一种结合核Fisher与多尺度提取的遥感影像道路获取方法

摘要

本发明公开了一种结合核Fisher与多尺度提取的遥感影像道路获取方法，它包括如下步骤：首先是简单地物（指植被、水体与建筑物阴影、裸地）的提取；以光谱特征训练核Fisher分类器，完成简单地物的分类，剔除这些地物对道路提取的影响，得到包含道路与建筑物信息的建成区。其次是对建成区中的道路进行提取。一方面，同时运用光谱和纹理特征训练核Fisher分类器将建成区分为道路与建筑物。另一方面，根据不同车道数的道路具有不同的宽度，依次提取出常见车道数的道路信息。最后将核Fisher分类与多尺度提取得到的道路信息相结合，获得最终的道路信息。本发明改善了道路提取的效果，提高了道路提取的精度。

说明书

技术领域

本发明涉及线性地物目标的提取，具体地说涉及一种结合核Fisher分类与多尺度提取的用于从遥感影像获取道路信息的方法，本方法充分利用了各种地物信息在高分辨率遥感影像中的光谱特征、纹理特征以及几何特征，有效地实现了城市道路信息的提取，属于模式识别与遥感领域。

 

背景技术

道路作为现代城市交通骨架，具有重要的地理、政治、经济意义，道路也是地图和地理信息系统中主要的记录和标识对象。道路信息作为基础地理信息，是地理信息数据的重要组成部分，是许多地理信息系统应用的基础数据，如车辆导航、交通管理、应急响应等。当前，遥感卫星、成像雷达、无人驾驶飞机的发展迅速，对地观测手段更加完备，获得的影像数据也日益丰富。如何从这些海量的数据中准确、及时的提取信息并加以利用，已成为必须要解决的问题。另一方面，城市建设速度的加快使得我们必须定期更新道路信息，以保证其现势性和准确性。当前，实际生产中的道路提取方法主要是通过人工解译和识别，效率和精度都很难保证。利用计算机对道路这一重要地物进行提取已成为当前模式识别与遥感领域的研究热点。近年来，众多学者从不同的角度、不同的应用领域对道路提取方法进行了研究，根据道路提取的自动化程度，将道路提取方法分为半自动道路提取和自动道路提取。

半自动道路提取方法是利用人机交互式进行，其主要思路是人工提供道路的初始点，然后计算机根据一定的规则进行识别和处理。自动道路提取方法是通过认识和理解道路的特征，自动准确定位道路的位置。自动道路提取方法是遥感影像目标识别与提取的发展方向和最终目标。当前各种方法的提取效果仍不太理想，由于遥感影像的复杂性与多样性，以及怎样突破计算机目标识别、人工智能、模式识别等诸多领域对道路等地物提取的技术限制，成为了国内外专家对道路等线状地物提取的研究瓶颈。

目前常用的道路提取方法主要有模板匹配法、基于知识的方法、面向对象提取方法、脊谷线提取法、数学形态学法、区域分割法以及其他一些提取方法。这些方法主要适用于中低分辨率遥感影像中乡村道路的提取，但对QuickBird、IKONOS、WorldView-2与Geoeye-1等卫星提供的高分辨率遥感影像而言，影像中的道路与建筑物经常存在“异物同谱”的情况，在利用常规方法进行提取时往往容易出现道路与建筑物误分类的情况。此外，高分辨率遥感影像中包含的信息更加丰富，道路中所包含的干扰信息也逐渐增多，如车辆、房屋和树木阴影等因素，这些都将加大道路信息提取的难度。现有的很多道路提取方法对高分辨率遥感影像而言并不适用。

近年来，核Fisher分类方法作为一种有效的模式分类技术在遥感影像分类处理中的应用逐渐成为研究热点。核Fisher分类相比支持向量机具有两个优点：（1）核Fisher分类没有支持向量的概念，其复杂性与训练样本的数目成比例，而支持向量机的复杂度与支持向量的个数密切相关；（2）核Fisher的性能在某些方面优于支持向量机，其主要原因是前者的训练依赖于全部训练样本，而后者主要依靠支持向量。目前，仅有研究者提出了“基于核Fisher判别分析的高光谱遥感影像分类”（遥感学报，2008，12（4）：579-585），该方法以光谱信息为特性对高光谱分辨率低空间分辨率的遥感影像进行分类处理，未充分考虑影像的纹理特征。运用核Fisher分类方法对高空间分辨率遥感影像进行道路提取的研究，国内外还未见报道。

