高分辨率遥感影像中提取复杂道路的新方法

高分辨率遥感影像中提取复杂道路的新方法

周绍光，黎瑾慧

ZHOUShao-guang，LIJin-hui

河海大学测绘工程系，南京210098

HohaiUniversity，Nanjing210098，ChinaDepartmentofSurveyingandMappingEngineering，E-mail：zhousg1966@yahoo.com.cn

ZHOUShao-guang，LIJin-hui.Newmethodtoextractcomplexroadsinhigh-resolutionRSimages.ComputerEngineer－ingandApplications，2008，44（35）：190-193.

Abstract：ItisverydifficulttoextractroadswithweakboundariesinRSimages.Anewstrategyispresentedtomitigatethisproblembasedoncombiningtheadvantagesofbothphase-groupinganddynamicprogrammingprinciples.Thefirststepintheproposedschemeistoproduceedgeline-supportregionswiththeaidofanimprovedBurns’methodandtolinkthem.Dynamicprogrammingprincipleisthenusedtodetectedgelinesinthelinkedregions，andthedetectededgelinesaresmoothed.Basedonthesesmoothededgelinesroadsegmentsareformed.Thefinaloutputisgeneratedbyconnectingroadsegments.Experimentson

andcanhigh-resolutionsatelliteimagesshowthatthisapproachcanextractmostoftheroadswithweakandbrokenboundaries，getmoresatisfyingresultsinhighcontrastareas.

Keywords：imageanalysis；roadextraction；phase-grouping；dynamicprogramming摘

要：从遥感影像中提取具有弱边缘线的道路具有相当大的难度，在综合了相位编组和动态规划两种原理的记错上，提出了针

对这一问题的新方法。首先借鉴相位编组原理形成边缘线支持区并对其进行连接；然后利用动态规划方法从支持区中检测出边缘

线并对这些线进行平滑；最后连接由边缘线构成的道路段，得出道路提取结果。实验表明，该方法可以较好地提取出无清晰连续边缘线的道路，对于边缘对比度较大的道路则可取得更为令人满意的结果。关键词：图像分析；道路提取；相位编组；动态规划DOI：10.3778/j.issn.1002-8331.2008.35.057文章编号：1002－8331（2008）35-0190-04

文献标识码：A

中图分类号：TP391

1引言

出于地理信息系统快速获取和更新数据的需要，近二十

年来，从遥感影像中提取道路已成为一个研究热点。

道路的一个重要特点是具有较长的对称边缘线，已产生的许多道路提取算法都利用了这个特征，一些作者[1]曾对此作过部分归纳。文献[2]对高分辨率遥感影像和航空影像研究了基于人工智能的自动识别道路的方法，其思想源于Marr的视觉理论，重点在于从链接好的边缘中产生表示道路的平行线对，以及识别平行线是否为道路。CarstenSteger[3]提出了新的可以提取不同宽度直线的方法，道路也被视为可提取对象之一。此算法给出了新的直线模型，利用微分几何的特点，同时提取出道路的边缘线和中心线。文献[4]介绍了一种半自动道路提取手段，系统先利用纹理滤波识别潜在的路面点，以Canny算子完成边缘检测，然后用改进的方法完成边缘线的细化和，同时对所获取的线段进行连接，最后根据边缘线的几何特点和路面点的纹理特点进行道路跟踪。ZHONGJia-qiang等[5]在研究道路网变化检测问题时应用边缘线构成道路网。CaiTao等[6]在每一波段中利用相位编组法检测边沿线，然后融合多波段的检

测结果生成道路网。还有一些算法[7-8]在提取道路时也或多或少

地应用了边缘信息。

假如道路边缘质量比较理想，则上述的方法均可取得较好效果。然而实际的边缘质量却是千差万别。较窄的路面只有两条外边缘线；较宽的路面上往往存在有相互平行的多条边缘线，包括两条外边缘线、分道线、路面中间的分离栏等。噪声、车辆和阴影会造成这些边缘的断裂。在低对比度区域，边缘点本身便难以检测，更不必说检测出由其构成的边缘线。提取存在断裂的弱对比度边缘线具有较大难度，现有的算法在提取具有这样边缘线的道路时往往难以取得理想效果。提出的新方法可以部分解决这一难题。此方法可粗分为如下几个步骤：（1）获取并连接边缘线支持区；（2）利用一维动态规划方法从支持区中获取边缘线并进行平滑；（3）搜寻道路外轮廓线；（4）连接不同道路段的外轮廓线，形成最终结果。

