一种基于区域生长高分辨率遥感影像道路提取方法.docVIP

一种基于区域生长的高分辨率遥感影像道路提取方法 　　摘要：随着遥感影像分辨率的提高，从高分辨率遥感影像中进行道路网提取，可以为交通信息提供瞬时、准确、可靠的数据，为交通规划提供极大的帮助。提出利用高分辨率遥感影像中道路的光谱信息特征提取路网的方法。考虑到高分辨率遥感影像光谱信息的复杂性，首先对遥感影像光谱信息进行K均值聚类，实现道路类和非道路类分离；同时，获取区域生长的判决条件和判断阈值，然后在道路类上运用区域生长的方法提取路网；最后，运用数学形态学等处理优化路网。实验证明，该方法从高分辨率遥感影像提取路网有较高的准确度和适用性。 　　关键词：高分辨率遥感影像；光谱信息；道路提取；K均值；区域生长 　　DOIDOI：10.11907/rjdk.143740 　　中图分类号：TP301 　　文献标识码：A 文章编号文章编号2015）001002703 　　基金项目基金项目：国家自然科学基金项目61350011）；交通运输部重点项目（2012-364-208-802-2）；湖南省自然科学基金项目（11JJ3070）；湖南省自然科学基金重点课题（12JJ2036）；湖南省自然科学基金面上课题（14JJ2115）；湖南省教育厅科研项目（12A039）；湖南工业大学研究生创新基金项目（CX1404） 　　作者简介作者简介：李建飞（1989-），男，河南上蔡人，湖南工业大学计算机与通信学院硕士研究生，研究方向为遥感影像处理；文志强（1973-），男， 湖南湘乡人，博士， 湖南工业大学计算机与通信学院副教授、 硕士生导师，研究方向为图像处理、模式识别。 　　0 引言 　　高分辨率遥感影像具有覆盖范围大、信息客观真实、成本低、获取方便等优点，被广泛应用。随着分辨率的提高，遥感影像所包含的信息更加丰富、详细，这为使用高分辨率遥感影像监测地表环境和人类活动提供了基础[1]。 　　基于遥感影像的道路提取，一直受到学者的关注。现有研究主要运用光谱、纹理等特征来提取道路。如边缘连接法，利用光谱差异提取道路边缘[2]；数学形态学提取法，根据光谱信息，运用数学形态学相关原理提取道路网[3]；基于形态分割的方法[4]等。随着分辨率的提高，光谱信息越来越复杂，道路上的车辆、道路两边的建筑物等投影对道路造成很大的干扰。因此，单凭一种方法从高分辨率遥感影像提取路网有一定的难度，路网的完整性难以保证。 　　本文在运用高分辨率遥感影像光谱信息的基础上，利用 kmeans与区域生长结合提取路网。运用kmeans聚类将道路与非道路分离，并获取道路类的质心和道路类中所有像素点对与质心的标准偏差，其质心作为区域生长的判决值，标准偏差作为区域生长判断阈值。种子点在人工干预下在道路类中选择，并在道路类中进行区域生长提取道路网。 　　1 提取道路方法 　　1.1 道路基本特性 　　高分辨率遥感影像中的道路包含以下基本特性[5]：①主干路、次干路、支路的是相互连通的；②每一条道路段路面宽度以及其路面内光谱特性基本一致；③由于路面护栏、分道线、车轮线、交通线等影响，使得道路面的灰度分布不均匀。 　　1.2 道路提取方法 　　本文采用kmeans聚类分离出道路类；然后在在道路类中采用区域生长提取路网；最后经过噪声去除、数学形态学处理以及细化等处理实现路网的优化。本文研究的路网提取流程如图1所示。 　　图2是在kmeans基础上进行区域生长的算法流程图，该算法具体说明如下： 　　第一步：对影像进行K均值聚类，将道路和非道路及其它分为K类。K值的选择是关键的一步，K值直接关系着道路类是否分完整；由K值的大小设置其初始中心值，这样能提高算法的收敛速度。设像素点到类中心的距离为D（像素值之间的距离），其步骤如下： 　　图1 路网提取流程 　　图2 算法流程 　　（1）将类的初始中心设置为{{0，0，0}，{255/（K-1），255/（K-1），255/（K-1）}，{2*255/（K-1），2*255/（K-1），2*255/（K-1）}，……，{255，255，255}}。 　　（2）在第n次迭代中，对所有的点求到每个中心的欧氏距离D，将该点归到距离最短的中心所在的类中。 　　（3）利用求均值的方法求出中心值，进而更新该类的中心值。 　　（4）对于每个聚类中心，利用（2）和（3）的迭代法更新后，中心值保持不变，迭代结束。 　　实验中计算像素点到类中心的欧氏距离： 其中R、G、B分别代表3个通道的像素值。 　　D=（R1-R2）2+（G1-G2）2+（B1-B2）2（1） 　　实验验证如图3所示，对于本图K=3聚类效果较好，为下一步区域生长提供了基础数据。 　　第二步：聚类结束后，将道路类的中心作