引用本文
苏腾飞, 李洪玉, 屈忠义. 高分辨率遥感图像道路分割算法[J]. 国土资源遥感, 2015,27(3): 1-6
SU Tengfei, LI Hongyu, QU Zhongyi. A study of road segmentation from the high resolution remote sensing image[J]. REMOTE SENSING FOR LAND & RESOURCES,2015,27(3): 1-6  
Permissions
Copyright©2015, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
高分辨率遥感图像道路分割算法
苏腾飞, 李洪玉, 屈忠义
内蒙古农业大学水利与土木建筑工程学院,呼和浩特 010018
通信作者:李洪玉(1973-),男,硕士,副教授,主要从事遥感测绘的教学与科研工作。Email: lhy1973imau@163.com。

第一作者简介: 苏腾飞(1987-),男,硕士,助理实验师,主要研究方向为遥感图像处理与分析算法的构建。Email: stf1987@126.com。

收稿日期: 2014-05-16
基金项目: 国家自然科学基金面上项目“盐渍化灌区节水灌溉条件下不同尺度农田水环境物质迁移与响应机理研究”(编号: 50669005)资助
摘要

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度; 边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度; 结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景OrbView3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。

关键词: 高分辨率遥感图像(HRI); 图像分割; 光谱合并; 边界合并; 道路提取
中图分类号:TP 79 文献标志码:A 文章编号:1001-070X(2015)03-0001-06 doi: 10.6046/gtzyyg.2015.03.01
A study of road segmentation from the high resolution remote sensing image
SU Tengfei, LI Hongyu, QU Zhongyi
Water Conservancy and Civil Engineering College, Inner Mongolia Agriculture University, Hohhot 010018, China
Abstract

In order to enhance the automation and accuracy of road information extraction from the high-resolution remote sensing image (HRI), this paper proposes a HRI road segmentation algorithm, which includes 3 stages, i.e., spectral mergence, edge mergence, and road region extraction based on shape property. The first two stages are actually the image segmentation method based on region growing. Spectral statistic variables, such as average and variance, are considered in the spectral merging criteria to raise segmentation accuracy. A vector gradient method is used to accurately derive edge strength that is critical for edge merging criterion. Spectral and edge mergences are all implemented as global best merge algorithm, so the segmentation result is optimized. On the premise of the complete segmentation of the roads, shape properties can be effectively used to extract roads from HRI. Circularity is adopted to separate roads from non-road regions. Two scenes of OrbView3 multispectral images are used to carry out road extraction experiment. The experimental result shows that the overall accuracy and Kappa coefficient of the method proposed in this paper are above 97% and 0.8, respectively, obviously superior to the result of SVM supervised classification.

Keyword: high-resolution remote sensing image(HRI); image segmentation; spectral mergence; edge mergence; road extraction
0 引言

道路信息对于城市规划、交通导航及GIS数据更新等具有重要意义[1, 2]。遥感技术的不断进步, 使得利用计算机自动提取高分辨率遥感图像(high-resolution remote sensing image, HRI)中的道路信息成为可能[3, 4]。然而, 如何从HRI中快速准确地提取道路信息, 依然是学者们研究的热点。

目前HRI道路提取方法可以大致分为基于像素的和基于区域的2类。基于像素的道路提取一般包括基于像素的特征提取和利用多种特征获取完整的道路信息2个步骤。其中, 基于像素的特征主要包含边界、形状、灰度和纹理等。由于遥感图像中包含多种地物, 仅利用基于像素的特征难以准确地提取道路。例如李晓峰等[5]利用Canny算子得到道路的边界线, 但初始得到的道路边界是不连续的, 而连接这些间断的道路边界需要大量且复杂的计算; 另外, 要排除非道路地物的边界, 也是一项困难的工作。曾发明等[6]采用了类似的方法, 利用Canny算子从遥感图像中提取矿区道路。为了排除其他地物的干扰, 提高道路提取精度, Shi等[4]和Das等[6]将图像分类应用到道路提取中; 这类方法首先需要对HRI进行分类, 然后利用分类所得的道路像素, 以及形态学滤波、细化及连接等后续处理方法, 得到完整的道路网络。SVM分类器是目前较为流行的道路像素提取方法[4, 6], 虽然结果较为令人满意, 但是分类器训练的过程费时费力, 不利于实现道路提取的自动化。基于区域的道路提取大多借助于面向对象的图像分析(object-oriented image analysis, OBIA)来实现。OBIA是21世纪初兴起的一个图像分析研究方向, 与传统的图像处理方法不同的是, 它主要考虑的是图像中基于区域的特征[7]。所谓的“ 区域” 也被称为“ 对象” , 是指图像中符合某种均等一致标准的、且在空间上相邻的若干像素的集合。OBIA将对象赋予语义信息, 使得地物的高级特征(如区域周长、面积、几何形状、空间相对位置等)能够有机地运用到图像分析中, 因此能够提高图像分类和目标探测的精度。OBIA在道路提取中也已有较为成功的应用[7, 8, 9, 10, 11], 这些方法主要包含图像分割、特征计算和道路分类3个步骤, 其中, 分割算法的选用是关键。HRI中的道路区域具有多种形状特征, 如直线、曲线和环状等[8], 这使得很多主流的遥感图像分割算法难以在道路分割中得到满意的效果。因此, 发展适用于HRI道路提取的分割算法是非常必要的。

