戴激光，苗志鵬，葛連茂，王曉桐，朱婷婷

(1.東華理工大學(xué) 江西省數(shù)字國土重點(diǎn)實(shí)驗(yàn)室，南昌 330013；2.遼寧工程技術(shù)大學(xué) 測繪與地理科學(xué)學(xué)院，遼寧 阜新 123000)

0 引言

利用遙感影像進(jìn)行道路信息采集在交通管理、城市規(guī)劃、自動(dòng)車輛導(dǎo)航、地理信息系統(tǒng)數(shù)據(jù)庫更新、制作電子地圖等方面有重要應(yīng)用價(jià)值，針對(duì)該領(lǐng)域的研究一直是國內(nèi)外學(xué)者研究的熱點(diǎn)。隨著空間分辨率的提高，高分辨率影像可對(duì)道路幾何光譜特征進(jìn)行更加精細(xì)地刻畫；但另一方面，冗余的細(xì)節(jié)信息諸如房屋、隔離帶、陰影、車輛等因素均會(huì)對(duì)道路提取構(gòu)成巨大的干擾，進(jìn)而大幅增加了道路提取的難度。

Vosselman等[1]對(duì)道路幾何與紋理信息進(jìn)行了描述，道路路面存在一定的紋理相似性，并且道路具有長度較長的幾何特性。作為一種形態(tài)學(xué)方法，路徑形態(tài)學(xué)可提取圖像中長而窄的結(jié)構(gòu)，這一特點(diǎn)亦符合道路的特征，故很多學(xué)者將路徑形態(tài)學(xué)方法應(yīng)用于道路提取領(lǐng)域[2]。例如Talboth等人[3]提出不完整的路徑開運(yùn)算，能越過一些“缺失的像素”搜索路徑，可應(yīng)用于陰影遮擋、紋理變化較大或破損道路的提取，但該方法的缺點(diǎn)是效率低并且誤提取率較高。劉小丹等人[4]提出一種將Hough變換與路徑形態(tài)學(xué)結(jié)合的道路提取方法，通過Hough變換構(gòu)造合適的結(jié)構(gòu)元，再利用路徑形態(tài)學(xué)提取道路。但是Hough變換產(chǎn)生的結(jié)構(gòu)元方向單一，難以提取曲率較大的道路。Appleton等[5]在Heijmans等[2]方法基礎(chǔ)上設(shè)計(jì)了一種有效的分解方法，將空間復(fù)雜度降低到對(duì)數(shù)級(jí)。同時(shí)，設(shè)定了4種三鄰接結(jié)構(gòu)元，可提取曲率較大的道路。Schubert等[6]改進(jìn)了Appleton等[5]提出的方法結(jié)構(gòu)，增加4種對(duì)角線方向的結(jié)構(gòu)元，可提取更多方向的道路。王雙等[7]設(shè)計(jì)了2種四鄰接結(jié)構(gòu)元，可提取曲率更大的道路，但同時(shí)也會(huì)連接較多的非道路區(qū)域。

路徑開運(yùn)算應(yīng)用于道路提取工作中，雖然取得了較好的實(shí)驗(yàn)成果，但由于該方法僅考慮道路紋理和長度特征，并未顧及道路寬度一致性和連通性，因而提取結(jié)果中存在道路與非道路區(qū)域粘連和斷裂問題。通過深入研究后發(fā)現(xiàn)引發(fā)這些問題的主要因素是：(1)道路兩側(cè)界限不清晰。當(dāng)?shù)缆放c其周圍地物間存在“異物同譜”現(xiàn)象時(shí)，路徑開運(yùn)算便將其視為一個(gè)整體，導(dǎo)致道路與非道路區(qū)域粘連問題。(2)路面紋理信息不均一。路面上的車輛、人行橫道、建筑物或樹木陰影會(huì)造成局部紋理信息發(fā)生突變，這使得路面紋理一致性的特點(diǎn)不再突出，直接影響影像分割結(jié)果，從而易引發(fā)道路斷裂。有鑒于此，針對(duì)上述問題，在傳統(tǒng)路徑形態(tài)學(xué)的基礎(chǔ)上，本文提出了一種改進(jìn)道路提取方法。

