（模式识别与智能系统专业论文）遥感图像中道路网的自动提取.pdf

中国科学技术大学硕士学位论丈刘士东摘要随着卫星遥感技术和航拍技术的发展，商分辨率卫星和航空遥感图像在高精度g i s 生成、地图更新、地物检测和三维城市建模等方面得到了越来越广泛的应用。其中，道路网的f 确提取对于完成上述工作具有基础意义和关键作用。因为在大部分遥感图像( 特别是城区遥感图像) 中，道路网信息可以作为提取其它地物特征的线索和参照系。从上世纪7 0 年代开始，国内外相继开展了从遥感图像中提取道路信息的研究。目前，在半自动提取方面已经取得了令人满意的成果，实现了商业化应用；然而，在自动提取方面，仍然面临着很多困难。已有的算法对于像乡村这样场景相对简单的遥感图像中的道路网以及城区遥感图像中较直的主干道路网丽言已经耿得很好的提取结果。然而，到目前为止能够从具有复杂场景的城区遥感图像中提取出完整道路网的算法还未见到。究其原因是因为这类图像中大量存在着由道路旁的树木和建筑物所造成的阴影或遮挡，存在着由道路上的车辆和各种交管线所形成的图像干扰，这些现象的存在不仅使遥感图像中的道路网变得非常零乱，而且也经常使道路的边缘变得很不清晰。此外，由停车场、池塘、河流、建筑物顶部等所产生的与道路类似的图像特征的存在也给道路网的图像判读造成困难。在上述研究背景下，本文针对高分辨率遥感图像提出了一种基于拓扑特性的道路网自动提取算法。该算法分三步：第一步，基于改进的c a n n y 准则提取边缘图像，然后，基于图像二值化和细化算法得到候选道路中心线；第二步，将中心线用“图”( g r a p h ) 结构表示，同时根据边缘图像和中值滤波后的原图像计算出每个候选道路段的置信度( c o n f i d e n c e ) ，然后利用道路网的拓扑特性分割、连接、去除候选道路段，得到道路网的初始估计：第三步，基于改进的带状主动轮廓模型( r i b b o ns n a k e ) 对初始道路网进行边缘优化得到最终的道路网。实验结果表明，由于采用了改进的r i b b o ns n a k e 模型，该算法能够较完全地从遥感图像中可靠和精确地提取出道路网的信息。关键词：拓扑特性；带状主动轮廓模型；道路网提取；图像理解! 嬖苎兰堡苎垄鲎篓主量垡堡查! ! 兰蔓a b s t r a c tw i t ht h ed e v e l o p m e n to fs a t e l l i t ea n da e r i a lr e m o t e s e n s i n gt e c h n o l o g y ，h i g h r e s o l u t i o ns a t e l l i t ea n da e r i a lr e m o t e s e n s i n gi m a g e sa r em o r ea n dm o r ew i d e l ya p p l i e di n t om a n yk i n d so fs c o p e s s u c ha sc o n s t r u c t i n gh i g h r e s o l u t i o ng i s , u p d a t i n gm a pd a t a ，t r a c k i n gg r o u n do b j e c t s ，m o d e l i n gt h r e e d i m e n s i o n a lc i t i e s ，a n ds oo n i nt h ea b o v ea p p l i c a t i o n s ，a c c u r a t er o a dn e t w o r ke x t r a c t i o nu s u a l l yp l a y sab a s i ca n dv i t a lr o l e ，f o ri nm o s tr e m o t e s e n s i n gi m a g e s ，e s p e c i a l l yt h o s eu r b a no n e s ，r o a dn e t w o r ki n f o r m a t i o na l w a y sp r o v i d e so b v i o u sc l u e sa n dr e f e r e n c ef r a m e sf o re x t r a c t i n go t h e rg r o u n do b j e c t s ，s i n c et h es e v e n t i e so fl a s tc e n t u r y , r e s e a r c h e so ne x t r a c t i n gr o a di n f o r m a t i o nf r o mr e m o t e s e n s i n gi m a g e sh a v ea r i s e ni n s i d ea n do u t s i d eo u rc o u n t r y n o w