遙感圖像的獲取與預(yù)處理

1緒論1.1研究背景和意義道路信息與人們的生活息息相關(guān)，對道路信息進(jìn)行提取的高效性和準(zhǔn)確性與很多領(lǐng)域都相關(guān)。在地理信息系統(tǒng)的數(shù)據(jù)更新、影像匹配、目標(biāo)檢測、城市區(qū)域規(guī)劃、交通信息管理、車輛出行引導(dǎo)以及駕駛器的導(dǎo)航定位等領(lǐng)域都有至關(guān)重要的作用。利用高分辨率遙感影像進(jìn)行道路的提取是一種方便快捷的途徑。高分辨率遙感影像可以清楚地展現(xiàn)出道路的幾何特征和紋理特征，它提供的紋理特征是經(jīng)過細(xì)化以后的，這些信息為道路提取的工作提供了基礎(chǔ)。與傳統(tǒng)的道路提取的方法相比，利用高分辨率遙感影像進(jìn)行道路信息的提取有很多優(yōu)勢，比如道路提取成本低、可以覆蓋大部分區(qū)域等優(yōu)勢，使傳統(tǒng)的道路提取的缺點得到了改善。道路的狀態(tài)信息是進(jìn)行道路更新的一種必要的信息。傳統(tǒng)的道路更新的方法有很多不足，它不僅需要耗費大量的人力和物力，而且道路更新的時間長，而且獲取信息不夠及時。使用傳統(tǒng)的道路更新方法，需要面對大量的數(shù)據(jù)，無論對人力還是物力都是一個很大的挑戰(zhàn)。不可能專注于處理更高的水平和解決研究中的實際問題。因此，人們需要探索自動提取道路信息的方法。一方面，可以識別自動道路信息，從而可以實時更新道路數(shù)據(jù)或?qū)崟r更新道路數(shù)據(jù)；另一方面，人們可以擺脫沉重而枯燥的數(shù)據(jù)生產(chǎn)。隨著遙感技術(shù)的不斷發(fā)展，人們對地球資源和全球環(huán)境有了更深入的了解，用戶對高分辨率遙感圖像數(shù)據(jù)的質(zhì)量和數(shù)量有越來越高的要求。與低分辨率和中分辨率遙感圖像相比，高分辨率遙感圖像具有許多新功能，最重要的功能是：可以清楚的看到細(xì)小的地物、光譜波段的數(shù)量多、圖像更新時間短等。在對圖像進(jìn)行信息對處理與分析時，波譜信息是對低、中分辨率遙感影像進(jìn)行信息處理和分析的主要信息，而利用高分辨率遙感影像處理與分析問題具有很大的特殊性，需要更多地綜合的運用遙感圖像的空間特征信息，這種運用多種遙感影像的信息對遙感圖像進(jìn)行處理，并與計算機技術(shù)相結(jié)合的技術(shù)就是新型的遙感圖像處理技術(shù)。近年來，遙感技術(shù)與計算機技術(shù)都在飛速的發(fā)展，特別是遙感圖像的分辨率得到了很大提高，分辨率包括空間分辨率，時間分辨率等，空間遙感可以全天時、全天候的觀測地球，而且有很高的空間分辨率，同時，它的光譜分析的性能也很好。這些航空遙感技術(shù)在目標(biāo)檢測、區(qū)域規(guī)劃等方面都有了很好地表現(xiàn)，對地理信息系統(tǒng)、汽車導(dǎo)航定位等領(lǐng)域也有很大的貢獻(xiàn)。由于法國SPOT-1號衛(wèi)星的發(fā)射，對于把計算機技術(shù)與航天遙感結(jié)合起來的、有很好的現(xiàn)勢形的技術(shù)得到了全世界專家學(xué)者的關(guān)注。航天影像的地面分辨率從10m、5m、2m、1m、0.5m、0.3m逐步升高，真正的使人們“不出門就知天下事”。高分辨率遙感影像的在城市規(guī)劃、土地利用、環(huán)境監(jiān)測等方面都有了更方便、更詳盡的數(shù)據(jù)來源，并且對于軍事目標(biāo)的識別、模擬戰(zhàn)場環(huán)境來說有更重要的意義。1.2國內(nèi)外研究現(xiàn)狀19世紀(jì)國內(nèi)外就開始對道路進(jìn)行研究。而國外的基于遙感影像的道路半自動化提取的研究是從1970年以后開始的，國內(nèi)比國外晚一些。對遙感圖像的道路信息提取的研究主要經(jīng)過了如下的幾個發(fā)展過程：從簡單的提取方法到復(fù)雜的方法；從半自動化道路信息提取到自動化道路信息提??；從低分辨率遙感圖像到中、高分辨率遙感圖像道路信息提取；從農(nóng)村地區(qū)或森林地區(qū)的道路信息提取，到城郊地區(qū)和城市地區(qū)道路信息的提取；從使用一種方法進(jìn)行道路提取，到把多種方法相結(jié)合；從對一種數(shù)據(jù)進(jìn)行提取到對多源融合的數(shù)據(jù)進(jìn)行提?。粡膯我环椒ǖ奶崛〉蕉喾N方法提取結(jié)果的融合提取。按照道路提取算法的自動化程度來看，遙感影像的道路提取可以分為自動化和半自動化兩類。半自動化道路提取就是把人工和計算機結(jié)合起來，在算法提取之前加入了人工的先驗信息，比如種子點的選取和道路起點和終點的選??；而自動化道路提取的提取過程全部由計算機實現(xiàn)，減少了人為的判斷對道路提取的影響。（1）自動化道路提取方法的研究現(xiàn)狀遙感影像的自動化道路提取可以應(yīng)用在很多領(lǐng)域，包括地理信息系統(tǒng)的自動更新、車輛導(dǎo)航、自動駕駛等。遙感影像自動化道路提取的步驟為：圖像分割、圖像分類、圖像后處理。