收稿日期:2003-03-28作者简介:李燕(1977-),女,四川成都人,硕士研究生,主要从事遥感图像处理与应用、模式识别研究。
遥感影像道路网自动提取的研究李 燕,余旭初(解放军信息工程大学测绘学院,河南郑州 450052)Road Automatic Extraction from Remote Sensor ImageLI Yan,YU Xu -chu摘要:详细分析了道路的影像特征,建立了道路网描述模型。
对道路模型的表达采用了模糊数学的方法,对知识的表达使用了带有置信度因子的模糊产生式规则,知识的推理使用了不确定性推理中的各种理论。
本项研究力图模拟人的感知过程,以段的几何与灰度属性为主,并顾及局部上下文线索进行感知编组;基于道路模型对道路段进行识别;再利用道路的全局性约束知识对道路段进行重组,弥补了局部编组下的缺点。
进行道路的分支和交叉的检测形成道路网。
关键词:影像理解;道路模型;感知编组;知识表达;知识推理;特征提取;几何结构信息中图分类号:P237 文献标识码:B 文章编号:1671-3044(2003)03-0011-051 引 言近年来,遥感技术迅猛发展,而人们对遥感信息的认识和利用程度要远远落后于通过空间和航空系统获取信息源的速度。
从影像获取信息是人类获得知识的主要来源之一,如何自动处理、解译海量的图像数据是在整个社会信息化过程中面临的重要问题。
从遥感图像中识别各种目标,是图像处理和目标识别的一个重要研究课题。
道路自动识别是其中一个基本的、常见的问题。
道路网是非常重要的基础地理信息,它的识别和精确定位对GIS 数据获取、影像理解、制图以及作为其他目标的参照体都有深远的意义。
在过去的二十多年里,道路的提取在摄影测量界和计算机视觉界受到了广泛的重视,针对不同的影像类型,不同的影像分辨率,不同区域的影像和不同的道路类型,人们提出了许多从航空和遥感图像中自动提取道路的方法。
但由于道路在遥感图像中的表现形式十分复杂,对不同比例尺的影像难以用固定的参数或特征描述,而只能用一些抽象的语句来描述。
对于同一算法,不同的环境、不同的传感器、不同的图像、不同的成像条件等等会造成提取结果的极大差异,因而造成了自动识别的困难,使得自动提取道路信息成为一个难度很大的课题。
目前仍然没有足够可靠和实用的自动识别软件。
本文以低分辨率影像乡村道路网的自动提取为对象,研究了以道路模型为基础,基于感知编组从遥感图像中自动提取道路网的方法。
详细分析了道路的影像特征,建立了道路网描述模型。
在道路识别过程中,对道路模型的表达采用了模糊数学的方法,对知识的表达使用了带有置信度因子的模糊产生式规则,知识的推理使用了不确定性推理中的各种理论。
力图模拟人的感知过程,以段的几何与灰度属性为主,并顾及局部上下文线索进行感知编组,然后基于道路模型对道路段进行识别,再利用道路的全局性约束知识,如功能特征、拓扑特征、上下文特征等对道路段进行重组,弥补了局部编组下的缺点,最后进行道路的分支和交叉的检测形成道路网。
2 道路描述模型如何在实际图像中检测道路,关键问题是对现实世界中的道路进行正确的描述和理解,建立合适的道路模型。
描述现实世界中的道路已经有很多学者做了研究,Garnesson 与Vosselman 等指出,道路的特征可以分为功能特征(functional)、几何特征(geometric)、辐射特征(photometric )、拓扑特征(topologic)、光谱特征和关联或上下文特征(contextual)等六个方面。
本文重点研究低分辨率乡村主要道路的自动提取,我们抽象出道路的描述模第23卷第3期2003年5月海 洋 测 绘H YDROGRAPHIC SURVEYING AND CHARTINGV ol 123,No 13M ay ,2003型如下:211几何特性(1)道路宽度变化比较小,并且沿线长度方向的宽度变化程度很小;(2)形状一般呈带状或线状;(3)有一定的弯曲度,但局部曲率一般不大,曲率变化一般较平缓。
级别越低的道路曲率越大,平坦地区道路曲率整体较小,在山区相对较高;(4)道路连接处形成明显的/T0字形或/Y0、/X0字形。
212辐射特性(1)道路内部的灰度与背景灰度相差比较大;(2)道路内部的灰度比较平稳。
213拓扑特性(1)道路段与道路段之间一般存在连接以形成网络;(2)道路之间的断裂处通常是由于居民区、成片的树木遮挡的原因,但相对来说对提取影响不大;(3)网络特征是可以利用的明显特征。
214上下文特性(1)在低分辨率的图像上,居民地、成片的树木一般具有较好的纹理特性,可以通过一定的方法提取它们来辅助道路的提取;(2)道路一般不会穿越水域;道路穿越农业用地。
3道路自动提取方案道路自动提取方案首先进行候选道路段的提取,然后进行基于概率模型、顾及局部上下文信息的道路段感知编组,之后进行道路段识别,最后进行基于全局性约束知识的道路段重组、提取交叉和分支形成道路网。
311基于结构信息的候选道路段的提取道路提取离不开特征检测。
特征检测是从图像信息演变为符号描述过程中的首要步骤,从符号化的图像描述中产生可识别物体的先决条件是使用低水平视觉处理或预处理手段,从图像中提取出一定的特征,如点、边缘、线和区域。