a d a y s ，r e s e a r c h e so ns e m i a u t o m a t i cr o a de x t r a c t i o nh a v eo b t a i n e dm a t u r ep r o d u c t i o na n dc a r r i e do u tc o m m e r c i a la p p l i c a t i o n s ；c o n t r a s t i n g l y ，a u t o m a t i cr o a de x t r a c t i o ni sf a c i n gm a n yd i f f i c u l t i e st oo v e r c o m e a sf o rr o a dn e t w o r k si nr e m o t e s e n s i n gi m a g e sw i t hr a t h e rs i m p l es u c ha sr u r a ls c e n e s ，o rs t r a i g h tm a i nr o a dn e t w o r k si nu r b a no n e s ，c u r r e n ta l g o r i t h m sh a v ed i s p l a y e dv e r yg o o de x t r a c t i o ne f f e c t ，h o w e v e r , a l g o r i t h m sw h i c hc a nc o m p l e t e l ye x t r a c tr o a dn e t w o r k sf r o mu r b a nr e m o t e s e n s i n gi m a g e sw i t hc o m p l e xs c e n e sh a v en o tb e e nb r o u g h to u tu n t i ln o w t h er e a s o ni st h a ti nt h e s ei m a g e st h e r el a r g e l ye x i s ts h a d o w sa n do c c l u s i o n sc a u s e db yt r e e sa n db u i l d i n g sn e a r b yr o a d s ，a n di m a g ed i s t u r b a n c e sc a u s e db yv e h i c l e sa n da l lk i n d so ft r a f f i cs i g n so nr o a d s ，w h i c hm a k e sr o a dn e t w o r k sf r a g m e n t a r ya n dr o a d s i d e so b s c u r ei nt h er e m o t e s e n s i n gi m a g e s m o r e o v e r , e x i s t e n c eo fs i m i l a ri m a g ef e a t u r e ss u c ha sp a r k i n gl o t s ，p o o l s ，r i v e r s ，b u i l d i n gr o o f sa l s oc a u s ed i f f i c u l t yf o rr o a dn e t w o r kr e c o g n i t i o n o nt h ea b o v er e s e a r c hb a c k g r o u n d ，t h i sp a p e r , a i m e da tr o a dn e t w o r ke x t r a c t i o nf r o mh i g h - r e s o l u t i o nr e m o t e s e n s i n gi m a g e s ，a d v a n c e sa na u t o m a t i ca l g o r i t h mb a s e do nt o p o l o g i c a lf e a t u r e t h i sa l g o r i t h r ai sd i v i d e di n t ot h r e es t e p s ：t h ef i r s ts t e p ，e x t r a c t i n ge d g ei m a g eb a s e do ni m p r o v e dc a n n yr u l e ，a n do b t a i n i n gh y p o t h e t i c a lr o a dc e n t e r l i n e su s i n gi m a g eb i n a r i z a t i o na n dt h i n n i n ga l g o r i t h m s ；t h es e c o n ds t e p ，! 