該方法將道路視為具有一定幾何紋理規(guī)律性的區(qū)域，通過影像處理得到分割區(qū)域結(jié)果，利用分類及后處理方法完成對道路的提取。下面介紹幾種常用的自動化道路提取的方法。分割是面向?qū)ο蠓椒ㄖ械某跏疾襟E，也是決定道路提取精度的關(guān)鍵環(huán)節(jié)。目前最為簡單易行的方法是閾值分割。Zhou等[4]提出把高分辨率全色影像和多光譜影像的數(shù)據(jù)信息結(jié)合在一起，利用中值濾波對分割后的圖像進(jìn)行濾波處理，有效的去除了噪聲。Li等[6]提出了一種結(jié)合隨機投影深度函數(shù)和路徑形態(tài)學(xué)的非典型的道路中心線的提取方法，采用了直方圖閾值分割的方法二值化圖像，可以有效地提取非典型道路中心線。分割方法難以將道路與非道路區(qū)域區(qū)分，此時需要采用分類方法對分割單元進(jìn)一步處理。目前高分辨率影像提取基本上都使用監(jiān)督分類，但是監(jiān)督分類需要人工操作，由于人的主觀意識，監(jiān)督分類具有不穩(wěn)定的特點，Han等[6]提出了一種非監(jiān)督分類的方法，建立了一套完整的非道路區(qū)域濾除體系，選擇了多幅分辨率不同、地區(qū)不同的遙感影像進(jìn)行實驗，穩(wěn)定性比較高。Sun等[7]針對城市中交通擁堵的情況，采用一定尺度的形態(tài)學(xué)算子，將圖像分為兩部分，一部分為有車輛、遮擋物的細(xì)節(jié)要素圖，另一部分為反映形狀和顏色的粗尺度圖像，從而實現(xiàn)區(qū)域方向指導(dǎo)下面向?qū)ο蟮亩喙庾V圖像分割方法。分類只能將不同分割單元賦予類別，而初始分割單元會導(dǎo)致的道路邊界不清晰、斷裂、黏連等問題。而數(shù)學(xué)形態(tài)學(xué)能夠?qū)D像進(jìn)行形狀及結(jié)構(gòu)的分析和處理，對于解決空洞問題、邊界不夠清晰等問題有一定效果。例如Li等[8]對分類后道路提取結(jié)果展開面積閾值濾波、形態(tài)學(xué)開運算、孔洞填充、影像差與和等工作，以獲取更加精確的道路提取結(jié)果。然而，由于遙感影像中存在大量的異物同譜現(xiàn)象[9]，這種現(xiàn)象使利用計算機自動識別道路以及校驗道路目標(biāo)等方面存在很大的困難。從現(xiàn)階段來看，全自動道路提取的技術(shù)還不夠成熟，雖然很多專家和學(xué)者經(jīng)對道路自動化有了一系列的研究，然而全自動實現(xiàn)各類道路的提取還有一定難度。（2）半自動化道路提取方法的研究現(xiàn)狀半自動道路提取指的是，在進(jìn)行提取時，人工先傳送給計算機一些先驗信息，再由計算機根據(jù)接收的數(shù)據(jù)自動進(jìn)行后續(xù)處理，直到完成整個實驗。近四十年里，國內(nèi)外有關(guān)學(xué)者針對道路半自動提取做出了眾多的研究。傳統(tǒng)的半自動道路提取方法有：1)基于邊緣特征的提取方法[10]；2)基于Canny的道路提取方法[11]；3)基于模板的提取方法等。對于現(xiàn)階段來說，遙感影像的道路半自動化提取可執(zhí)行性比較高，半自動化道路提取可以把人工的選擇和計算機的智能識別有效的結(jié)合在一起，研究可執(zhí)行性更高的道路半自動化提取方法對于現(xiàn)階段的遙感行業(yè)是非常有必要的，所以半自動化道路提取是當(dāng)今道路提取研究的熱門[2]。如今，國內(nèi)外的專家和學(xué)者對高分辨率遙感影像的半自動化提取的研究，已經(jīng)取得了一定的進(jìn)展。Lin等[11]分析了高分辨率遙感影像的道路特點，提出了一種基于T型模板的道路提取算法，這種算法在車輛遮擋以及樹木遮擋較多的情況下比較適用。它充分的利用了模板匹配方法的優(yōu)勢，而且結(jié)合了利用紋理特征對種子點進(jìn)行選取，它可以精確地計算出道路的寬度以及其他信息。總之，從目前來看，自動化道路提取還很難實現(xiàn)，所以半自動化道路提取是當(dāng)今國內(nèi)外研究的一個熱點。雖然高分辨率遙感影像的道路半自動化提取已經(jīng)取得了比較顯著的進(jìn)展，但是現(xiàn)有的模板中還有很多的不足，如自動化程度不夠高，道路提取的結(jié)果不夠平滑等，還需要在原有模板的基礎(chǔ)上進(jìn)行很大的改進(jìn)。對比基于模板匹配的道路提取方法，矩形模板匹配通常被認(rèn)為是一種比較實用的方法，然而，這種方法對于彎曲道路的提取并不適用。本文提出了基于扇形模板的道路半自動化提取方法，解決了彎路以及陰影、樹木遮擋等問題。1.3技術(shù)路線圖1-1流程圖Fig.1-1Flowchart首先用ENVI軟件裁剪遙感影像，獲得實驗所需部分的影像。然后對圖像進(jìn)行預(yù)處理，本文對幾種濾波的結(jié)果進(jìn)行了對比，分別是中值濾波、均值濾波、高斯濾波、雙邊濾波、L0濾波，挑選出了最合適的一種濾波。其次，在道路邊界清晰、無遮擋、無陰影的部分對種子點進(jìn)項選取。由于人的主觀因素的干擾，選取的種子點可能不在嚴(yán)格的道路中心，所以需要利用圓形模板對種子點進(jìn)行擬合，得到道路首尾中心點的位置。