城市道路遥感提取的方法

利用遥感影像提取人工目标是构建及更新地理空间数据库的重要手段。道路是城市典型的人工线状目标，道路提取对于GIS数据库更新、影像匹配、目标检测、数字测图自动化等具有重要意义，广泛应用于交通管理、土地利用分析等领域(Li et al.，2016)。城市道路的遥感提取，相对于乡村道路，主要有以下难点:

(1)在高分辨率遥感影像上，城市道路呈面状分布，其边缘与中心线都具有明显的线状几何特征，地物细节更加丰富，影像信息也更加复杂；

(2)光谱特征方面，高分辨率遥感影像中存在大量同物异谱和同谱异物的现象，城市道路紧邻建筑物，光谱特征和纹理特征都十分相似；

(3)城市道路材质多样，既包含不透水的水泥、沥青等，也包括透水砾石等，道路内部光谱差异增大，同物异谱现象严重；

(4)几何特征方面，道路周围存在大量粘连现象，如电线杆、建筑物、行道树、立交桥、高大地物的阴影、路面上的汽车、路中央的隔离带、交通管理线等，都会对道路产生遮挡；

(5)此外，城市空间布局紧凑，常与建筑物、停车场等居民地或人工设施相连接，功能划分不够清晰(Zhu et al.，2005)。图11-5示例了包含多种噪声的道路遥感影像。

图11-5　包含多种噪声的城市道路遥感影像

根据自动化程度不同，道路提取方法可分为人工跟踪方法、半自动提取方法和自动提取方法。人工跟踪方法是最为原始的方法，却是生产单位长期以来都在使用的实用方法，现在的数字摄影测量工作站都能提供这样的功能，这里不再介绍；自动提取方法是地物提取的最终目标，目前已有很多尝试，也取得了实验性的初步成果，但是仍然没有出现一个实际生产可用的实用系统(无需人工干预的全自动提取系统)；鉴于实际应用的考虑，由人工干预或人工引导的半自动提取将人的模式识别能力和计算机的快速、精确的计算能力有机地结合起来，在目前的条件下能达到较大地提高效率和减轻劳动强度的目的。

1.城市道路自动提取方法

城市道路的自动提取方法一般可总结为以下四个主要步骤。

(1)道路特征的增强，如图像滤波和小波变换等。

(2)道路“种子点”确定，确定可能的道路点。人们提出了各种道路点检测算子，有基于像素分类、边缘检测和模板匹配等方法。

(3)将“种子点”扩展成段。有基于规则的边缘点自动连接、动态规划、卡尔曼滤波等方法。

(4)道路段的确认，自动连接形成道路网。这一步骤涉及自动编组算法，顾及上下文知识的连接假设生成和假设-验证、地物的语义关系表达、多源数据的融合等高水平的自动影像解译方法。

图11-6展示了道路交互式提取过程中的多种引导方式。对弯曲道路，可以采用如图11-6(a)所示的种子点引导方法，并结合一定的样条函数可实现道路段分段提取(见图11-7)。

图11-6　道路提取中的引导方式

图11-7　采用种子点和样条函数相结合实现弯曲道路分段提取

2.城市道路半自动提取方法

摄影测量与遥感学界对从遥感影像上半自动提取线状地物进行了深入的研究，提出的方法包括基于经典边缘检测算法的提取方法、基于优化算子的提取方法和面向对象分割的提取方法等。

1)经典的边缘检测算法

边缘检测是影像分割所依赖的重要依据，是从遥感影像中提取地物形状特征最为简单易行的有效方式。所谓边缘，是指其周围像素灰度急剧变化的那些像素的集合，它是影像最基本的特征，遥感影像上目标的边缘在影像上表现为灰度的不连续性，存在于目标、背景和区域之间。Canny边缘检测算子是目前被广泛使用的边缘检测方法(Canny，1986)。基于Canny算子的道路提取流程如图11-8所示，图11-9展示了通过边缘检测结果提取到的城市道路。(www.xing528.com)