目前很多主流的遥感图像分割算法都是在区域生长的基础上建立的。Beaulieu等[12]采用的层次逐步优化算法(hierarchical stepwise optimization, HSWO)是较早提出的一种层次分割算法, 它结合了全局最优合并(global best merge, GBM)以提高分割精度, 但GBM的实现非常耗时。Tilton等[13]在HSWO的基础上改进了层次分割算法(refined hierarchical segmentation, RHSeg), 考虑了空间上不相邻区域的合并, 并且对算法进行了并行化的实现, 以提高计算效率。Baatz等[14]提出的分形网演化算法(fractal net evolution algorithm, FNEA)则是一种多尺度的多光谱遥感图像分割算法, 采用光谱和形状异质性作为区域合并的标准。然而, 以上分割算法均未考虑图像区域的边界信息, 而边界信息对于道路分割具有非常重要的作用。为了能从HRI中完整地将道路分割出来, 本文发展了一种综合利用光谱和边界信息的GBM分割算法用于道路区域分割, 然后利用道路区域的形状特征提取道路, 并通过OrbView3高分遥感图像道路提取实验证明该方法的可行性和精度。

1 基于光谱和边界信息的道路分割
1.1 基于光谱信息的合并标准

基于光谱信息的合并标准中最简单的是光谱均值差, 即‖ μ i-μ j‖ 1, 其中i和j分别代表2个待合并区域N的标号; μ 为由区域的各波段光谱均值组成的向量; ‖ · ‖ 1为一阶范数。显然, 该标准没有考虑区域大小对区域合并的影响。HSWO中的标准利用区域大小对光谱灰度差进行加权, 以避免大小不均等的区域被错误地合并, 其计算式[9] 为

CHSWO=NiNjNi+Nj‖μi-μj‖1。 (1)

RHSeg算法的研究中, 采用了更为丰富的光谱合并标准, 包括光谱角制图(spectral angular mapper, SAM)[10], 即

CSAM=arccosμiμj‖μi‖2‖μj‖2(2)

和波段总均方差(band sum mean squared error, BSMSE), 即

CBSMSE=NiNjNi+Nj‖μi-μj‖2。 (3)

式(1)— (3)中: CHSWO, CSAM和CBSMSE分别指HSWO算法的合并标准、SAM合并标准以及BSMSE合并标准; ‖ · ‖ 1和‖ · ‖ 2分别为一阶和二阶范数。虽然RHSeg算法主张采用SAM作为多光谱遥感图像合并的准则, 但SAM不适用于单波段图像的分割; 而BSMSE不存在该问题, 且BSMSE的计算量较SAM更少。但SAM和BSMSE都存在易将均值相近、方差差别较大的区域错误地合并的问题。为解决此问题, 有必要对合并标准进行改进。

综合考虑待合并区域的均值、方差等统计特征量, 本文提出了一个改进的合并标准, 以有效区分均值相近、方差不同的区域。2个待合并区域的方差和均值的差异性分别定义为

Dvar(i, j)=1-e-∑bB|σib2-σjb2|, (4)

Dmean(i, j)=1-e-∑bB(μib-μjb)2, (5)

式中: B为波段数; σ ib和σ jb分别为区域i和j在波段b的标准偏差; μ ib和μ jb为区域i和j在波段b的均值; 利用指数函数是为了在数值上使方差、均值的变化范围归一化。本文提出了光谱合并标准, 即Dspec(i, j)是方差与均值差异性之和, 即

Dspec(i, j)=Dvar(i, j)+Dmean(i, j)。 (6)

1.2 基于特征值边界强度的合并标准

HRI中道路具有明显的边缘[8], 因此边界信息对于道路分割是非常重要的。基于边界信息的区域合并标准需要准确计算边界强度。Qin等[15]提出了一种基于矢量梯度的计算方法, 适用于从多波段图像中提取边界强度。该方法需要首先计算原图像在水平和竖直方向的梯度, 然后对每个像素构建梯度向量G(x, y), 即