1 原理

1.1 數(shù)學(xué)形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)(mathematical morphology)是建立在集合論、拓?fù)湔?、隨機(jī)集等眾多學(xué)科的理論基礎(chǔ)之上描述形狀結(jié)構(gòu)的科學(xué)。其基本思想是將攜帶形狀、大小、灰度等信息的結(jié)構(gòu)元作為“探針”遍歷圖像，從圖像中“探測”出相應(yīng)信息。根據(jù)輸入圖像的不同，數(shù)學(xué)形態(tài)學(xué)可以分為二值形態(tài)學(xué)和灰度形態(tài)學(xué)，兩者都包含膨脹、腐蝕、開運(yùn)算、閉運(yùn)算、頂帽運(yùn)算、黑帽運(yùn)算、擊中擊不中變換等運(yùn)算。

由于路面上存在路面油漬、油返砂等問題，這使得道路內(nèi)部光譜相似性降低，并將直接影響道路提取結(jié)果，所以本文使用灰度形態(tài)學(xué)對(duì)影像進(jìn)行預(yù)處理，以減弱或消除這些干擾。根據(jù)上述對(duì)路面問題的分析，對(duì)于深色路面上的淺色干擾信息，本文采用腐蝕或開運(yùn)算處理；對(duì)于淺色路面上的深色干擾信息，本文利用膨脹或閉運(yùn)算處理。

1.2 Otsu雙閾值分割

當(dāng)深色路面存在陰影等深色干擾時(shí)，路面灰度值的范圍介于淺色地物和深色干擾(陰影等)的灰度值之間，因此需用區(qū)間閾值才能獲得道路區(qū)域，故本文采用Otsu雙閾值分割方法對(duì)影像進(jìn)行分割。利用Otsu方法得到2個(gè)閾值，將灰度值處于兩閾值之間的像素視為道路(灰度值為255)，其余視為非道路(灰度值為0)，從而得到二值圖像。

Otsu雙閾值分割是基于灰度直方圖得到各分割特性值發(fā)生的概率，用兩個(gè)閾值變量T1、T2將影像分為三類(C0、C1和C2)，其灰度值范圍分別是[0，T1]、[T1+1，T2]、[T2+1，m]，然后求出每一類的類內(nèi)方差及類間方差，選取類間方差最大或類內(nèi)方差最小的T1、T2作為最佳閾值[8]。其公式如下：

(1)

1.3 路徑開運(yùn)算

路徑開運(yùn)算(path opening)是路徑形態(tài)學(xué)的一種基本算法，屬于形態(tài)學(xué)的范疇。形態(tài)學(xué)中的開運(yùn)算利用結(jié)構(gòu)元遍歷圖像，可以剔除小于結(jié)構(gòu)元大小的像素塊。而路徑開運(yùn)算則利用結(jié)構(gòu)元設(shè)定連接規(guī)則，將灰度值相近且鄰接的像素點(diǎn)連接成長度不同的路徑，然后剔除長度小于閾值L路徑點(diǎn)。定義如下：在二值圖像E中定義一種連接關(guān)系：ab，表明由a到b存在一條路徑。其中，a是b的后繼節(jié)點(diǎn)，b是a的前驅(qū)節(jié)點(diǎn)，符號(hào)“”表明路徑方向由a到b。將這種連接關(guān)系和圖像E中所有像素點(diǎn)Ω結(jié)合在一起(Ω，)，即為鄰接圖(directed acyclic graphs，DAG)。鄰接圖可以清晰地表示像素點(diǎn)間的連接關(guān)系。圖1(a)中，黑色部分為一種結(jié)構(gòu)元定義的連接關(guān)系(方向?yàn)镾-N)，灰色部分為該結(jié)構(gòu)元構(gòu)成的鄰接圖。其中，任一像素點(diǎn)F0最多擁有S1、S2、S3 3個(gè)后繼節(jié)點(diǎn)，任一點(diǎn)S0最多擁有F1、F2、F3 3個(gè)前驅(qū)節(jié)點(diǎn)。

