王 琪，宋志娜，毛文娟

（1.太原市基础地理数据中心，山西 太原 030009；2.武汉大学 测绘遥感信息工程国家重点实验室，湖北 武汉 430079）

从遥感影像中提取道路的算法分为自动提取和半自动提取2类。自动提取方法主要有基于多尺度分辨率、统计学习以及几何概率模型的方法等[1-4]，但至今还没有一种针对各种道路类型和分辨率影像的通用提取策略和算法[5]。因此，充分利用人和计算机各自的优点，采用人机交互方式进行半自动道路提取是行之有效的方法。半自动道路提取根据交互方式的不同，大致可分为2类：一类是给定初始点和初始道路方向，通过已有的信息来预测下一处道路的各项参数和信息，进而选择最佳的预测点，修改预测模型，通过跟踪得到道路的中心线和边线[6-8]；另一类是给定一系列分散的点，利用动态规划、模拟退火、主动轮廓模型等提取道路中心线[9,10]。本文针对城市高分辨率遥感影像特点，提出了一种基于统计信息的高分辨率遥感影像的道路提取方法，达到了半自动、快速提取城市道路的目的。

1 高分辨率遥感影像道路特征

高分辨率遥感图像中，道路描述为具有一定宽度和长度、灰度基本保持一致的狭长带状区域，道路特征可归为灰度、几何、拓扑、功能以及关联或上下文的约束。不同级别的道路在影像表现不同，对于高级别的主干道，在影像中表现为明显的带状，并且在局部范围内具有明确的主方向。针对这种类型的道路，可采用基于结构张量的主干道提取法。针对某些由于影像质量或者其他原因造成的低反差度道路，采用基于统计学原理的灰度剖面模板方法更具有针对性。

除了有自身的明显特征外，道路还与附属路面地物有密切的联系，如路面上的车辆、行人及地上标线等。车辆、交通设施作为与道路高度相关的目标可以作为道路存在的直接证据；道路绿化是城市道路的重要组成部分，可作为目标提取过程中道路存在的又一证据。

2 低反差道路提取算法

本文针对城市高分辨率遥感影像上低反差度的道路提取问题，提出了一种基于统计信息的道路灰度剖面模板方法。该方法是对一般通用道路提取方法的一种有益补充，分级别采用不同的算法提取道路更具有针对性。

所谓低反差度道路，我们把它描述为与背景灰度相差较小的道路。已有的研究表明，利用边缘点的梯度信息检测低反差道路边缘是一种有效途径，其代表性算法为相位编组法。该算法认为，边缘不仅仅存在于灰度发生突变的地方，在灰度沿着某个方向发生缓慢变化的地方也存在边缘，可利用边缘梯度相位特征来提取直线。具体实现方法为：①计算图像上各点的梯度；②根据梯度方向将像素划分为若干类（通常分8类），如图1所示；③定义提取模大于阈值的像素为边缘点；④梯度方向位于同一区域并且相互连通的边缘点构成一块原始的支持区，也称为相位编组区。

相位编组法直接用于检测道路边缘线存在2个问题：经常不能完成整个的边界线支持区；不能从形状复杂的支持区获得边缘线。因而，本文采用基于统计信息的灰度剖面模板半自动提取低反差道路。图2为低反差道路提取流程图。

图2 低反差道路半自动提取流程图

基于统计信息的低反差道路提取算法步骤如下：

1）在道路上选取若干种子点，并依次连接形成线l1，l2，…，ln。

2）以种子点所在的矩形区域为范围，使用Canny算子检测边缘；同时依次以种子点连线上每个点为中心，以Li的垂线方向作灰度剖面，统计每个剖面的长度。

3）取这些灰度剖面长度的中值，并且根据剖面长度和中值确定道路延伸方向。依据Kolmogorov强大数定律，可以认为li之间独立，且服从于统一分布，以实际值（道路的实际宽度lroad）为期望值，左右波动，即

在低反差道路上，由于灰度反差较低导致边缘检测效果图上并未完全显示2条边界，个别li→+∞；在高分辨率遥感影像中，道路上非目标地物如行道树、路面行使的车辆或路面上由于材质不同导致的不同折射等影像，使得少量li→0。考虑到这2种情况的存在，用中值lmid代替期望值E（l），即

4）以统计的道路延伸方向为基准，与该区域边缘检测中标记的折线拆分后的统计方向对比，保留方向一致的折线，将不一致的折线剔除，得到候选道路。

半自动提取低反差影像中的候选道路，同样采用基于假设-验证方法确定道路边界正确与否。在整幅图像上，利用全局信息、道路的功能特征以及多证据搜集等方式进行验证，排除错误、补充缺漏、提取交叉口并最终形成道路网。

3 遥感影像道路半自动提取实验

本实验选取了几组低反差影像图，基于统计信息的剖面跟踪算法，提取的种子点区域内道路如图3所示。

图3 基于统计信息的低反差道路提取实验组图

从图3可知，基于统计信息的低反差道路提取算法可以较好地将道路目标提取出来，并能剔除高层建筑物阴影对道路的影响。

4 结 语

本文基于统计信息，以高分辨率遥感影像中城区低反差道路为研究对象，采用剖面灰度模板及多项式拟合方法，实现了高分辨率遥感影像城区道路半自动提取功能，并取得了较好的效果。

[1]Boggess J. Identification of Roads in Satellite Imagery using Artificial Neural Networks: A Contextual Approach, Technical Report[M].Mississippi State University, 1993

[2]Barzohar M, Cooper D. Automatic Finding of Main Roads in Aerial Images by using Geometric Stochastic Models and Estimation[J]. IEEE Traction on Pattern Analysis and Machine Intelligence, 1996,18(7):707-721

[3]文贡坚, 王润生. 从航空遥感图像中自动提取道路[J]. 软件学报, 2000, 11(7): 957-964

[4]胡翔云. 航空遥感影像线状地物和房屋的自动提取[D]. 武汉：武汉大学, 2001

[5]林宗坚, 刘政荣. 从遥感影像提取道路信息的方法评述[J].武汉大学学报：信息科学版, 2003(1):92-95

[6]胡翔云, 张祖勋, 张剑清. 航空遥感影像上线状地物的半自动提取[J].中国图像图形学报, 2002, 7(2): 137-140

[7]杨云, 朱长青, 张德. 高分辨率遥感影像上道路中心线的半自动道路提取[J]. 计算机辅助设计与图形学学报，2007(6):103-107

[8]张海涛, 董明,祝晓坤. 自动赋初值的LSB-Snake模型的道路半自动提取方法研究[J]. 北京测绘, 2008（2）：4-7

[9]Gruen A, Li H. Semi-automatic Linear Feature Extraction by Dynamic Programming and LSB-Snakes[J]. Photogrammetric Engineering and Remote Sensing, 1997, 63 (8): 985-995

[10]Trinder J, Li H. Semi-automatic Feature Extraction by Snakes[M]. In: Automatic Extraction of Manmade Objects from Aerial and Space Images, Birkhauser Verlag, 1995