苎茎兰垫查苎主竺主兰竺垒叁型主叁r e p r e s e n t i n gt h e s ec e n t e r l i n e sw i t hag r a p hs t r u c t u r ea n ds i m u l t a n e o u s l yc a l c u l a t i n ge v e r yh y p o t h e t i c a lr o a ds e g m e n t sc o n f i d e n c eu t i l i z i n ge d g ei m a g ea n dm e d i a n l y f i l t e r e do r i g i n a li m a g e ，a n dt h e n ，b a s e do nt o p o l o g i c a lf e a t u r eo fr o a dn e t w o r k ，s e g m e n t i n g ，c o n n e c t i n g ，a n de l i m i n a t i n gh y p o t h e t i c a lr o a ds e g m e n t s ，t h e r e b yg a i n i n gr o a dn e t w o r k sp r i m a r ye s t i m a t i o n ；t h et h i r ds t e p ，i m p l e m e n t i n ge d g eo p t i m i z a t i o no nt h ep r i m a r yr o a dn e t w o r ku s i n gi m p r o v e dr i b b o ns n a k ea n dg a i n i n gu l t i m a t er o a dn e t w c r kt h ee x p e r i m e n tr e s u l ti n d i c a t e st h a tb e c a u s eo f a d o p t i n gi m p r o v e dr i b b o ns n a k e ，t h i sa l g o r i t h mf a i r l yc o m p l e t e l ye x t r a c t sr e l i a b l ea n da c c u r a t er o a dn e t w o r ki n f o r m a t i o nf r o mr e m o t e s e n s i n gi m a g e s k e yw o r d s ：t o p o l o g i c a lf e a t u r e ；r i b b o ns n a k e ；r o a dn e t w o r ke x t r a c t i o n ；i m a g eu n d e r s t a n d i n g致谢值此论文冗成之际，我首先向我的导师汪增福教授表示由衷的感谢。三年的研究生学习和科研中，汪老师始终给予了耐心的指导和亲切的关怀。而且，汪老师严谨的治学态度，对学术前沿的敏锐洞察力、正直而又不失随和的待人方法给我留下了深刻印象，使我受益非浅。同时我也要感谢我们系的其它老师，他们渊博的知识、细致的讲解、独到的分析，激励我勇于在科学的领地里辛勤探索。也要感谢我们系的各位秘书，他们和蔼可亲的态度让人倍感亲切。这里我还要感谢自动化系“视听觉信息处理和模式识别实验室”的各位同学包括邬昶畅，胡元奎，沈项军、韩龙等，和关胜哓、郑志刚两位老师。实验室不但提供了很好的硬件环境，而且各位老师同学的相互交流和帮助也使我在科研中颇受启发。另外，我要感谢同寝室的贾梦雷同学，他在生活和学习上对我的帮助和鼓舞使我能够专心于我的课题研究，克服障碍，勇于进取。最后我将这篇硕士学位论文献给我的父母、妹妹、和其它亲朋好友，他们为我的学业提供了无私的支持和关怀。孛驾辞擎技术太喾瑚士章弦论史第一章酶论第一章绪论1 1 道路提取概述随着卫星遥感技术和航拍技术的发展，多光谱或者全色高分辨率航空遥感图像因其信息量大、时空连续性好、精度高等特点而获得了越来越广泛的应用。例如，单光谱高分辨率遥感图像被用于对特定的地物目标( 例如，绿地、森林和其它国土资源等) 进行观测以完成对土地资源的监测和分析任务。而全色高分辨率遥感图像的应用就更加广泛，在高精度g i s ( 地理信息系统) 的生成、地图数据的获取和更新、地面运动目标的跟踪以及虚拟城市的三维建模等方面都有着广泛的应用。其中，道路网的自动和正确提取对于完成上述工作起着关键的作用。这是因为在大部分遥感图像( 特别是城区遥感图像) 中，道路网的信息可以作为提敬其它地物特征的线索和参照系。国外从2 0 世纪7 0 年代后期就开始了遥感图像中道路提取的研究f 3 】。国内由于遥感技术发展水平的限制，起步较晚。