 

发明内容

针对现有技术存在的上述不足，本发明提供一种结合核Fisher与多尺度提取的遥感影像道路获取方法，本方法提高了道路提取精度，改善了道路提取效果。

本发明实现上述目的的技术解决方案如下：

一种结合核Fisher与多尺度提取的遥感影像道路获取方法，本方法将遥感影像中的地物分为植被、水体与建筑物阴影、裸地、建筑物和道路五大类；其处理步骤如下：

1）简单地物的提取，简单地物指植被、水体与建筑物阴影及裸地；

1.1）针对植被、水体与建筑物阴影、裸地这三类地物，分别在遥感影像中选择上述三种简单地物的样本数据，对样本数据的光谱特征进行归一化处理得到上述三种简单地物的训练样本；

1.2）利用获得的植被、水体与建筑物阴影、裸地信息的训练样本，依次训练植被、水体与建筑物阴影、裸地的核Fisher分类器；

1.3）计算待分类遥感影像数据的光谱特征并进行归一化，得到测试集；利用训练得到的三种简单地物的核Fisher分类器，对测试集进行分类，依次提取出植被、水体与建筑物阴影、裸地信息，剔除这三种简单地物对道路提取的影响，得到仅包含道路与建筑物信息的建成区图像；

2）对建成区图像中的道路进行提取；

2.1）对道路与建筑物这两类地物的样本数据分别计算其光谱与纹理特征，分别得到道路与建筑物的光谱特征训练样本与纹理特征训练样本，利用这些训练样本训练核Fisher分类器； 

2.2）计算建成区图像中道路与建筑物的光谱特征与纹理特征并进行归一化处理得到测试集，利用步骤2.1）训练获得的核Fisher分类器对建成区图像中的地物进行提取，剔除建筑物对道路提取的影响，得到初始道路信息1；

2.3）利用不同车道数的道路具有不同宽度这一特征对建成区进行多尺度提取，分别提取得到各种车道数的道路信息；将各车道数的道路信息合并，得到初始道路信息2；

2.4）将步骤2.2）和2.3）获得的道路信息成果合并，利用数学形态学去除道路中的孔洞，即得到最终的道路提取效果图。

第1）步和第2）步的光谱特征包括R、G、B三个波段的数据；第2）步的纹理特征包括能量特征与同质度特征。

对于2.2）步和2.3）步提取出的初始道路信息分别利用数学形态学与面积阈值进行处理。

其中数学形态学是依据非道路像素在图像中的结构，选择适当的结构元素进行数学形态学处理，将部分非道路像素与道路像素分开；面积阈值是通过选取适当的面积阈值去除面积过小的物体，同时滤除部分噪声。

第2.3）步多尺度提取道路的方法如下：

2.3.1）将由建成区（含道路、建筑物）与非建成区（含植被、水体与建筑物阴影、裸地）构成的大小为                                               的二值图像分割为个大小为的图像块矩阵，建成区用“1”表示，非建成区用“0”表示；定义为对应于二值图像的标志矩阵；统计每个图像块中“1”的个数，若其大于阈值，则可认为该图像块为建成区图像块，即，否则该图像块为非建成区图像块，即；用公式表述为：

其中，，，，，；

2.3.2）对上一步得到的建成区标志矩阵，通过选择合适的滑动窗口遍历整个标志矩阵，定义为对应于建成区图像块标志矩阵中的道路块标志矩阵；统计每个滑动窗口中“1”的个数，若其小于阈值，则可认为该图像块表征道路，即，否则认为该图像块表征建筑物，即；用公式表述为：

其中，，，为滑动窗口中判断道路块的阈值；

2.3.3）对于分割后的非建成区图像块，由于分割尺度和阈值的影响，存在部分道路块误判到非建成区的图像块中；对于此类图像块，采用以下方式对道路块进行二次判断，以保证道路提取的精度：

