一种高分辨率遥感影像城区道路网提取方法
周家香1，周安发1, 2，陶超1，高陈强3，李静1
(1. 中南大学 地球科学与信息物理学院，湖南 长沙，410083；
2. 湖北省基础地理信息中心，湖北 武汉，430071；
3. 重庆邮电大学 信号与信息处理重庆市重点实验室，重庆，400065)
摘要：提出一种高分辨率影像城区道路自动提取新方法。该方法首先引用经典的Mean-Shift算法实现道路图像的初步分割，再合并灰度相似的区域，依据直方图准则选取合适的阈值进行二值化分割；然后，引入形状因子(面积、长宽比等)去除混杂在图像中与道路形状特征不相似的区域；对于仍然与道路相连的非道路区域，构造多方向形态学滤波的方法剔除，提取独立的道路区域，最后连接断裂的道路线，实现道路网的提取，并对多幅高分辨率城区影像进行试验。研究结果表明：该方法能很好地实现从复杂环境中提取道路网，特别是对直线型道路的提取精度更高。
关键词：遥感影像；mean-shift算法；形状特征；形态学；道路提取；直线连接
中图分类号：P407.8 文献标志码：A 文章编号：1672-7207(2013)06-2385-07
A methodology for urban roads network extraction from high resolution remote sensing imagery
ZHOU Jianxiang1, ZHOU Anfa1, 2, TAO Chao1, GAO Chenqiang3, LI Jing1
(1. School of Geosciences and Info-Physics, Central South University, Changsha 410083, China;
2. Hubei Geomatics Information Center, Wuhan 430071, China;
3. Chongqing University of Posts and Telecommunications, Chongqing 400065, China)
Abstract: An automatic urban road extraction method for high-resolution images was proposed. Firstly, road images were initially segmented by using classic Mean-Shift algorithm, and then regions with similar gray values were merged, and appropriate thresholds for image segmentation were selected based on histogram analysis. Secondly, shape indices such as area, length-width ratio etc were introduced to remove those regions mixed in image which had different shapes with road. In order to ensure the independence of each road target candidate, a multidirectional morphological filtering algorithm was designed to separate road from the neighboring non-road objects. Finally, road network was extracted by connecting the broken road lines. The results indicate that this method can be used to extract roads under complex conditions, especially for the straight roads.
Key words: remote sensing image; mean-shift algorithm; shape feature; morphology; road extraction; line linking
