基于高分辨率遙感影像的導(dǎo)航數(shù)據(jù)更新研究

1、 基于高分辨率遙感影像的導(dǎo)航數(shù)據(jù)更新研究馬力1，21.武漢大學(xué)遙感信息工程學(xué)院，武漢，430079，2.國家基礎(chǔ)地理信息中心，北京，100044，摘  要:導(dǎo)航數(shù)據(jù)的及時(shí)更新是導(dǎo)航數(shù)據(jù)應(yīng)用的重要工作之一，然而傳統(tǒng)的野外測量方法費(fèi)時(shí)費(fèi)力。本文針對(duì)植被物理隔離帶的更新，提出了一種集成高分辨率遙感影像和國家基礎(chǔ)地形數(shù)據(jù)庫的方法。該方法首先利用地形數(shù)據(jù)庫中的道路信息選取相應(yīng)的影像區(qū)域，然后采用Burns算法提取方向邊緣片段。由于植被類型的物理隔離帶可以看作是由兩條反方向邊緣組成的平行直線對(duì)，繼而采用霍夫變換提取平行直線邊緣，最后對(duì)檢測出的物理隔離帶進(jìn)行驗(yàn)證。文中實(shí)驗(yàn)展現(xiàn)了該方法的可用性。關(guān)鍵

2、詞：更新；導(dǎo)航；GIS；遙感1引言GIS-T是地理信息系統(tǒng)在交通領(lǐng)域的一種應(yīng)用，目前它已成為GIS最重要的應(yīng)用領(lǐng)域之一（Waters，1999）。車輛導(dǎo)航作為當(dāng)前GIS-T最廣泛和成功的應(yīng)用形式，已經(jīng)在發(fā)達(dá)國家產(chǎn)生了巨大的經(jīng)濟(jì)效益，在發(fā)展中國家也有著巨大的市場潛力（Jiang，2002）。建設(shè)導(dǎo)航數(shù)據(jù)庫并且及時(shí)更新對(duì)于導(dǎo)航數(shù)據(jù)的高效利用是一項(xiàng)重要的工作。作為面向社會(huì)提供基礎(chǔ)地理信息以及相關(guān)服務(wù)的單位，國家基礎(chǔ)地理信息中心正致力于建立一個(gè)面向車輛導(dǎo)航的導(dǎo)航地理數(shù)據(jù)庫。為了滿足導(dǎo)航需求，國家基礎(chǔ)地形數(shù)據(jù)庫中與導(dǎo)航相關(guān)的數(shù)據(jù)需要進(jìn)行提升與更新。例如，對(duì)于導(dǎo)航數(shù)據(jù)，被物理隔離帶分割的道路須用并列的兩條

3、或多條道路元素來表示，而基礎(chǔ)地形數(shù)據(jù)庫中的道路數(shù)據(jù)往往僅用一條單線表示。更新這種類型的數(shù)據(jù)多采用野外測量的方式，費(fèi)時(shí)費(fèi)力。高分辨遙感影像則提供了另外一種可能的更新方式，即從高分辨率遙感影像自動(dòng)檢測出這些物理隔離帶。Walter（1999）檢驗(yàn)了自動(dòng)變化檢測方法中不同傳感器的潛力。地理目標(biāo)的提取研究目前還主要集中在道路和建筑物上。關(guān)于地物提取的綜述可參考（Baltsavias，2004）。本文集中于植被物理隔離帶，利用基礎(chǔ)地形數(shù)據(jù)庫，提出了一種從全色 IKONOS影像提取物理隔離帶以更新導(dǎo)航數(shù)據(jù)的方法。本文第二部分介紹了我們的方法，詳細(xì)描述了三個(gè)階段的處理流程。第三部分包含了一些實(shí)驗(yàn)結(jié)