    若为1，则；

其中，，，“”为逻辑“与”运算；若非建成区图像块的窗口范围内存在一个或者一个以上的道路块，则可判断此非建成区图像块为道路图像块；

2.3.4）利用道路块标志矩阵，对建成区进行提取，即可获得该尺度的道路；定义为大小为道路效果图像，若，则：

其中，，，；

2.3.5）对整个建成区采用上述方式进行多尺度提取，依次提取出含有双车道、四车道、六车道和八车道的道路信息。

将各车道数的道路信息合并，再通过数学形态学和面积阈值处理，即得到多尺度提取获得的道路信息。

相比于现有技术，本发明具有如下效果：

（1）本发明采用了“一对一”多次分类的思想，首先提取明显的非道路区域，去除这些区域对道路信息提取的影响，然后进一步采用相应的算法进行道路信息提取。

（2）本发明利用了高分辨率遥感影像中各种地物的光谱与纹理特征以及核Fisher分类器进行道路提取，充分利用了核Fisher分类器的优势以及地物的光谱与纹理特征，改善了道路提取的效果。

（3）本发明结合了道路与建筑物在影像中形状的不同以及含有不同车道数的道路具有不同宽度的特点，对建成区进行多尺度提取得到不同宽度的道路，充分考虑了道路宽度对道路提取效果的影响，提高了道路提取的精度。

 

附图说明

图1为本发明提出的高分辨率遥感影像道路提取方法的流程图。

图2为常见道路形状与道路交叉口类型在窗口下的表现形式；其中，（a）竖直道路；（b）水平道路；（c）曲线道路；（d）T型相交道路；（e）Y型相交道路；（f）垂直相交道路。

图3为原始WorldView-2影像。

图4为植被信息提取成果图。

图5为水体与建筑物阴影信息提取成果图。

图6为裸地信息提取成果图。

图7为采用核Fisher分类进行道路提取的成果图；其中，（a）建成区二值图像；（b）核Fisher分类方法提取的道路初始成果图；（c）核Fisher分类提取的道路结果。

图8为采用滑动窗口对道路进行多尺度提取得到的道路信息；其中，（a）双车道的道路提取成果图；（b）四车道的道路提取成果图；（c）六车道的道路提取成果图；（d）八车道的道路提取成果图；（e）二~八车道的道路提取合并图；（f）多尺度提取后经数学形态学处理得到的道路成果图。

图9为核Fisher分类与多尺度提取相结合的道路获取效果图。

图10为最终道路提取的效果图。

图11为人工提取的参考道路。

图12为常用方法的道路提取效果图；其中，（a）Mingjun Song提出的方法              （b）李立伟提出的方法；（c）Envi 4.6面向对象方法。

 

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

本发明选用某地大小为的WorldView-2影像为研究对象，其提供1.88米空间分辨率包含R、G、B的多光谱影像，如图3所示。本发明将遥感影像中的地物分为植被、水体与建筑物阴影、裸地、建筑物和道路五大类；

本发明的具体步骤如下，其流程见图1：

（1）简单地物的提取，简单地物指植被、水体与建筑物阴影及裸地；

针对植被、水体与建筑物阴影、裸地这3类地物，分别选择4个大小为的样本数据，对样本数据的光谱特征进行归一化处理得到各种地物的样本，由各种地物的样本数据即可得到核Fisher分类器的训练样本。

利用已获得的植被、水体与建筑物阴影、裸地信息的训练样本，依次训练植被、水体与建筑物阴影、裸地的核Fisher分类器。

计算待分类遥感影像数据的光谱特征并进行归一化，得到测试集；利用训练得到的三种简单地物的核Fisher分类器，对测试集进行分类，依次提取出植被、水体与建筑物阴影、裸地信息，剔除这三种简单地物对道路提取的影响，得到仅包含道路与建筑物信息的建成区图像。

本发明的目的是实现对道路信息的提取，对于植被、水体与建筑物阴影、裸地这些光谱特征与道路差别较大的地物而言，可采用光谱特征作为核Fisher分类器的特征向量，即可消除这些地物对道路提取的影响。图4、图5和图6为利用核Fisher分类器提取的植被、水体与建筑物阴影、裸地信息。从图中可以看出，采用光谱特征即可取得较好的提取效果。由于水体与光照形成的建筑物阴影具有相近的光谱特征，这里将二者统一为一类地物。本发明的目的是道路信息的提取，这样处理对道路信息的提取没有任何影响。而对道路而言，其与建筑物存在相同或者相近的光谱特征，仅采用光谱特征无法进行正确的分类。本发明选用了纹理特征和几何特征配合光谱特征进行道路与建筑物的分类。