在種子點進(jìn)行擬合的過程中，在擬合出一個新的種子點之后，道路的方向會根據(jù)種子點之間的角度進(jìn)行自動更新。道路方向自動更新以后，本文算法會在種子點處生成扇形描述子，在扇形區(qū)域中通過灰度、方差、梯度差值等信息選擇出合適的候選點，對候選點進(jìn)行約束，選擇出合適的跟蹤點；最后計算種子點之間的距離，若距離大于閾值，則繼續(xù)跟蹤，若距離小于閾值，則停止跟蹤。最后輸出道路網(wǎng)。2遙感圖像的獲取與預(yù)處理遙感影像中包含了很多信息，信息內(nèi)容非常豐富，因為大氣中電磁干擾等原因，遙感影像會受到噪聲等干擾，使遙感圖像的質(zhì)量有一定程度的下降，對后續(xù)的實驗產(chǎn)生很大的影響，說明預(yù)處理對遙感圖像處理來說至關(guān)重要。通過圖像的裁剪可以得到遙感圖像中需要處理的部分，從而減少工作量。通過濾波，可以去除對信息提取有影響的噪聲，增加圖像的平滑程度，使信息提取中受到干擾的部分減少。2.1遙感圖像的裁剪運用ENVI軟件對遙感影像進(jìn)行裁剪，裁剪的要求是道路清晰、分辨率較高、遮擋較少，用三幅遙感影像進(jìn)行裁剪，分別是美國Geoeye-1衛(wèi)星影像，分辨率為0.41米；高分二號衛(wèi)星影像，分辨率為0.8米；法國Pleiads衛(wèi)星圖像，分辨率為0.5米。得到一幅1000像素*1000像素的城市道路影像圖，一幅1500像素*1500像素的高速公路影像圖和一幅1500像素*1500像素的高速公路影像圖，分別是城區(qū)道路影像圖、城郊道路影像圖、高速公路影像圖。本次實驗裁剪了幾幅圖片，如下圖。圖2-1城區(qū)道路影像圖(GeoEye-1)Fig.2-1Urbanfreewayimage(GeoEye-1)圖2-2高速公路影像圖(高分2號)Fig.2-2Imageofsuburbanroads(GF-2)圖2-3農(nóng)村道路影像圖(Pleiades)Fig.2-3Imageofhighway(Pleiades)2.2濾波處理噪聲被定義為無用信號，會干擾有用信號的通信和測量。噪聲和失真是限制數(shù)據(jù)通信傳輸能力的主要因素，且會影響信號測量系統(tǒng)、通信和處理結(jié)果的準(zhǔn)確性[14]。圖像濾波屬于遙感圖像的預(yù)處理，對后續(xù)的遙感圖像處理至關(guān)重要，選擇一個合適的濾波是進(jìn)行后期圖像處理的保障。在進(jìn)行道路提取之前，對圖像進(jìn)行濾波處理是非常必要的，首先，它可以增加圖像的對比度，使圖像的道路部分更加突出；其次，它可以使圖像的道路部分更加平滑，減少對道路提取有影響的部分。因此在實驗中，應(yīng)該在提高了圖像的對比度且盡量不破壞道路邊界的基礎(chǔ)上來對圖像進(jìn)行濾波處理。本文用四種濾波方法進(jìn)行了實驗，來選取一個適合本文算法的濾波方式。（1）高斯濾波高斯濾波可以很好地處理高斯噪聲，在對圖像的減噪過程中發(fā)揮了顯著的作用。在對二維圖像進(jìn)行高斯濾波是，高斯濾波利用一個二維卷積算子，這種算子可以過濾掉一部分噪聲以及細(xì)節(jié)。高斯濾波具體的操作過程是：首先確定模板大小和模板的起始位置，然后把模板中心依次放到下一個像素，其次把模板的中心像素灰度值換成模板的相鄰像素的加權(quán)平均灰度值。高斯濾波器可以很好地過濾掉高斯噪聲。在不同的情況下，有兩種方法可以實現(xiàn)高斯濾波，第一種是利用窗口的滑動依次對圖像進(jìn)行卷積處理，第二種是利用傅里葉變換的方法。一般都使用滑窗卷積的方法進(jìn)行濾波處理，當(dāng)圖像比較大時，使用滑窗計算會到來很大的計算量，這種情況下一般利用傅里葉變換來實現(xiàn)高斯濾波。由于高斯濾波也可以把變量分離，因此高斯濾波也可以使用分離濾波器，從而加速高斯濾波的過程。因此二維高斯濾波，顧名思義，就是在進(jìn)行卷積計算時，并非對整幅圖像進(jìn)行計算，而是把行和列分開，單獨進(jìn)行計算。這樣卷積計算的難易程度就會減少很多，從開始的降低到了，其中表示圖像的窗口大小，代表進(jìn)行卷積計算的窗口大小。高斯模糊是一個非常典型的圖像卷積例子，本質(zhì)上，高斯模糊就是一種卷積操作，為灰度圖像，對進(jìn)行卷積計算：（2-1）其中，代表卷積計算。為卷積和，其中為標(biāo)準(zhǔn)差。高斯濾波的模板是一個基于高斯函數(shù)計算出來的模板，下面是高斯分布的公式：一維高斯分布函數(shù)為：（2-2）圖2-4一維高斯分布Fig.2-4OneVigausdistribution二維高斯分布函數(shù)為：(2-3)圖2-5二維高斯分布Figure2-5IvigosDistribution權(quán)值計算公式為：(2-4)圖2-4原圖Fig.2-4Originaldrawing圖2-5高斯濾波結(jié)果Fig.2-5Gaussianfiltereffectdiagram從高斯濾波的結(jié)果來看，高斯濾波對于噪聲的處理效果非常顯著，由于高斯濾波是一由點的中心向四周計算加權(quán)平均值的濾波，道路的邊緣會變模糊，道路部分看起來更加不明顯。（2）中值濾波中值濾波是一種運用灰度值排序的非線性的濾波方法。