G(x, y)=∂vg(x, y)1∂hg(x, y)1︙︙∂vg(x, y)b∂hg(x, y)b︙︙∂vg(x, y)B∂hg(x, y)B, (7)

式中: ∂vg(x, y)b为像素位置(x, y)在波段b的子图像在竖直方向的灰度梯度值; ∂hg(x, y)b为像素位置(x, y)在波段b的子图像在水平方向灰度梯度值。本文利用高斯差分滤波来计算灰度梯度值。G为维度为B× 2的矩阵, 每个像素的边界强度是矩阵GTG的最大特征值λ max。

计算2个相邻区域邻接边上的边界强度, 其值越小, 说明这2个区域越适合合并。基于边界强度的合并标准的计算公式为

Dedge=1∂Ri⋂∂Rj|∑(x, y)∈∂Ri⋂∂Rjλ(x, y), (8)

式中: Dedge为2个相邻区域的公共边界的平均边界强度值; |· |为集合的基数; ∂Ri和∂Rj分别为区域Ri和Rj的边界像素; ∂Ri∩ ∂Rj为2个区域邻接边界的像素集合; λ (x, y)为像素(x, y)处的边界强度值。

1.3 基于GBM的区域生长

基于GBM的区域生长是一种多尺度的图像分割算法, 其基本思想是通过自底向顶的区域合并, 将地物完整地分割出来。该算法主要包括3个步骤: ①在初始阶段, 图像中的每个像素被当做独立的区域; ②按照一定的合并标准, 搜索最符合合并标准的一对区域, 将其合并; ③若达到结束条件, 则分割完成, 否则继续进行步骤②。

将光谱和边界信息作为GBM的合并标准, 得到了本文的HRI分割算法。在GBM的初始阶段, 每个像素被当作独立的区域, 那时的边界合并易受到噪声干扰。因此, 本文算法首先进行光谱合并; 当区域生长到一定大小之后, 再进行边界合并。图1示出本文方法的流程(其中形状特征道路区域提取将在下一节介绍)。

图1 本文道路分割算法流程Fig.1 Flow chart of the proposed method

光谱合并和边界合并的停止条件是通过预先设定阈值来控制的; 对于光谱合并, 若待合并的2个区域的Dspec值大于阈值, 则停止合并; 对于边界合并, 停止条件与光谱合并的相同。

1.4 基于形状特征的道路区域提取

几何形状是HRI中道路的最重要特征之一, 很多道路提取研究都是基于形状特征开展的。雷小奇等[9]概括道路形状特征为: ①条带状, 且宽度变化较小; ②既有直线形, 也有曲线形; ③具有一定的长度, 且长度较大。结合道路的形状特点, 对OBIA中常用的形状特征进行分析, 以确定最适合道路提取的形状特征。OBIA中主要使用的区域形状特征包括长宽比r、矩形度R和圆形度C。其中, r适合用于提取直线道路, 而R适合用于提取曲线道路[8]。长宽比r是指区域的长L和宽W的比值, 即

r=L/W, (9)

在具体实现过程中, L和W的计算是较为困难的(特别是对于长宽不均匀的道路段和曲线道路段)。

矩形度R是区域面积A与其外接矩形面积Arect之比, 即

R=A/Arect, (10)

计算R时的Arect难以直接得出(尤其是对于不规则的凹多边形)。

圆形度C指多边形周长P的平方与其面积的比值, 即

C=P2/A。 (11)

圆形区域的C具有最小的值4 π 。不论是直线道路还是曲线道路, 其C值均等同于L远大于W的矩形的C值, 即

C=4(1+α)2/α, (12)

式中: α =L/W, α ≥ 1; 当且仅当α =1时, 其C取得最小值16。因此道路的C值是较大的。因此, 在HRI中道路区域被完整分割的前提下, 利用C值区分道路和非道路是简单、有效的一种方法。

2 算法的实例验证

为了验证本文提出的HRI道路分割算法的效果, 采用2景OrbView3高分辨率多光谱图像(空间分辨率4 m, 有蓝、绿、红和近红外4个波段), 进行了道路提取实验; 并对本文方法与SVM监督分类方法的道路提取结果进行了对比分析。

2.1 实例1

第1景OrbView3多光谱图像的时相为2007年1月11日, 中心地理坐标为E112.456 804° , N43.056 624° , 覆盖区域为内蒙古自治区二连浩特市偏南的郊区。用于道路提取实验所截取的子图像(仅显示红波段)及道路提取实验结果见图2。