定義1將每個(gè)點(diǎn)x關(guān)于連接關(guān)系“”的后繼節(jié)點(diǎn)的集合，記為δ({x})，即δ({x})={y∈Ω|yx}；x關(guān)于連接關(guān)系的前驅(qū)節(jié)點(diǎn)的集合，記為即y}。設(shè)X為前景圖像，對(duì)于?X?Ω，有：

δ(X)={y∈Ω|xyfor somex∈X}

(2)

(3)

定義2設(shè)Ta=(a1，a2，…，ak)為a的k元組，那么當(dāng)且僅當(dāng)aiai+1，且i∈[1，k- 1]時(shí)稱Ta為a長度為k的路徑。

定義3設(shè)Пk為所有長度為k的路徑集合，設(shè)路徑Ta里的所有像素點(diǎn)的集合為σ(Ta)。路徑開運(yùn)算的定義為：

Ak(X)=∪{σ(Ta)|Ta∈Пkandσ(Ta)?X}

(4)

Ak給出前景圖像X中路徑長度大于或等于k的像素點(diǎn)集合，即為路徑開運(yùn)算結(jié)果。圖1為路徑開運(yùn)算示意圖，圖1(b)是一些前景黑色像素點(diǎn)在圖1(a)給出連接關(guān)系下的所有路徑。其中，每個(gè)點(diǎn)旁邊的數(shù)字是該點(diǎn)所在路徑的長度值(在一種連接關(guān)系下，若一個(gè)點(diǎn)同時(shí)存在于多條路徑上，規(guī)定其屬于最長的路徑)。圖1(c)為長度閾值L為6時(shí)路徑開運(yùn)算結(jié)果，對(duì)比圖1(b)可以看出，路徑長度大于或等于6的像素點(diǎn)被保留下來，其余像素點(diǎn)被去除。當(dāng)L為7時(shí)，僅保留了路徑長度大于或等于7的像素點(diǎn)(圖1(d))。

圖1 路徑開運(yùn)算原理

基于以上分析，結(jié)合影像中道路區(qū)域與非道路區(qū)域的特點(diǎn)，發(fā)現(xiàn)道路區(qū)域的路徑長度一般長于非道路區(qū)域。因此將路徑開運(yùn)算應(yīng)用于道路提取中，通過人工設(shè)定合適的路徑長度閾值L，就可以有效地剔除非道路區(qū)域，保留道路區(qū)域。

本文的路徑開運(yùn)算方法來自Schubert等方法，該方法包含8種三鄰接結(jié)構(gòu)元(圖2)。其中每個(gè)點(diǎn)有3個(gè)連接方向，表示在搜索路徑時(shí)有角度方向上的容差，可提取具有一定曲率的道路。每種結(jié)構(gòu)元可以探測一定方向的道路，不同的探測結(jié)果進(jìn)行組合即可獲得完整道路網(wǎng)(圖3(c))。但由于前文所述的原因，有些道路提取結(jié)果不盡人意。如圖3(d)所示，影像中部存在的樹木陰影導(dǎo)致了路徑開運(yùn)算結(jié)果中的道路斷裂問題；影像中的房屋與道路灰度近似并且鄰接，導(dǎo)致結(jié)果中存在道路與非道路區(qū)域的粘連問題(圖3(f))。

圖2 鄰接圖

圖3 路徑開運(yùn)算提取道路

1.4 非道路粘連削減方法

針對(duì)上述路徑開運(yùn)算中存在的問題，本文提出一種非道路粘連削減方法。道路與非道路粘連處(以下簡稱粘連處)可分為3個(gè)區(qū)域：道路、非道路、連接區(qū)域。連接區(qū)域即道路與非道路銜接區(qū)域。如圖4(a)所示，可以看到粘連處存在以下2個(gè)特征：(1) 連接區(qū)域?qū)挾容^小。(2) 非道路區(qū)域的路徑長度小于道路區(qū)域的路徑長度。

