韋春桃，何蔚

(重慶交通大學 重慶智慧城市學院，重慶 400074)

0 引言

道路信息的提取與不斷更新對于現(xiàn)代城市的發(fā)展具有重要意義。如今，基于遙感圖像，尤其是高分辨率遙感圖像的道路數(shù)據(jù)庫已經(jīng)廣泛應用于車輛導航、城市規(guī)劃等方面。

遙感影像道路提取方法主要可分為模板匹配、知識驅(qū)動、面向?qū)ο蠛蜕疃葘W習四類[1]。連仁包等[2]提出了一種自適應圓形模板，結(jié)合形態(tài)學梯度圖自動設定模板尺寸，利用道路顯著圖和幾何形狀信息搜索道路中心點。潘勵等[3]發(fā)明了一種多層次知識驅(qū)動的全色遙感影像的道路變化信息提取方法，根據(jù)人的感知快速檢測出道路的變化，將結(jié)果提供給用戶，增強了地圖修測的自動化程度。胡建青[4]基于易康軟件，利用面向?qū)ο蟮姆椒ǎ瑢崿F(xiàn)了對高分辨率遙感影像中的城市和鄉(xiāng)村道路信息提取。戴激光等[5]針對神經(jīng)網(wǎng)絡訓練存在分辨率降低和梯度消失，導致道路提取結(jié)果誤提取率高和斷裂問題，提出了一種基于多尺度卷積神經(jīng)網(wǎng)絡的遙感影像道路提取方法。

筆畫寬度變換(stroke width transform，SWT)是Epshtein等[6]提出的一種用于自然圖像文本檢測的算法，它通過提取出具有一致寬度的帶狀目標來實現(xiàn)，因此也可以用于提取遙感圖像中的帶狀地物。張霞等[7]考慮到SWT算法受周圍地物影響較大的缺陷，提出了先將高分遙感圖像通過均值漂移算法進行分割，再進行筆畫寬度變換的框架，達到完整提取道路信息的目的。張祝鴻等[8]通過結(jié)合筆畫寬度圖與目標的幾何特征，將高分二號近紅外波段中的河流信息提取出來，較好地抑制了噪聲。

陸地移動距離(earth mover’s distance，EMD)是Rubner等[9]提出的，從運輸問題演化而來，是一種度量相似性的方法，可實現(xiàn)多種信息間的有效匹配[10]，對于遙感圖像中的目標可以用作異質(zhì)性分析。李建磊[11]利用EMD計算不同時相影像對象之間的顏色和邊緣直線距離，為像斑的變化檢測結(jié)果提供依據(jù)。Zhang等[12]提出了一個基于BOF模型的高分辨率遙感圖像分類框架，通過EMD進行直方圖匹配。

考慮到利用筆畫寬度變換提取道路效果仍有待改進，本文提出了一種可自動求取最優(yōu)閾值的筆畫寬度變換方法，以優(yōu)化道路的初步提取結(jié)果，并結(jié)合EMD進行多特征融合分析，對該方法進一步優(yōu)化。

1 道路提取完整方法

首先，利用改進后的SWT初步提取有一定噪聲的筆畫寬度圖，并確定道路參考區(qū)域；然后，利用連通區(qū)作為索引，通過計算光譜、紋理融合后的EMD值，分析道路參考區(qū)域與其他區(qū)域之間的特征相似度，設定合理的閾值過濾噪聲，保留新的道路區(qū)域；最后，進行形態(tài)學后處理得到最終提取結(jié)果。總體技術(shù)流程如圖1所示。

圖1 道路提取流程

1.1 基于最優(yōu)閾值的SWT

圖2為整個SWT的主要過程。

圖2 SWT過程

其步驟如下。

步驟1：利用Canny算子對灰度圖像進行邊緣檢測，計算邊緣圖中每個邊緣點的梯度值，得到梯度圖。

步驟3：計算每個ray的長度，即ray上兩個像素間的歐氏距離，并將該值分配給這個ray上的所有像素。該操作需另外建立一幅筆畫寬度圖像，并預先初始化(一般設為無窮大)所有像素值。