随着高分辨率遥感和航空摄影获取手段的不断发展，高分辨率影像得到越来越多应用，尤其是在国家推进‘数字城市’的建设中，高分辨率影像用于更新基础地理信息库(4D产品)的应用更加频繁和广泛。与人工矢量化相比，信息的自动提取将节省巨大的人力、物力和财力，具有广阔的应用前景。近30a来，从高分辨率影像中进行道路的自动和半自动提取研究一直是研究热点和难点。研究者们提出了多种道路提取的模型和方法，如Snake模型方法[1-2]、水平集方法[3]、动态规划方法[4]、模板匹配方法[5]、Hough变换方法[6]、面向对象方法[7]和数学形态学方法[8]等。在高空间分辨率遥感影像中，存在着分辨率提高带来的“噪声”，导致有用边缘信息不明显，复杂的影像背景也会产生大量难以处理的细碎边缘，造成道路边缘提取困难；同时，由于异物同谱和同谱异物现象的存在也很难提取直线道路和面状道路，使得单独使用以上1种方法都很难有效地提取道路。目前，道路提取多采用多方法融合的方法，如：Das等[9]利用多光谱道路图像的光谱特征和局部线性特征，结合概率支持向量机方法、主导奇异值方法、局部梯度函数和垂直中轴转换方法进行区域分类、道路边缘检测、断裂道路连接和非道路区域剔除，通过实验多幅道路图像验证了该方法的优越性，但是，该方法只在多光谱图像中效果较好，而且只能检测城区主干道，对建筑物或其他与道路灰度相似的区域提取较困难。李书晓等[10]将数学上总变分的概念引入道路图像分割和变分几何准则中，结合形态学开运算，实现道路提取。该方法在道路图像分割过程中效果较好，且具有较强的稳定性，但是，在图像的后处理过程中采用普通形态学开运算，容易造成图像变形且并不能剔除那些与道路紧密相连的非道路区域。为了实现道路精确完整提取，本文分2步处理图像：道路分割和道路分割后处理。第1步，引入Mean-Shift方法实现道路的初步分割，剔除车辆、小面积阴影的干扰，然后，针对道路自身灰度的差异，继续对初步分割的结果进行相似的区域合并和二值化分割；第2步，对于分割后的结果采用形状指数剔除与道路混合的建筑物等其他地物，对于仍与道路相连的非道路区域，构造多方向形态学滤波的方法剔除这些区域，最后对提取出的道路进行细化和直线拟合、连接处理。
1 基于Mean-Shift的道路分割
对于基于道路面信息的提取方法，复杂道路图像的精确分割一直是高分辨率遥感道路提取的难点和重点，对于后续的道路提取十分重要。常见的道路图像分割算法有阈值分割、区域生长、区域分离与合并、分水岭区域合并等。这些算法处理简单的道路图像还比较理想，但对复杂和数据量大的图像，普遍存在时间效率和准确性低等不足。为此，本文作者将近年来比较流行的Mean-Shift算法引入道路图像的分割。
Mean-Shift算法最早由Fukunaga等[11]于1975年提出，是一种非参数的概率密度梯度估计算法即偏移的均值向量，随着Mean-Shift理论的发展，它被广泛应用于图像分割和目标实时跟踪中。Mean-Shift算法的基本思想如下。
给定d维空间Rd中的n个样本点xi(i=1，2，…，n)，在x点的Mean-Shift向量的基本形式定义为：
(1)
(2)
式中：G(x)为核函数；H为带宽矩阵。考虑到样本点xi距离x的权重影响，将(1)式定义为
(3)
式中：h为常数矩阵；w(xi)≥0，为1个赋给采样点xi的权重。将式(3)的x提到求和号的外面，可得：
(4)
将式(4)右边项记为fh(x)，即
(5)
给定1个初始点x、核函数G(x)和容许误差ε，Mean-Shift算法循环执行以下3步，直至结束条件满足为止：(1) 计算fh(x)；(2) 将fh(x)赋给x；(3) 若|| fh(x)-x||＜ε，则结束循环，否则，继续执行步骤(1)。
Comaniciu等[12]对Mean-Shift算法从理论分析、收敛性证明、核函数的选取原则、带宽的选择等方面进行了详细阐述，并实验验证了Mean-Shift 算法在图像平滑和分割方面的应用，取得了很好的效果。本文借鉴这一思想实现对道路图像的初步分割。
在实验中发现：Mean-Shift算法在保留图像边缘、处理图像噪声和阴影方面取得了很好的效果，但是，由于算法自身对边缘的敏感性，使得对于不同灰度道路图像的处理，分割结果不统一。为了实现对道路图像的精确分割，在Mean-Shift分割后进行相似区域的合并和灰度直方图统计，选取合适的阈值区间进行道路分割。
道路图像具体分割步骤如下。
分别用xi和zi(i=1，2，…，n)表示由位置特征空间和颜色特征空间组成的多维输入图像和滤波图像，Li表示要分割图像第i像素的值。