（2）复杂地物的提取

核Fisher分类

本发明选用了灰度共生矩阵（GLCM）提取纹理特征，灰度共生矩阵是图像灰度变化的二阶统计度量，是描述纹理结构性质特征的基本函数。它定义为图像中相距为的两个灰度像素同时出现的联合概率分布。若图像灰度级为N，则具有一定空间关系的灰度共生矩阵为，其中d为，像素对间距，为两像素连线的方向。取定d值，分别设为，，，，采用这4个方向的叠加来消除方向影响，构成4个灰度共生矩阵。

灰度共生矩阵可获得均值、能量、对比度、熵、同质度等多个统计指标。它们从不同的角度反映了影像的灰度分布、信息量及纹理粗细度。特征选择的好坏，直接影响分类的效果。本发明选用了能量与同质度这两个纹理特征辅助光谱特征进行道路与建筑物的分类研究。

能量是用来度量纹理的一致性或均匀性，其定义为：

同质度是用来反映影像均调程度，其定义为：

本发明采用的纹理特征提取算法为： 

1）计算多光谱影像的强度分量，即：

2）进行灰度级量化处理。由于求取灰度共生矩阵的运算量较大，为减少计算量，通常将灰度级粗量化，即256级灰度减少到N级灰度，本发明中N取为8。经量化后的影像虽有一定的失真，但其对纹理特征提取的影响较小。 

3）利用窗口的模板对影像进行处理，计算每个窗口四个方向上的灰度共生矩阵，分别求出每个灰度共生矩阵的上述四个方向的特征值，对每个特征量将其四个方向的特征值取平均，得到最后的纹理特征值。

4）将滑动窗口的模板遍历整幅影像，提取整幅影像的灰度共生矩阵，其中滑动窗口每次移动的距离为1个像素。

利用光谱与纹理特征作为核Fisher分类器的特征向量训练核Fisher分类器，分类器的设计方法与上述分类器类似，此处不再赘述。

图7（a）为建成区二值图像。图7（b）为利用光谱与纹理特征进行初始道路信息提取的结果，从图中可以看出大部分块状建筑物信息已基本剔除，对于未剔除的非道路，可通过以下方法进行处理，具体为：

1）数学形态学。依据非道路像素在图像中的结构，选择适当的结构元素进行数学形态学处理，可将部分非道路像素与道路像素分开。

2）面积阈值。道路的面积不会很小，通过选取适当的面积阈值T可以去除面积过小的物体，同时滤除部分噪声，节省后续操作时间。

图7（c）为采用数学形态学与面积阈值处理得到的道路。从图中可以看出，与建筑物相连的道路已基本提出，但存在一部分孤立道路尚未提出，对于此类道路，利用多尺度提取方法获取道路信息。

多尺度提取

多尺度提取主要应用于建成区中与建筑物分离的孤立道路提取，是对核Fisher提取结果的补充。道路与建筑物的区别在于：（1）含有不同车道数的道路具有不同的宽度；（2）道路在影像上表现为长条状，而建筑物在影像上表现为规则的几何体。利用这些特征结合核Fisher分类，可以达到较好的分类效果。

每条机动车道的宽度具有一定的标准要求，含有不同车道数的道路具有不同的宽度。本发明利用车道数与道路宽度之间的关系，采用多尺度提取方法得到道路信息，提取尺度定义为：

提取尺度 = 道路实际宽度 / 影像的分辨率

车道数、道路宽度与提取尺度之间的对应关系如表1所示。

表1  车道数、道路宽度与提取尺度的对应关系

车道数道路宽度（米）提取尺度（像素个数）双车道75四车道159六车道22.513八车道3019

利用多尺度提取道路的方法如下：

1）将由建成区（用“1”表示）与非建成区（用“0”表示）构成的大小为的二值图像分割为个大小为的图像块矩阵。定义为对应于二值图像的标志矩阵。统计每个图像块中“1”的个数，若其大于阈值，则可认为该图像块为建成区图像块，即，否则该图像块为非建成区图像块，即。用公式表述为：

其中，，，，，。

2）对上一步得到的建成区标志矩阵，通过选择合适的滑动窗口大小，本发明选用了大小的滑动窗口遍历整个标志矩阵，定义为对应于建成区图像块标志矩阵中的道路块标志矩阵。统计每个窗口中“1”的个数，若其小于阈值，则可认为该图像块表征道路，即，否则认为该图像块表征建筑物，即。用公式表述为：

其中，，，为滑动窗口中判断道路块的阈值。

常见道路及道路交叉口类型有：水平道路、垂直道路、曲线道路、T字型相交道路、Y字形相交道路以及垂直相交道路，如图2所示。为了有效减少计算量，本发明中道路块判断阈值均为11。