道路提取是一个多学科交叉的研究领域，它涉及到的领域包括计算机视觉、计算机图形学、人工智能、模式识别、测绘学、和数学等。随着所涉及各领域的快速发展，国内外在道路提取方面的研究从2 0世纪9 0 年代_ 丌始进入了一个高速发展时期。从文献记载来看，相关研究涉及的范围非常广泛，涵盖了道路提取的方方面面。其中，相关的图像预处理方法、边缘提取算法、特征提取算法、网状模型、s n a k e s 模型以及道路提取结果的表示和应用等是研究的重点。目前，在这领域比较活跃的研究机构中，国外的有德国的慕尼黑理工大学、瑞士的苏黎世联邦工学院、加拿大的约克大学、荷兰的代夫特理工大学、美国的南加州大学以及澳大利亚的新南威尔士大学等，而国内的则包括国防科学技术大学、解放军信息工程大学、中国测绘科学研究院、武汉大学、西安测绘研究院和武汉测绘科技大学等。在现有的道路提取算法中，有些利用了来自地图数据库【8 】、g i s 数据库、d s m( 数字表面模型) 等其它数据源的辅助信恳来完成从遥感图像中提取道路的工作。有些则直接对遥感图像进行处理以提取道路信息。此外，根据在算法运行过程中有无人机交互，即是否由人通过计算机界面提供某些额外信息来完成相应的道路提取工作，可以将现有的道路提取算法分类为半自动化提取算法和自动化提中圆科学拉术太学烦士季住论文第一章绪论取算法两类。目前，在半自动提取方面已经取得了令人满意的成果，实现了商业化应用；然而，在自动提取方面虽然也取得了一些很有启发意义的成果，但由于受人工智能发展水平的限制仍然面临着很多困难。1 2 道路提取的基本原理图i 道路网模型从遥感图像中提取道路信息，首先必须了解道路在遥感图像中所具有的特征。v o s s e m a n 和k n e c h t 【3 7 】用包括几何( g e o m e t r i c ) 特征、光度学或辐射度学( p h o t o m e t r i c ) 特征、拓扑( t o p o l o g i c ) 特征、功能( f u n c t i o n a l ) 特征以及关联或上下文( c o n t e x t u a l ) 特征在内的五种特征对道路进行描述。其中，几何特征要求道路有两条近似平行的边缘、宽度须在一定的范围之内变化、不能有急弯、坡度也不能太大；光度学或辐射度学特征则由获度分布来表征，要求道路区域内图像亮度比较均匀，而且与背景之间有很大的灰度差别；拓扑特征要求遥感图像中的道路具有交叉相连的特点，形成网状结构；功能特征指道路要具有为人类提供交通途径的功能，道路至少要有一端处在人类居住区以内，否则道路的存在就失去了实际意义；关联或上下文特征则用于表征道路与环境之间的关系，它又可分为全局关联特征( g l o b a lc o n t e x t ) 与局部关联特征( 1 0 c a lc o n t e x t )两类。其中，全局关联特征根据整幅遥感图像所反映的内容可分为城市郊区型中国科擘技术大学硕士学柱论文第一章绪论( s u b u r b u r b a n ) 、森林型( f o r e s t ) 、开放乡村型( o p e n r u r a l ) 2 3 1 三种类型局部关联特征则根据道路与道路附近或其上的其它地物所形成的相互关系分成些具体的类型，如由路旁建筑物或树木所造成的阴影遮挡类型( o c c l u s i o n s h a d o w ) 、道路上汽车形成的汽车道路类型( v e h i c l er o a d ) 、乡村土路类型( r u r a l d r i v e w a y ) 1 2 3 1 等等。全局关联特征使算法在针对具有不同内容的遥感图像片段时可以采取不同的提取策略或不同的参数，而局部关联特征可以为算法连接线性特征的间断( g a p ) 提供依据。图1 给出了道路网模型的一种表示，它从不同的层面详细描述了道路网的特征陋i 。m a r c 的视觉理论给出了一个视觉系统应具有的一般框架。受该理论的启发，同时也便于理解，本论文所涉及的道路提取中的相关处理也可以用低、中、商三个层次进行表示。相应的系统框图如图2 所示1 5 1 】。预处理( 校i e , 滤波等)w低屡欢处理( 二值化灰廖边缴纹理、瑗点方向等)v中屡次处理( 特征分杯选择、综台等)山5 屡次处理( 知识、智躲规赇学习、理青翠、识别等)啦道路( 标识、表恭应用等)图2 道路提取的三个层次1 3 道路提取的现有方法1 3 1 道路提取的半自动化方法由于目前计算机的自动识别能力仍然不强，对人类视觉来说很容易的从遥感图像中判别道路的任务对于计算机却是很困难的任务，但计算机相比人类视觉却具有无可比拟的精确定位的能力，因此结合二者优点的半自动化提取方法耿得了很好的效果，是目酊现实的可以实用的方法。半自动化方法一般指通过人机交互中国科肇技术失学硕士学位淹史第一童绪论提供给计算机一些先验信息如初始的种子点和初始方向，再e h 计算机自动完成剩余的步骤，一般可以分为阻下几类：i ) 基于边缘跟踪的方法，3 0 , 3 ”。先给定初始的种子点和初始方向开始边缘跟踪，直到边缘终止处作为新的跟踪种子点，而边缘跟踪的路径就是一条候选道路段。