圖3為高分影像中某段道路局部，在設定的不同最大筆畫值作為閾值時獲取的筆畫寬度圖。對于無閾值的筆畫寬度變換，其結(jié)果依賴邊緣檢測，邊緣點之間的連接長度沒有限制，導致提取結(jié)果脫離了提取目標，出現(xiàn)了如圖3(b)中紅圈標記的大量長度過大的筆畫，這對后續(xù)過濾噪聲會有不利影響。但是，隨意設定閾值同樣無法得到最優(yōu)粗提取結(jié)果。當閾值設置過小，會出現(xiàn)圖3(c)中紅圈標記的道路斷裂情況，無法完整提取出來；當閾值設置過大，又會出現(xiàn)如圖3(d)中紅圈標記的多余筆畫噪聲；圖3(e)為閾值合適時的SWT初步提取結(jié)果。

綜上，有必要設計一個求取最佳閾值的方法，使得筆畫寬度圖為最優(yōu)提取結(jié)果，為后續(xù)的精提取奠定基礎。

圖3 不同寬度閾值下的筆畫寬度圖

圖4 道路參考區(qū)提取方法

自動求取最優(yōu)閾值的具體步驟如下。

步驟1：在無閾值的情況下進行筆畫寬度變換，得到具有最多噪聲的筆畫寬度圖。以圖3(b)為例，對該圖進行連通區(qū)標記，圖4(a)中每個紅色矩形框內(nèi)表示一個連通區(qū)。

步驟2：對筆畫寬度圖進行統(tǒng)計，并確定其峰值對應的筆畫寬度，如圖4(b)所示。通過圖4(c)得到其峰值處筆畫寬度占比最大的連通區(qū)，并將該區(qū)域作為道路參考區(qū)域，如圖4(d)所示。

步驟3：以道路參考區(qū)作為對象，不斷初始其最大筆畫寬度值并計算其連通區(qū)域數(shù)量，以連通區(qū)域數(shù)量N發(fā)生改變(8鄰域)作為道路斷裂的判斷依據(jù)，視其為迭代終止條件，輸出此時的最大筆畫寬度M，即最優(yōu)閾值。

求取閾值流程圖如圖5所示。

圖5 最優(yōu)閾值確定方法

1.2 EMD

在進行SWT初步提取后，通過1.1節(jié)中的方法對該結(jié)果再次標記連通區(qū)并確定道路參考區(qū)域。通過計算特征距離，反映道路參考區(qū)與其他區(qū)域之間的特征相似度(圖6)，從而確定新的道路區(qū)域以及噪聲(非道路)區(qū)域。

圖6 特征相似度示意圖

EMD作為用來計算特征相似度而存在的特征距離，相比于范式距離(如曼哈頓距離和歐氏距離)，可以更準確地量化直方圖元組之間的相似性。設現(xiàn)在需要求直方圖P={(p1，wp1)，…，(pm，wpm)}和Q={(q1，wq1)，…，(qn，wqn)}之間的相似度，其中pi和qj分別表示兩個直方圖不同的數(shù)值，wpi和wqj則分別表示它們所占的權(quán)重，則可以先求得一個距離矩陣，如式(1)所示。

D=[dij]

(1)

式中：dij表示P、Q中任意兩項pi和qj之間的代價(距離)。

此時，從P轉(zhuǎn)化為Q的工作量可以用WEMD表示(式(2))。

(2)

F=[fij]

(3)

式中：fij表示從pi到qj的權(quán)重流動量。EMD的本質(zhì)就是找到一個最佳F，使得WEMD最小，它的實質(zhì)是一個線性規(guī)劃問題，如圖7所示。對于以上公式有以下四個需要注意的限制條件。

1)fij不能小于0，即fij≥0。

圖7 EMD示意圖

1.3 基于直方圖提取光譜、紋理特征

在進行特征相似度比較前，需先提取出適用于后續(xù)基于EMD識別道路目標的特征，本文選擇通過光譜、紋理直方圖特征進行表達。

光譜特征的表達對于遙感影像不同地物的識別有較大影響，顏色直方圖一定程度上能反映地物光譜信息的分布情況，因此可作為光譜特征進行提取[13]。本文選擇在HSV顏色空間中提取直方圖，該空間顏色分為H、S、V三個分量(色調(diào)、飽和度、明度)，相對于常用的RGB顏色空間，它的色相和飽和度接近于人類的視覺系統(tǒng)。這里將遙感影像的H、S、V三個分量提取出來進行量化，通過構(gòu)造HSV累計顏色直方圖表達影像光譜特征。

