胥 亞，馮伍法，盧茂芬，劉衷瑞

（1.信息工程大學(xué)測(cè)繪學(xué)院，河南 鄭州 450052；2.73603部隊(duì)，江蘇 南京 210049）

1 引言

道路提取是目前地理信息提取的熱點(diǎn)，與之相關(guān)的研究也多不勝數(shù)。隨著空間遙感技術(shù)的發(fā)展，我們獲取了大量的遙感影像。從這些遙感影像上快速、高效地提取地理信息一直是遙感數(shù)據(jù)處理及GIS數(shù)據(jù)獲取的目標(biāo)，而道路信息是這些目標(biāo)的重要組成部分。隨著傳感器技術(shù)的不斷進(jìn)步，我們獲取的圖像分辨率也越來越高。從以前的數(shù)十米級(jí)圖像到現(xiàn)在的分米甚至厘米級(jí)分辨率的圖像，結(jié)合高精度的GPS定位技術(shù)，實(shí)現(xiàn)道路的精確定位和識(shí)別已成為了可能。低分辨率遙感圖像道路提取取得了很好的進(jìn)展，已有許多相對(duì)成熟的算法可將影像上的道路邊緣以及中心線提取出來。

一般而言，道路都具有兩條比較明顯的邊緣，邊緣內(nèi)部輻射信息比較均勻。道路的這些信息以及道路的周圍信息構(gòu)成了道路的基本特征。道路特征是我們提取道路目標(biāo)的基礎(chǔ)。概括起來，道路特征主要包括以下幾個(gè)方面：

（1）形狀特征。在高分辨率影像上，道路一般是彎曲的長(zhǎng)條，且其長(zhǎng)度遠(yuǎn)遠(yuǎn)大于其寬度，寬度變化受到噪聲的影響，變化比較小，即路面寬度基本一致，曲率有一定的限制；

（2）拓?fù)涮卣?。形成路網(wǎng)的主要道路是相互連通的，不會(huì)突然中斷，路段的兩端一般與另一道路段交叉，或者是延伸至圖像的邊緣；

（3）輻射特征。從視覺方面來看，道路有兩條比較明顯的邊緣，而且內(nèi)部灰度與其相鄰像元灰度反差比較大；此外，高分辨率圖像上道路中央的道路中心線呈白色，過往汽車過多也會(huì)對(duì)灰度信息造成影響；

（4）環(huán)境特征。環(huán)境特征指的是與道路相關(guān)的影像特征，如道路旁的建筑物和行樹等。

針對(duì)以上道路特征，許多學(xué)者提出了比較可靠實(shí)用的道路模型，結(jié)合一些經(jīng)典的算法，取得了較好的道路提取結(jié)果。根據(jù)道路灰度幾何特征建立了道路模型，該模型從所選的道路段中提取特征來定義多個(gè)分配函數(shù)，利用合成法則進(jìn)行合成，形成道路段，最后將合成法則獲取的道路段進(jìn)行合并，從而實(shí)現(xiàn)道路提?。?］。利用高分辨率遙感影像城市直線道路特性，在圖像分割獲得道路網(wǎng)輪廓的基礎(chǔ)上，采用Hough變換法，檢測(cè)道路所在直線，判斷該直線是否為道路［2］。確定為道路線以后，再將所得道路段進(jìn)行修剪、連接形成道路網(wǎng)，實(shí)現(xiàn)道路提取。本文首先利用改進(jìn)后的拉普拉斯核提取了包含完整道路信息的中間結(jié)果，在此結(jié)果上采用啟發(fā)式搜索法，將道路目標(biāo)提取出來，去除了非道路信息。

2 拉普拉斯邊緣檢測(cè)

拉普拉斯算子是對(duì)二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子。它定義為：

通常在數(shù)字化方式下可用圖1中所示的兩個(gè)卷積核之一來實(shí)現(xiàn)。

圖1 拉普拉斯卷積核

如果一個(gè)沒有噪聲圖像具有比較陡峭的邊緣，就可用拉普拉斯算子將它提取出來。由于拉普拉斯算子是一個(gè)二階導(dǎo)數(shù)算子，它對(duì)噪聲比較敏感，所以一般先進(jìn)行平滑濾波，再進(jìn)行二階微分。而常用的平滑濾波函數(shù)為高斯低通濾波函數(shù)。由卷積的結(jié)合律可將拉普拉斯算子和高斯脈沖響應(yīng)結(jié)合，形成一個(gè)單一的高斯拉普拉斯核。