2获取并连接边缘线支持区2.1初始支持区的取得

相位编组法[9]（Burns方法）已被证明是提取弱对比度边缘

基金项目：国家自然科学基金项目（theNationalNaturalScienceFoundationofChinaunderGrantNo.40771137）。

作者简介：周绍光（1966-），男，博士，副教授，主要从事摄影测量与遥感和数字图像分析；黎瑾慧（1983-），女，硕士，主要从事摄影测量与遥感、图像分析。收稿日期：2007-12-20

修回日期：2008-02-29

周绍光，黎瑾慧：高分辨率遥感影像中提取复杂道路的新方法

2008，44（35）191

的好方法，其获取直线支持区的大致流程如下：

（1）计算图上各点的梯度；

（2）根据梯度方向将像素划分为若干类（通常分8类），见

图1；

90°2

1

30

180°

0°4

7

5

6270°

图1梯度方向划分

（3

）定义梯度模大于阈值的像素为边缘点；（4）梯度方向处于同一区域且相互连通的边缘点构成一块

原始的支持区，这样的支持区通常也称作相位编组区。将这一方法用于提取含有噪声的道路边缘时，必须作适当的改进。原有算法中采用两个相互垂直模板计算两个方向上的灰度差分值，进而由此二差分值算得梯度方向。应用于遥感影像时，这一做法常常得不出准确的梯度方向，使得同一边缘线的支持区支离破碎。

用图2所示的8个模板检测边缘方向。用这些模板与原始影像进行卷积运算，每一模板都会对与之方向一致的边缘产生最强响应。因此，用产生最大响应的模板方向作为一点的边缘方向，其垂直方向作为该点的梯度方向。

10-10

21

1212

0

114≤20-2≤15≤-202≤≤0

0011

0

-1

-1-2

0

4-1-2-1≤5≤120-2-2-1≤-1010-2-1-1-2-1-1-2014≤-202

≤1≤20-2≤1≤0001-1

0

1

51

20

41

5-2022

1

≤≤0

021≤图2用于检测边缘方向的模板

改进后算法的运行效果与原始方法有明显不同。增大模板尺寸也会影响编组区的质量。通过简单实验便可看出三者之间的差别。图3（a）是一局部道路影像，图3（b）是原始相位编组法产生的垂直方向的编组区，图3（c）是用图2所示的8个模板所产生的同方向支持区。显然，支持区的完整性已有很大改进。不过断裂现象依然存在，而且图像中的一些弱对比度边缘也没有检测出来。为了进一步提高边缘线支持区的质量，我们可以适当加长模板长度，利用邻近多点的整体作用来平滑局部噪声的影响。当采用8个长度为5的模板检测边缘方向的同时，可得到图3（d）所示垂直方向支持区，此图中，支持区的完整性比图

3（c）更好，同时也得出了弱对比边缘线的支持区

。

a）原始灰度影像（b）原始方法

（c）8个3×3模（d）8个5×5模的结果板所得结果

板所得结果

图3

不同方法生成的支持区

模板长度不可以太长，否则，边缘线与边缘线之间，以及周

围地物与边缘线之间会相互影响，造成无法获得有用的支持区。大量实验表明，长度为5的模板在大多数IKONOS影像中可取得相对较好的效果。

图2中的模板可以生成相应的8种不同类型的编组区。如果增加模板数，则编组区的种类随之增加，原本属于同一编组区的边缘点很可能被划归为不同的区，使得边缘线支持区断裂更严重；反之，若减少模板数，则会减少支持区的种类，原本属于不同支持区的边缘点可能被合并到同一支持区内，导致更为严重的粘连现象出现。将边缘线方向分为8组被证明是一种较好的折衷选择。

2.2初始支持区的连接

用改进的方法获得的编组区仍然会存在断裂，从断裂的编组内只能获得断裂的边缘线，为了提取出完整的道路，必须对断裂的编组区域边缘线进行连接。

由1.1节所得到的初始编组区中，有一部分非常短，这些短编组区有的属于道路边缘，有的则是房屋或其他地物的边缘线。通过连接初始支持区，可以利用长度将道路边缘与其它边

缘区分开来，从而有效地减少后续环节的工作量。

不过，编组区的形状较复杂，有的附有无规则状，有的呈弧状，所以将断开的编组区全部连接起来有很大的困难。本节希望对较规则的直线条带状支持区和相距很小的支持区进行连接，剩余的缝隙在取得外边缘线再设法填补。