4、果，最后是對(duì)當(dāng)前工作的總結(jié)和展望。2方法物理隔離帶是指用花壇、樹籬等不可移動(dòng)構(gòu)筑物以及水泥墩、欄桿等可移動(dòng)的障礙物來分隔車道的隔離帶。本文的研究集中于由植被構(gòu)建的物理隔離帶。我們把植被物理隔離帶看作是伸長的同質(zhì)區(qū)域，然后從影像中提取隔離帶的兩條平行邊界。處理分為三個(gè)階段：組合邊緣支持區(qū)域、提取平行直線邊緣以及目標(biāo)驗(yàn)證。2.1 模型在高分辨率衛(wèi)星影響上，位于道路中心的植被物理隔離帶具有清晰的特征。它們表現(xiàn)為具有較低灰度的伸長同質(zhì)區(qū)域，并且具有近似平行的邊界。由此我們對(duì)物理隔離帶建立了如下的目標(biāo)模型（圖1），圖1也同時(shí)模擬表示了目標(biāo)在影像上的特征。由于物理隔離帶通常沿道路中心軸分隔道路，基礎(chǔ)地形數(shù)

5、據(jù)庫中的道路數(shù)據(jù)提供了物理隔離帶近似的方向信息和位置信息。因此，我們考慮利用基礎(chǔ)數(shù)據(jù)庫中提供的信息，以確定需要檢測的物理隔離帶所在的搜索空間和方向。2.2 Burns邊緣提取算法我們的方法使用了Burns邊緣提取算法。本節(jié)闡述了Burns直線邊緣提取算法的思想。對(duì)Burns算法詳細(xì)的描述可參考（Burns,1986;Beveridge,1996）.圖1. 植被物理隔離帶模型Burns算法的主要思想是根據(jù)像素的梯度方向?qū)⑺鼈兘M成邊緣支持區(qū)域。直線邊緣提取可分為兩個(gè)基本步驟：將像素組成邊緣支持區(qū)域以及從這些邊緣支持區(qū)域中提取直線邊緣。首先用Roberts掩膜計(jì)算像素梯度的強(qiáng)度和方向，然后將具有相近

6、梯度方向的鄰近像素組成一個(gè)邊緣支持區(qū)域。在這一步中，不同梯度方向的像素被標(biāo)記為不同的區(qū)間，每個(gè)區(qū)間范圍為。每個(gè)像素屬于一個(gè)區(qū)間，位于直線邊緣的像素通常落在同一個(gè)區(qū)間，落在同一個(gè)區(qū)間的鄰近像素連接成一個(gè)邊緣支持區(qū)域。每一個(gè)邊緣支持區(qū)域代表了一個(gè)候選直線邊緣。把方向劃分為固定的區(qū)間會(huì)產(chǎn)生一些問題。例如，如果一條直線邊緣恰好靠近一個(gè)區(qū)間的邊界，那么位于同一直線的像素梯度方向就可能落在不同的區(qū)間里，這條直線邊緣就會(huì)產(chǎn)生斷裂的邊緣支持區(qū)域，也就是說，位于同一直線邊緣的像素產(chǎn)生了不同的候選直線邊緣。為了解決這個(gè)問題，Burns算法采用了重疊分區(qū)的方法（圖2）。劃分兩個(gè)分區(qū)，兩種分區(qū)間旋轉(zhuǎn)了，即兩個(gè)分區(qū)有的

7、重疊。這樣每個(gè)像素被標(biāo)記了兩種區(qū)間，在每種區(qū)間都是一個(gè)邊緣支持區(qū)域的成員。Burns算法接著采用一種投票策略來選取正確的邊緣支持區(qū)域（Burns，1986）。在我們的方法中，根據(jù)Burns算法的思想，我們將具有相似梯度方向的像素組合起來：將位于直線方向的像素組合成一個(gè)邊緣支持區(qū)域以避免邊緣支持區(qū)域的斷裂。為了從這些區(qū)域中提取出直線，我們?cè)谙乱徊街胁捎昧嘶舴蜃儞Q。圖2. 梯度方向劃分2.3 策略我們的方法包含了三個(gè)步驟：組合邊緣支持區(qū)域、提取平行直線邊緣以及目標(biāo)區(qū)域驗(yàn)證?；A(chǔ)數(shù)據(jù)庫中的道路信息為檢測物理隔離帶提供了豐富的信息：它提供了關(guān)于隔離帶位置和方向的先驗(yàn)信息。組合邊緣支持區(qū)域：利用了上面提