结构特征是道路在图像上的主要表现特征,低分辨率影像上道路的本质特征是呈线状,因此,采用以线段为基础的处理单元,候选道路段的生成是低层视觉上的关键步骤。
不论是检测边缘还是线作为随后的处理基元,我们总是希望受到尽量少的噪声影响而所需特征易于检测。
在特征提取前,通常需要对图像进行增强处理,它的目的在于滤除噪声的同时增强道路特征,滤除图像噪声方法的本质是一种平滑操作,可以选择不同的滤波方法,如中值滤波、自适应平滑滤波等来进行处理。
本文道路信息增强使用的是自适应平滑滤波算子。
自适应平滑滤波算子利用一种小的平均加权模板与图像进行迭代卷积,该模板的权系数对应点的信号的连续性,即作为像素点梯度的函数来决定[1]。
这种方法的优点是:¹平滑滤波的迭代运算使边缘得到锐化,更易于进行边缘检测,可以得到很高的边缘定位精度;º经过多次迭代运算,图像按照边缘分块实现了自适应的平滑,但不会使边缘模糊。
道路在低分辨率图像上主要表现为线状特征,因此提取线段是首要环节。
使用边缘检测算子可以从图像上获取线条特征,由于检测的结果仍是像素状态,所以需要一系列的操作,二值化、细化及边缘跟踪等才能生成矢量线条。
在进行道路自动编组之前,需要那些很短的线条,这样一方面减少了线段这一中层记号的数目,有利于计算;另一方面,如果从很短的线条就开始进行编组,面临的复杂性太大。
由于图像在形成边缘时,直接获取的矢量线段常常带有锯齿状,很多本来是直线的线段受各种因素的影响在跟踪时形成了曲线段,这些对后续的处理是很不利的,因此需要一定的直线提取算法进行处理,本文采用折线分裂法。
另外,在进行道路段矢量跟踪时,因为自动编组除了需要各段的几何信息外,还要利用段的其他各种属性,因此需记录段的多重属性,为道路编组做好数据准备。
记录的道路段属性一般包括9个方面:¹道路段序号;º道路段折线节点的坐标;»道路段长度,每个折线段的长度之和;¼道路段边界盒,即包围道路段的最小矩形;½道路段端点坐标,即为道路段首末两端的坐标值;¾道路段首端方向。
角度由末端相邻三点拟合抛物线在端点的切线方向来计算,它能更确切地表示段的朝向,即段首端方向的变化趋势;¿道路段末端方向。
计算方法同首端方向,也可很好地表示出末端方向的变化趋势;À道路段平均灰度值;Á道路段曲率,曲率由下式定义:C=L a@2L,其中,L a为线段长度(弧长);L为起点与终点的直线距离(弦长),当曲线是闭合曲线时,L为0,此时曲率大小赋为0。
最后,使用段的几何约束可以删除一些不可能是道路段的矢量线段,如一些长度很短而弯曲度比较大的段等,这样最终形成比较可靠的线段作为候选道路段。
312基于概率模型的道路段感知编组道路段编组一直是道路自动提取中的一个热门12海洋测绘第23卷话题。
本文使用的是基于概率模型、注重道路整体关系的道路段特征编组,它有两个特点:¹充分利用了局部特征间的几何信息和图像属性信息;º它对编组的过程及结果都进行了定量化的表达,这使得编组的结果更为可信和可靠。
从边缘检测及边缘跟踪技术得到的线特征并不能完全独立于实际的图像内容而准确无误地进行,这是由于在图像成像过程中的各种因素如噪声、遮挡等,很难保证形成的目标轮廓是完整的,因此在实际的线特征提取中,获取的总是部分的图像符号描述而并不是完整的符号描述。
将这些零散的、部分的图像特征编组成为有意义的、完整的、一致的符号结构则是特征编组的任务。
因此特征编组的中心环节是处理不可靠的、不完整的图像特征,它需要根据一定的知识如几何信息、属性信息以及其他景物信息来对处理过程作不同程度的知识导引,它需要生成一系列的假设来认同或作为最终的符号描述。
依据概率模型的道路段自动编组是在一定的范围内(通常范围较小),根据各种相似性度量参数,对道路段两两进行编组,然后进行整体的连接。
经过这个步骤,绝大多数道路段都已连接,道路的骨架已经基本形成。
在编组阶段利用一组几何和图像特性形成约束条件,以限制搜索空间。
设以线段的先后两端点表示一条候选道路段,则两候选道路段的编组概率可用下面5个参数即端点距离、共线方向差、共线侧向距离、交叠度、灰度来进行度量[2]。
对每一个相似性度量参数可以根据其对编组影响的大小赋予不同的权重,每一个相似性度量参数可以由给出的具体计算公式计算其数值,则两道路段连接编组的概率可以由下式计算获得:P Or ganize=S VertexËDis#R VertexËDis+S CommLin eËDis#R CommlineËDis+S CommlineËAn gle#R Commlin eËAngle+S O verla y#R Overla y+S Grey#R Grey(1)式中,S VertexËDis、S Comm LineËDis、S Comm lineËAngle、S Overlay和S Grey 分别为上述5个度量参数值;R Vert exËDis、R Comm lineËDis、R Com mlineËA ngle、R Overlay和R Grey分别为上述度量参数权重,给定连接概率阈值P Limit,则两道路段连接编组的条件应当满足:P Organize\P Limit。