梁永刚

（辽宁省自然资源事务服务中心—辽宁省基础测绘院,辽宁 锦州 121003）

0.引言

自20世纪60年代以来，遥感卫星技术的快速发展为获取地球表面的光谱信息及空间信息提供了海量的数据源，并以此提升了基础的数字图像处理分析、遥感数据采集、空间数据库建立和空间数据共享等技术的应用和发展[1]。高分辨率卫星影像的发展使得目标提取、地图更新以及提取高精度的GIS信息等成为可能[2]。道路在高空间分辨率遥感影像中具有一定的规律，通常表现为具有一定长度和宽度的长条形面状地物，传统的道路提取都是基于影像像元的灰度特征进行分析，如，基于边缘跟踪法[3]、基于最小二乘B样条曲线[4]等，在准确性、实用性与推广性等方面还有较大不足。

传统的道路提取方法是以空间上单个像元为基本研究单元，仅依据影像上的光谱特征信息进行提取。可见，传统的提取方法并没有充分利用高分辨率卫星影像具有的海量信息，造成了“资源浪费”[5]。由于高分辨率遥感影像中相同地物具有不同的光谱特征即同物异谱，不同地物具有相似光谱特征即同谱异物，故仅以影像上单个像元作为基本单元来进行分析，给遥感影像道路提取带来了新的问题[6]。在道路提取方面，国内外已有不少重要的理论与技术，许多道路提取算法主要是针对不同类型的道路（高速道路、非高速道路）、不同遥感图像类别（光学图像、雷达图像）、不同的区域（城镇或乡村）、不同的图像空间分辨率而提出了许多不同策略道路提取算法。面向对象的方法能够综合运用影像的光谱信息和空间信息，将相邻像素作为一个整体，建立不同的策略来识别对象，更符合高分辨率影像的视觉判别[7]。本文对比分析了基于高分辨率影像进行道路提取的各种方法，采用面向对象的方法进行道路信息提取试验，并对提取结果进行比较评析。

1.道路提取的基本方法

道路在高分辨率影像上常呈长条形面状的几何特征，其长宽比其他地物要大，道路的宽度没有明显的变化；一般道路与背景之间都有两条明显的边缘且与其相邻区域灰度反差比较大，除土石道路外大部分的道路在影像上的灰度值分布较为均匀，颜色差异较小；通常道路都是相连的，不会出现突然中断的现象，并形成路网；具有完整性、连接性以及与周边区域关联的上下文特征。

根据道路提取方法的自动化程度可以分为半自动道路提取和全自动提取两种。道路的半自动提取主要采用人机交互，充分发挥计算机在“量测”方面的优势与人在“识别”方面的优势。基本思路可以分为四个步骤：（1）道路图像特征加强；（2）道路种子点的确定；（3）将种子点连接成线；（4）确认并将线路连接到道路网中。目前，半自动提取取得了令人满意的结果，已经应用于特定地区的一些半自动提取算法已被商业化运用。全自动道路提取方法基本思想是先通过对影像上的道路特征分析和理解，再对影像上的道路位置进行自动准确定位，但是由于高分辨率影像中具有结构复杂、信息丰富等特点，这些信息既包括河流水体、地形地貌、森林植被这样的自然特征，又包含建筑物和交通道路这样的人工地物，此外这些特征之间还具有相当复杂的关系，没有一种简单的方式来描述影像中的地物之间是何关系。

2.面向对象的道路提取实验

2.1 实验过程

实验数据采用某一地区的QuickBird高分辨率遥感影像，该影像包括四个多光谱波段，各波段分辨率均为2.44m；一个全色波段，分辨率为0.61m。

利用面向对象法提取道路的技术流程如下：首先，通过几何校正、影像配准、影像融合、直方图均衡化等一系列操作对影像进行预处理；再对预处理后的影像进行分割，获取影像对象，即影像上的同质区域；在对多边形对象的光谱特征、几何特征与纹理特征进行充分分析的基础上，建立道路提取知识库体系；最后，利用知识库中的规则对分割出的影像对象做检测匹配，提取出道路信息。主要技术流程（如图1所示）：

图1 道路提取流程图

2.1.1 影像预处理

首先，对遥感影像进行预处理，预处理分为几何校正、影像配准、影像融合与直方图均衡化等。几何校正是采用一定的数学模型来改正和消除遥感影像上各地物的方向、大小、形状、空间位置等特征与在参照坐标系统中的表达不一致时所产生的影像形变。常用的几何校正方法有基于共线方程的几何纠正、基于多项式的几何纠正、有理函数模型等，本实验采用基于多项式的几何纠正方法对各个波段的影像分别进行几何校正处理。在影像配准环节，将覆盖实验区的两幅遥感影像进行匹配，通过坐标变换使两幅影像处于同一地理坐标下，最后通过影像的重采样，将新的灰度值重新赋予空间变换后的影像。接下来对多光谱影像进行波段融合运算处理，融合后的影像比原始影像在空间和时间上拥有更加丰富、更加精准的信息，不仅突出了影像上有用的专题信息，还能够有效地消除或减少影像上多余、无用的信息，提高了影像的光谱分辨率和空间分辨率。最后，进行直方图均衡化处理，调整影像的灰度值，以增加影像灰度值之间的差异，改善亮度在直方图上的分布。尤其是当前影像上的道路与背景的灰度值差异相当接近的时候，通过直方图均衡化后，能够增大目标与影像相邻地物灰度值的反差，使道路在影像上更加清晰，而不影响影像整体效果。

