基于高分辨率遥感影像道路特征信息提取方法.doc

基于高分辨率遥感影像道路特征信息提取方法 　　摘要：高分辨率遥感影像越来越丰富，使得高分辨率影像的信息提取要求也越来越高，特别是对道路这种特殊的地物而言，其提取的准确性对后续应用有很大影响。本文总结了高空间分辨率遥感影像中道路的物理和几何特征、已有道路提取方法及未来的发展方向 关键词：高分辨率；道路提取；遥感影像 随着遥感技术的发展，越来越多的商业化卫星可以提供相当高分辨率的遥感影像数据，目前已达米级甚至亚米级，目前主流的高分辨率卫星及其空间分辨率如表1所示。这些高分辨率遥感影像为很多应用提供了有利的条件，例如土地资源调查、地理数据更新、土地利用和土地覆盖变化监测等。准确快速地从遥感影像中提取感兴趣信息是遥感的一个热门研究方向。其中，道路信息的提取更是研究热点，因为道路不仅是基础的地理信息，而且为提取其他地物提供了参考[1]。本文分析了道路在遥感影像中的特征，然后对目前在遥感中常用的道路提取方法进行了分析和对比，最后对遥感中道路提取方法的发展方向进行了展望 1. 道路特征提取的原理 道路在高空间分辨率的遥感影像上，通过人工解译是很容易被识别和提取出来的，这主要是因为道路的物理和几何特性与其他地物有明显的区别，因此，只有明确道路的特征，然后才可以通过计算机进行自动识别。道路的特征可以大体分为两类，一类是物理特征，一类是几何特征[2] 物理特征主要指道路的成分，通常与其他地物不同，例如，水泥路、柏油路等。在遥感影像上，这一点就体现在辐射特征的不同上，道路的辐射特征与相邻其他地物的辐射特征差异明显，这在一定程度上可以通过监督方法，自动提取出道路 几何特征包括道路的形状特征、拓扑特征及上下文特征。道路的形状通常为长条状，长度与宽度之比非常大，而且道路的变化较小，即使是弯道，也有曲率的限制。拓扑特征是指道路通常是相互交叉的，以道路网的形式存在。上下文特征主要是指道路上的标志、高速路中间的绿化带以及行人斑马线等[3] 基于以上特征，我们可以在高、中、低三个层次上进行道路特征提取。低层次主要依赖各种基本要素，包括特征点、线、面，边缘及纹理等，这一层次较少涉及道路的相关知识；中层次是在低层次结果的基础上，对多种特征进行分析、整合、精简等，形成一定的结构化；高层次则要求利用道路的相关知识及规则，从而识别道路 2. 道路特征提取现状 目前，通过计算机对道路进行提取，大体可以分为两种，一种是监督道路提取，一种是全自动道路提取 2.1 监督道路提取 监督道路提取主要是采用人机交互的模式。首先，由人工选取道路的起始点和起始方向，然后设置规则，由计算机进行处理识别，通常在识别过程中，还需要进行适当的交互，以此确保识别的精度。这一过程通常包含如下四个步骤：第一，对遥感影像的道路特征进行增强；第二，确定道路的起始点和起始方向；第三，扩展和跟踪起始点，提取道路段；第四，将各个道路段连接，从而形成道路网[4] 具体方法包含五种：分别是动态规划法、基于模型法、主动试验法、模板匹配法、概率论法和基于知识的方法 动态规划法通常将识别问题转化为最优化问题，即将道路起始点与其他点之间赋予代价函数，然后计算点与点之间的最优路径。这种方法最早是从低分辨率遥感影像道路提取中发展来的，实验表明，这种方法对于道路边界提取效果一般，但是对道路中心线提取精度较高 基于模型法即将影像的各种特征通过函数表达出来，然后对该函数求极值从而提取目标。常用的模型有Snakes及其多种改进算法（例如，LSB-Snakes， Ziplok Snakes， Double Snake），Active Contour模型等[5] 主动试验法是通过选定道路起始点和起始方向从而获得道路的统计模型特征，以此建立决策树；然后，用决策树对道路进行跟踪提取。在高分辨率影像中，通常要假定道路段为矩形，结合主动试验法提取道路中心线。这种方法由于有限制条件，因此对道路中心线的提取效果一般 模板匹配法即用?羰紫妊∪「行巳さ奶卣鞯悖?然后为这些特征点定义一个特征模板，最后将其他点与特征模板进行匹配，当相似度达到要求的时候即匹配成功 概率论法将道路的边缘假定为一个随机过程路径，该随机过程是基于统计模型驱动的。通过后验概率判定道路是否被准确提取 基于知识的方法是通过人工的认识转化为判定道路的规则，以此来提取道路。这种方法的思路是首先提取道路片段，然后将对该道路片段的认识转化为道路识别规则，然后用建立的规则对影像其他部分的道路进行提取。这种方法的好处是在建立规则的时候，可以采用多种特征，而这些特征又不存在冗余，所以该方法不仅准确率高，而且速度快。但是这种方法对于操作人员的专业知识要求较高，不仅要有遥感知识，还要有其他多学科的知识 2.2 全自动道路提取