基于颜色特征的道路提取算法研究

肖 驰，田小霞

（韩山师范学院计算机与信息工程学院，潮州 521041）

0 引言

随着遥感技术的快速发展以及国家新基建的提出，智能交通作为新融合基础基建，在国家战略中扮演越来越重要的角色。道路作为不同区域互通的纽带，是地图制图和地理信息系统主要的记录和标识对象。随着遥感图像的空间分辨率不断提高，道路信息更加丰富和复杂，而准确的道路信息是智能交通和智慧城市的基础。因此，研究从遥感图像中自动且快速地提取道路对国家和省级层面都具有重要的意义。

遥感图像中的道路主要具有四个特征：几何特征、上下文特征、光谱特征和纹理特征。高分辨率遥感中的道路具有更为复杂的信息和上下文特征，同时，噪声和阴影等对道路特征的影响，使得道路提取仍是遥感图像处理的热点。

遥感图像中的道路提取方法主要分为两类：自动和半自动。自动算法是根据算法和预处理的数据，计算机自动识别遥感图像中的道路信息。刘小丹提出一种基于Hough变换和数学形态学的高分辨率遥感影像城区道路提取方法。首先，用Hough 变换检测主要道路的方向及道路宽度，再根据道路特征判断直线的关系从而测量道路的宽度。但是城市道路存在弯曲或者多岔路，Hough 变换检测效果不理想。劳小敏等首先对道路图像进行二值化，采用数学形态学方法，过滤掉不符合道路几何特征的地物，利用模板的方向等信息，进而提取道路宽度。半自动算法是采用人机交互提取道路信息的方法。戴激光等采用人机交互提取道路中心点和道路宽度，根据建立的道路模板匹配模型，预测道路方向，通过扇形描述子确定道路跟踪点，从而生成道路。

颜色特征是一个事物具有最明显的特征，所以颜色特征是图像处理首选之一。肖驰提出一种基于HSV颜色空间的车身颜色识别算法，该方法提取整个车身HSV 颜色信息，利用直方图统计分类并识别车身颜色。谢明鸿和宋纳提出一种基于核的Fisher 线性判别（FLD）和形状特征相结合的方法。首先，提取标注样本中道路的颜色信息；其次，利用基于核的FLD 对遥感影像进行特征训练分类，即道路和非道路两类；然后利用道路的形状特征和形态学对道路进行优化处理。

本文提出一种半自动道路提取算法，该算法是基于颜色特征的道路提取方法，辅助形态学方法和区域合并算法的融合。首先，人机交互获取遥感图像中道路的颜色特征，其次根据获取的颜色特征对遥感图像中的道路提取，然后生态学方法和区域合并算法使得粗略道路连续、互通，得到准确的道路网络。该道路网络图为下一步基于深度学习的道路特征信息提取与自动识别打下坚实的基础。仿真实验表明本方法可解决由于噪声、阴影等影响而道路提取效果不理想，以及不能提取弯曲道路等问题，为道路提取提供一个新的参考方案。

1 基于颜色特征的道路提取算法

遥感图像中不同地物有着自己独特的特征，如颜色、纹理、几何等，其中颜色特征是最明显特征。道路与其他地物在颜色特征上存在显著差异，从颜色特征的角度提取道路信息是道路提取的首选之一。但城市中道路的复杂性、道路两边建筑物和高大树木遮挡、以及极个别地物具有与道路相似的颜色特征，这些都会影响道路信息提取。为了提取准确的道路信息，本文提出一种基于颜色特征的半自动道路提取算法，该算法包括人机交互提取道路颜色特征，遥感图像中道路提取，道路区域互通三部分，如图1所示。

图1 算法流程

1.1 人机交互提取道路颜色特征

由于光亮和图像尺度，同一图像中的道路颜色也不同，故本小节采用人机交互方式获取道路的颜色特征。道路颜色分量为、、，其表达式如下：

输入：一张遥感图像

输出：颜色分量、、

①用鼠标多次定位在图像中的道路；

④道路颜色特征为、、。

1.2 遥感图像中道路提取

由于遥感图像中道路受噪声、水坑或者阴影等影响，颜色特征会在一定范围内波动。不同通道分量中设置阈值，在本小节设置一个松弛变量，以控制颜色特征范围。

输入：一张遥感图像，颜色特征、、

输出：粗略道路的二值图像

①设置松弛变量的值；

②确定不同通道分量的颜色特征范围；

③设置一个与遥感图像尺寸相同的全零矩阵；

④在遥感图像中将满足颜色特征范围的像素点标记，并在矩阵中标记为1；

⑤输出。

由于树或者建筑物遮挡道路，基于颜色空间特征算法提取的道路信息不完整，甚至出现道路中断现象。为了更好地提取道路信息，本节提出一种区域互通算法，计算出每个区域与其他区域的最小距离，并将该区域标记，使得道路互通。设图像块中不同区域标记为Label(= 1,…,)，其中为区域个数。区域的最短距离：