同一支持区内的点具有相同的梯度方向，沿此方向测量每一截面的宽度，参见图4。将宽度大于阈值W1截面去除，这样便去除了支持区上的不规则块（图中虚线所围区域）。用剩余点进行直线拟合，并用拟合直线与支持区相交，得到两个端点。当不规则块较大或支持区弯曲时，这一拟合结果不准确。

梯度方向

拟合直线

w1

初始编组区

图4初始编组区及其拟合直线

设同方向支持区Ⅰ和Ⅱ的拟合直线段分别为l1和l2，l1≥l2，l1和l2上两个接近的端点分别为P12和P21，如图5所示。P21到l1的垂直距离为dp，而P21沿l1方向离开P12的距离为da，l1与l2间夹角为θ，如果满足条件：（1）da≤Wda&dp≤Wdp；（2）|θ|≤Tθ1，则将以P12P21为中轴宽度为W1条状区域和支持区Ⅰ、Ⅱ标记以同一符号，以实现对此二支持区的连接。根据以上原则，连接起所有可连接的支持区。

P21ldp

1

da

θ

lP2

12

图5两条拟合直线间的关系

3边缘线搜索及平滑

前面已提及边缘线支持区形状不规则的问题，连接后的支

持区更长，弯曲程度可能更为严重，不同位置的宽度相差可能很大，不规则的附着依然存在。毫无疑问，直线或曲线拟合方法无法从这样的支持区内得到准确的边缘线。利用一维动态规划

（1922008，44（35）ComputerEngineeringandApplications计算机工程与应用

方法可以从中搜索出全局最优的道路边缘线。

动态规划原理常常被应用于提取边缘线，它可以在总体最优化的原则下提取出弱边缘线，不过大多用于半自动提取的场合[10-11]，也即由人工定出首尾两点，然后通过迭代搜索出两点之间的边缘线。此方法计算耗时较多，

将搜索区域在边缘线支持区内极大地减弱了这一致命缺点。经过适当改进，动态规划法可以从支持区内自动地提取出边缘线。

以动态规划方法检测边缘线，必须解决好3个关键问题，一是确定目标函数；二是划分阶段；三是确定起点和终点。

目标函数的确定以代价阵为基础，代价阵中每个元素值就是该位置的代价值，以边缘线上各点的累加代价值作为目标函数。假若一支持区的水平投影比垂直投影长，则称之为近水平的，否则称之为近垂直的。在近水平支持区内搜索边缘线时，以每一列作为一个阶段，而对近垂直支持区则以每一行作为一个阶段。

前已提及，利用动态规划方法检测边缘线的现有方法中，多数通过人工确定出边缘线的首尾两点。以两个虚拟点（x0，y0），xN，

yN）作为起始点和终点。假定起点（x0，y0）位于第一阶段之前，它与第一阶段内所有点均相邻，自身的代价值0；假定终点xN，yN）位于最后一个阶段之后，与最后一个阶段内的所有点均相邻，自身代价值为0。

在一个支持区内搜索一条边缘线的过程为：（1）根据C（x，y）=max（G（x，y））-G（x，y）

（1）

计算代价阵，

G（x，y）是原始影像的梯度图。（2）初始化最小累加代价阵：cum0（x，y）=

󰀁0x=x0，

y=y0∞

otherwise

（2）

（3）令K为已搜索完的阶段数，用递推关系：cumk+1（xk+1，yk+1）=min[C（xk+1，yk+1）+cumk（xk，yk）]（xk，yk）∈N（xk+1，yk+1）

（3）

计算k+1阶段的各点的累积代价，N（xk+1，yk+1）是（xk+1，yk+1）

点的邻域，C（xk+1，yk+1）是该点的代价值。

本步骤反复进行，直到计算完终点（xN，yN）的累积代价值为止。

（4）反向跟踪路径

搜索完一条边缘线后，将相应的支持区去除，继续从下一个支持区中搜寻另一条边缘线。

车辆、噪声及阴影使得检测出的边缘线甚为粗糙，这样的形状与道路的实际边缘显然不相似。为了后续处理的方便，采用滑动平均法对其进行修匀。平滑时只用到部分边缘点，经过反复试验后的修匀方案为：（1）五点滑动平均；（2）以间隔W选择平滑用点。