紋理特征主要用來描述地表的空間分布狀態(tài)和粗糙程度，同樣也是判別遙感圖像中地物的重要標志[14]。局部二值模式(local binary pattern，LBP)[15]是一種用來描述圖像局部紋理特征的算子，通過比較中心像元與鄰域像元的灰度值表達紋理，計算簡單，能夠清晰表達紋理。通過對獲取的LBP圖譜進行直方圖統(tǒng)計，可得到影像的LBP紋理特征。圖8為3×3窗口的LBP值計算示例。其中，pi和pc分別表示鄰域像素值和中心像素值，T的取值由pi與pc的差值確定。其主要原理是確定一個中心像素，比較一定窗口內(nèi)相鄰像素與中心像素的大小，灰度值大于中心像素的設為1，否則為0。

圖8 3×3窗口LBP計算示例

Ojala等[16]又提出了一種旋轉(zhuǎn)不變均勻的LBP算子，它相對于傳統(tǒng)的LBP算子包含了更多的局部紋理特征，并且減輕了由圖像旋轉(zhuǎn)引起的LBP值改變，此處采用改進的LBP算子提高去噪的精度。

1.4 基于多特征融合EMD去噪

(4)

(5)

(6)

(7)

式中：φ1和φ0分別表示判定為保留區(qū)域(道路)和刪除區(qū)域(噪聲)。

1.5 形態(tài)學后處理

根據(jù)EMD 分析去噪后可去除掉大部分非道路區(qū)域，完整保留道路區(qū)域。將此時的道路提取結(jié)果轉(zhuǎn)為二值圖像，在不損壞提取出的道路信息情況下，通過形態(tài)學后處理可去除剩余的前文方法無法識別的其他噪聲，針對道路區(qū)域也可以有效去除其毛刺并且填充孔洞部分，達到優(yōu)化其最終成果的目的。具體的形態(tài)學操作如圖9 所示，采用邊長為3 的方形結(jié)構(gòu)元。

圖9 形態(tài)學后處理

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)及參數(shù)設置

實驗使用分辨率為0.8 m的高分二號影像。獲得多幅不同場景影像，道路的分布、形態(tài)也有所不同，如圖10(a)～圖10(e)所示。其中，道路1(359像素×361像素)為山區(qū)道路，其光譜屬性明顯區(qū)別于背景，亮度較高，彎曲程度較大，但周圍有較多與其光譜特征相似的細小巖石；道路2(444像素×392像素)、道路3(788像素×387像素)為耕地間道路，相對其他場景道路較窄，且與耕地的紋理分布有一定相似性；道路4(251像素×210像素)為廠區(qū)道路，其周圍地物相對較多，有些許建筑物稀疏分布，紋理相對道路1、2、3復雜，但道路與其他地物的特征差別較大；道路5(244像素×252像素)為住宅區(qū)道路，房屋分布密集，其他地物大多與道路相連，且與道路間有相似度較高的紋理及光譜特征，因此其提取道路難度較高。

圖10 道路原始影像

由于實現(xiàn)本文方法及對比方法的實驗需要，確定了 1.1節(jié)中改進SWT自動求取的閾值參數(shù)M，并人工設定了1.4節(jié)中基于多特征EMD去噪的閾值參數(shù)λ，具體數(shù)值如表1所示。其中，通過改進SWT操作后的各道路筆畫寬度如圖11所示。

表1 道路提取參數(shù)

圖11 基于改進SWT的筆畫寬度圖

2.2 本文方法實驗結(jié)果與分析

在默認都使用形態(tài)學后處理的情況下，使用本文方法與僅使用SWT提取道路的結(jié)果對比如圖12所示。由圖12(a1)～圖12(e1)可以看出，SWT算法可以較為完整地提取道路信息，但同時也提取出了與道路一樣寬度變化小的其他地物。對于如道路2和道路3的田間道路，有明顯與道路幾何特征類似的區(qū)域被同時提??；對于道路4和道路5，容易提取出排列、形狀較為規(guī)律的房屋。由圖12(a2)～圖12(e2)可以看出，本文方法在完整提取道路信息的同時，也結(jié)合紋理和光譜特征，濾除了其他通過SWT提取出的多余區(qū)域，說明本文方法不僅成功將SWT運用在提取道路方面，還彌補了SWT無法高準確性提取道路的不足。

