王一帆　翟銀鳳

摘 要：充分利用較高的分辨率遙感影像，在對道路特征提取方面取得一些研究成果，有基于邊緣提取、基于區(qū)域分割提取及兩者相結合的提取方式。

關鍵詞：高分辨率影像；道路特征提取；提取方法；邊緣；區(qū)域分割

高分辨率影像能夠提供更加豐富的信息，有利于提取不同尺度和不同類型的道路。根據(jù)高分辨率遙感影像的特點，近年來使用較高分辨率的遙感影像來提取道路特征的方面已取得一些研究成果?？偟膩碚f，提取道路特征的研究基本上可以分為三類：基于邊緣提取、基于區(qū)域分割提取和兩者相結合的提取方法。

具有代表性的基于邊緣的道路提取方法主要有：賈承麗，趙凌君等（2008）先通過Frost濾波器去相干斑，然后利用乘性Duda線特征檢測算子進行線特征檢測，接著利用Radon變換進行線基元提取，再利用遺傳算法進行線基元連接，最后利用蛇模型調整道路位置并進行道路鑒別。Sahar Movaghati， Alireza Moghaddamjoo 等使用UNSCENTED KALMAN濾波器處理道路的非線性，從通過UNSCENTED KALMAN濾波器預先處理當前狀態(tài)中分解測得的系統(tǒng)，最后提取一種基于聚類的分類方法沿著路的方向維持道路的形狀，用來跟蹤道路。Poz D，Vale A P.（2003）使用修改了“代價”函數(shù)，并且改進了的動態(tài)規(guī)劃算法提取道路信息，同時增加了約束條件道路邊緣特征，使之更適用于從中高分辨率影像上提取道路。

基于區(qū)域分割的道路提取主要方法有：潘建平，鄔明權等（2008）先將遙感圖像二值化后，再進行噪聲濾除、形態(tài)學邊緣檢測和邊緣連接，得到完整的道路網(wǎng)。朱長青，楊云等（2008）通過改變影像矩形方向、分割閾值和矩形寬度的條件，從矩形的外部和內(nèi)部進行整體的匹配，使得矩形滿足最佳匹配原則，從而提取出道路。A. Grote，M. Butenuth，C. Heipke（2007）根據(jù)目標的色彩信息和邊緣信息將影像分割成為很多個較小的區(qū)域，然后依據(jù)不同的標準將小區(qū)域合并形成道路條帶。Youchuan Wan， Shaohong Shen 等（2007）首先順著多切不同的方向，計算與當前點光譜比較相近的線段長度，然后分別以最短的、最長的長度和光譜矢量來進行分類特征值，取得粗略道路類。Xuemei Ding， Wenjing Kang等（2006）以交叉熵作為分割的基本功能模塊，用其作用于整幅圖像及多個不重疊的子圖，分別取得全局閾值及每個窗口的局部閾值，然后根據(jù)一定的準則調整各個局部閾值，并用局部閾值分割各個窗口的影像。分割結果需要細化以及連接。Ali Mohammadzadeh， Ahad Tavakoli 等（2006）用人工方法確定一個路面點，以此點的各波段亮度值作為道路類統(tǒng)計均值的初值，在初值附近逐步改變數(shù)據(jù)并計算總體代價函數(shù)值，使得總體代價最小的數(shù)值用于分割道路。Qiaoping Zhang，Isabelle Couloigner（2006）首先使用K均值法將光譜影像劃分為不同種類，接著再用模糊歸類手段來把道路類自動識別，然后通過計算粗分的道路類的二值多角度紋理值及相應的形狀系數(shù)，最后用模糊歸類方法區(qū)分混分為建筑物的道路的停車場。Jin Xiaoying， DAVIS C.H.（2005）將道路分為了城市道路和郊外道路兩個部分，城市道路采用邊緣信息化處理并進行提取，郊外部分則運用K均值來進行分類，對分類后的道路再進行后處理以得到郊區(qū)道路。汪閩，駱劍承，周成虎等（2005）利用隨機紋理模型與支撐向量機來進行分類的方法提取道路網(wǎng)絡。Mingjun Song and Daniel Civco等（2004）先將像素劃分為非道路和道路兩大類（用SVM方法），然后在粗略分類的道路類別中增長進行區(qū)域，相似準則把光譜相似性，形狀相似性都在進行區(qū)增長時考慮到了。史文中等人（2002）通過一系列的實驗確定了一閾值，先以此閾值把道路影像二值化，然后把粗糙道路條帶使用直線段匹配法處理，最后使用數(shù)學形態(tài)學手段來提取道路中心線。

同時利用分割信息和邊緣的提取方法研究相對是比較少的，具有代表性的分別有：

（1）李曉峰，張樹清等（2008）提出一種高分辨率遙感影像上提純道路信息的方法，是基于面狀道路、相互驗證邊緣和輔助的思想。

（2）梅天燦，李德仁，秦前清（2005）提出了一種結合直線特征和區(qū)域識別線狀目標的方法。

（3）HELLWICHO，WIEDEMANN C（2003）強調的是利用融合多源數(shù)據(jù)的有利之處。

從以上分析可知，已有的方法都有自己特定的應用范圍和局限性，一般只適用于提取較為簡單清晰的道路，因此非常需要探討適合提取多數(shù)道路的新思路和新方法。

在高分辨率遙感影像中紋理信息的應用是比較豐富的，遙感紋理的特征使其在高頻信息在圖像上的空間分布情況有這主要的作用。紋理特征則主要是用來區(qū)分目標的作用。用來識別地物和確定地質構造的重要信息的地形、地貌特征，都是紋理所反映的。在遙感圖像紋理分析過程當中引入紋理特征，把光譜特征和紋理特征很好地結合起來，增強地質體和地質現(xiàn)象的可區(qū)分性。并結合實際的地物情況做出的合理的解釋，所以很多道路邊緣信息提取的方法采用基于紋理的分割方法。

參考文獻

[1]賈承麗，趙凌君.基于遺傳算法的SAR圖像自動道路提取[J].中國圖象圖形學報，2008，13（6）：1134-1142.

[2] Sahar Movaghati， Alireza Moghaddamjoo， Ahad Tavakoli， Using Unscented Kalman Filter for Road Tracing From Satellite Images [C].Second Asia International Conference on Modelling & Simulation，2008：379-384.

[3] Renaud P， Thierry R. Multi-resolution snakes for urban road extraction from Ikonos and Quickbird Images[C]. Proceedings of the 23rd EARSeL Symposium， 2003：69-76.

[4]潘建平，鄔明權.基于數(shù)學形態(tài)學的道路提取[J].計算機工程與應用，2008，44（11）：232-233.