道路信息自动化和半自动提取研究综述姓名：******学号：******专业：地图学与地理信息系统学院：*******道路信息自动化和半自动提取研究综述摘要:道路信息作为一种重要的基础地理信息，可以作为提取其他地物目标的线索和参考系，具有很强的现实意义。

从遥感影像自动提取人工地物,特别是线状地物(主要是道路),不仅是摄影测量与遥感领域的难题,也是计算机视觉与图像理解研究的重点之一。

本文首先阐述了道路提取的基本思想以及与道路提取有关的背景知识，然后介绍了国内外比较成熟的理论与技术，最后总结并展望了道路提取的发展趋势。

关键词：道路提取，自动化道路提取，半自动道路提取Abstract：Road information as a kind of important basic geographic information, and other features can be extracted the clues and reference of the target has a strong practical significance. Automatic extraction of artificial from remote sensing image features, especially linear feature (mainly road), not only is a difficult problem in the field of photogrammetry and remote sensing, is also the emphasis of research in computer vision and image understanding. Firstly, this paper expounds the basic ideas and road extraction road extraction related background knowledge, and then more mature theory and technology at home and abroad is introduced, finally summarized and prospected the development trend of road extraction.Key words: road feature extraction; automatic road extraction; semi-automatic road extraction随着实时、全天候、大面积获得地面高分辨率、高精度、多时相、多光谱的数字影像成为可能。

而又作为获得地面几何与物理信息的主要信息源,遥感影像解译或者说信息的自动提取是摄影测量与遥感以及计算机视觉等领域的热门课题,有着十分重要的理论和意义。

道路不仅是一种重要的基础地理信息，而且可以作为提取其他地物目标的线索和参考系。

影像上的道路虽然比其他地物更突出，但实现起来却很困难[1]。

这主要是因为目前计算机人工智能还远未达到完全自动地从数字影像中理解与提取地物信息的水平[2]。

但是在道路提取方面，国内外还是涌现出了许多重要理论与技术。

这里主要是对道路信息提取做了一个总体概述，并展望了其发展趋势。

1 道路特征及提取思想1.1道路的基本特征影像特征是由于景物的物理与几何特性使影像中局部区域的灰度产生明显变化而形成的[3]。

在高分辨率遥感图像上,图像分辨率的提高使得图像细节特征越来越丰富。

欲得到理想的道路提取效果,必须充分了解道路在遥感影像上的基本特征。

有关道路的影像特征描述很多,Vosselman和Kneeht等将道路描述为几何(Geometries)特性、辐射度(photometries)特性、拓扑(Topologies)特性、功能(Functional)特性和关联(Contextual)特性,其中几何特性、辐射度特性和拓扑特性属于中低级知识,功能特性和关联特性属于高级知识,具体描述如下:[6]1)几何特征道路呈长条状(一定的长度,大的长宽比);宽度较窄且变化比较小;方向变换比较慢;曲率有一定的限制;连接处形成“T”字型或“十”型等几何模式:2)辐射度(光度)特性:道路内部灰度比较均匀;与其相邻区域灰度反差较大:一般有两条明显的边缘线(边缘梯度较大);3)拓扑特征道路存在相交和交叉;有“T”型、“Y”型、“十”型或“X”型等:连成网络;很少突然中断;4）功能特性:作为交通网络的一部分,道路起着运输通道的作用;一般都有指向,与村庄、城镇等居民地或人工设施相连接;5）关联(上下文)特性:周边区域内存在与道路相关的影像特征。

如:高架道路产生的阴影,可能遮断道路表面的树木,路边的行树,邻近的道路、道路目的地等。

1.2 提取思想对道路进行特征分析后，就可以综合利用各种所得信息进行下一步的工作，进入提取过程。

影像特征的提取，即从影像中提取有用的信息和视觉特征。

与其他特征提取一样，道路特征提取同样遵循 Marr 视觉理论，应该在低、中、高三个层次上进行。

一般方法主要分以下阶段，如图 1 所示。

在低层次处理中，利用各种不同提取要素的方法提取各种要素，如特征点、边缘、纹理等，在这个层次没有用到与道路有关的知识，所提取的点、线、面都没有结构化；中层次处理是对低层次处理的结果进行分析、选择、重组和综合，在这个层次利用了一些有关道路的几何假设；在高层次处理中，利用要素的结构和关系、道路模型和与道路有关的规则与知识理解和识别道路。