基于以上特征，本文首先設(shè)定大小為3×3的矩形結(jié)構(gòu)元，通過形態(tài)學(xué)開運(yùn)算將連接區(qū)域斷開，得到孤立的非道路區(qū)域；其次設(shè)定路徑長度閾值L進(jìn)行路徑開運(yùn)算。該閾值可依據(jù)實(shí)際影像區(qū)域道路目視分析，由人工進(jìn)行設(shè)定；最后使用閉運(yùn)算將道路網(wǎng)復(fù)原。

該方法有一個(gè)重要的前提：連接區(qū)域?qū)挾葢?yīng)當(dāng)很小，這樣形態(tài)學(xué)開運(yùn)算才能在不影響道路區(qū)域的前提下斷開連接區(qū)域。若連接區(qū)域很寬，那么此處粘連無法去除。圖4展示了一條道路線上的兩處粘連問題的處理結(jié)果。圖4(a)中矩形框內(nèi)的粘連，其連接區(qū)域?qū)挾容^小，本文方法可以將其去除。而圓圈內(nèi)的粘連由于其連接區(qū)域?qū)挾容^大，因而無法進(jìn)行刪除。

圖4 削減粘連示意圖

1.5 斷裂端點(diǎn)判讀

由于路徑開運(yùn)算只能探測相鄰區(qū)域灰度值近似的像素，無法跨越灰度值相差很大的像素，故僅依靠形態(tài)學(xué)方法難以解決道路斷裂問題。由于模板跟蹤在道路提取過程中對(duì)道路光譜變化有一定的魯棒性[10]。因此本文在路徑開運(yùn)算的結(jié)果中，取其斷裂處的端點(diǎn)作為種子點(diǎn)，并由此提出改進(jìn)的圓形模板跟蹤方法，以此完成斷裂處道路中心線的跟蹤，但在開展該工作前首先需要確定斷裂處端點(diǎn)。

考慮到路徑開運(yùn)算提取的道路結(jié)果中存在很多端點(diǎn)，因此在道路跟蹤前首先需要判斷哪2個(gè)端點(diǎn)屬于同一斷裂區(qū)域。仔細(xì)觀察道路斷裂處存在下述2個(gè)特征：(1) 道路斷裂是由陰影、人行橫道等造成的，因而道路斷裂處長度較短。因此可依據(jù)這一特征，比較所有端點(diǎn)的間距，找出間距較小的端點(diǎn)對(duì)。(2) 斷裂處曲率變化較小。即斷裂處兩側(cè)線段的角度差異應(yīng)當(dāng)較小。依據(jù)上述特征，可采用最小二乘法將兩端點(diǎn)所在區(qū)域進(jìn)行擬合，提取2條最佳擬合線段，同時(shí)將2個(gè)端點(diǎn)連接起來形成連接線段，分析3條線段的角度差異是否低于π/4。若2個(gè)端點(diǎn)同時(shí)滿足上述2個(gè)特征，則認(rèn)為這2個(gè)端點(diǎn)應(yīng)屬于同一斷裂區(qū)域。

1.6 改進(jìn)的圓形模板匹配跟蹤方法

本文提出的跟蹤方法是對(duì)文獻(xiàn)[10]方法的改進(jìn)。文獻(xiàn)[10]方法的思想是：人工選取若干種子點(diǎn)，在兩兩種子點(diǎn)間以一定規(guī)則內(nèi)插新種子點(diǎn)，不斷重復(fù)內(nèi)插過程直至達(dá)到閾值。該方法用直線段逼近曲線，對(duì)曲率較小的道路提取效果較好。其優(yōu)點(diǎn)在于，若前幾次內(nèi)插的種子點(diǎn)精度較高，隨著種子點(diǎn)的不斷增多，其形狀會(huì)不斷逼近道路形狀，其計(jì)算過程會(huì)越來越快，精度會(huì)越來越高。其缺點(diǎn)在于：(1) 若初始種子點(diǎn)間道路曲率過大，第一次內(nèi)插過程的難度就會(huì)比較高。(2) 已有內(nèi)插點(diǎn)的精度會(huì)影響后續(xù)內(nèi)插點(diǎn)精度，進(jìn)而影響道路提取質(zhì)量。