其中表示与区域距离最短区域编号，将该区域和区域中距离最短的点标记，记录这些点组成的区域（最左、最右、最上和最下），实现区域互通。由于不连通的区域可能需要与其它区域相连，如图2 所示：孤立的区域有A、B、C、D，它们间相互连通的过程分为三步。第一步侧重于不同块间选择距离最短，然后合并互通，如子图b，C 与D 的距离最近，故C 与D 合并。第二步CD区域与A块距离最近，故A与CD块合并，第三步B与ACD块相连互通。

图2 不同区域互通

由于实验数据过大，本节采用分治法将整个图像分成四个规模相同的子图像块，分别进行图像块的道路互通，之后合并成原图的道路提取。分治法策略如图3所示。

图3 分治策略

道路互通算法：

①将图像划分成四个图像块,,,;

②循环 对每一图像块；

③ 统计图像块的区域个数；

④ 求出每个区域与其他区域的最短距离且标记该最短区域；

⑤ 将每个区域与其距离最短的区域互通；

⑥ 整个图像块的区域是否互通，如果是，跳出循环⑧，否则转③；

⑦ 保存该图像块；

⑧将四个图像块合并。

2 实验结果与分析

本研究的软硬件环境为：DELL 笔记本，处理器为i7-9750H，内存为16 GB，Win10 操作系统，仿真软件Matlab 2018。

2.1 实验数据分析

本研究选择城市道路图像，提取城市道路信息。图4显示城市道路，但部分道路被高大树木或者建筑物所遮挡，遮挡部分的图像颜色与道路颜色不同，如红色框中所示。被遮挡的道路在图像中被标记为其他地物，使得道路信息不完整、甚至出现不连续的现象。

图4 城市道路

2.2 实验结果分析

遥感图像中道路具有与其他地物现状不同的颜色特征。在理想情况下，基于颜色特征的道路信息提取算法可精确提取图像中道路信息。但是由于道路被遮挡或者地物中有与道路颜色特征相似，这些都造成提取道路信息缺失，且包含大量噪声。图5显示基于颜色特征提取道路信息，虽然道路基本信息清晰可见，但道路中缺失信息较严重，部分路段中断。此外，还有零散的点散布整个图像在非道路区域。

图5 基于颜色特征提取的道路信息

图6 显示两个不同区域合并示意图。子图（a）展示两个独立区域；子图（b）中红色区域将两个独立区域间的空隙覆盖，借助红色区域实现两个独立区域互通。 红色的多边形最左、最右、最上、最下的点作为连通不同区域的纽带。

图6 两个区域合并示意图

图7显示第一个图像块实现不同区域间的互通过程，子图（a）显示第一步不同区域的互通情况，区域间最小距离的误差为5，红色区域是连接不同区域的部分，红色区域的大小和形状是由两个独立区域间最小距离的点决定，包括最左、最右、最上和最下。子图（b）显示第二步不同区域的互通情况，区域间最小距离的误差为2，有三个红色区域。 子图（c）显示2个独立区域2 处互通，此时红色区域分为两块。子图（d）显示图像块最后互通的情况，虽然道路的宽窄不一，边缘不光滑，但道路信息是连续的。

图7 不同区域合并过程

图8显示本文提取道路信息与人工标注的对比图。与人工标注图相比，本研究的算法能提取清晰的、准确的主体道路信息。但有些道路段放大且道路边缘不光滑，如红色框所示，这主要是：①道路中有噪声、水坑或被建筑物等地物遮挡的阴影区域，造成道路信息缺失和道路不连续；②互通区域设置为矩形。

图8 道路信息

3 结语

本文提出一种半自动道路信息提取方法，该方法分两步：①由于道路具有明显颜色特征，通过人工交互方式提取基于颜色特征的粗略道路信息；②由于地物遮挡等原因，道路信息出现较明显缺失，采用区域互通算法将缺失的道路信息恢复。该算法简单、易操作，提取道路信息基本完整。根据仿真结果，本研究提取道路信息与人工标注的道路信息基本相同，仅在被遮挡的道路边缘存在扩大，下一步研究将改进当前算法。