基于支持向量机融合马尔可夫的高分辨率遥感影像的道路精细化提取*

2022-09-26宋文韬曹坤

科学与信息化 2022年18期

宋文韬曹坤

1. 中电莱斯信息系统有限公司江苏南京 210007；2. 高分辨率对地观测系统南京数据应用中心江苏南京 210007

引言

县道、乡道、村道、专用公路占我国公路总里程90%左右[1]。如此庞大的农村公路里程，建设中的核查监管必不可少，利用卫星遥感可实现常态化、大范围观测，具有经济、高效、客观、准确等优势，特别是针对人工核查工作量大的乡间公路，能够有效监测，大幅提高管理效率[2]。

针对不同遥感影像的特点，业内相关专家提出不同的道路提取模型，比如基于图像线的特征的方法[3]，基于图像光谱特性的方法[4]，基于聚类分析的方法[5]等，深度学习的发展也给了道路提取新的思路，不需要依靠先验构建的特征，而是通过网络学习对象本质特征[6]。但现有算法往往针对的是城市区域的较为大型的公路，在乡村道路研究较少，深度学习方法因为卷积层和池化层影响，同时受到数据集制约，在细小目标的分割结果比较粗糙，传统方法需要依靠先验知识，泛化能力比较弱。

支持向量机（SVM）泛化能力较强，很适合应用于遥感图像这种训练样本少，标准数据集缺乏的情况。马尔科夫随机场模型能够有效地描述图像的空间上下文信息，本文将两种方法相结合，通过简单的灰度共生矩阵描述图像道路的纹理信息，再用SVM根据特征粗分类，最后利用马尔科夫随机场完成对空间结构规则化，完成精细提取。

1 SVM的道路粗提取算法

1.1 道路纹理特征提取

在高分辨率遥感影像种不同的道路在图像的纹理特点不同[7]，而灰度共生矩阵（Gray-level co-occurrence matrix,GLCM）是一种典型的图像纹理特征统计方法通过遥感影像各点之间的距离向和方位向特征来综合表达图像的纹理特点[8]。

GLCM以概率密度函数的形式描述图像，表示以像元i为起点、方向、距离为d时，出现像元值j的概率。基于GLCM进一步计算图像的复杂统计特征，一般统包括平均值（Mean）、方差（Variance）、均质性、对比度（Contrast）、相异性（Dissimilarity）、熵（Entropy）[9]。选择如下纹理特征能够很好地表达道路内部的特征，如灰度共生矩阵特征表所示（M、N为影像统计窗口的行列数）。

表1 灰度共生矩阵特征表

1.2 SVM分类器

支持向量机（Support Vector Machine，SVM）是一种经典的二元分类的广义线性器，学习策略是间隔最大化，本文将其应用于背景与道路的初步划分。

对于图像这样复杂的信号，需要利用核函数将原输入空间变换到一个新的特征空间，便于遥感图像的构成的样本集在高维特征空间线性可分。为了分类的效率，本文选择基于高斯核的RBF核函数，公式如下：

本文算法是能量、熵、对比度等灰度共生矩阵特征归一化到[0,1]区间，公式为：

2 基于MRF的空间精细分割算法

2.1 MRF模型

马尔可夫随机场（MRF）属于图模型,描述的是遥感影像相邻像素的关联关系，适合对内容或结构上存在相关性的情况进行分析：对马尔可夫随机场中每一个节点，它只受到该节点邻域节点的影响，各像素只与相邻像素相关，较远像元对该点没有影响。图像的马尔可夫模型提供了条件估计局部、局部替代全局的重要空间分析模式。基于独立假设，该模型使用几个因子的乘积来表示随机变量集的结合概率，并且每个因子仅依赖于随机变量的一个子集（局部变量）。联合概率分布分解的因子定义为最大团块中变量的函数。简单点就是可以写成图的最大团块的势函数（potential function）乘积的形式。

Z为归一化函数。

通常利用吉布斯随机场（Gibbs Random Field，GRF）和马尔可夫随机场的等价性来解决MRF随机场求解的问题，将MRF的局部性和GRF的全局性联系起来，将求解的研究转化为对Gibbs分布函数的研究。

因此可以将MRF由Gibbs来表示，描述为[10]：

U（x）是能量函数，Vc（x）是关于基c的势函数，C是由所有的集团构成的集合。Z是被称为Gibbs分布分割函数的归一化常数。在实际应用中，结合概率分布P（X＝x）是通过指定基团的势函数并根据系统的行为选择适当的基团势函数Vc（x）而获得的，由此包括先验知识和标记之间的相互关系。

基于概率框架的图像标记问题可归结为最大后验概率（MAP）估计问题。在MAP-MRF框架中, 对后验概率建模，则属于产生式概率模型，后验概率

2.2 支持向量机融合马尔可夫的精细化分割模型

在利用SVM分类器得到初始分类结果后，采用Sigmod函数将初始分类结果转化为后验概率，公式如下：

根据马尔科夫随机场理论，将其表示为能量形式：

考虑领域的马尔可夫性，给出MRF空间特性能量函数：

模型能量函数最小化的常用算法包括模拟退火算法、局部迭代条件模型、遗传算法等，本文从效率和精度综合考虑采用局部迭代条件模型计算，收敛速度快、计算效率高。

3 实验分析

选择江苏地区作为试验区，基于高分2号亚米级数据，对于城区主干道，相关交通地图已经比较完善，本文特地选择现有资料比较少覆盖的乡村道路作为研究目标。

图1 算法结果对比表

本文采用提取的准确性Com、提取质量Qul作为评价指标，定量评估算法的精度，并同相关算法进行对比：

公式中：TP为正确提取的道路，FP为错误提取的道路，FN为漏提取的道路。

表3 提取质量评价表

从表中可以看出，Meanshift算法窗口很难自适应，特别当目标大小发生变化时，直方图特征难以充分描述目标颜色特征，缺少空间信息，导致提取比较粗糙，提取质量较低，很多噪声和误提取的点。SVM分类器对于一般情况下的分类比较准确，实现了大多数道路的提取，但在对于高分辨率影像很多细小的像素难以精确分割，存在不少噪声点，对于空间结构与特征没有充分利用和挖掘[11]。

本文提出的算法在道路提取精度较高、误提取较少，综合表现更为优异；在传统分类器基础上，利用图像上下文关联去除虚警，在提取质量方面大幅提升，减少了大量误提取的道路，从像素级别精确提取道路，实现单帧图像端到端的道路检测，为后续定量分析、道路精细化管理提供帮助。