2.1.2 影像分割

影像分割是提取面向对象方法的重要一步，分割的质量将直接影响提取结果。影像分割处理时，经过不断调整分割比例的阈值，使所有对象的异质性在给定的阈值范围内，最终将分割阈值设定为62，合并阈值设定为50。分割后的每个多边形对象不仅包含像素固有的光谱信息，还包含多边形对象的形状信息和纹理信息。分割结果（如图2所示）：

图2 分割后影像

2.1.3 建立知识库

分割处理后，根据道路的几何特征、光谱特征和纹理特征，对原始遥感影像进行分析后，建立能够充分体现道路特征的知识库，使知识库中的规则能够有效区分道路与其他地物。一般来说，道路通常具有一定的宽度，呈长条状，长宽比大、方向变化较慢、宽度变化相对较小等几何特征；具有与其相邻区域灰度反差较大且内部灰度值比较均匀，边缘梯度较大等光谱特征；道路之间具有相互交叉形成网络，且城市道路通常与建筑物相邻的拓扑特性。根据上述对遥感图像路面特征的分析，将这些形状、纹理、光谱等特征作为提取规则添加到知识库中。

2.1.4 初步提取

先从遥感影像中提取出主要道路，由于影像上的道路灰度值差异较大，因此建立了两种道路类进行提取，分别将两种道路类提取规则命名为road1、road2。道路类road1的提取规则：影像对象在近红外波段的灰度值的平均值的范围为[40，80]，在蓝光波段的灰度值的平均值的范围为[50，150]，在绿光波段的灰度值的平均值的范围为[55，255]，影像对象的面积的取值范围为[400，30000]，影像对象的长度大于250，延伸性大于1.95。道路类road2的规则：影像对象在近红外波段的灰度值的平均值的范围为[0，150]，在蓝光波段的灰度值的平均值的范围为[100，229]，在绿光波段的灰度值的平均值的范围为[200，255]，在红光波段的灰度值的平均值的范围为[100，220]，影像对象的面积取值范围为[400，30000]，影像对象的长度大于250，延伸性大于1.95。

2.1.5 提取结果修正

利用面向对象法能够较好地从高分辨率遥感影像中提取出道路，但提取结果仍有不足之处，出现了错分与漏分的现象以及道路不连续的现象。产生这些现象的原因主要包括相机不一致的光谱响应、大气扰动、不正确的定标和相机角度等，导致影像上道路的灰度值超出所设定的范围，从而未能够提取出道路信息；道路周围的树木和建筑物对道路产生遮挡，导致在分割过程中将一条道路分割成多个对象，使提取后的道路大都呈现出断裂的现象，过多的树木甚至将整段道路遮挡，无法从影像中提取出完整道路；在分割过程中由于道路与周围地物的灰度值相似，容易将道路与周围的建筑物识别为同一对象；某些地物与道路在灰度值与形状上具有相似性，在提取过程中会将这些地物误提取为道路。

针对上述影响提取精度的因素，采取如下改进方法：反复调整知识库中的规则，直到提取的结果到达一定的准确度；通过人工参与判读识别的方法，进行少量人工修正。修正前后的提取结果（如图3、图4所示）：

图3 初步提取结果图

图4 修正后的道路提取结果

2.2 分析与评价

从提取结果可以看出，使用面向对象法能够较好地提取出实验区的道路，提取结果形态完好且具有较高的可利用性。面向对象方法与传统的基于像元的提取方法相比，具有以下优点：

（1）通过影像分割能够处理噪声区域和周边的孤立像元，将这些像元一起融入特定的影像对象中，而在影像分析时该影像区域则表现为同一影像对象；

（2）综合运用道路的多种特征，不仅充分表达了影像上道路的形状、空间、光谱特征，而且综合其几何特征与空间特征等相关辅助信息，有效地提高了提取结果的质量，但是，面向对象法也存在一些局限性，它需要道路与周围的背景有较大反差，但实际上，在城市的高分辨率遥感影像中，由于传感器拍摄角度的问题，导致高层建筑物可能会对道路产生遮蔽，且道路周围的建筑物与道路的灰度特征相近，这为影像分割尺度的选择带来困难，可以借助其他信息来辅助影像分割和提取。

3.结束语

本文采用面向对象方法在高分辨率遥感影像中进行道路提取，对面向对象方法在影像特征提取中的优势和不足进行了分析和总结。面向对象突破了传统方法仅分析单一像元光谱信息的弊端，以对象为基本单元，有效运用了遥感影像上对象之间的上下文关系，进而建立专家知识库，在基于遥感影像的道路的提取和更新应用等方面，具有一定的实际意义和推广性。但如何确定最佳分割尺度和构建功能更完善的知识库，是需要进一步研究的问题。