥感图像，设计方法道路检出率均值为96.8%，相比核密度检测方法、贝叶斯网络检测方法，本设计方法道路检出率分别提高了4.5%、9.3%。针对夜晚场景的遥感图像，设计方法道路检出率均值为92.7%，相比核密度检测方法、贝叶斯网络检测方法，设计方法道路检出率分别提高了5.3%、9.1%。两个时段平均分别提高了4.9%、9.2%。

在遥感图像中提取的道路网数据，明显多于另两组方法，检测的道路区域更加全面。

2.2.2 道路检测精度实验结果

针对白天场景和夜晚场景的遥感图像，比较三组方法的道路检测精度，检测精度O计算公式如公式（13）所示：

式（13）中，O为真实道路区域中，检测为非道路区域的像素点个数。道路检测精度实验对比结果（如图3所示）：

由图3可知：夜晚场景中的道路检测精度同样低于白天场景，针对白天场景的遥感图像，设计方法道路检测精度均值为98.4%，相比核密度检测方法、贝叶斯网络检测方法，设计方法道路检测精度分别提高了10.6%、16.8%。针对夜晚场景的遥感图像，设计方法道路检测精度均值为88.1%，相比核密度检测方法、贝叶斯网络检测方法，设计方法道路检测精度分别提高了5.3%、10.2%。两个时段平均分别提高了8.0%、13.5%。

图3 道路检测精度实验对比结果

表4 道路检测精度实验对比表

在遥感图像中提取的道路网数据更加准确，充分删除了图像中的非道路区域。

2.2.3 道路变化检测精度实验结果

比较三组方法的道路变化检测精度，变化检测精度计算公式如公式（14）所示：

式（14）中，p为正确检测到发生变化，且对变化类型判断正确的道路数量；v为正确检测到未发生变化的道路数量；q为检测到的道路总数量。三组方法的实验对比结果（如图4所示）：

由图4可知：设计方法道路变化检测精度均值为96.6%，对道路属性变化判断最为准确，检测精度高达98.3%，核密度检测方法、贝叶斯网络检测方法道路变化检测精度均值分别为87.1%和82.6%，设计方法道路变化检测精度分别提高了9.5%、14.0%，提高了对道路变化类型的检测准确度，检测结果更加真实可靠。