選取一個點為中心建立模板，使用有奇數(shù)點的滑動窗口，對模板中的像素灰度值進(jìn)行排序（順序是從小到大或從大到），把像素灰度值排在中間的像素選擇出來，并把這個點的像素灰度值賦給模板。由于中值濾波采用的不是線性的方法，所以它可以比較好的平滑脈沖噪聲，同時它不會破壞圖像中的邊緣部分，它可以把污染點的像素灰度值換成合適的值，中值濾波對于去除孤立的噪聲點表現(xiàn)很好，但是它不能很好地平滑高斯噪聲[15]。高斯濾波的突出的有點就是它可以很好地保護圖像邊緣，但是在平滑噪聲方面還有欠缺。二維的中值濾波輸出公式為：（2-5）其中，是濾波前的圖像，是濾波后的圖像。表示二維高斯濾波模板，模板的形狀通常是長方形，大小一般為3像素*3像素或者5像素*5像素。通常來說，當(dāng)噪聲小于濾波模板面積一半時，這些噪聲基本上都會被濾除，而面積較大噪聲則無法被去除，因此，在使用中值濾波前應(yīng)該按照需求調(diào)整模板大小。圖2-6原圖Fig.2-6Originaldrawing圖2-7中值濾波結(jié)果Fig.2-7Medianfilterresults從中值濾波的結(jié)果可以看出，中值濾波可以比較好的平滑道路，而且?guī)缀跬暾谋Ａ袅说缆愤吔?，但中值濾波的計算量較大，實現(xiàn)的成本相對較高，而且中值濾波在道路路面的平滑方面表現(xiàn)得不是很好，所以對于本文算法來說，中值濾波也不是一個合適的濾波方法。（3）均值濾波均值濾波器是一種用于消除高頻噪聲的濾波器，它是線性的濾波器。均值濾波器的操作比較簡單，把模板中的像素灰度平均值替換模板中所有像素的灰度值，模糊圖像中灰度值變化較大的部分。通過均值濾波的圖像，噪聲部分被減弱，同時邊緣部分也會被模糊。使用均值濾波的原因是它可以去除比較小的噪聲點，這些噪聲點相對于均值濾波的模板來說尺寸較小。在正常的條件下，鄰域平均法是均值濾波常用的一個方法。它是指在所選像素與所選像素四周的像素共同構(gòu)成了一個矩形，這個矩形被稱為目標(biāo)模板，這個目標(biāo)模板不包含目標(biāo)像素本身。均值濾波雖然能過濾一部分噪聲，但是它會破壞圖像的細(xì)節(jié)以及道路邊緣，使圖像變得不夠清晰，而且它對圖像噪聲的去除效果也不是很好。均值濾波可以比較好的過濾掉高斯噪聲，但是對于椒鹽噪聲則不能很好地解決。均值濾波的原理如公式（2-5）所示。（2-5）圖2-8原圖Fig.2-8Originaldrawing圖2-9均值濾波結(jié)果Fig.2-9meanfiltereffectdiagram從均值濾波的結(jié)果圖2-9來看，均值濾波使道路變得更加平滑，但是它使圖像變得很模糊，甚至分辨不出地物，道路邊緣也受到了嚴(yán)重的破壞。在運用本文算法進(jìn)行道路提取的過程中，需要運用圓形模板對種子點進(jìn)行擬合，道路邊界清晰是一個前提。因此對于本文算法來說，均值濾波并不是一個合適的選擇。（4）雙邊濾波雙邊濾波是一種非線性的濾波方式，它在高斯濾波的基礎(chǔ)上增加了高斯方差，對高斯濾波無法保存邊緣信息的問題進(jìn)行了解決，是一種改進(jìn)的高斯濾波?？梢院芎玫厝コ咚乖肼?，同時圖像的邊緣也會得到比較好的保存。雙邊濾波器不會破壞圖像的邊緣信息，達(dá)到了一種邊緣保護的目的，利用傳統(tǒng)濾波降噪時，一般都會模糊邊緣，而且會對高頻的細(xì)節(jié)造成破壞。從名字可以看出，雙邊濾波器是對高斯濾波器的一種改進(jìn)，它在高斯濾波的基礎(chǔ)上增加了高斯方差，因此，在邊緣的附近，邊緣上的像素灰度值很難被圖像的其他部分干擾，所以邊緣的像素灰度值會被很好地保存。由于雙邊濾波對邊緣的保護比較多，它對于高頻的噪聲的過濾效果不好，對低頻的噪聲表現(xiàn)較好。圖2-10為雙邊濾波原理示意圖：圖2-10雙邊濾波原理Fig.2-10Principleofbilateralfiltering雙邊濾波可以用于彩色圖像和灰度圖像，具有比較強的實用性。設(shè)原圖為,其中是像素的坐標(biāo)，雙邊濾波后點的像素值變?yōu)椋海?-6）圖2-11原圖Fig.2-11Originaldiagram圖2-12雙邊濾波結(jié)果Fig.2-12Bilateralfilteringresults從雙邊濾波的結(jié)果來看，雙邊濾波可以比較好的保留道路邊緣。由于雙邊濾波是在高斯濾波的基礎(chǔ)上進(jìn)行邊緣的保留，但是高斯濾波僅對高斯噪聲的處理效果相對較好，不能去除掉路面上不必要的細(xì)節(jié)，所以雙邊濾波的方法也不適用于本文算法。（5）L0濾波對于本次實驗的圖像來說，因為是道路提取，所以中值濾波和均值濾波都不符合要求，因為對道路邊緣的破壞比較大，所以本論文運用L0濾波[16]，因為L0濾波不僅能去除細(xì)小的不重要的細(xì)節(jié)，而且可以使邊緣更突出。L0濾波是由Li等提出的[12]一種平滑濾波。在遙感圖像中，道路表面的各個像素點的亮度分配是不均勻的，而且對于分辨率比較高的圖像，車輛、樹木、斑馬線的圖像都可以清晰地看到，但是這些信息會對道路的提取造成一定的困難，所以應(yīng)該通過L0平滑濾波來去掉這些信息，使道路上的各個像素點的亮度均勻，而且可以增強圖像中道路的顯著性，而且不會破壞道路的邊緣。