4道路段的形成

顺次以当前最长边缘线为中轴建立宽度为3像素的检测

窗口，见图6所示，在当前边缘线两侧Wr的搜索区内平移窗口，计算每一位置上落入窗口内的边缘点数目。如果边缘点数超过窗口长度的一半且为局部最大，则认为该位置存在与当前边缘线平行的有效边缘线。路面较宽时，

往往会检测出多条相互平行的边缘线。

当前边缘线

检测窗口

Wr

Wr

图6平行边缘线的搜索区域

假如相邻两有效边缘线间的部分比较均匀（灰度方差较小）

且灰度均值处于路面灰度范围之内，则认为其为路面条带。由当前边缘线位置出发向两边合并灰度接近的路面条带，确定出本段道路的外边缘位置。两条外边缘线所包围的区域即为本段道路段。道路段内所包含的边缘不再参与后续计算。

5道路段的连接

利用轮廓线拆分技术将外边缘线表示成分段直线。按照长度大小依次选择每一条道路段作为当前道路段。延长当前道路段，如图7所示。如果在给定距离Df之内接触到另一道路段的端部，且二者之间满足：（1）边缘线交角|θ|≤Tθ2；（2）交叠宽度OL不小于较窄路宽的一半；（3）端部灰度相似，则将二路段连为一体。按照这一原理连接起所有可连接的道路段。

OL

θ

道路段2

道路段1

图7道路段的连接

6实验

算法完成后，对许多影像进行了实验。本章以两幅IKONOS

全色影像为例，展示算法的效果。进行这些实验时，多数阈值均保持不变Wda=7，Wdp=2，Wr=18，W=5，Df=20，Tθ1=6°，Tθ2=4°。路面灰度的取值范围往往需要根据具体影像作适当调整。第一幅影像中的道路情况非常复杂，既有较宽的主干道，更多的则是居民区内的小路。主干道上有多条边缘线，小路的边缘处往往对比度很弱，而且经常发生断裂，部分边缘线呈弧状。应用本文算法后，提出了其中的大部分道路，提取的结果如图8所示。作为参照，同时也给出了目视解译的结果。原始图像中，有些很像小路的区域实际上是建筑物间的空地或是一片树木。

Á

ÁÁ

Á（a）实验影像（b）边缘图（c）道路边缘（d）手工提取结果提取结果

图8对影像1的实验结果

图8（b）中道路边缘相对清晰，路面灰度比较均匀，提取结果与目视解译结果见图9。显然，错误很少。

按照文献[12]给出的指标定义：准确率=正确提取的线性目标长度线性目标的总长表1统计了目视道路总长、漏提道路总长、错提道路总长，可得到两幅影像的道路识别准确度分别为80.3%、90.4%。

（（周绍光，黎瑾慧：高分辨率遥感影像中提取复杂道路的新方法2008，44（35）193

ÁÁÁÁ

1998，20TransactiononPatternAnalysisandMachineIntelligence，

（2）：113-125.

[4]XIiaoYong-guan，TanTiow-seng，TaySeng-chuan.Utilizingedgeto

（a）实验影像

（b）边缘图图9

表1

影像影像1影像2平均值

（c）本文方法（d）手工提取结果

extractroadsinhigh-resolutionsatelliteimagery[C]//ICIP，2005：637-0.

[5]钟家强，.一种基于线特征的道路网变化检测算法[J].遥感学

报，2007，11（1）：27-32.

[6]蔡涛，.一个从多波段遥感图像提取道路网的算法[J].软件学

2001，12（6）：943-948.报，

[7]BarzoharM，CooperDB.Automaticfindingofmainroadsinaerial

imagesbyusinggeometric-stochasticmodelsandestimation[J].IEEETransactiononPatternAnalysisandMachineIntelligence，1996，18（7）：707-720.

[8]PeteriR，CelleC，RanchinT.Detectionandextractionofroadnet－

worksfromhighresolutionsatelliteimages[C]//IEEEInternationalConferenceonImageProcessing，Barcelona，Spain，2003，9：301-304.[9]BurnsJ，HansonA，RisemanE.Extractingstraightlines[J].IEEE

TransactiononPatternAnalysisandMachineIntelligence，1986，8（4）：425-455.

ParkerDL，GustafsonDE，etal.Dynamicsearchalgo－[10]PopeDL，

rithmsinleftventricularborderrecognitionandanalysisofcoro－naryarteries[C]//IEEEProceedingsofComputersinCardiology，1984（4）：71-75.