這種由高斯平滑函數(shù)和拉普拉斯微分合并得到的算子稱為高斯-拉普拉斯 （LOG,Laplacian Of Gaussian）算子，這種邊緣檢測(cè)方法也稱為Marr邊緣檢測(cè)方法。

本文要利用LOG算子邊緣探測(cè)的結(jié)果進(jìn)行啟發(fā)式搜索，道路邊緣探測(cè)結(jié)果需要保留一定寬度，最理想的情況是提取后的結(jié)果正好保留了道路的寬度信息，這樣我們提取的道路結(jié)果就與從原圖像上提取道路目標(biāo)的結(jié)果一致。經(jīng)過試驗(yàn)，將拉普拉斯卷積核改進(jìn)為如圖2所示7×7的窗口形式，探測(cè)結(jié)果能夠完整保留道路的基本信息，可為下一步搜索道路提供較好的中間結(jié)果。

圖2 本文改進(jìn)的拉普拉斯核

3 啟發(fā)式搜索法

啟發(fā)式搜索法是利用圖像中目標(biāo)所包含的啟發(fā)信息來引導(dǎo)搜索，這些啟發(fā)信息參數(shù)可根據(jù)具體的道路模型來確定。有了這些信息就可以達(dá)到減少搜索范圍，降低問題復(fù)雜性的目的。其原理為：給定了初始的種子點(diǎn)以后，根據(jù)啟發(fā)信息建立相應(yīng)的代價(jià)函數(shù)，通過求解代價(jià)函數(shù)的最小值，搜索對(duì)應(yīng)最小代價(jià)的通道來找到道路邊界。一般地，對(duì)于道路搜索而言，如果不利用它的一些基本特性知識(shí)，算法對(duì)初始點(diǎn)的擴(kuò)展就帶有一定的盲目性，也就是說尋找最小代價(jià)通路所需的計(jì)算量很大。因而，根據(jù)道路的基本特征確定相關(guān)的啟發(fā)性信息來引導(dǎo)搜索，可大大減少計(jì)算量，提高搜索效率。啟發(fā)性知識(shí)越多，代價(jià)函數(shù)越完善，擴(kuò)展的節(jié)點(diǎn)數(shù)就越小，計(jì)算量就越小，從而搜索效率就越高。

搜索道路的邊緣，建立代價(jià)函數(shù)主要利用道路的形狀特征和輻射特征。即道路邊緣的灰度值相差較大，內(nèi)部灰度值比較一致，道路邊緣比較光滑，曲率有一定限制。首先考慮曲率因素，在建立代價(jià)函數(shù)時(shí)可沿著道路邊緣方向以及夾角不大于于的方向進(jìn)行搜索。建立約束性條件如下式：

圖3

定義該段道路的代價(jià)函數(shù)為：

從該式可以看出，在輻射灰度值相同的情況下，處于水平或豎直方向上的像元具有較小的代價(jià)值。

令E（n）表示從起始結(jié)點(diǎn)s出發(fā)經(jīng)過當(dāng)前結(jié)點(diǎn)n到達(dá)目標(biāo)結(jié)點(diǎn)t的最小代價(jià)通路的代價(jià)值，將該代價(jià)分解為兩個(gè)代價(jià)之和，即從起始結(jié)點(diǎn)s到當(dāng)前結(jié)點(diǎn)n的最小代價(jià)通路的估計(jì)代價(jià)P（n）以及從當(dāng)前結(jié)點(diǎn)n到目標(biāo)結(jié)點(diǎn)t的通路的估計(jì)代價(jià)Q(n)，即：

這里P(n)為目前從結(jié)點(diǎn)s到結(jié)點(diǎn)n的最小代價(jià)通路，它的值通過（3-3）式定義的代價(jià)函數(shù)進(jìn)行計(jì)算，則搜索算法由以下步驟組成：