图1道路提取流程1.3道路提取中知识的表达与应用知识是人工智能(Artificial Intelligence)的核心问题之一。

遥感影像理解作为影像智能处理,不可避免要涉及到知识的表达与运用。

由于道路自动提取的复杂性,它对知识的表达与运用又有其自身的特殊性。

知识表示是为描述世界所作的一组约定,是知识的符号化过程。

它将关于世界的事实、关系、过程等编码成为一种合适的数据结构。

知识表示主要是选择合适的形式表示知识.即寻找知识与表示之间的映射[6]。

知识表示的两大类方法是符号表示法和连接机制表示法。

符号表示法是由符号以不同方式和组合来表示逻辑性知识的方法。

而连接机制表示法则是利用人工神经网络技术将各种物理对象以不同的方式及次序连接起来,并在其间传递及加工各种包含具体意义的信息的,以此来表示相关的概念及知识的相对符号的表示法,是一种隐式表达[7]。

迄今，已经提出了许多只是表示的方法：（1）自然语言表示；（2）谓词逻辑表示；（3）语义网络表示；（4）框架表示；（5）产生式系统表示；（6）过程表示；（7）脚本表示；（8）面向对象的知识表示；（9）神经网络表示从遥感影像中自动提取道路所涉及到的知识表达与运用有它自身的特殊性。

因此对特定道路类型的提取选择合适的方法或几种方法结合起来进行知识表达是非常重要的。

学习和自适应能力是最终智能化和自动化的进行道路提取的关键。

目前的许多系统都比较依赖于特定的约束甚至某些参数,提取系统要达到真正的智能化,必须能自动地适应不同的影像条件,在处理中系统能不断的进行学习以获得新的知识,处理新的情况,这是道路自动提取达到实用化必须解决的一个重要问题。

2 研究现状利用计算机提取道路特征,包括“识别”和“量测”两部分。

其中“识别”对于计算机来说是十分困难的,而对于人来说则相对简单。

而“量测”即精确的定位,对于计算机来说,则要相对简单[5]。

道路特征提取现今主要为半自动特征提取和自动特征提取两种格局并存。

从目前的研究进展来看，自动特征提取存在很多困难，因为利用计算机提取道路特征，包括“识别”和“量测”两个部分。

其中“识别”对于计算机处理来说是十分困难的，而对人来说则比较简单。

而“量测”对计算机处理则刚好相反。

因此，利用计算机和人的各自优点进行半自动特征提取和识别在目前来说更为现实[2]。

2.1 自动道路特征提取道路特征自动提取包括道路特征的自动识别和几何特征的自动定位，道路影像特征提取已有各种各样的方法，有局部的、全局的，有人工智能、计算机视觉、模型识别、数学模等，已经能够做到把道路影像从其他地物影像中分割出来甚至能区分道路类型。

若干有代表性的方法介绍如下。

1) 基于平行线对的方法。

道路的本质特征从边缘上看是一组平行线，由此特征，产生许多相关的道路提取算法。

其关键在于在链接好的边缘中产生表示道路的平行线对这一特征，以及识别平行线对是否为道路的识别策略[8]。

P. Dal Poz等(2006)提出了在中等分辨率和高分辨率图像中自动提取道路的方法[7]。

该方法主要分为两步,首先检测整个感兴趣的区域并提取出道路种子。

在检测过程中,寻找符合几何学和辐射线测定要求的局部道路属性,如道路通常是平坦的并且比背景更明亮的表面,通过canny边缘检测及边缘连接与融合法提取出代表图像边缘的多边形。

将所有描述相关图像边缘的多边形结合起来,即可表示一段大致笔直的道路,一系列邻近的路段即组成了一个道路种子。

接下来,将道路种子连接起来并重建出道路交叉,即完成了整个道路网络。

在完成道路网络重建的过程中主要用到两种策略。

一是从连续的道路种子中提取出道路中心线，二是利用道路中心线来寻找道路交叉处参考点的大致位置，提取出代表道路交叉轮廓的多边形，并重建道路的交叉[9]。

研究表明，这种方法具有较好的效果。

2）标点随机过程方法。

X. Descombes, J. Zerubia等(2002)提出了将标点随机过程(MPP, Marked Point Process)理论应用于图像分析,提取出道路信息的方法[12]。

标点随机过程的主旨在于采用随机框架对目标问题进行建模。

待分析的目标可以是任意数量、处于任意位置、用任意参数来定义。

和许多提取道路信息的算法不同,标点随机过程的方法不需要标记道路的起始点。

它被定义为关于泊松的一个密度函数,被称作标记(marks)的任意参数与每一个点相关联。

在图像分析中,这些参数用来定义目标的一些几何特性。

进行道路信息提取的过程中,将RJMCMC (Reversible Jump Monte Carlo Markov Chain)嵌入模拟退火算法中,以取得最优化的模型。

3) 多分辨率提取算法。

同一航拍图像使用两种分辨率。

粗糙分辨率中道路表现为明亮的线，利用局部和全局阈值化提取[10]。

精细分辨率中提取边缘，边缘被聚合形成平行线对和其间的区域。

通过一定的准则将两个分辨率图像中提取的结果进行融合。

Baumgar-tner 等[12]、Hinz 等[13]以及其他一些研究者对这种方法进行了扩展。

4) 数学形态学方法。