基于上述問題，本文提出改進(jìn)的圓形模板提取方法。與原方法主要不同之處是：(1) 改進(jìn)了內(nèi)插種子點(diǎn)的方式，將其對(duì)精度影響均勻分布到每個(gè)點(diǎn)上。(2) 加入步長增加措施，可越過“障礙”繼續(xù)搜索道路。具體流程如下：

(1)采用L0濾波方法[11]處理輸入影像，利用3×3矩形結(jié)構(gòu)元計(jì)算每個(gè)點(diǎn)的形態(tài)學(xué)梯度。

(2)將上文得到的斷裂處兩端點(diǎn)作為初始種子點(diǎn)。以一個(gè)初始種子點(diǎn)及其八鄰域內(nèi)的點(diǎn)為圓心，分別建立半徑為1像素的圓形模板，計(jì)算模板內(nèi)點(diǎn)的梯度之和Gradsum。將同一半徑下Gradsum最小的模板視為最優(yōu)模板，并判斷其Gradsum是否超過閾值δ(經(jīng)驗(yàn)閾值，本文設(shè)為200)，若不超過δ，則以1個(gè)像素的步長逐步擴(kuò)大模板半徑。繼續(xù)該搜索過程直至最優(yōu)模板Gradsum超過δ，將前一半徑的最優(yōu)模板設(shè)為標(biāo)準(zhǔn)模板，其圓心p1為道路中心點(diǎn)，其半徑r為道路寬度的一半(圖5(a)過程①)。按照上述流程，在第二個(gè)初始種子點(diǎn)處尋找半徑為r的標(biāo)準(zhǔn)模板，獲得道路中心點(diǎn)p2(如圖5(a)過程④)。將p1到p2的方向設(shè)為初始跟蹤方向。

(3)若p1到p2的距離小于r，連接上述兩點(diǎn)并停止跟蹤。否則從初始端點(diǎn)p1開始，在跟蹤方向上長度為r的點(diǎn)處，垂直于跟蹤方向上建立一系列標(biāo)準(zhǔn)模板(圖5(a)中過程②的Ti)。定義模板角度θmod為當(dāng)前模板圓心P與前一個(gè)模板圓心M連線的角度(圖5(a)中的θ)。

定義灰度均值差為模板P中每個(gè)點(diǎn)q的灰度值與前一個(gè)模板M灰度均值之差的絕對(duì)值之和，公式如下所示：

(5)

定義梯度方差為模板P中每個(gè)點(diǎn)q的梯度Gq與模板P梯度均值之差的平方之和的平方根，公式如下所示：

(6)

定義模板角度差為模板P的θmod與其前6個(gè)模板θmod均值(不足6個(gè)按實(shí)際數(shù)量計(jì)算)之差的絕對(duì)值，公式如下所示：

(7)

分別計(jì)算Ti的灰度均值差、梯度方差、以及模板角度差，將3個(gè)量歸一化后加權(quán)求和(公式(8))，求得權(quán)重函數(shù)取得最大值時(shí)的圓心坐標(biāo)，將其作為待定道路中心點(diǎn)。若2個(gè)模板的權(quán)重函數(shù)值相同，取模板角度差較小的一個(gè)；