2)基于优化算子的提取方法

图11-8　基于结构信息的城市道路提取流程

图11-9　城市遥感影像道路检测

半自动的提取大多基于对道路地物线状特征的灰度特征和几何约束的整体优化计算，包括动态规划、可变模型或Snakes方法、LSB-Snakes方法等。它们的区别在于优化计算的手段有所不同。例如，通过给出特征点的初始值，可以利用最小二乘平差模型估计模板与影像之间的几何变形参数，方便地加入各种约束条件，获得较高的精度(Gruen et al.，2005)。

3)面向对象分类的提取方法

面向对象的影像分类(Object-oriented Classification)技术是随着影像分辨率的提高应运发展起来的影像分类技术，是对传统单一利用影像光谱信息方法的拓展，并逐渐应用到高分辨率影像处理中。它促进了多源GIS数据之间的融合，有利于改善传统方法对于空间信息利用率不足的问题，并在一定程度上克服了基于像素分类导致分类结果出现“椒盐”现象，有效地提升分类精度，便于识别地物目标的属性类别，适用于空间信息丰富的高分辨率影像(陆超，2012)。

面向对象的分类基本流程包括影像分割、特征选择、影像分类三个部分(图11-10)。在影像分割阶段，目前常用的方法是多尺度分割，针对高分辨率的遥感影像数据，按照其灰度、颜色、结构的不同，根据影像具体的情况指定分割尺度和同质性指标，在满足精度的条件下选择以最大的分割尺度来获得影像对象，生成多个高度同质的多边形(范磊等，2010)。分割结束后需要根据目标地物选择分类特征，每一个同质对象都可以计算出其内部像元的各类特征信息，如亮度、波段均值、紧致度、长宽比、同质性、距离等。分类规则的建立需要根据影像中地物的特征进行选择，如城市道路总体呈长直形状，可以利用Density(密度)和Length/Width(长宽比)等特征进行提取。最后将各类光谱和空间特征进行优化组合，通过最近邻法、模糊分类等分类模型，计算每一个同质对象满足某类别地物规则的程度，以达到识别、分类地物的目的。图11-11为面向对象的道路提取示例。

图11-10　面向对象分类的提取流程

图11-11　使用eCognition软件进行面向对象的道路提取

3.基于深度学习模型的道路提取方法

近年来，深度学习技术取得了较大的成功，其本质上是多层神经网络，海量的训练数据、不断发展的计算机水平和网络训练方式的发展，使得深度学习技术成为机器学习领域的一种重要的算法。基于面向对象的分类思想，可以将深度学习模型应用到道路信息提取上，运用卷积神经网络实现遥感影像从输入端到输出端的映射(图11-12)。

图11-12　基于深度学习模型提取城市道路的技术路线

卷积神经网络(CNN)是近年来模式识别领域的一种高效分类方法，是真正意义上第一个成功的训练多层网络结构的学习算法(李彦冬等，2016)，它将人工神经网络技术和深度学习方法相结合，具有稀疏连接、权值共享的特点，使用一种基于梯度的改进反向传播算法来训练网络中的权重，在应用中避免了输入数据复杂的前期与处理过程，可以直接输入原始图像或者其他数据，因而得到了广泛的应用(许可，2012)。

基于北京市2015年的高分二号遥感影像数据，选择典型道路分布区为研究区，使用深度卷积神经网络对高分辨率遥感影像道路信息进行提取，实现了端到端的遥感影像像素级别道路提取；并与最近邻法(KNN)、贝叶斯法(Bayes)和随机森林(RF)等浅层网络模型在道路信息提取方面的应用效果进行对比分析，对比结果见图11-13和表11-2。结果表明深度学习网络在高分辨率遥感影像道路提取中的提取精度更高，具有可行性和一定的优势。

图11-13　不同道路情况下四种方法提取结果

表11-2　四种方法提取精度评价(%)