(1) 使用Mean-Shift算法处理图像，然后，将图像的所有特征点存在到zi中。
(2) 将zi中的像素点进行聚类，把所有空间阈值小于hs、颜色空间阈值小于hr的聚类到集合{Rr} (r=1，2，…，m)中。也就是把相一致的特征点归为一类。
(3) 对于每个i=1，2，…，n像素，令Li={r/zi＜Rr}。
(4) 将像素个数少于M的区域合并到邻近区域中。
(5) 采用基于直方图的双阈值法实现二值道路图像的分割。
在二值化分割中，双阈值分割可以很好地克服不同材质的道路灰度不同所引起的差异，由于路面车辆、斑点等面积区域相对固定，阴影、绿地与道路的光谱差异明显，经过Mean-Shift分割过程中融合小面积区域和双阈值分割，基本上可以滤除它们对道路的干扰。
2 道路分割后处理方法
2.1 道路特征提取
对于二值化处理后的图像，主要存在建筑物等其他人工地物的干扰，而建筑物通常呈现矩形或者矩形组合等规则的几何形状，道路通常呈现具有一定宽度的长条状。基于这一特性，可以定义图像如下特征指数。
(1) 面积S。经过二值化处理后的图像一般有很多碎小斑块，道路的面积一般不会很小，通过计算分割后区域的面积，设置一定阈值，可以很好地去除这些碎小的斑块。
(2) 矩形度。用目标图形的面积和包围该图形的最小的矩形面积之比作为目标矩形度的一种度量数，即
(6)
式中：So为目标图形的面积；Sm为包围该图形的最小矩形的面积。S能表征目标物体与矩形的接近程度。矩形度范围为(0，1]。
(3) 长宽比R。
(7)
式中：Lm为最小外接矩形的长；W为最小外接矩形的宽。长宽比可以反映物体的细长程度，用它可以很好地提取出具有明显长度特征的区域。
综合利用这些特征，可以有效地去除与道路隔离的非道路目标。为了保障在去除非道路目标的过程中尽可能地保存道路的完整性，本文在提取道路的过程中，特征参数的设置以保持道路的完整性为准。
2.2 多方向形态学道路滤波方法
在道路的提取过程中常常会遇到这样的现象：由于存在异物同谱现象，经过分割和形状特征提取后的道路通常存在建筑物、停车场等与其相互混叠的现象，从而使得道路很难被独立地提取出来。通常都是采用形态学开、闭运算的方法，尽可能地解决这个问题，但是，过度的开闭运算会改变目标的形状，并且开、闭运算并不能解决那些与道路紧密相连的区域(见图1(a))。为此，采用一种基于多方向线状结构元素的形态学滤波算法解决上述问题[13]。
数学形态学最大的特点就是通过引入结构元素，使得对各种复杂的图像操作转换为对结构元素进行的简单集合运算。通过将输入图像与结构元素进行各种数学形态学运算，可实现对输入图像的数学形态学变换[14]。在图像处理过程中，对结构元素的选取主要考虑2个因素：一是所需提取的对象的几何特点；二是结构元素的方向、形状和尺寸等属性对数学形态学变换的影响。在高分辨率影像上，道路通常呈现细长的、具有一定宽度的条带状，且具有方向性，因此，可以根据这一特征构造一种结构元素即多方向线性结构元素
。然后，用结构元素对待处理的二值化道路图像进行形态学开运算，剔除非道路区域。公式如下：
(8)
(9)
式中：方向角ai=i×6；长度L一般取40~80个元素；I表示二值化图像。图1所示为构造的多方向线状结构元素模型和滤除的道路片段。
2.3 道路后处理
为了提取道路网，需要对提取的道路进行边缘平滑、道路细化、毛刺去除和断裂线连接等后处理。本文直接采用均值平滑和形态学骨架化的方法，进行平滑和道路细化。
图1 用多方向线性结构元素滤波
Fig. 1 Filtering by using multiple direction linear structure element
城市道路一般是相互连通的区域，必须把断裂的道路线进行连接形成路网。道路线连接算法设计的优劣直接影响路网提取精确度的高低。城区道路网络形式多为规则的格网形式，从可操作性和误连接性2个方面考虑，本文仅对近似垂直的两线段进行连接或近似在1条直线的2线段进行连接。根据文献[15]中的算法思想和文献[16]中的直线共线条件，对断裂线进行连接处理，主要步骤包括：直线拟合和断裂线的连接。在直线的拟合阶段，采用Douglas-Peuker轮廓分段技术对道路曲线端点进行采样，然后，通过最小二乘法对道路端点进行直线拟合。在直线连接阶段，设计3种情况进行连接：(1) 若1条线段的端点到1条线段的垂直距离小于设定的阈值，则对这个端点记录，并延长端点至相交点并重新记录相交点；(2) 若2条道路的端点距离小于设定的阈值，则对这2个端点记录并连接；(3) 若有3条线段的端点距离小于设定阈值，则对这3条线段的端点进行延伸，记录相交点并分析，若这2个相交点的距离小于设定阈值，则将这2个相交点相连，在相连的中心位置生成新的相交点，删除原有的相交点，并将与这2个相交点相连的线段与新的相交点相连，即3点相交于1点，记录最终的相交点。