(4)為驗(yàn)證待定道路中心點(diǎn)是否是道路中心，本文采用邊緣判斷法對(duì)其進(jìn)行判斷。由于路面與道路兩側(cè)存在灰度差異，所以在待定道路中心點(diǎn)模板A兩側(cè)，垂直于跟蹤方向上建立標(biāo)準(zhǔn)模板B、C(圖5(b))，分別計(jì)算B與A、C與A的灰度均值之差的絕對(duì)值。若任一差值大于閾值Dgary(本文設(shè)為30)，說明該點(diǎn)為道路中心點(diǎn)，并將其作為新的初始端點(diǎn)，其模板角度為跟蹤方向，重復(fù)步驟(3)；若差值均小于閾值Dgary，說明該步長下求得的待定點(diǎn)存在異常(圖5(a)過程③中障礙物)，需要進(jìn)一步判斷，進(jìn)入步驟(5)；

(5)將步長變?yōu)槎?，重?fù)步驟(3)、步驟(4)。若二倍步長無法滿足要求，則變?yōu)槿恫介L(圖5(a)過程③)。若三倍步長也無法滿足要求，停止跟蹤。

圖5 道路邊緣判斷、斷裂處跟蹤示意圖

(8)

1.7 方法步驟

通過上述對(duì)不同方法原理的分析，本文給出了具體的方法處理流程(圖6)。

圖6 技術(shù)流程圖

(1) 采用灰度形態(tài)學(xué)對(duì)輸入高分辨率遙感影像進(jìn)行處理，以消除路面噪聲；

(2) 利用Otsu方法分割影像，得到包含道路區(qū)域和非道路區(qū)域的二值圖；

(3) 采用路徑開運(yùn)算消除大部分的非道路區(qū)域；

(4) 設(shè)定道路長度最低閾值L，利用形態(tài)學(xué)和路徑開運(yùn)算削減粘連的非道路區(qū)域；

(5) 對(duì)斷裂端點(diǎn)進(jìn)行判斷，若存在則轉(zhuǎn)入步驟(6)，否則轉(zhuǎn)入步驟(7)；

(6) 在L0濾波影像基礎(chǔ)上，以斷裂端點(diǎn)為種子點(diǎn)，運(yùn)用改進(jìn)圓形模板匹配方法跟蹤道路區(qū)域，進(jìn)入步驟(7)；

(7) 輸出道路結(jié)果。

2 實(shí)驗(yàn)結(jié)果分析和算法評(píng)價(jià)

2.1 實(shí)驗(yàn)影像及實(shí)驗(yàn)方法介紹

本文基于VS2013平臺(tái)，采用C++編程語言對(duì)3幅遙感影像進(jìn)行實(shí)驗(yàn)。其中，Pleiades影像大小為632像素×679像素，空間分辨率為0.5 m；2幅高分二號(hào)影像大小均為1 000像素×1 000像素，空間分辨率為0.8 m。本文首先分別利用TALBOT 等方法中“不完整路徑開運(yùn)算”、Appleton等方法中“有效的路徑開運(yùn)算和閉運(yùn)算”以及Schubert等方法中“有效的灰度路徑開運(yùn)算”進(jìn)行路徑開運(yùn)算實(shí)驗(yàn)，闡述斷裂問題和粘連問題。然后在Schubert等方法的結(jié)果中，加入本文的后處理方法，以驗(yàn)證本文方法的有效性。其中，TALBOT 等方法提供了該方法的C++代碼，Schubert等方法提供了Schubert等方法和Appleton等方法的C++代碼，因而對(duì)比實(shí)驗(yàn)結(jié)果是可信的。

2.2 實(shí)驗(yàn)一

實(shí)驗(yàn)一選取Pleiades拍攝的農(nóng)村遙感影像。該影像中道路與居民區(qū)有一定的粘連，路面有樹木陰影遮擋；一些居民區(qū)呈帶狀分布，灰度值與道路相近，形成了類似道路的結(jié)構(gòu)，對(duì)于道路識(shí)別構(gòu)成很大的干擾。

