基于高分辨率遙感影像的道路半自動(dòng)提取方法研究_圖文

1、第5卷第4集 V01.5,No.4圣塑§生!Q旦熬主型繪皇魚堡筮丕廑旦盟塞速金途塞塞 Q!:!塑! 基于高分辨率遙感影像的道路半自動(dòng)提取方法研究 董明(北京市測(cè)繪設(shè)計(jì)研究院,北京市海淀區(qū)羊坊店路15號(hào)。100038摘要:本文研究了從高分辨率遙感影像中半自動(dòng)提取道路的方法。在研究LsBSnake模型的基礎(chǔ)上, 提出了自動(dòng)賦初值的LSBSnal【e模型:首先人工輸入少量種子點(diǎn)。然后采用自適應(yīng)模板匹配法自動(dòng)獲取道路 的寬度、亮暗等信息和加密的種子點(diǎn),最后以此作為LsBS衄ke模型的初值進(jìn)行道路提取。對(duì)IKON0s和 QllickBird影像中道路提取的試驗(yàn)表明:本文提出的方法比LSBSmk

2、e模型更加穩(wěn)健,自動(dòng)化程度更高,它在 很大程度上可以克服陰影遮擋,在抗干擾方面比LsBSnal【e模型具有更加優(yōu)越的性能,可以有效地從高分辨 率遙感影像中提取道路。關(guān)鍵詞:道路提取,LsBSnal【e模型,高分辨率,遙感影像,半自動(dòng)1引言從遙感影像中提取地物是當(dāng)前遙感圖象處理領(lǐng)域中的一個(gè)研究熱點(diǎn),而道路的測(cè)圖也是 地形測(cè)圖中最重要的工作之一。從20世紀(jì)70年代至今,在道路自動(dòng)提取方面已有大量的研 究,但受圖像理解水平的制約,自動(dòng)提取存在相當(dāng)部分的錯(cuò)誤。由于自動(dòng)提取的方法還不成 熟,本文從減輕全人工提取的工作量角度出發(fā),提出自動(dòng)賦初值的LsBsnake模型,采用半 自動(dòng)方法提取高分辨率遙感影像上

3、道路。2方法原理道路為典型的線狀地物,其特征可歸納為灰度、幾何、拓?fù)洹⒐δ芤约瓣P(guān)聯(lián)和上下文約 束等。其中灰度是最重要的特征。道路的灰度特征表示為:在垂直于道路的方向上,道路的 邊緣與中間具有一定亮度對(duì)比度的線特征。根據(jù)灰度特征可以生成剖面灰度模板。本文利用 剖面灰度模板對(duì)道路影像進(jìn)行匹配,首先提出自適應(yīng)模板匹配法,設(shè)計(jì)一系列不同寬度的剖 面灰度模板,對(duì)遙感影像上的道路進(jìn)行匹配;然后將自適應(yīng)模板匹配的結(jié)果導(dǎo)入LSB Snal【e模型,作為自動(dòng)賦初值的LsBSnake模型的初值對(duì)道路進(jìn)行半自動(dòng)提取。流程如圖l所 示:2.1自適應(yīng)模板匹配法在模板匹配之前,首先人工輸入若干少量用于道路半匹配的初始種子

4、點(diǎn),然后根據(jù)道路 的線狀特征,采用道路剖面灰度模板沿著垂直于種子點(diǎn)連線方向進(jìn)行匹配。蔓±墨 董塑;羞王匿繼蔓堡墮受籃笪重照圭自堂墼直萱鯉基 :!豎:p飄廠磊磊盍習(xí) I自適應(yīng)模板匹配法I.:I ! . .一自動(dòng)賦初值的 LsB-snak嗾型j一 /道路提取結(jié)果/圖1道路提取方法流程圖假設(shè)遙感影像中的道路具有理想的帶狀灰度特征,則圖2表達(dá)了道路剖面灰度模板,其 中圖2a是道路比周圍地物亮(即:亮帶的情形,圖2b是道路比周圍地物暗(即:暗帶的 情形。在實(shí)際的遙感影像中,道路兩側(cè)的邊緣灰度常常不具有理想的特征,而是“屋脊”狀 特征,如圖3所示。圖3a是亮帶特征,圖3b是暗帶特征。本文采用即采