图2 实例1 HRI图像和道路提取实验结果Fig.2 HRI image of case 1 and road extraction result

图2(a)中有3条较长的近南北方向的直线型道路, 几乎互相平行, 其中2条道路相距很近; 另外1条相距较远的道路宽度非常小(最小处甚至只有一个像素), 这给对该条道路的完整分割带来很大的难度。图2(a)的上方还有1条近东西方向的道路, 其宽度较小, 且东边的部分路段十分模糊。图像获取时正处于当地的冬季, 地表没有植被覆盖, 大部分道路与周围地面的边界十分清晰。

按照本文道路提取方法流程, 首先进行图像分割, 包括光谱合并和边界合并。图2(c)(d)分别显示了光谱合并和边界合并的分割结果。光谱合并基本将均等一致的区域分割出来; 但在图2(c)中近东西方向道路的西侧路段因其宽度很小、灰度值与周围地面相近而未被分割出来; 而图2(c)中东侧近南北方向的道路, 尽管其宽度较小, 仍被完整地分割了出来, 显示了本文方法的优势。经过边界合并, 图2(c)中一些尺度较小的区域被合并到背景地面区域中。图2(d)中道路区域被完整地保留下来, 只有图中上方近东西方向道路的东侧路段被错误地合并到了背景区域中, 这是因为其边界强度很小(图2(b))。对边界强度的提取结果进行了归一化, 其值范围是0~1。本实验中, 光谱合并的阈值是0.50, 边界合并的阈值为0.15。

在图像分割的基础上, 利用区域形状特征进行道路提取, 结果见图2(e)。所利用的形状特征是圆形度C, 对于C< 300的区域分为非道路, 否则分为道路。图2(e)中, 东侧南北方向道路的北侧路段没有被分为道路, 这是因为该路段的灰度值较高, 没有与南侧较长的路段合并, 造成其C较小。图2(f)是采用SVM监督分类方法得到的道路提取结果, 其中很多灰度值较低的区域被错误地分类成道路, 而且一些灰度值较高的路段被被错误地分类成非道路。为了定量地验证2种方法的精度, 分别计算了它们的分类总精度和Kappa系数。

2.2 实例2

第2景OrbView3多光谱图像的获取时间为2004年6月30日, 中心地理坐标为(E115.889 264° , N28.723 345° ), 覆盖区域是江西省南昌市市区。用于道路提取实验的子图像(仅显示蓝波段)及道路提取实验结果见图3。

图3 实例2 HRI图像和道路提取实验结果Fig.3 HRI image of case 2 and road extraction result

图3(a)中有1个“ 井” 字形的道路网, 除了西侧南北方向道路的部分路段较为模糊外, 其他路段的边界均十分清晰, 在东南方向路段还有一个环状的路口。图3(a)中共有道路、建筑、土壤和植被等4类地物, 其中很多土壤区域的光谱值与道路的相近, 这加大了道路提取的难度。图3(c)和(d)分别为光谱合并和边界合并的分割结果, 图3(a)中的道路网络基本被完整地分割出来。值得一提的是, 图3(a)北部宽度很小的道路段以及西侧南北方向道路的模糊路段均被完整地分割出来, 这表示本文道路分割方法具有良好的效果。光谱合并和边界合并的阈值分别为0.15和0.03。

图3(e)和(f)分别是本文方法和SVM方法的道路提取结果。本文方法道路提取中C=200。与实例1类似, SVM方法可以将道路的主体部分提取出来, 只有个别灰度差异较大的路段没有被合并到主体道路网络的区域中, 造成漏检; 但本文方法却将一些较小尺度的路段完整地分割出来, 依然显示了很好的性能。在用SVM方法提取道路的结果中, 很多土壤区域被错分为道路, 特别是在图3(f)北部区域, 因土壤的灰度值较高, 易与道路混淆; 而本文方法却没有出现这样的问题。表1显示了2种方法的道路提取精度, 本文方法优于SVM。

表1 本文方法和SVM方法道路提取精度对比 Tab.1 Accuracy comparison between the proposed method and SVM
3 结论

1)本文发展了一种高分辨率遥感图像(HRI)道路分割方法, 该方法共包括3个步骤: 光谱合并、边界合并和基于形状特征的道路区域提取, 其中前2个步骤完成了HRI图像的分割。

2)为了提高分割精度, 本文在光谱合并的合并标准中综合考虑了均值、方差等统计特征量。在图像分割的基础上, 利用圆形度来区分道路和非道路区域。

3)利用2景OrbView3图像进行的道路提取实验证明, 本文提出的道路提取方法具有较高的精度。

The authors have declared that no competing interests exist.