（1）將初始結(jié)點(diǎn)s標(biāo)記為OPEN，令P(s)=0。

（2）如果沒有找到結(jié)點(diǎn)被標(biāo)記為OPEN，算法失敗退出；否則繼續(xù)。

（3）以s點(diǎn)為中心，向其周邊8個(gè)像元方向展開搜索。

（4）以搜索方向上的8個(gè)像元為中心，取3×3的窗口鄰域，分別計(jì)算這8個(gè)像元的代價(jià)值P(n)，取代價(jià)值最小的像元方向?yàn)樗阉鞣较颉?/p>

（5）沿搜索方向?qū)ふ业缆伏c(diǎn)，并將具有最小值搜索點(diǎn)的鄰域內(nèi)所有像元都確定為道路點(diǎn)，同事累積計(jì)算P(n)的值。

（6）當(dāng)P(n)的累積值超過一定的閾值時(shí)，判斷到達(dá)道路盡頭，算法終止。

上述算法的主要優(yōu)點(diǎn)是借助道路模型的啟發(fā)性知識(shí)（包括形狀、角度以及灰度信息）加快了搜索速度。通過人工給定某個(gè)道路的種子點(diǎn)，通過搜索最小代價(jià)通路實(shí)現(xiàn)快速地跟蹤我們所要提取的道路段。

4 實(shí)驗(yàn)分析

依據(jù)本文的算法，選擇了ADS40相機(jī)拍攝的某地區(qū)全色影像，由于原始影像較大，因而從原始影像上裁剪了兩部分用于實(shí)驗(yàn)。這兩部分圖像分辨率分別為597×409，407×353。 實(shí)驗(yàn)結(jié)果如下圖所示：

圖4（a） 原始影像（1）

圖5（a） 原始影像（2）

圖4（b） 拉普拉斯提取結(jié)果

圖5（b） 拉普拉斯提取結(jié)果

圖4（c） 啟發(fā)式搜索后結(jié)果

圖5（c） 啟發(fā)式搜索后結(jié)果

5 實(shí)驗(yàn)結(jié)論

該方法能夠較好地從圖像中提取道路目標(biāo)。在一些比較復(fù)雜的情況下，例如居民區(qū)以及耕地的邊緣與道路邊緣有所混淆（圖4（a））的情況下，提取結(jié)果在局部范圍內(nèi)效果一般。但是一些不連續(xù)的點(diǎn)狀噪聲能夠被算法剔除，而連續(xù)的線狀道路則沒有受到影響，提取的總體情況良好。居民地與道路目標(biāo)重合地區(qū)是目標(biāo)提取的難點(diǎn)所在，也是今后的重點(diǎn)研究方向。而在干擾信息較少的區(qū)域，如山區(qū)地帶（如圖5（a）所示），拉普拉斯算法處理后的圖像保留了較好的道路結(jié)果的同時(shí)也包含了大量的斑狀噪點(diǎn)信息，經(jīng)過啟發(fā)式搜索，這些噪點(diǎn)信息大部分都被剔除，獲得了比較好的提取效果。

［1］王莉莉，郝愛民，何兵等.基于D-S證據(jù)理論的城市航拍道路提取方法［J］.軟件學(xué)報(bào)，2005，（9）.

［2］呂健剛，韋春桃.基于Hough變換的高分辨率遙感影像城市直線道路提取［J］.遙感應(yīng)用，2009，（3）.

［3］胡進(jìn)剛，張曉東，沈欣等.一種面向?qū)ο蟮母叻直媛视跋竦缆诽崛》椒ǎ跩］.遙感技術(shù)與應(yīng)用，2006，（3）.

［4］余長(zhǎng)慧，孟令奎，秦昆.基于標(biāo)點(diǎn)隨機(jī)過程的遙感影像道路提?。跩］.武漢大學(xué)學(xué)報(bào)，2006，（1）.

［5］王士同.基于傳播概念的啟發(fā)式圖搜索法PRA［J］.計(jì)算機(jī)學(xué)報(bào)，1991.