8、到的Burns算法。首先建立一個(gè)足夠?qū)挼牡缆肪彌_區(qū)來定義影像上的興趣區(qū)域。其次，用卷積模版計(jì)算每個(gè)像素的強(qiáng)度和方向。由于Roberts模版是非對(duì)稱的模版，并且不能檢測45度倍數(shù)方向的邊緣（Gonzalez，2005），我們使用了Prewitt模版。接下來我們將標(biāo)記具有相似方向的像素以組成邊緣支持區(qū)域。道路方向信息提供了一些有用的先驗(yàn)信息，這樣就無須對(duì)整個(gè)象限的像素進(jìn)行組合。我們利用基礎(chǔ)數(shù)據(jù)中的道路信息計(jì)算出道路方向。由于物理隔離帶的方向通常平行于道路方向，在Burns算法中，我們選取作為物理隔離帶的方向，而位于隔離帶邊界的像素梯度方向幾乎與隔離帶方向垂直，因此我們?cè)谙乱徊竭x取了梯度方向垂直于隔

9、離帶方向的鄰近像素。由于植被物理隔離帶在兩條平行邊界上灰度變化的方向相反，因此對(duì)于兩條平行邊界來說，它們邊緣的梯度方向相差。這些選取出的像素繼而被組合為一些小區(qū)域。這些小區(qū)域組合在一起就構(gòu)成了一個(gè)邊緣支持區(qū)域。在這個(gè)邊緣支持區(qū)域里包含了我們需要提取的直線邊緣，下一步我們用霍夫變換提取平行直線邊緣。 檢測平行直線邊緣：我們用霍夫變換（Hough,1962）從邊緣支持區(qū)域中提取平行直線邊緣。霍夫變換是一種用于檢測影像中特定形狀特征的全局方法。x-y平面上的一條直線也可以在參數(shù)空間中用方程表示：         

10、;                   (1)，是像素坐標(biāo)，是相對(duì)X軸的方向，是垂線長度。將參數(shù)空間劃分成累計(jì)單元，x-y平面上的每個(gè)像素在空間中對(duì)應(yīng)著一個(gè)正弦函數(shù)。具有最大累計(jì)數(shù)的累計(jì)單元就對(duì)應(yīng)著x-y平面上的一條直線。為了檢測出植被物理隔離帶的平行直線邊緣，我們利用了基礎(chǔ)數(shù)據(jù)庫的一些信息：一方面，兩條平行邊緣具有相同的方向。另一方面，邊緣方向在第一步里被定義為的范圍中。因此在將邊緣像素從x-y平面轉(zhuǎn)換到空間中時(shí)，

11、無須在整個(gè)范圍內(nèi)計(jì)算累計(jì)值。道路長度也是有用信息，這是因?yàn)樵谶吘壷С謪^(qū)域里，許多像素是位于物理隔離帶的邊界上，物理隔離帶越長，在空間中累計(jì)的邊緣像素越多。通常，物理隔離帶的長度與道路長度近似。對(duì)于1米分辨率的IKONOS影像，我們定義1/3的道路長度作為直線邊緣的最小累計(jì)數(shù)。如果存在植被物理隔離帶，那么在這一步中將提取出兩條平行直線邊緣。下一步驗(yàn)證由平行邊緣組成的區(qū)域是否為植被物理隔離帶。 驗(yàn)證檢測區(qū)域：用兩個(gè)限制條件對(duì)提取出的區(qū)域進(jìn)行驗(yàn)證。第一個(gè)限制條件是灰度條件。上面提到，由植被組成的物理隔離帶表現(xiàn)為由較低灰度值組成的同質(zhì)區(qū)域，因此，隔離帶區(qū)域的平均灰度值應(yīng)低于其周圍的環(huán)境。此外，對(duì)于同質(zhì)