圖12 SWT與本文方法提取結(jié)果

實驗采用Bowyer等[17]提出的道路提取精度評價方法，對本文與其對比的其他方法進行定量評估。評估標準包括提取出道路的完整率Cp、準確率Cr、提取質(zhì)量Ql三項。

表2 SWT與本文方法的提取精度對比 %

對于SWT與本文方法精度定量評估結(jié)果如表2所示。由表2可以看出，本文方法提取道路的完整率都要稍低于SWT，但都控制在3%以內(nèi)，對于提取難度較小的道路1，提取完整率可達到97.507%，對于提取難度較大的道路4、5，提取完整率也高于85%。但SWT方法提取道路的準確率卻遠小于本文方法，尤其在住宅區(qū)道路5的準確率只有44.068%，而使用本文方法道路1、2、3、4則保持準確率在90%以上，道路5的提取準確率也能達到72.228%，因此本文方法的提取質(zhì)量均要高于SWT方法。

2.3 對比方法實驗結(jié)果與分析

實驗選擇使用文獻[7]中提到的將中值濾波、均值漂移算法與SWT相結(jié)合的方法，以及利用巴特沃斯高通濾波[18]圖像增強的方法，與本文方法提取道路的結(jié)果進行比較，提取結(jié)果如圖13所示。

對比圖13與圖12可以看出，文獻[7]和文獻[18]相對于SWT都能夠更少提取出非道路區(qū)域，兩種方法的提取結(jié)果都存在少許的多余地物，但文獻[18]由于可以突出圖像中模糊的邊緣輪廓，使線條變得清晰，因此明顯比文獻[7]保留了更多的道路信息，文獻[7]針對SWT受Canny邊緣檢測結(jié)果影響較大的局限性，加入中值濾波及均值漂移分割算法，減少了大量非道路的細碎區(qū)域。相比之下，本文方法與文獻[18]一樣也保留了大量的道路信息，但其不僅減少了多余的細碎區(qū)域，也刪除了大面積的其他地物，尤其體現(xiàn)在道路3及道路4的提取結(jié)果。

圖13 文獻[7]和文獻[18]提取結(jié)果

文獻[7]和文獻[18]方法提取結(jié)果精度定量評價結(jié)果如表3所示。對比表2和表3可以看出，對于輪廓清晰，與背景光譜及紋理差異較大的道路1，本文方法與對比方法的提取完整率都可以達到96%以上；對于其他道路，文獻[18]與本文方法的提取完整率相差不多，但文獻[7]相對較低。除道路3以外，文獻[7]的提取準確率均高于文獻[18]，但兩種對比方法對道路2、3、4、5的提取準確率均小于85%，遠低于本文方法。使用文獻[7]方法提取道路4、5，提取質(zhì)量僅為58.639%、54.864%；使用文獻[18]方法提取道路5，提取質(zhì)量僅為55.533%；而對比方法提取道路2、3的提取質(zhì)量均低于75%。綜上，使用本文方法提取道路，可以在保證道路信息完整的同時，大量減小錯提概率，得到質(zhì)量較好的道路區(qū)域。

表3 文獻[7]和文獻[18]高通濾波提取精度對比 %

3 結(jié)束語

本文提出了一種結(jié)合改進后SWT和多特征EMD的道路提取方法。通過實驗結(jié)果的定性與定量分析，本文方法表現(xiàn)出了較好的效果。與深度學習方法相比，此方法的普適性更高，可用于各種不同傳感器的遙感影像及不同場景中道路識別，并且無需大量訓練及測試樣本準備，人工干涉量小。但由于SWT的效果本身依賴邊緣檢測結(jié)果，因此在應用于城區(qū)、住宅區(qū)等有陰影、遮擋物且邊緣模糊場景中的道路提取時，精度相對較低，在實驗結(jié)果中也有所體現(xiàn)。另外，考慮到要計算道路參考區(qū)與其他區(qū)域之間特征的EMD值，選用影像場景中的道路材質(zhì)需要一致或者特征相似，因此目前本文方法一定程度上限制了場景大小。實驗中選取的EMD閾值是建立在經(jīng)驗總結(jié)的情況下，后續(xù)研究會找到科學、嚴謹?shù)拇_定閾值方法。