3）对于分割后的非建成区图像块，由于分割尺度和阈值的影响，存在部分道路块误判到非建成区的图像块中。对于此类图像块，采用以下方式对道路块进行二次判断，以保证道路提取的精度：

    若为1，则。

其中，，，“”为逻辑“与”运算。若非建成区图像块的窗口范围内存在一个或者一个以上的道路块，则可判断此非建成区图像块为道路图像块，以此确保道路图像块提取的完整性。

4）利用道路块标志矩阵，对建成区进行提取，即可获得该尺度的道路。定义为大小为道路效果图像，若，则：

其中，，，。

对整个建成区采用上述方式进行多尺度提取，依次提取出含有双车道、四车道、六车道和八车道的道路信息。

5）将各车道数的道路信息合并，即可得到多尺度提取后得到的初始道路信息，通过数学形态学处理，即是多尺度提取获得的道路信息。

图8为多尺度提取得到的道路成果图。图9为核Fisher分类与多尺度提取合并获得的道路提取效果图，图10为利用数学形态学去除道路中的孔洞，得到的最终道路信息提取效果图，从图10中可以看出，高分辨率遥感影像中的城市道路已基本提取。

为了验证本发明的准确性与有效性，实验采用了Mingjun Song等在文献“Road extraction using SVM and image segmentation”（Photogrammetric Engineering and Remote Sensing，2004，70（12）：1365-1371）中提出的基于支持向量机的道路提取方法、李立伟等人在文献“基于数学形态学的高分辨率遥感影像道路提取”（遥感信息，2005，9-11）提出的基于数学形态学的道路提取方法、ENVI 4.6软件提供的基于面向对象技术的道路提取方法进行对比。实验将本发明以及三种常用方法的提取效果与人工提取的参考道路进行了对比，获得了道路提取质量的主观评价。此外，实验采用了Wiedemann C.等在文献“External evaluation of road networks”（International Archives of Photogrammetry and Remote Sensing，2003，34（3）：93-98）中提出的三个精确度的评价指标作为实验效果的客观评价标准，即准确率、遗漏误差、冗余误差。准确率越高，道路提取的精度越高，遗漏误差和冗余误差越低，道路提取的效果越好。准确率、遗漏误差和冗余误差的定义如下：

实验选择配置为AMD双核Sempron中央处理器（主频2.30GHz），内存为2GB内存的台式电脑，利用Matlab7.0软件在Windows XP操作系统下进行仿真实验。本发明的道路提取效果如图10所示，本发明除在图10右上角有少部分的道路，由于其光谱、纹理特征与周围建筑物非常接近而未能准确提取以外，其他大部分道路均已提取出来。人工提取的参考道路如图11所示。常用方法的道路提取结果如图12所示。从图12可以看出，采用三种常用方法存在着较高程度的误判现象。图12（a）中道路的准确率较高，但冗余误差较高，且存在较多建筑物误断为道路的情况。图12（b）中的道路遗漏误差较大，存在较多的道路遗漏。图12（c）中的道路准确度较低，对于宽度较窄的道路提取效果较差。总体来讲，本发明提取的道路准确度较高、遗漏误差较小，冗余误差适中，明显优于常用的道路提取方法。各种算法道路提取的客观评价结果如表2所示。

表2  道路提取算法的客观评价结果

方法准确度（%）遗漏误差（%）冗余误差（%）本发明提出的方法94.036.0520.21Mingjun Song提出的方法87.3413.0847.24李立伟提出的方法82.1918.1911.24Envi 4.6面向对象方法76.6823.4330.87

从表2可以看出，本发明的评价结果仅在冗余误差上大于李立伟等人提出的方法，其它评价结果均优于常用方法。

本发明提出了一种结合核Fisher分类与多尺度提取的高分辨率遥感影像道路获取方法。多尺度提取主要具有两个优点：一是利用不同尺度提取出常见的双车道、四车道、六车道和八车道的道路信息；二是多尺度提取道路的过程计算量较少，对于远离建筑物的独立道路具有较高的提取精度。核Fisher分类方法充分利用高分辨率遥感影像中地物的光谱与纹理特征，而多尺度提取主要利用道路的宽度信息，二者提取的道路相互补充，共同完成高分辨率遥感影像的城市道路信息的提取。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。