L0范數(shù)可以理解為向量中非零元素的個數(shù)。圖像梯度L0范數(shù)可以如下公式（2-7）表示:（2-7）其中和是圖像中的相鄰元素，是圖像梯度，也就是圖像的前向差分，表示計算輸出的圖像中滿足的個數(shù)，即是圖像梯度的L0范數(shù)。這樣表示有一個優(yōu)點，就是是非零梯度個數(shù)的函數(shù)，與圖像的梯度本身無關(guān)，也就是（2-8）以一維信號為例，輸入信號為，輸出信號為，則目標(biāo)函數(shù)如公式（2-9）所示：（2-9）實際上，的取值變化范圍很大，特別是對于二維圖像來說。將上式子轉(zhuǎn)換成無約束問題，目標(biāo)函數(shù)如公式（2-10）所示，其中是一個平滑參數(shù)：（2-10）根據(jù)上文描述的L0濾波的原理進(jìn)行程序設(shè)計，然后輸入圖像進(jìn)行L0濾波處理，最后得到的結(jié)果如下圖。圖2-11原圖Fig.2-10OriginaldrawingFigure圖2-12L0濾波結(jié)果Fig.2-11Smoothingeffectdiagram結(jié)果顯示，圖2-11中有充分的細(xì)節(jié)信息，路面比較粗糙，邊緣也因為分辨率等原因不是特別突出，而圖2-12中L0濾波去除了道路上不必要的細(xì)節(jié)信息，去除了路面上的不必要的細(xì)節(jié)信息，使道路更加平滑，而且還使圖像的對比度得到了增強，道路邊界更加清楚，使道路看起來更加突出，有利于本文算法對道路進(jìn)行提取。本文對高斯濾波、均值濾波、中值濾波、雙邊濾波和L0濾波進(jìn)行對比，其中高斯濾波和均值濾波雖然去除了一些不必要的噪聲，但是同時也使道路中心線的提取比較困難。中值濾波和雙邊濾波雖然能保留道路邊緣，但是對于道路平滑的效果不如L0濾波。所以本文選取了L0濾波進(jìn)行實驗，給后續(xù)的實驗帶來了很大的便利。3影像道路提取原理3.1道路影像特征分析由于道路的特征具有多樣性，分析道路的特征是道路提取算法設(shè)計的前提。因此在進(jìn)行道路提取之前，首先要知道遙感影像中道路的特征。本文以Hobart地區(qū)的Geoeye-1影像為例，進(jìn)行特征分析探討。如圖3-1可以看到道路位于籃球場右側(cè)，道路邊界清晰且道路邊界的灰度梯度較大，但是道路上有車輛遮擋、行道樹遮擋等噪聲的干擾，因此對道路部分的提取與其他地物相比有一定的困難，同時道路的表面不具有均一化的輻射特征，由此說明圖3-1影像符合復(fù)雜場景特點。下述將根據(jù)圖3-1對道路影像特征進(jìn)行分析。圖3-1道路與其他地物對比Fig.3-1Comparisonofroadswithotherfeatures在高分辨率遙感影像中，道路呈現(xiàn)出的特征主要有以下幾點[12]。（1）輻射特征：路面影像的灰度分布一般都有一定的規(guī)律性，道路表面灰度的差別較小，而道路和道路周圍的部分灰度的差別較大。由于同一條路的各個部分都在同一個平面上,所以在沒有表地物遮擋的情況下，地物的光譜特征比較相近。如圖3-1所示，右側(cè)車道中噪聲比較多，與道路有一定的光譜差異，但左側(cè)車道的灰度分布相對均勻。（2）幾何特征：道路呈條帶狀，同一條路的寬度基本一致。在遙感影像上，道路是連續(xù)的。在現(xiàn)實中，道路不光連續(xù)而且彼此連通，道路的形狀皆為條帶形。在遙感影像上，車輛、行道樹等的遮擋非常嚴(yán)重，道路中央有很多噪聲點，只有邊界是連續(xù)的，所以道路在遙感影像上表現(xiàn)為有一定間斷的線性圖形。（3）拓?fù)涮卣鳎翰煌牡缆饭餐M成了道路網(wǎng)，交叉路口是連接道路的樞紐。道路的形狀有直線和曲線兩種，曲線的彎曲程度一般都不是很大[17]。（4）功能特征道路和鐵路、水路等部分共同構(gòu)成了運輸網(wǎng)絡(luò)，在運輸中發(fā)揮很大的作用。一般情況下，道路具有一定的指向性，可以連接地面上的各個部分。（5）上下文特征上下文特征是指與道路相鄰的地物信息，上下文信息包括部分上下文信息和全局上下文信息。全局上下文信息的用處是確定道路的類型，而部分的上下文信息一般是起輔助作用的道路兩側(cè)的護路林、建筑物或者是路面上的交通指示標(biāo)志等。3.2形態(tài)學(xué)梯度形態(tài)學(xué)一般用于生物學(xué)，它的主要作用是研究動物和植物的形態(tài)以及結(jié)構(gòu)。在圖像處理中，形態(tài)學(xué)所指的一般都是數(shù)學(xué)形態(tài)學(xué)。數(shù)學(xué)形態(tài)學(xué)是一個用于分析圖像的學(xué)科，它以格論學(xué)和拓?fù)鋵W(xué)為基礎(chǔ)。它有幾種基本的運算：二值腐蝕和膨脹、形態(tài)學(xué)梯度、二值開閉運算、流域變換、骨架抽取、極限腐蝕、擊中擊不中變換、Top-hat變換、顆粒分析、灰值腐蝕和膨脹、灰值開閉運算、灰值形態(tài)學(xué)梯度等。簡單來說，對于圖像的形狀進(jìn)行處理的過程就稱為形態(tài)學(xué)的操作在OpenCV的函數(shù)庫中，就包含了形態(tài)學(xué)操作的函數(shù)，為本文算法提取邊緣提供了方便快捷的方法。