参考文献
[1] Mena J B. State of the art on automatic road extraction for GIS update: A novel classification[J]. Pattern Recognition Letters, 2003, 24(6): 3037-3058. [本文引用:1]
[2] 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): 257-262.
Shi W Z, Zhu C Q, Wang Y. Road feature extraction from remotely sensed image: Review and prospects[J]. Acta Geodaetica et Cartographica Sinica, 2001, 30(3): 257-262. [本文引用:1]
[3] 吴亮, 胡云安. 遥感图像自动道路提取方法综述[J]. 自动化学报, 2010, 36(7): 912-922.
Wu L, Hu Y A. A survey of automatic road extraction from remote sensing images[J]. Acta Automatica Sinica, 2010, 36(7): 912-922. [本文引用:1]
[4] Shi W Z, Miao Z L, Debayle J. An integrated method for urban main-road centerline extraction from optical remotely sensed imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6): 3359-3372. [本文引用:3]
[5] 李晓峰, 张树清, 韩富伟, 等. 基于多重信息融合的高分辨率遥感影像道路信息提取[J]. 测绘学报, 2008, 37(2): 178-184.
Li X F, Zhang S Q, Han F W, et al. Road extraction from high-resolution remote sensing images based on multiple information fusion[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(2): 178-184. [本文引用:1]
[6] 曾发明, 杨波, 吴德文, 等. 基于Canny边缘检测算子的矿区道路提取[J]. 国土资源遥感, 2013, 25(4): 72-78. doi: DOI: 106046/gtzyyg. 2013. 04. 12.
Zeng F M, Yang B, Wu D W, et al. Extraction of roads in mining area based on Canny edge detection operator[J]. Remote Sensing for Land and Resources, 2013, 25(4): 72-78. doi: DOI:10.6046/gtzyyg.2013.04.12. [本文引用:3]
[7] Das S, Mirnalinee T T, Varghese K. Use of salient features for the design of a multistage framework to extract roads from high-resolution multispectral satellite images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3906-3921. [本文引用:2]
[8] 唐伟, 赵书河, 王培法. 面向对象的高空间分辨率遥感影像道路信息的提取[J]. 地球信息科学, 2008, 10(2): 257-262.
Tang W, Zhao S H, Wang P F. Object-oriented road information extraction from high resolution imagery[J]. Geo-information Science, 2008, 10(2): 257-262. [本文引用:4]
[9] 雷小奇, 王卫星, 赖均. 一种基于形状特征进行高分辨率遥感影像道路提取方法[J]. 测绘学报, 2009, 38(5): 457-465.
Lei X Q, Wang W X, Lai J. A method of road extraction from high-resolution remote sensing images based on shape features[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(5): 457-465. [本文引用:3]
[10] 蔡红玥, 姚国清. 基于分水岭算法的高分遥感图像道路提取优化方法[J]. 国土资源遥感, 2013, 25(3): 25-29. doi: DOI: 106046/gtzyyg. 2013. 03. 05.
Cai H Y, Yao G Q. Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm[J]. Remote Sensing for Land and Resources, 2013, 25(3): 25-29. doi: DOI:10.6046/gtzyyg.2013.03.05. [本文引用:2]
[11] 卢昭羿, 左小清, 黄亮, 等. 面向对象的投影互分割道路变化检测[J]. 国土资源遥感, 2012, 24(3): 60-64. doi: DOI: 106046/gtzyyg. 2012. 03. 12.
Lu Z Y, Zuo X Q, Huang L, et al. Road change detection using object-oriented projective interactive partition[J]. Remote Sensing for Land and Resources, 2012, 24(3): 60-64. doi: DOI:10.6046/gtzyyg.2012.03.12. [本文引用:1]
[12] Beaulieu J M, Goldberg M. Hierarchy in picture segmentation: A stepwise optimization approach[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(2): 150-163. [本文引用:1]
[13] Tilton J C, Tarabalka Y, Montesno P, et al. Best merge region-growing segmentation with integrated nonadjacent region object aggregation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4454-4467. [本文引用:1]
[14] Baatz M, Schäpe A. Multiresolution segmentation: An optimization approach for high quality multi-scale image segmentation[C]//Angewand te Geographich Informationsverarbeitung, XII. Germany: Wichmann, 2000: 12-23. [本文引用:1]
[15] Qin A K, Clausi D A. Multivariate image segmentation using semantic region growing with adaptive edge penalty[J]. IEEE Transactions on Image Processing, 2010, 19(8): 2157-2170. [本文引用:1]