基于如圖7(b)所示二值圖，3種方法開展的道路提取實(shí)驗(yàn)，結(jié)果分別如圖7(c)、圖7(d)、圖7(e)所示?？梢钥吹?，由于當(dāng)前影像覆蓋區(qū)域比較復(fù)雜，TALBOT 等方法雖然將道路轉(zhuǎn)彎處提取出來，也解決了樹木陰影遮擋對(duì)道路遮擋的問題，但仍然存在很多粘連，右側(cè)道路誤提取率較大；而Appleton等方法在道路轉(zhuǎn)彎區(qū)域提取效果不佳，并且將成排的房屋視為道路；而Schubert等方法提取道路結(jié)果精度較高，不僅能夠提取出彎曲的道路并且誤提取率低，但依然存在非道路與道路粘連問題和道路斷裂問題。因此本文以Schubert等方法為基礎(chǔ)，實(shí)驗(yàn)證明是可行的。如圖7(f)所示，依據(jù)本文提出的削減粘連方法，經(jīng)過一系列形態(tài)學(xué)與路徑開運(yùn)算相結(jié)合的操作(圖8)，削減了大部分的粘連區(qū)域，仍有一些粘連由于連接處較寬而無法削減，并且產(chǎn)生了一個(gè)新的道路斷裂(圖8(c)左下)。如圖7(g)斷裂處放大顯示，改進(jìn)圓形模板跟蹤的道路中心線與實(shí)際道路中心線基本吻合。最后用道路中心線將斷裂處連接起來即可得到該影像的道路網(wǎng)(圖7(h))。

圖7 Pleiades影像實(shí)驗(yàn)

圖8 削減粘連

2.3 實(shí)驗(yàn)二

實(shí)驗(yàn)二選取高分二號(hào)城區(qū)遙感影像。高大建筑物產(chǎn)生的陰影將影像上的路面區(qū)域截為兩段(圖9(a)下部)，因而道路內(nèi)部光譜信息呈現(xiàn)出不一致的現(xiàn)象。同時(shí)由于道路上存在大量的車輛，以及較多的人行橫道信息，這均會(huì)導(dǎo)致二值圖中出現(xiàn)孔洞。并且右下角橫向道路兩側(cè)存在與道路灰度相近的植物以及部分低矮建筑的陰影，這將會(huì)造成道路與非道路的粘連。

圖9 高分二號(hào)影像實(shí)驗(yàn)

采用灰度形態(tài)學(xué)對(duì)圖像預(yù)處理，采用Otsu方法對(duì)影像進(jìn)行二值化處理，采用3種方法進(jìn)行路徑開運(yùn)算，其結(jié)果分別如圖9(c)、圖9(d)、圖9(e)所示。由于該影像道路結(jié)構(gòu)比較簡單，3種路徑開運(yùn)算方法提取道路的完整性很高，但是提取質(zhì)量各不相同。其中，TALBOT 等方法在能夠較好地提取部分道路，但誤提取率很高。Appleton等方法由于其結(jié)構(gòu)元比較適合提取直線，其誤提取率最低，但完整性略低(圖9(d)下部道路缺失)。Schubert等方法誤提取率介于其他2種方法之間，完整性較好。對(duì)Schubert等方法的結(jié)果進(jìn)行削減粘連后，發(fā)現(xiàn)路面仍存在空洞，用二值形態(tài)學(xué)閉運(yùn)算對(duì)空洞進(jìn)行填補(bǔ)，并通過圓形模板匹配跟蹤方法對(duì)道路斷裂處進(jìn)行連接，得到道路提取結(jié)果(圖9(f))。

2.4 實(shí)驗(yàn)三

實(shí)驗(yàn)三選取高分二號(hào)城市郊區(qū)遙感影像。對(duì)影像的目視分析可以發(fā)現(xiàn)，場景中存在的建筑物陰影會(huì)造成道路線斷裂，一些道路兩側(cè)界線不清晰可能會(huì)造成道路與非道路的粘連。