本文算法運用了兩種最基本的形態(tài)學(xué)操作：膨脹與腐蝕。膨脹是指將亮度較低的區(qū)域放大，從而使孤立的噪聲點與其他部分連接；腐蝕就是將亮度較低的部分縮小，從而消除噪聲。膨脹與腐蝕對圖像處理有很大的作用，與本文算法相關(guān)的幾點作用如下：（1）消除比較小的噪聲點。（2）圖像的分割與連接。（3）找到圖像中與其他部分灰度差異較大的部分。（4）計算灰度圖像的灰度梯度。為了計算道路的寬度，本文引入了形態(tài)學(xué)梯度圖用于灰度的計算。在對圖像進(jìn)行邊緣檢測的過程中，有多種梯度，當(dāng)某些點和周圍的點梯度變化比較大時，可以通過梯度值的變化判斷出這些點為道路的邊緣點。在灰度圖像中，一般可以把結(jié)合腐蝕和膨脹，從而形成開運算和閉運算，可以得到基于灰度圖像的形態(tài)學(xué)梯度[18]?；叶葓D像的形態(tài)學(xué)腐蝕公式為：（3-1）灰度圖像的形態(tài)學(xué)膨脹公式為：（3-2）取N為3×3的矩形，得到圖像的形態(tài)學(xué)梯度如下：（3-3）其中是灰度影像，N為結(jié)構(gòu)元。3.3圓形模板的生成圓形模板是一種用于把種子點擬合到道路中心的模板。圓形模板匹配首先計算模板的局部灰度值，從而判斷出道路。模板尺寸大小要合適，大小不合適時，不利于對道路中心位置進(jìn)行精確的定位，圓形模板的圓心應(yīng)在道路中心，直徑為道路的寬度通過實驗可以得出，當(dāng)梯度值的大小之和恰好等于模板半徑時，此時得到的模板為最合適的模板。圓形模板的原理為：在道路上，灰度值的變化比較小，在灰度梯度圖中路面一般呈現(xiàn)為白色和黑色。而以道路邊界把道路和其他部分分開，道路部分和其他部分的灰度值差異較大，在灰度梯度圖中一般顯示灰度有明顯的變化,當(dāng)圓形模板的邊界碰到道路的邊界時，梯度和的值將會的有一定程度的增大，很容易超過半徑值[19]。具體得步驟如下：（1）創(chuàng)建一個以起始點或終止點為中心、半徑為一個像素的圓形模板。（2）搜索輸入點的8個鄰域像素，分別以每個像素為中心，重新創(chuàng)建圓形模板。（3）比較各個模板中的形態(tài)梯度總和，最小的梯度值即為最適合該半徑的模板。（4）估計最合適模板中的梯度總和是否超過梯度閾值μ。如果總和小于閾值μ，則以像素為單位增加圓形模板的半徑，并重復(fù)步驟（1）、（2）和（3），直到超過閾值μ。最終模板尺寸為標(biāo)準(zhǔn)模板尺寸，即模板中心點為道路中心點，圓形模板直徑為道路寬度。圖3-2圓形模板生成過程Fig.3-2CircularTemplategenerationprocess圖3-3原始種子點圖3-4圓形模板生成結(jié)果Fig.3-3theoriginalseedpointFig.3-4Resultsaftermatchingthecirculartemplate3.4扇形描述子原理（1）道路方向的自動更新本文以由道路的起止點向道路中間進(jìn)行跟蹤，這種方法的優(yōu)點是，在扇形搜索區(qū)域大小不變的情況下，隨著空間尺度的變化，搜索區(qū)域中的線段信息量增加，增加線段表達(dá)結(jié)構(gòu)的準(zhǔn)確性。道路方向確定過程如下：統(tǒng)計扇形搜索區(qū)內(nèi)線段的方向信息，建立線段方向直方圖，并根據(jù)直方圖峰值信息確定當(dāng)前位置道路跟蹤方向。建立扇形搜索區(qū)域，統(tǒng)計該區(qū)域中每個方向上的線段的總長度，以15度為單位，將180度分為12等份，建立線段角度直方圖。每當(dāng)程序執(zhí)行一次，就根據(jù)新提取出的點和原來的點之間的角度，中心確定道路方向，理想情況下，直方圖峰值即為此時的道路方向。當(dāng)出現(xiàn)多峰值情況時，根據(jù)各峰值所對應(yīng)的角度與之前確定的道路方向之間的差值，確定道路方向。當(dāng)出現(xiàn)未統(tǒng)計到線段方向的情況時，建立“線段金字塔”，確定道路方向。（2）扇形描述子的建立本文采用扇形描述子，這種方法的優(yōu)點是，在扇形搜索區(qū)域大小改變的情況下，隨著空間尺度的變化，搜索區(qū)域中的線段信息量增加，增加線段表達(dá)結(jié)構(gòu)的準(zhǔn)確性。扇形描述子建立過程如下：1）根據(jù)道路中心點信息設(shè)置候選點；2）以道路中心點及候選點為基礎(chǔ)，建立基礎(chǔ)三角形；3）設(shè)置其余6個與基礎(chǔ)三角形等大的三角形，構(gòu)建扇形描述子，設(shè)置其余6個候選點；圖3-5三角形的建立Fig.3-5Establishmentoftriangles（4）統(tǒng)計扇形描述子內(nèi)三角形內(nèi)的梯度、灰度及角度信息，選擇更符合條件的兩個最優(yōu)候選點，并自適應(yīng)的確定當(dāng)前位置道路半徑；（5）根據(jù)角度信息，剔除最不符合條件的2個候選點；根據(jù)三角形內(nèi)部像素灰度的均勻程度，再次剔除最不符合條件的2個候選點；以各候選點為圓心，以起點位置道路半徑為直徑，建立圓形統(tǒng)計區(qū)，計算每個圓形統(tǒng)計區(qū)內(nèi)所有像素的灰度均值，記為統(tǒng)計灰度值；當(dāng)跟蹤點為0時，只考慮起止點。