庄天戈，将大宗，等.医学图像的快速最优化边缘检测[J].计[11]王合，

算机学报，1997，20（12）：1063-1068.

ZhuChang-qing.Thelinesegmentmatchforex－[12]ShiWen-zhong，

tractingroadnetworkfromhigh-resolutionsatelliteimages[J].2002，40IEEETransactiononGeoscienceandRemoteSensing，（2）：511-514.

提取结果

对影像2的实验结果

目视道路总长、漏提道路总长、错提道路总长统计表

目视道路总长/in

27.8121.4324.62

漏提道路总长/in

4.382.063.22

错提道路总长/in

2.011.031.52

7结论

提出了一种从高分辨率遥感影像中自动提取道路的新方

法，并对两幅IKONOS影像进行了实验。结果表明该算法在周围地物密集、噪声大、对比度小且边缘线断裂严重的不利情况下可提取出大部分道路，而对边缘清晰的道路影像则有非常好的提取效果。

参考文献：

[1]史文中，朱长青，王昱.从遥感影像提取道路特征的方法综述与展

望[J].测绘学报，2001，30（3）：257-261.

[2]TrinderJ，WangY，SowmyaA，etal.Artificialintelligencein3D

featureextraction[C]//AutomaticExtractionofMan-madeObjectsfromAerialandSpaceImages.Basel：BirhaeuserVerlag，1997：257-265.

[3]StegerC.Anunbiaseddetectorofcurvilinearstructures[J].IEEE

（上接1页）

基于多结构元素多尺度的形态学边缘检测算法证明是非常可行和有效的。而且和其他算法进行比较发现，该算法不仅能有效的检测复杂边缘，得到完整的连续性边缘，还具有很强的抗噪性能，因而更有利于后续的图像分析与处理。

1996，5（6）：922-937.TransImageProcessing，

[8]ParkH，ChinRT.Decompositionofarbitrarilyshapedmorphological

structuringelements[J].IEEETransPatternAnalysisandMachine1995，17（1）：2-15.Intelligence，

[9]SongJ，DelpEJ.Theanalysisofmorphologicalfilterswithmultiple

structuringelements[J].ComputerVision，Graphics，andImagePro－cessing，1990，50（3）：308-328.

WenY，XuX.Researchonedgedetectionofgray-scale[10]FanL，

imagecorruptedbynoisebasedonmulti-structuringelements[C]//Proceedingsofthe4thInternationalConferenceonParallelandDistributedComputing，ApplicationsandTechnologies，2003：840-843.

[11]ZhaoYu-qian，GuiWei-hua，ChenZhen-cheng.Edgedetection

basedonmulti-structureelementsmorphology[C]//The6thworldcongressionIntelligentControlandAutomation，IEEEProceed－ings，Dalian，China，2006：9795-9798.

[12]MaragosP.Tutorialonadvancesinmorphologicalimageprocess－

ingandanalysis[J].OpticalEngineering，1987，26（7）：623-632.[13]YangSB，PengFY.Applicationofmorphologicaledgedetectors

inimagecorruptedbynoise[J].ComputerEngineeringandAppli－cations，2002，38（17）：91-92.

[14]崔屹.图象处理与分析———数学形态学方法及应用[M].北京：科学

出版社，2000.

参考文献：

[1]RajabMI，WoolfsonMS，MorganSP.Applicationofregion-based

segmentationandneuralnetworkedgedetectiontoskinlesions[J].ComputerizedMedicalImagingandGraphics，2004，28（1/2）：61-68.[2]CannyJF.Acomputationalapproachtoedgedetection[J].Transon

PAMI，1985，8（6）：679-698.

1980（27）：187-[3]MarrD.Theoryofedgedetection[C]//ProcRoySoc，

217.

[4]RivestJ.Morphologicaloperatorsoncomplexsignals[J].SignalPro－

cessing，2004，84（1）：133-139.

[5]ChenT，WuQ，Rahmani-TorkamanR，etal.Apseudotop-hat

mathematicalmorphologicalapproachtoedgedetectionindarkre－gions[J].PatternRecognition，2002，35（1）：199-210，

[6]RichardAP.Anewalgorithmforimagenoisereductionusing

mathematicalmorphology[J].IEEETransactionsonImageProcessing，1995，4（5）：5-568.

[7]MaragosP.Differentialmorphologyandimageprocessing[J].IEEE