3 试验结果与分析
本文采用网络提供的高分辨率城区道路影像图片(http://vplab.iitm.ac.in/road_detection/satelliteIamges.html)，如图3(a)所示，图像像素为512×512。图3(a)中存在车辆、道路两旁树木等对道路灰度的严重干扰、建筑物与道路光谱相近等问题，从整体上说，图像灰度偏暗，道路的光谱特征不明显，不易提取，可用于研究复杂道路的提取，从而提高大范围道路提取的质量。图像处理流程如图2所示。
图2 道路提取流程图
Fig. 2 Flow chart of road extraction procedures
按照图2所示的处理流程，得到如图3(b)所示的道路分割后结果，在Mean-Shift处理中相似区域的合并阈值为40，道路分割阈值选取范围为190~240。图3(c)所示为初步形状特征处理之后的结果，图中面积阈值S为100，长宽比阈值R为2.0。图3(d)所示为经过多方向形态学滤波的结果，图中方向角间隔阈值为6°，长度L阈值为60。图3(e)所示为直线细化后断裂线拟合、连接后的结果，直线连接阈值为46。为了便于观察，将直线加粗、标红后叠加，如图3(f)所示。
从图3可见：由本文方法提取的道路网与实际道路网基本吻合，但是，图3(f)中的右下角存在1段道路缺失。这主要是由于此段道路受到树木和车辆的严重干扰，导致实际道路的光谱特征近乎完全丢失，误认为是非道路区域而被滤除掉。为了更好地说明本文算法的有效性，选取另外两幅相同大小的道路图像进行试验，结果如图4和图5所示。
对图3~5，图像分割的处理时间均在4 s之内；用1 Mb的影像进行测试，其分割时间也在10 s之内，分割效率较高；在去噪、剔除非道路区域方面，本文方法具有明显的优势，可以有效地提取出独立的道路区域。图3和图4中提取的道路网可以与道路的中心较吻合；图5中提取的道路网在曲线弧度较大部分稍微偏移道路中心。这主要是由于在图像后处理中采用的是直线拟合方法，这也说明采用本文方法对于直线型的道路效果更加精确。整体上，本文方法较精确地提取了城市道路网，具有较强的鲁棒性和实用性。
图3 某城区道路影像提取实验Ⅰ
Fig. 3 Experimental Ⅰ: A urban road extraction from remote sensing imageries
图4 某城区道路影像提取实验Ⅱ
Fig. 4 Experimental Ⅱ: A urban road extraction from remote sensing imageries
图5 某城区道路影像提取实验Ⅲ
Fig. 5 Experimental Ⅲ: A urban road extraction from remote sensing imageries
4 结论
(1) 基于道路分割的时间复杂度和准确度，引入Mean-Shift的分割方法，并对其进行改进，使之适合于道路图像的分割，大大节省了分割时间，提高了分割精确度。
(2) 针对在城市道路提取中普遍存在与道路灰度相近区域(如房屋、露天停车场等)难以剔除的问题，本文除了采用形状特征剔除非道路区域外，还设计了一种适合于道路的多方向性形态学滤波算法来剔除非道路区域，从而使道路与非道路区域完整地区分。
(3) 针对断裂的道路区域，设计了一种拟合后连接算法，实现了断裂道路区域的自动连接，从而实现了道路网的提取。试验结果验证了该方法的有效性和可靠性。
(4) 从算法的设计上看，本文方法特别适应于高分辨率直线型道路的提取，对城市道路网的提取具有很高的精度。
参考文献：
[1] Mayer H, Laptev I, Baumgartner A, et al. Automatic road extraction based multi-scale modeling, context, and snakes[J]. International Archives of Photogrammetry and Remote Sensing, 1997(30): 106-113.