2 ) 最小二乘模板匹配方法4 8 1 。该方法在给定特征点初始值的条件下，以最小二乘法估计模板与影像之间的几何变形参数，进而确定影像上曲线的具体参数得到道路的数学表示，该方法可以获得较高的精度。3 ) 动念规划方法 1 0 】。该方法首先沿道路给出一系列种子点，假设道路的一般参数模型，将其表达成种子点之间的“代价”函数，然后用动态规划确定种子点之间的最优路径，也即候选道路段。4 ) l s b s n a k e s 方法。该方法结合了最小二乘法与s n a k e s 方法。将线状特征的数学曲线描述和影像中的边缘特征很好地结合，是目前理论上最为严密的方法。1 3 2 道路提取的自动化方法道路的自动化提取包括道路的识别和定位，与半自动化方法相比，缺少了人r 辅助识别，但是由于计算机识别能力有限，所以目前还没有提出很成熟完善的自动化提取算法。目前的算法主要针对某种特定类型的道路如高速公路或城市道路网中的主干道，或者针对场景简单的开阔乡村遥感图像，一般可以作如下划分：1 ) 多分辨率提取算法【5 ，1 2 , 1 4 , 1 5 , 2 1 , 2 3 , 2 4 , 3 2 1 。不同分辨率的遥感图像侧重于表现道路信息的不同方面：低分辨率遥感图像能够较好地表现道路的骨架和拓扑信息而且受噪声影响较小，高分辨率遥感图像贝g 侧重于表现道路的细节如道路宽度、道路具体的连接方式，但往往容易受到环境噪声的影响，如阴影和遮挡模糊了道路边缘。所以充分利用各自的优点将二者结合起来提取道路是个自然的选择，具体做法是在低分辨率图像中提取道路中心线信息，在离分辨率图像中提取道路的平行边缘，再将两步结果根据一定的规则融合。2 ) s n a k e s 方法f 4 ，1 4 , 2 翔。高分辨率遥感图像提供了更丰富的道路信息，但也带来了更多的噪声致使提取出的道路段往往断断续续，而且道路两条边缘的平行4中国科擘技术太学硕士学位论文第一章绪论性往往被破坏。针对这种情况，从计算机图形学中引入t s n a k e s 概念6 ，1 8 , 2 0 , 4 叫，由- 遥感图像中道路一般表现为一条平滑亮带，所以可以假设成具有一定宽度的平滑睦线这时就可以利用r i b b o ns n a k e s 来优化道路边缘，从而得到两边平行的带状道路表示。这种方法的最大优点是得到的道路显示非常清晰。3 ) 利用其它数据源作为对比或匹配的对象【8 ，9 ，2 8 , ”1 。可以将已有的地图数据 8 或者g i s 数据1 2 8 j 与遥感图像先进行配准，这样可以得到道路的粗略信息作为初始输入，再依据图像特征进行精确识别和定位，而且道路提取的结果可以直接反馈给其它数据源，从而完成数据源的更新和提高精确度。另外可以利用数字地表模型【9 1 ，对遥感图像中的阴影进行预测和分析，从而将提取结果中的道路间断连接起来。4 ) 数学形态学方法4 2 , 棚。利用数学形态学变换将灰度图像转换成二值图像，从而降低了图像复杂度，图像中的象素被分成了道路和环境两类。对边缘进行跟踪得到线性特征，利用知识规则对线性特征进行道路识别，最后再对结果进行细节处理，如连接或优化。这种方法的优点是能很好地提取出道路骨架，但是提取出的道路边缘易受噪声影响而不够平滑和平行。5 ) 概率统计的方法2 6 , 5 3 1 。道路在遥感图像中的分布般具有一定的规律，如宽度变化小、方向变化缓、内部灰度较均衡、与背景差异较大据此可以建立道路的统计概率模型，在检测窗口内计算每个象素属于道路的概率，再在全局上对结果进行判别和优化。这种方法可以很好地减小环境噪声的影响。6 ) 网状模型的方法2 5 ，2 7 3 3 ，34 1 。这种方法首先利用各种线性或曲线特征提驳算法得到候选道路段1 2 3 1 , 4 3 , 5 。1 ，但是这些候选道路段往往太离散，而实际中的道路往往相互交叉连接，形成网状。所以这种方法充分利用道路网的拓扑特性，设定道路连接的评价函数，将候选道路段连接成网。1 4 道路提取算法的评价方法在道路提取领域的研究日益活跃之际，如何恰当评价现有文献所提出的各种道路提取算法也成了一个研究课题，有些研究者己经提出了一些很有意义的评价模型叩羽。这些评价模型一般包括以下6 个评价标准：完全率( c o m p l e t e n e s s ) 。这是一个百分率，表示遥感图像中的道路有多大比例已经被提取出来。正确率中国科辛技术太学硕士学位论文第一聿绪论( c o r r e c t n e s s ) 。这个百分率表示提取出的结果道路中有多大比例对应着现实中存在的真实道路。冗余率( r e d u n d a n c y ) 。这个百分率表示提取结果中出现多条道路对应现实中同一条道路的比率。平均定位误差( r o o to fm e a ns q u a r ed i f f e r e n e e ) 。单位为米，指对应于实际物理世界中的道路，算法的提取结果相戍的定位误差。这个标准定义了算法的精确度。每千米间断数( n o o fg a p sp e rk m ) 。实际中的道路一般相连成嘲，而提取出的道路段往往离散，这个标准反映了相对于实际的道路网，提取结果的离散度。