李卫东，陈永枫，杨 阳，李润生

国外遥感影像道路网提取研究现状

李卫东1，陈永枫1，杨 阳1，李润生2

（1.解放军第153医院信息科，郑州 450002；2.解放军信息工程大学，郑州 450001）

交叉口是道路网中重要组成部分，对道路网拓扑结构组建及道路高层信息处理意义重大。本文对现阶段国内外遥感影像道路交叉口提取现状进行了介绍，介绍了不同算法的特点，为后续道路网提取工作奠定了理论基础。

道路提取；遥感影像；研究现状

1 引言

在过去近四十年中，国内外相关学者对半自动、自动影像道路提取方法做了大量研究，许多道路提取策略（算法）取得了令人满意的结果。这些提取算法综合利用不同遥感影像上道路所呈现的特征信息制定满足特定任务需求的提取规则或策略，构建符合道路特征的道路模型，一般而言，使用的道路特征越丰富，提取结果越好。根据道路网提取过程中知识的使用程度，将高分辨率影像道路网提取分为三类：①基于像素的道路网提取；②基于区域的道路网提取；③基于知识的道路网提取。本节分别对三种方法的基本原理及国内外研究现状进行分析总结，这部分工作是后续展开研究的基础。在遥感影像道路网提取中，准确地对交叉口位置定位可显著提高道路网提取的精度和效率。在中低分辨率道路网提取任务中，交叉口被看作连接3个或更多道路分支的点对象，在高分辨率影像中，交叉口是具有一定形状的面对象，无法用点对象对其描述表达。针对高分辨率影像的道路交叉口提取方法研究是高分辨率遥感影像处理应用领域的难点问题，也是长期被研究者忽略的问题。对道路交叉口进行检测是算法的基础和关键，目前道路交叉口提取方法可分为三类：基于道路的提取方法、基于影像的提取方法、基于知识的提取方法。

2 基于道路的交叉口提取方法

基于道路的交叉口提取方法是先检测道路，然后根据道路相交原理获得交叉口结点。

Ruiz和Rubio等（2011）提出了一种基于纹理特征描述的自动道路交叉口位置检测方法［1］，通过机器学习的方法对不同区域交叉口样本影像进行学习，获取交叉口纹理特征分布特点，然后利用纹理特征描述对影像进行分割，通过计算分割区域中心轴线交点获取交叉口位置。

Li和Briggs（2012）采用基于道路的方法提取高分辨率影像交叉口［2］，在影像分割基础上利用道路几何特征与宽度不变特征筛选道路段，然后将道路段交点作为道路交叉口。张伟伟和毛政元（2012）提出基于Hough变换的影像道路交叉口提取方法［3］，通过提取同质区域、去除干扰因素地物、Hough直线变换、求直线交点等步骤完成交叉口的定位。

3 基于影像的交叉口提取方法

基于影像的道路交叉口提取方法通过统计分析影像上道路交叉口的辐射、形状等特征，构造交叉口检测算子（或模版），利用检测算子对影像进行搜索，获取交叉口区域位置。基于影像的交叉口检测方法是目前最常见的方法，包括基于模版匹配的交叉口检测、基于微分几何的交叉口检测等、基于形状约束的交叉口检测。

Cheng和Jin等（2012，2013）利用形态学方法及形状识别方法 （Parallelepiped Angular Texture Signature，PATS）直接从SAR影像上提取交叉口并识别其类型［4］。Chai等（2013）利用目标结构一致性特点检测交叉口结点［5］，算法通过输入样本信息、样本学习、监督分类、结果评价等步骤完成四类交叉口位置的检测。

李刚（2010）综合利用影像上道路交叉口区域灰度、形状、纹理特征对交叉口进行识别［6］，通过预提取（提取颜色、纹理、方向特征）与识别（区域标记、形状特征提取分析）两步完成交叉口的提取。

4 基于知识的交叉口提取方法

基于知识的交叉口提取方法在提取过程中引入外部数据（地理坐标、高程信息等）作为辅助信息进行粗提取，然后利用交叉口自身特征进行筛选。张伟伟和毛政元（2012）利用矢量数据中提供的几何与属性信息提高了提取的准确率［3］。陈卓等（2013）借助高程信息采用角度纹理信息与Snake算法从LiDAR点云数据中提取道路交叉口［6-9］，提取过程需要大量外部数据支撑，操作步骤复杂，且Snake算法提取效果受初始轮廓影响较大，对于大面积影像而言，其收敛速度慢，提取效率较低。

以上三种方法都可对交叉口进行检测，但也存在不足之处。基于道路的提取方法对影像道路提取的精度依赖性较大，由于目前全自动道路检测并不成熟，故这种方法适用性较差。基于知识的提取方法需有完备、准确的外部数据支持，目前高分辨率影像更新周期越来越短，矢量、高程等信息很难及时与影像保持一致，这对提取的效果影响较大。基于影像的提取方法直接从影像上获取交叉口信息，能充分利用影像原始信息，有一定的实用价值。

［1］RuizJ.J.,Rubio T.J.,Urena M.A.Automatic Extraction ofRoad Intersections from Images Based on Texture Characterization［J］.Survey Rev,2011,43(321)：212-225.

［2］Li Y,Briggs R.An Automated System for Image-to-Vector Georeferencing［J］.Cartography and Geographic Information Science,2012,39(4)：199-217.

［3］张伟伟，毛政元.一种面向高空间分辨率遥感影像的路口自动定位新方法［J］.国土资源遥感，2012，1（3）：13-16.

［4］Cheng J.H.,Gao G.,Ku X.S.,Sun J.X.A Novel Method for Detecting and Identifying Road Junctionsfrom High Resolution SAR Images［J］.Journal of Radars,2012,1：100-108.

［5］Chai D,Forstner W,Lafarge F.Recovering Line-Networks in Images by Junction-Point Processes［C］.Computer Vision and Pattern Recognition(CVPR),2013 IEEE Conference on. IEEE,2013：1894-1901.

［6］李刚.遥感图像中城市道路交叉口提取方法研究［D］.哈尔滨工业大学，2010.

［7］陈卓，马洪超，李云帆.结合角度纹理信息和Snake方法从LiDAR点云数据中提取道路交叉口 ［J］.国土资源遥感，2013，25（4）：79-84.

［8］袁丛洲，张金芳，彭进.高分辨率遥感影像道路线性要素识别［J］.计算机工程与应用，2012，48（18）：142-147.

［9］周昀罡.基于知识的道路信息提取方法研究［D］.成都：四川师范大学，2013.

P237

A

10.3969/j.issn.1001-0270.2015.06.22

2015-06-02