以起止點為圓心，創(chuàng)建圓形模板，計算模板中色像素灰度均值作為待使用的灰度值；當(dāng)跟蹤點不為0時，計算所有跟蹤點及道路起止點參考區(qū)內(nèi)像素灰度均值，作為參考灰度值。計算每個候選點對應(yīng)的統(tǒng)計灰度值與參考灰度的差值，將最大差值對應(yīng)的兩個候選點視為非道路點并將其剔除。（6）根據(jù)道路與非道路區(qū)域灰度對比度，確定最優(yōu)道路點。4實驗結(jié)果及分析4.1實驗過程本文選取了大小不同的、地區(qū)不同的、場景不同的三幅影像進(jìn)行實驗，通過VS2013平臺對三張圖中的每一條道路進(jìn)行道路中心線的提取。實驗的步驟如下：（1）在工具欄中選擇影像預(yù)處理選項，選擇L0濾波，對圖像進(jìn)行濾波處理，在濾波的基礎(chǔ)上，對圖像進(jìn)行提取。（2）用畫圖工具在道路兩端選取合適的種子點，記錄種子點的坐標(biāo)。（3）根據(jù)道路的長度和寬度調(diào)整程序中道路提取部分的循環(huán)次數(shù)和步長。圖4-1種子點的選取Fig.4-1selectionofseedpoints圖4-2圖像的讀取Fig.4-2Readingofimages圖4-3圓形模板起始信息對話框Fig.4-3CircularTemplateStartInformationdialogbox圖4-4選擇種子點對話框Fig.4-4SelectingaSeedPointdialogbox4.2實驗結(jié)果本文實驗裁剪了三幅不同地區(qū)、不同大小、場景不同的遙感影像，道路的寬度相差較大、噪聲的類型多樣、干擾程度差異大，可以充分的檢查出本文算法的優(yōu)缺點。三幅圖像分別是利用GeoEye-1衛(wèi)星影像裁剪的城區(qū)道路影像圖，利用高分2號衛(wèi)星影像裁剪的高速公路影像圖，和利用法國Pleiades衛(wèi)星影像裁剪的郊區(qū)道路影像圖。圖像的大小分別為1000像素*1000像素、1500像素*1500像素、1500像素*1500像素實驗分別對19個路段進(jìn)行道路提取，得到三張完整的道路提取圖像。圖5-5、圖5-6、圖5-7就是根據(jù)本文算法提取道路的實驗結(jié)果。圖4-5城市道路的提取結(jié)果Fig.4-5ResultsofUrbanroadextraction圖4-6高速公路的提取結(jié)果Fig.4-6ExpresswayExtractionResults圖4-7農(nóng)村道路的提取結(jié)果Fig.4-7Resultsofruralroadextraction在實驗結(jié)果中，紅色實線為算法提取出的道路中心線。圖5-5是城市道路影像圖，但是車輛、陰影的遮擋比較少，而且道路和周圍的對比度比較大，所以提取的比較成功。但是在道路彎曲的程度較大的部分，在彎道處的點會減少，造成彎路處的連接比較生硬。圖5-6是高速公路影像圖，高速公路上有較多車輛的遮擋，對本文算法的提取有一定影響。圖5-7是農(nóng)村道路影像圖，由于道路多為直線，而且道路與其他部分的灰度差異較大，農(nóng)村道路的提取效果較好。從這三幅地區(qū)不同、光譜特征不同、道路特征的圖像道路提取的結(jié)果來看，雖然會出現(xiàn)一定的偏差，但是總體效果較好，說明了本文算法可以比較好的提取道路。4.3實驗分析（1）不同場景道路的提取實驗由于在不同的場景下，道路的特征都不相同，而且差異很大。為了測試不同場景下本文算法的道路提取的影響，本文選取了Pleiades衛(wèi)星的鄉(xiāng)村衛(wèi)星影像和高分2號衛(wèi)星的高速公路衛(wèi)星影像。圖5-8為農(nóng)村道路影像，農(nóng)村道路的道路寬度比較小，只有單排車道，道路上的車輛很少，沒有斑馬線等干擾，而且農(nóng)村道路相對來說比較平滑，所以農(nóng)村道路在道路提取過程中面臨的主要的問題為行道樹的陰影遮擋問題。圖5-9為高速公路影像圖，高速公路的路寬相對來說比較寬，車道的數(shù)量比較多，道路上車輛遮擋也比較多，而且路標(biāo)等對道路提取也會有一定的干擾。由此來看，高速公路和農(nóng)村道路的道路特征差異很大。雖然兩幅圖像的道路特點不相同，但是從道路提取的結(jié)果來看，本文算法對農(nóng)村道路和城市道路的道路中心線的提取效果都比較好，沒有出現(xiàn)偏離道路的情況，而且道路中心線比較平滑。由此可知，只要能滿足道路和其他地物的灰度值差異較大的條件，并且道路上的灰度值變化程度不大，就可以比較好的提取出道路，用本文算法進(jìn)行道路提取對道路本身的特征沒有明確的要求。圖4-8鄉(xiāng)村道路提取結(jié)果圖4-9高速公路提取結(jié)果Fig.4-8resultsofimageextractionofruralroadsFig.4-9Resultsofurbanroadextraction（2）種子點敏感度實驗對于道路提取來說，用戶對種子點的選取至關(guān)重要。