平均间断长度( m e a ng a pl e n g t h ) 。单位为米，表征结果中出现的间断对应于物理世界的平均实际长度。1 5 研究方法和文章结构已有算法对于场景简单的开阔乡村遥感图像中的道路网睁“1 或者城区遥感图像中的主于道路网5 2 1 已经取得很好的提取结果，然丽很少有算法能够从具有复杂场景的城区遥感图像中提取出完整的道路网，这是由于这类图像中大量存在着由道路旁的树木和建筑物造成的阴影或遮挡，道路上的车鞭和各种交管线造成的图像干扰，由停车场、池塘、河流、建筑物顶等造成的类似道路图像特征，从而不但使图像中的道路网显得非常零乱，边缘不清晰，而且有一些图像特征很难判断到底对应何种地物。针对这种具有复杂场景的遥感图像，本文提出了基于道路网拓扑特性采用“图”结构进行候选道路段分割、连接和去除的算法，并且利用一种几何特征和统计特征相结合的道路模型计算道路段的置信度作为分割、连接和去除的基础，最后提出一种改进的带状主动轮廓模型对得到的道路网初始估计进行边缘优化从而得到最终的道路网表示。本文第二章将介绍边缘图像和候选道路中心线的提取；第三章将提出一种基于几何特征和统计特征相结合的道路模型，并且讨论如何利用道路模型计算出各候选道路段的置信度：第四章将介绍如何利用道路网的拓扑特性分割、连接和去除候选道路段得到道路网的初始估计；第五章将提出一种适用于道路网提取的改进的r i b b o ns n a k e 模型，对初始道路网进行边缘优化得到最终的道路网表示：最后，第六章将给出本算法的实验结果和结论，并对未来的工作进行展望。中国科学技书走学硕士擘位论文第二章边缘捡酬和候选道路中。o 线提取第二章边缘检测和候选道路中心线提取遥感图像中道路一般呈现为一条平滑的亮带，而背景相对较暗，这样在道路的两边就会出现明显的灰度变化，所以图像的边缘特征包括了道路边缘。而亮带的中心线对应着实际道路的中心线，如果将图像中亮带中心线提取出来，则得到了道路网的粗略估计。所以边缘检测和候选道路中心线的提取在本方法中对应着m a r t 视觉理论中的第步低层次处理。由于在具有复杂场景的遥感图像中，道路上车辆和各种交管线造成的图像干扰和其它环境噪声的大量存在，使道路边缘不清晰，道路区域内灰度不均衡，所以在对图像作进一步处理之前，首先要对图像进行4 x 4 的中值滤波处理。2 1 基于改进的c a n n y 准则的边缘检测2 1 1 边缘检测方法概述图像边缘总是出现在图像中灰度、色彩、纹理发生突变的地方，这些地方往往对应着不同物体之间的边界，所以图像的边缘信息对于图像的识别和理解具有特别重要的意义。针对狄度图像，边缘检测相当于依据图像灰度值在空问的不连续性对图像作出的分割。边缘包括幅值和方向两个度量，沿着边缘方向，幅值变化较小，而垂直于边缘方向幅值则变化很大。边缘检测一般利用如下两个判断条件之一：图像扶度的一阶导数。在边缘处，图像狄度的一阶导数幅值较大，且往往形成一个峰值，该峰值的大小和极性反映了边缘的幅值和方向。图像灰度的二阶导数。在边缘处，图像灰度的二阶导数取零值，而且在两旁分别存在一个极性相反的峰值，两个峰值的大小和极性反映了该边缘的幅值和方向。所以传统的边缘检测算子一般分成两类：一阶微分算子和二阶微分算予。常用的一阶微分算子包括s o b e l 算子和p r i w i t t 算子，如图3 和图4 所示：一lo12o2一lol121_0ool一21图3s o b e l 算子中国科学技术犬学硕士学位论丈第二幸边缘捡测和候选道路中心缦提敢一lo1一loll01ll10oo一1一l一1llololol- i图4p r i w i t t 算子一阶微分算子是各向异性的边缘检测算子，也即它的运算结果与算子的方向紧密相关，根据这个性质我们可以得出象素点不同方向上的梯度幅值。但我们一般不能事先知道某个象素点的边缘方向，而一阶微分算予又要求算子与边缘方向垂直，所以在实现中我们不得不进行各个方向的一阶微分计算。为了消除这种繁琐性，我们需要找到一种各向同性的边缘检测算子，这就是梯度算子，其值等于图像灰度沿梯度方向的最大变化率。在实际应用中，往往不是单纯采用一阶微分算子，而是采用梯度算予来检测边缘。常用的二阶微分算子是拉普拉斯算予，其差分模板如图5 所示：010l一4l0l0图5 拉普拉斯算子二阶微分算子是通过检测过零点来定位边缘点，但是由于数字图像的离散特性，在实际计算中，很难检测到过零点，而是将卷积结果的绝对值与一个设定的阚值比较，小于该阙值的就认为是过零点。但这样经常得到双象素宽的边缘，而且由于二阶微分易受高频噪声影响，该方法的抗干扰能力较差。为了增强二阶微分算予的抗干扰能力，常常先进行高斯平滑滤波，再用拉普拉斯算子检测边缘，这就是l o g 算子。2 i ，2 传统的c a n n y 边缘检测算子在图像处理领域中，各种边缘检测算法被不断提出，但到目前为止，c a n n y中国科掌技术大学硕士学位论文第二章迪缘检潮和搂逸道路中心线提取于1 9 8 6 年提出的c a n n y 边缘检测算子是效果最好的算子。