5、用“屋脊”狀的道路 剖面灰度模板進(jìn)行自適應(yīng)模板匹配。a道路為亮帶b道路為暗帶圖2理想道路模板 a道路為亮帶b道路為暗帶圖3實(shí)際道路模板 妻 室:!暨:鏨主型繪量垡墨蕉壟廑旦盟邀煎金鯊塞苤 箜主鲞 “屋脊”狀特征模板與影像中“亮”的道路匹配效果較好, “反屋脊”狀特征模板與影 像中“暗”的道路匹配效果較好。因?yàn)榈缆返膶挾任粗?所以設(shè)計(jì)了一系列寬度的模板,寬 度分別為3,5,7,25。將每?jī)蓚€(gè)種子點(diǎn)之間分成若干段,對(duì)每?jī)蓚€(gè)種子點(diǎn)之間沿著與種 子點(diǎn)連線垂直的方向,采用上述不同寬度的模板與影像進(jìn)行匹配,利用下式計(jì)算相關(guān)系數(shù): m:雨攀奄望鑒一 【著丟礦L,一:j(善若鼠,2善丟g“,pc一著j(善薈璣

6、+,加2】其中,m,n表示計(jì)算相關(guān)系數(shù)的影像塊行列數(shù),r、c表示搜索區(qū)域的位置,g和g分別表 示模板和影像的灰度。由于相關(guān)系數(shù)是標(biāo)準(zhǔn)化的協(xié)方差函數(shù),因而當(dāng)目標(biāo)影像的灰度和搜索 區(qū)影像的灰度之間存在線性畸變時(shí),仍然能較好的評(píng)價(jià)他們之間的相似程度,可以證明,影 像灰度經(jīng)線性變換后相關(guān)系數(shù)是不變的“1。從匹配結(jié)果中選擇相關(guān)系數(shù)值最大的作為該段的唯一匹配結(jié)果,將該唯一匹配結(jié)果與給 定閾值進(jìn)行比較,大于給定閾值的為有效匹配結(jié)果,從有效匹配結(jié)果中取出最大的若干值作 為采用的匹配結(jié)果,在采用的匹配結(jié)果相應(yīng)的匹配位置上自動(dòng)添加種子點(diǎn),自動(dòng)添加的種子 點(diǎn)與人工輸入的初始種子點(diǎn)共同作為LSBSnake模型的種子點(diǎn)

7、。在完成上述工作后,一方 面,統(tǒng)計(jì)采用的匹配結(jié)果所度應(yīng)的模板,求寬度相同的模板數(shù)量之和,取和最大的模板寬度 最為該條道路的寬度;另一方面,統(tǒng)計(jì)采用的匹配結(jié)果對(duì)應(yīng)的“屋脊”狀和“反屋脊”狀特 征模板出現(xiàn)的頻率,根據(jù)出現(xiàn)頻率大的特征模板確定該條道路的亮暗屬性。2.2自動(dòng)賦初值的LSBS腿ke模型Snake模型口,是能量極小化的樣條,內(nèi)力約束它的形狀,外力引導(dǎo)它的行為,圖像力將其 拖向顯著的圖像特征;Snal【e是“主動(dòng)”輪廓線模型,它鎖定在圖像特征附近,準(zhǔn)確的將它們 極小化。Snake的能量函數(shù)可以定義為:1-E砒(V=丟I Q互。+瓦曄+E。協(xié)二LSBSnake模型p-41是一種有效的線狀地物檢

8、測(cè)模型,它用帶參數(shù)的B樣條來描述Snal【e的 曲線,采用最小二乘平差求解算法,通過迭代收斂到能量最小值,根據(jù)B樣條復(fù)雜度動(dòng)態(tài)分 配節(jié)點(diǎn)位置。LsBSnake模型在對(duì)每條道路進(jìn)行提取之前,都需要人工設(shè)置道路的寬度、道路與周圍 地物相比是亮帶還是暗帶等參數(shù),人工設(shè)置的參數(shù)不準(zhǔn)確,并且人機(jī)交互降低了道路的提取 效率。本文通過自適應(yīng)模板匹配獲得道路寬度和亮暗屬性參數(shù),該初值準(zhǔn)確可信,將這些參蔓!望 垂塑;莖i三亙僉堂皇垂蹙墅鰉曲重墮圭旦墊堡壁點(diǎn)垂盟窒 :!S!:數(shù)作為初值賦給IsBsnake模型,避免了人機(jī)交互,增強(qiáng)了初值的可靠性。另外,利用自適 應(yīng)模板匹配得到了一些可靠的道路點(diǎn),這樣,與LsBsn