由于鄉(xiāng)村道路比較平滑，道路提取受到的干擾相對較少，為了測試本文算法對用戶選取的種子點的敏感性，本文選取了Pleiades衛(wèi)星的鄉(xiāng)村衛(wèi)星影像進(jìn)行種子點的選取，通過兩次實驗，改變?nèi)斯みx取種子點的位置，確定種子點的選取是否對道路提取的精度有影響。第一次實驗，兩個種子點選取的位置都在道路中心；第二次實驗，人工選取的兩個種子點都偏離了道路中心而接近道路邊界。圖5-10和圖5-12是對種子點的選取，圖4-11和圖4-13是當(dāng)種子點在不同位置時通過本文算法提取出的道路中心點。圖4-10種子點選取圖4-11提取結(jié)果Fig.4-10SeedPointselectionFig.4-11Extractingresults圖4-12種子點選取圖4-13提取結(jié)果Fig.4-12SeedPointselectionFig.4-13Extractingresults從實驗結(jié)果圖可以看出，種子點選取的位置對道路提取的影響不大。當(dāng)種子點在道路中心時，本文算法提取出的道路中心點比較密集，而且?guī)缀鯖]有偏離道路中心；當(dāng)種子點完全偏離道路中心時，本文算法提取出的道路中心點比較分散，但是也沒有對道路提取的結(jié)果造成影響。說明本文算法中通過圓形模板對種子點進(jìn)行擬合是十分必要的。在選擇道路起始點的過程中，起始點只要在道路上、不超過道路邊界即可，不需要嚴(yán)格的選在道路中心，這在一定程度上減少了人的主觀判斷對道路提取結(jié)果的影響。（3）噪聲干擾實驗行道樹陰影遮蓋、房屋造成的陰影阻隔以及道路上的車輛，是遙感圖像中道路提取過程中的主要干擾信息，依據(jù)局部的灰度信息判別道路的算法，都會受到這些因素的影響[16]。本文通過扇形描述子對道路進(jìn)行提取，通過局部道路的灰度值對道路進(jìn)行確定，但是在一定程度上解決了這些問題。在城市道路中，因為城市的結(jié)構(gòu)比較復(fù)雜，房屋與道路之間的距離比較近，當(dāng)陽光照射在房屋時，在道路上會因為房屋遮擋有陰影。圖4-14為城市道路，從圖片可以看出，被陰影遮擋的部分比較大，本文運用扇形描述子對道路進(jìn)行提取，算法中設(shè)置紅色的線為道路中心線，從圖4-14可以看出，線段平滑而且基本在道路中心。在本文算法進(jìn)行道路提取時，因為房屋遮擋造成的陰影部分對算法的影響不是很大，由此可以表示扇形描述符在解決房屋遮擋陰影方面的優(yōu)越性。圖4-14陰影遮擋提取結(jié)果Fig.4-14Shadowocclusionextractionresults為了美化環(huán)境和隔絕道路的噪音，道路兩旁一般都會種植行道樹，而行道樹會使道路產(chǎn)生陰影，這些陰影給道路提取帶來了一定的困難。在圖4-15中可以明顯的看出道路被書所遮擋，而本文所運用的扇形算子在樹木遮擋的問題上表現(xiàn)很好，從圖4-15可以看出，在被樹木遮擋的部分中，本文算法提取出的道路中心線比較平滑，沒有折疊或者繞過樹木遮擋的部分，說明本文算法對于小面積的樹木遮擋問題可以較好地解決。圖4-16是一幅鄉(xiāng)村道路影像圖，由于道路很細(xì)，道路兩邊均為行道樹，所以整條道路幾乎被行道樹造成的陰影遮擋。由圖4-16可以看出，當(dāng)行道樹的陰影遍布整條道路時，本文算法不能很好地提取出道路，提取出來的道路中心線沒有在道路中心，說明扇形描述子在提取大面積的樹木遮擋的情況下比較困難。雖然扇形描述子只有在小面積樹木遮擋的情況下才能做到比較好的提取，但是在行道樹陰影較多的部分，提取出的道路中心線仍在道路上，在預(yù)期的實驗結(jié)果范圍內(nèi)。圖4-15樹木遮擋的提取結(jié)果圖4-16行道樹陰影的提取結(jié)果Fig.4-15TreeOcclusionextractionResultsFig.4-16Shadowextractionresultsofstreettrees圖4-17和圖4-18是兩幅高速公路影像圖，高速公路上車輛很多，在道路提取的過程中，會受到車輛遮擋的影響。從圖4-17可以看出，在車輛較大的情況下，由于車輛的遮擋，本文算法提取出的道路中心點繞過了車輛，因為車輛的灰度值和道路的灰度值差異比較大，所以模板在擬合的過程中不會把車輛當(dāng)成道路的一部分，說明在車輛較大的情況下，扇形描述子不能很好地解決車輛遮擋的問題。從圖4-18可以看出，在車輛較小的情況下，本文算法提取出的道路中心點可以跳過車輛，這是因為步長大于車輛的長度。從圖4-17和圖4-18可以看出，本文算法可以很好地解決比較小的車輛遮擋的問題，但是對于比較大的車輛，會對道路提取的結(jié)果產(chǎn)生比較大的影響。圖4-17大車遮擋的提取結(jié)果圖4-18小車遮擋提取結(jié)果Fig.4-17extractionResultsofcartocclusionFig.4-18CarOcclusionExtractionResults（4）彎路的提取實驗在道路提取過程中會出現(xiàn)道路彎曲程度過大的情況，對算法進(jìn)行道路提取帶來了一定的困難。由圖4-19和圖4-20可以看出，本文算法在道路彎曲程度較小的情況下，可以比較好的提取道路；在彎曲程度較大的情況下，對道路的提取的困難相對較大。在道路彎曲程度較