传统的c a n n y 边缘检测算子一般包括以下四步：1 ) 削高斯滤波器平滑图像。获取的图像常常受到环境噪声或随机噪声的干扰，为了避免检测结果中出现离散的虚假边缘点，在边缘检测前必须对图像进行平滑。但抑制噪声和精确定位是互相矛盾的，平滑算子一方面必须能够抑制噪声影响，另一方面必须尽量不影响边缘的精确定位。高斯平滑算子提供了在抗噪声干扰和边缘精确定位之间的最佳折衷方案。而且高斯平滑算予提供了一个标准差参数来控制平滑程度，其值越大，平滑程度越高，边缘越不清晰，相反，则平滑程度越低，越不影响边缘清晰度。2 ) 用一阶偏导的有限差分来计算梯度的幅值和方向。首先对图像中的同一象素点分别计算x 和y 方向的偏导数梯度，然后梯度幅值和方向可利用直角坐标到极坐标的坐标转化公式来计算，此时的梯度方向取值在0 3 6 0 “之间。3 ) 对梯度幅值利用梯度方向进行非极大值抑制( n o n m a x i m a ls u p p r e s s i o n ) 。非极大值抑制通过抑制梯度方向上所有非屋脊峰值的幅值来细化梯度幅值屋脊。在每一象素点上，该象素与沿着梯度方向的前后两个相邻象素进行比较，如果该象素点的梯度幅值不比相邻两个象索点的梯度幅值大，则赋该点梯度幅值为零，否则保持该点梯度幅值不变，这一过程可以把宽屋脊带细化到只有个象素宽，同时保留了屋脊的梯度幅值。4 ) 利用“迟滞”( h y s t e r e s i s ) 策略检测和连接边缘。清除虚假边缘的典型方法是使用一个阈值，将低于闽值的所有梯度幅值赋零，但选择合适的阈值是非常困难的。c a n n y 算法提出了“迟滞”策略，也即利用双闽值法，先利用高端条件确定初始种子点，再利用低端条件扩展这些种子点得到全部边缘点。高端条件可以尽可能去除虚假边缘点，而低端条件则可以使边缘段中的间断得到连接。2 1 3 对c a n n y 算予的改进和边缘检测结果针对道路检测的目的，根据遥感图像中道路往往比周围场景具有更高亮度的特性，在传统c a n n y 算法的第4 步中除了梯度幅值外，引进象索的灰度值作为另外个判断条件，具体做法如下：定义象素灰度值的高低阈值分别为g r a y h i g h和g r a y l o w ，梯度幅值的高低阈值分别为m a g h i g h 和m a g l o w ，并且假设待处中国科学技术大学硕士学位论支第二章边缘检测和使选道路中t o 线提取理象素的灰度值和梯度幅值分别为g r a y v a l u e 和m a g n i t u d e ，则可以如( 2 1 ) 和( 2 2 ) 式分别定义“迟滞”过程中的高端判断条件和低端判断条件：( g r a y v a l u e g r a y h i g ha n dm a g n i t u d e m a g l o w )o r( g r a y v a l u e g r a y l o wa n dm a g n i t u d e m a g h i g h )( 2 1 )g r a y v a l u e g r a y l o wa n dm a g n i t u d e m a g l o w( 2 2 )在算法实现中，g r a y h i g h 和g r a y l o w 分别表示特定的灰度值( 0 2 5 5 ) ，而m a g h i g h 和m a g l o w 并不代表真正的梯度幅值，而是表示两个小数( o 1 0 ) ，其中m a g h i g h 确定了非极大值抑制后梯度幅值直方图上的一个百分点，即对应于梯度幅值的高阈值，而m a g l o w 则表示梯度幅值低闽僵占此高闽值的百分比。在实验中我们发现这种改进的“迟滞”策略不仅具有更好的提取效果，而且具有更强的鲁棒性，也即闽值选择对检测结果的影响很小。实验图像是z u r i c hh o e n g g 数据库中的一幅航空图像转化成的b m p 灰度图像，大小为1 0 3 2 1 0 2 4 ，以后各章的算法也都基于此原图像。图6 是原图像，图7 是提取出的边缘图像。图6 原图像t 0中国科擘技术大学硕士学位论文第二章边缘检测和谈选道路中- 。线提取图7 边缘检测的结果图像2 2 候选道路中心线提取道路中心线构成了道路网络的骨架，反映了道路的拓扑信息，是道路网的关键信息。由于道路中心线附近图像灰度分布较均衡，不存在灰度的突变，所以不能利用检测边缘的办法来提取，而往往采用图像二值化后再细化的算法。我们将候选道路中心线的提取分两步进行：采用图像二值化算法分离出候选道路区域：利用细化算法细化候选道路区域得到候选道路的中心线。2 2 1图像二值化的实现方法图像二值化就是利用适当的判别标准将图像分割成物体和背景两部分。典型的图像二值化方法是基于图像灰度直方图的二值化。这种方法假设图像中不同内容的区域都是由灰度值相近的象素组成的，物体与背景之怕j 、不同物体之间的灰中国科学技长走学硕士学位论文第二章边缘检测和候选道路中。线提取度值十u 差明显。这样，在图像的狄度直方图中会出现分别对应于物体、背景、或不同物体的峰值，根据扶度直方图的形状，选择适当的闽值就i r 实王见图像的分割。