9、ake模型提取道路相比,采用更加密 集的點(diǎn)作為初始種子點(diǎn),可以更加穩(wěn)健的對(duì)道路進(jìn)行提取,3實(shí)驗(yàn)在Vsud c十十”1平臺(tái)下,編程實(shí)現(xiàn)了自動(dòng)賦初值的srlake模型方法,來提取高分辨率遙感 影像上的道路。分別對(duì)分辨率為1米的IKONos和06米的QuckBtrd影像進(jìn)行r道路提取實(shí)驗(yàn). 來對(duì)比LsBsnake模型和自動(dòng)賦初值的LsBsr礎(chǔ)e模型對(duì)道路的提取結(jié)果。圖4中道路附近基本無其他地物干擾,道路具有較好的平滑帶狀特征,此時(shí)人工輸入少 量的初始種子點(diǎn)。如圖4a,圓點(diǎn)為人工添加的初始種子點(diǎn),圖4b為LsBsnake模型對(duì)道路提 取的結(jié)果,圖4c為自動(dòng)賦初值的LsBsnake模型提取的結(jié)果,其中,

10、方點(diǎn)為自適應(yīng)模板匹配 法自動(dòng)添加的種子點(diǎn)。a b cF19ure4Cotrasf ofRoad Extraci】on Results by LSBSnakeandAulolnltlaI value LSBSnakeMod 可見,原始的LsBsnake模型在初始種子點(diǎn)較稀少的時(shí)候得到錯(cuò)誤的提取結(jié)果,而本文 提出的自動(dòng)賦初值的塔Bsnake模型可以較好的提取出道路,比LsBsnake模型更加穩(wěn)健、自 動(dòng)化程度更高。圖5中道路附近有較嚴(yán)重的建筑物、樹木等地物遮擋,道路不具有典型的平滑帶狀特 征。此時(shí)人工輸入較多的初始種子點(diǎn)。如圖5a為人工添加初始種子點(diǎn),圖sb為LsBsnake模 型對(duì)道路提取的結(jié)果

11、,圖5c為自動(dòng)賦初值的Bsnake模型提取的結(jié)果。a b cF19ure 5con【ras c ofRoad ExlMct】on Results hyLsBsnake and AutoInIna】valueLsBsnakeModel:!墼:塾皇型絲量Q!蘭堇丕查旦班過鑾煎金迨塞塞 箜蘭鲞 可見,原始的LsBSnal【e模型在道路附近有較多干擾時(shí)發(fā)生錯(cuò)誤,如圖5b所示,而自動(dòng) 賦初值的LSBSnake模型則可以穿越地物遮擋處,將道路正確地提取出來,比LSBSnake模型 的抗干擾能力更強(qiáng)。4.結(jié)論本文在深人研究LsBSnake模型的基礎(chǔ)上,提出了自動(dòng)賦初值的LSBSnake模型方法,從 高分辨率

12、遙感影像上半自動(dòng)提取道路。實(shí)驗(yàn)證明,自動(dòng)賦初值的LSBsnake模型能夠自動(dòng)添加種子點(diǎn),在輸入相同數(shù)目的初始 種子點(diǎn)的情況下,自動(dòng)賦初值的LSBSnake模型比LsBSnake模型更加穩(wěn)健。自動(dòng)賦初值的LSBSnake模型無需輸入道路的寬度、亮暗等參數(shù),與LsBSnake模型相 比,提高了道路提取的效率和自動(dòng)化程度。自動(dòng)賦初值的LsBSnake模型可以穩(wěn)健地跨越建筑物、樹木等的遮擋,與LSBSnake模型 相比,抗干擾能力更強(qiáng)。在建筑物、樹木遮擋特別嚴(yán)重的地區(qū),本文提出的道路提取方法還存在一定問題,單純 通過灰度對(duì)進(jìn)行判斷是不夠的,進(jìn)一步的研究應(yīng)充分納入幾何、拓?fù)?、功能以及關(guān)聯(lián)或上下 文約束等

13、信息,參與道路的提取,以取得更加穩(wěn)健可靠的提取結(jié)果。參考文獻(xiàn)1.IVaIl L印teV,Helmut Mayer,Tony Lindebe唱,wo蠔ang Eckstein etc.Aut砌atic extmction of roads from aerial images baLsed on scalespace and snakes.TechIlical repon CVAP240,ISRN KTH/NA伊一00,06一 SE.March 2000.2.Michael I:ass,Andrew witkin and Demetri Terzopoulos.Snakes:actiVe Con

14、tour models.IIl:Brady I M, RoseIlfield A eds.Proceedings of the l st Intemational Co出rence on Computer Vision.London: IEEE Computer Society Press,1987.259268.3.Gmen,A.,H.H Li.Se血一叭tomatic linear feature extraction by dyn鋤ic pm鯽nrniIlg and LSB Snakes,Photog咖metric Engineering and RemoteSensing,1997,63(8:pp.985995. 4.Gruen,A.,P.A90tlris,H.H Li.Lin