12、區(qū)域，其灰度值的標(biāo)準(zhǔn)方差相對(duì)較小。第二個(gè)限制條件是幾何條件。植被物理隔離帶的寬度一般在2-10米之間，檢測出的兩條平行直線邊緣間的距離也因此用作驗(yàn)證條件。3. 實(shí)驗(yàn)與結(jié)果我們用實(shí)驗(yàn)測試了本文提出的方法?？衫玫挠跋駭?shù)據(jù)為1米分辨率IKONOS正射影像。研究區(qū)域位于北京市西四環(huán)?；A(chǔ)地形數(shù)據(jù)庫中包含的道路數(shù)據(jù)集具有坐標(biāo)信息和名稱屬性，我們也據(jù)此從影像上選取提取物理隔離帶的興趣區(qū)域。我們測試了三種類型的道路。圖3演示了第一個(gè)例子。在道路中央有一條植被物理隔離帶。圖3（a）中的白色直線對(duì)應(yīng)的是基礎(chǔ)數(shù)據(jù)庫中的道路信息。圖3（b）是用我們的方法得到的結(jié)果。可以看到，沿著植被物理隔離帶的邊界，兩條平行直線

13、邊緣被成功提取出來。由這兩條邊緣組成的區(qū)域相比鄰近區(qū)域具有較低的灰度值。兩條邊緣間的寬度為5m。圖4演示了第二個(gè)例子。在相應(yīng)的區(qū)域并沒有隔離帶存在。我們的方法也沒有提取出任何平行直線邊緣。這個(gè)結(jié)果也展現(xiàn)了利用基礎(chǔ)數(shù)據(jù)庫中信息作為先驗(yàn)信息的好處?；舴蜃儞Q可以產(chǎn)生各種方向直線邊緣的選擇。道路的方向和道路的長度在限定邊緣檢測上起了重要的作用。圖5是第三個(gè)例子。同樣沒有植被物理隔離帶存在。我們?cè)趯?shí)驗(yàn)中也提取出了兩條平行直線邊緣。然而提取出的邊緣組成的區(qū)域亮于周邊區(qū)域，且兩條邊緣距離過小，在驗(yàn)證階段被否定為植被物理隔離帶。通過觀察相應(yīng)的區(qū)域，提取出的邊緣為道路標(biāo)志。4結(jié)論本文針對(duì)導(dǎo)航數(shù)據(jù)中物理隔離帶的更

14、新問題，提出了一種集成高分辨率遙感影像和國家基礎(chǔ)地形數(shù)據(jù)庫的方法。這種方法分為三個(gè)步驟，第一步，根據(jù)像素的梯度方向，利用Burns算法將像素組合為邊緣支持區(qū)域。第二步，從邊緣支持區(qū)域中提取直線邊緣。最后對(duì)提取出的區(qū)域進(jìn)行驗(yàn)證。本文實(shí)驗(yàn)展現(xiàn)了該方法在檢測植被物理隔離帶上的可用性，為減輕野外工作量提供了一種可選方法?；A(chǔ)GIS數(shù)據(jù)在該法中提供了重要的先驗(yàn)信息。本文的研究工作主要集中于植被類型的物理隔離帶上。下一步研究應(yīng)包含其他類型的物理隔離帶，如由欄桿等組成的物理隔離帶，以及用雙黃道、雙白道等形式限定車道的法定隔離帶。進(jìn)一步的研究還應(yīng)包括從影像中提取交通流信息。參考文獻(xiàn)1.  

15、        Baltsavias, E.P., 2004. Object extraction and revision by image analysis using existing geodata and knowledge: current status and steps toward operational systems. ISPRS Journal of Photogrammetry & Remote Sensing, 58, pp. 129 151.2.   

16、60;      Beveridge, J.R., Graves, C., Lesher, C., 1996. Some lessons learned from coding the Burns line extraction algorithm in the DARPA image understanding environment. Report CS-96-125, Computer Science Department of Colorado State University, USA.3.   

17、0;      Burns, J.B., Hanson, A.R., Riseman, E.M., 1986. Extracting straight lines. IEEE Trans.on Pattern Analysis and Machine Intelligence, PAMI-8(4), pp.425-455.4.          Gonzalez, R.C., Woods, R.R., Eddins, S.L., 2005. Digital

18、 Image Processing Using MATLAB, Prentice Hall, China, pp.3895.          6.          Jiang, J., Gang, H., Chen, J., 2002. Modeling turning restrictions in traffic network for vehicle navigation system. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. (34), Part 4, pp. 106-110.7.          Walter, V., 1999. Automated GIS data collection an