[2] TANG Wei, ZHAO Shuhe. Road extraction in quaternion space from high spatial resolution remote sensed images basing on GVF Snake model[J]. Journal of Remote Sensing, 2011, 15(5): 1040-1052.
[3] LU Bibo, KU Yongxia, WANG Hui. Automatic road extraction method based on level set an shape analysis[C]//Intelligent Computation Technology and Automation, Second International Conference on.Changsha, Hunan, 2009: 511-514.
[4] Poz A, Vale G. Dynamic programming approach for semi-automated road extraction from medium and high resolution images[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2003, 34(8): 87-91.
[5] LIN Xiangguo, ZHANG Jixian, ZHENG Jun, et al. Semiautomatic road tracking by template matching and distance transform[C]//Urban Remote Sensing Event. Shanghai, 2009: 1-7.
[6] ZHANG Lianjun, ZHANG Jing, AHANG Dapeng, et al. Urban road extraction from high resolution remote sensing images based on semantic model[C]//Geoinformatics. 2010 18th International Conference. Beijing, 2010: 1-5.
[7] 李晓峰, 张树清, 韩富伟, 等. 基于多重信息融合的高分辨率遥感影像道路信息提取[J]. 测绘学报, 2008, 37(2): 178-184.
LI Xiaofeng, ZHANG Shuqing, HAN Fuwei, et al. Road extraction from high-resolution remote sensing images based on multiple information fusion[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(2): 178-184.
[8] Mena J B. State of the arton automatic road extraction for GIS update:a novel classification[J]. Pattern Recognition Letters, 2003, 24(16): 3037-3058.
[9] Das S, Mirnalinee T, Varghese K. Use of salient features for the design of a multistage framework to extract roads from high-resolution multispectral satellite images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3906-3931.
[10] 李书晓, 常红星. 基于总变分和形态学的航空图像道路监测算法[J]. 计算机学报, 2007, 30(2): 2173-2180.
LI Shuxiao, CHANG Hongxing. Road extraction algorithm for aerial images based on total variations and mathematical morphology[J]. Chinese Journal of Computers, 2007, 30(2): 2173-2180.
[11] Fukunaga K, Hostetler L. The estimation of the gradient of a density function, with applications in pattern recognition[J]. IEEE Transactions on Information Theory, 1975, 21(1): 32-40.
[12] Comaniciu D, Meer P. Mean shift: A robust approach toward feature space analysis[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2003, 25(5): 603-619.
[13] 陶超, 谭毅华, 蔡华杰, 等. 面向对象的高分辨率遥感影像城区建筑物分级提取方法[J]. 测绘学报, 2010, 39(1): 39-45.
TAO Chao, TAN Yihua, CAI Huajie, et al. Object-oriented method of hierarchical urban building extraction from high-resolution remote-sensing imagery[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(1): 39-45.
[14] 郭景峰, 蔺旭东. 数学形态学中结构元素的分析研究[J]. 计算机科学, 2002, 29(7): 113-115.
GUO Jingfeng, LIN Xudong. The analysis and study of structure element of mathematical morphology[J]. Computer Science, 2002, 29(7): 113-115.
[15] Kovesi P D. MATLAB and octave functions for computer vision and image processing, school of computer science & software engineering[EB/OL].[2011-11-20].http://www. csse. uwa. edu.au /～pk / research /matlabfns/, 2005.
[16] 赵晓锋. 高分辨率遥感影像城区道路提取方法研究[D]. 武汉: 华中科技大学图像识别与人工智能研究所, 2010: 1-53.
ZHAO Xiaofeng. Urban roads extraction algorithm for high resolution remote sensing image[D]. Wuhan: Institute of Image Recognition & Artificial Intelligence, Huazhong University of Science and Technology, 2010: 1-53.
(编辑 陈灿华)
收稿日期：2012-06-25；修回日期：2012-08-28
基金项目：国家高新技术研究发展计划(“863”计划)项目(2012AA121301)；重庆市科委自然科学基金资助项目(CSTC，2010BB2411)
通信作者：陶超(1985-)，男，湖南长沙人，讲师，从事高分辨影像信息提取研究；电话：15973184170；E-mail：kingtaochao@csu.edu.cn