采用Otsu方法對(duì)影像進(jìn)行二值化處理后，如圖10(b)可以發(fā)現(xiàn)道路邊緣比較規(guī)整，橫向部分的道路雖然曲率較小，但斷裂情況依然非常明顯。3種路徑開運(yùn)算提取結(jié)果分別如圖10(c)、圖10(d)、圖10(e)所示。其中，TALBOT 等方法雖對(duì)斷裂問題有所改善，但誤提取較高并且粘連問題較嚴(yán)重；Appleton等方法和Schubert等方法完整性相似，但Schubert等方法的粘連較少。如圖10(f)所示，針對(duì)道路三岔口處的斷裂問題，利用本文的方法，不僅能夠道路粘連處進(jìn)行削減，同時(shí)能夠解決由陰影導(dǎo)致的道路斷裂問題，并如圖10(f)所示由此得到完整的道路提取結(jié)果。

圖10 高分二號(hào)影像實(shí)驗(yàn)

2.5 算法的精度和效率評(píng)價(jià)

本文利用文獻(xiàn)[12]提出的完整性(complete percent，CP)、正確率(correct percent，CR)、提取質(zhì)量(quality percentage，QL)3個(gè)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行量化分析評(píng)判，3個(gè)指標(biāo)的計(jì)算方法如下所示。

(9)

(10)

(11)

式中：TP表示匹配的道路長度；FP表示未匹配的提取道路的長度；TN表示匹配的參考實(shí)際道路長度；FN表示未匹配的實(shí)際道路長度。本文通過統(tǒng)計(jì)結(jié)果中各部分對(duì)應(yīng)的像素的個(gè)數(shù)，根據(jù)公式(9)、公式(10)、公式(11)，得到各類方法的精度統(tǒng)計(jì)如表1所示。

表1 不同方法精度統(tǒng)計(jì)表

由表1可以看出，Appleton等方法由于其采用的結(jié)構(gòu)元數(shù)量較少(4個(gè))，因而運(yùn)行速度較快，但提取的完整性不高。Schubert等方法和TALBOT 等方法包含較多方向的結(jié)構(gòu)元(8個(gè))，因而提取道路的完整性較高，效率較低。另外，TALBOT 等方法還包含對(duì)道路斷裂問題的改善，因此運(yùn)行速度最低，完整度最高但出現(xiàn)很多的誤提取問題。本文所用的Schubert等方法相較于Appleton等方法，優(yōu)勢在于可提取彎曲的道路并且道路提取完整性較好；相較于TALBOT 等方法，優(yōu)勢在于誤提取率較低、運(yùn)行速度快。而本文方法在Schubert等方法基礎(chǔ)上進(jìn)行改進(jìn)，后處理結(jié)果的完整性、正確率和提取質(zhì)量均表現(xiàn)良好。本文方法主要涉及3個(gè)步驟，分別是路徑開運(yùn)算、削減粘連和連接斷裂。其中路徑開運(yùn)算方法效率與二值圖像的像素?cái)?shù)和結(jié)構(gòu)元的數(shù)量有關(guān)。削減粘連過程效率取決于形態(tài)學(xué)運(yùn)算和路徑開運(yùn)算的方法效率。連接斷裂方法效率與斷裂區(qū)域的灰度穩(wěn)定程度有關(guān)。從整體來看，本文提出的改進(jìn)步驟速度均控制在1 s之內(nèi)，效率較高。

3 結(jié)束語

本文首先對(duì)基于路徑開運(yùn)算的高分辨率道路提取結(jié)果存在的問題進(jìn)行分析探討；然后提出削減道路粘連的處理策略以及解決道路斷裂問題的改進(jìn)圓形模板跟蹤方法；最后選用3幅有典型意義的影像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明本文方法對(duì)于解決道路粘連問題和道路斷裂問題有較好的效果。但本文方法也有不足之處，即需要人工設(shè)定路徑開運(yùn)算閾值L，這也是路徑開運(yùn)算難以避免的問題。因此如何改進(jìn)路徑開運(yùn)算方法，自適應(yīng)設(shè)定閾值L，這將是未來研究的重點(diǎn)。