针对遥感图像中的道路网提取，我们根据道路特征往往比周围的其它地物特征明亮的特点，提出了一种基于象索灰度值的采用类似c a n n y 算法中“迟滞”策略的图像二值化算法，该算法采用象素灰度值和其与陔象素的邻域高斯平均值的差值作为判断条件。假设待处理象素的次度值为g r a y v a l u e ，与邻域高斯平均值的差值为d i f f e r e n c e ，并且定义荻度值的高低阈值为g r a y h i g h 和g r a y l o w ，差值的高低闽值为d i f f i - i i g h 和d i f f l o w ( 四个阈值都取0 到2 5 5 之间的灰度值) ，则可以如下分别定义“迟滞”策略的商低端判断条件：g r a y v a l u e g r a y h i g ha n dd i f f e r e n c e d 翩i g hg r a y v a l u e g r a y l o wa n dd i f f e r e n c e d i f f l o w图8 是二值化处理后的图像，白色区域代表候选道路区域。图8 二值化图像( 1 3 )( 1 4 )第二章边缘捡测和候选遮路中心线提取2 2 2 二值化图像的细化从图8 二值化分割后的图像上可以看出，该：二值化算法有效分离出了遥感图像中的道路区域。但是由于道路路面上存在着灌木分离带、阴影遮挡等较睹地物或者紧靠路边存在着楼房、水泥地等明亮地物，使得上述算法得到的部分道路区域存在小孔或者间断，这会严重影响后续细化的结果，所以在细化之前必须进行一步消除小孔和裂缝的处理。而数学形态学中的一种基本运算“闭”( c o s e )运算恰好能够起到弥合小孔和裂缝而保持处理对象总的位置和形状不变的作用所以我们采用5 x5 的e 方形结构元素对图8 所示的二值化图像进行“闭”处理。图9 是经过这种处理后的结果，可以看出，绝大部分细小的小孔和裂缝被消除，不过仍然存在一些较大的小孔和裂缝，这是由于为了避免破坏道路嗣的拓扑信息而没有采用更大尺寸结构元素的原因。图9“闭”处理后的二值化图像中国科学技术大学硕士学位论文第二章边缘检测和谈选道路中_ 线提取图i o 则是图9 经细化处理后的结果，从图中可以看出道路网的基本拓扑信息己被提取出来，但同时大量存在着毛刺、间断、虚假中心线、细碎的小线段等非道路中心线的线性特征。图1 0 候选道路中心线图像2 3 上述两步骤中参数选择的分析下面就2 1 节边缘检测和2 2 节候选道路中心线提取两个过程中所利用到的同类型的参数进行分折，讨论两步骤中参数选择的联系和区别。遥感图像中的道路受周围地物的影响一般具有越靠近边缘越暗、越靠近中心线越亮的特点，所以候选道路中心线提取过程中的灰度值高低阈值g r a y h i g h 和g r a y l d w 要分别大于边缘检测中的高低闺值。1 4中国科学技术太学硕士学位论吏第二章迫缘检测和候选道路中心线提取在两步骤中都用到了高斯模板，但决定高斯模板大小的参数一标准差s i g m a的选择是不同的。在边缘检测中高斯模板是用来平滑图像，所以窗口大小要小于道路宽度，而在中心线提取步骤中高斯模板被用来计算象素灰度值与邻域高斯平均值的差值，经理论分析，为使道路区域中所有象素对应的这种差值较均衡，窗口大小至少要大于道路宽度的两倍，而窗口大小又由s i g m a 近似线性决定，所以中心线提取过程中选取的s i g m a 要至少大于边缘检测中选取的s i g m a 的两倍。璺翌兰垫查垄兰堡主茎堡箩文第三章道路模型及候选道路段置信度的计算第三章道路模型及候选道路段置信度的计算第二章中已经提取出了候选道路边缘和候选道路中心线，但是结果中包含有许多虚假边缘和虚假中心线，而又缺失了部分边缘和中心线信息。所以我们考虑融合两步骤结果提供的信息来判断识别候选道路段，这种融合可以增加有效信息量，并提高信息的可信度。为了实现道路信息的融合我们提出了一种几何特征和统计特征相结合的道路模型，丽为了实现对道路段信息可靠性的量化评价，我们引入“置信度”的概念依据提出的道路模型来量化评价道路段信息的可靠性。3 1几何特征和统计特征相结合的道路模型在有关道路提取的早期文献中，由于当时卫星遥感水平的限制，研究都是基于低分辨率的遥感图像，所以往往假设遥感图像中的道路是一条平滑的直线或曲线1 5 0 1 ，进而提取线性特征或曲线特征来识别道路。当高分辨率遥感图像得到广泛应用的时候，遥感图像中道路往往被假设成一条具有两条平行边缘的平滑亮带f 】2 13 2 】，因而提出的道路模型是一条具有一定宽度的平滑曲线。当考虑到道路与周围地物的关系时，又可以加入关联或上下文( c o n t e x t ) 模型【4 ，1 4 ，2 3 1 。因为我们针对的是具有复杂场景的高分辨率遥感图像，所以也假设遥感图像中的道路是一条平滑的亮带。但在这种遥感图像中往往由于存在着严重的遮挡、阴影、噪声等，道路的两条边缘或者断断续续、或者根本不平行，所以不能再假设道路具有两条平行的边缘。因此我们提出的道路模型是一条具有一定宽度的平滑曲线，其中的道路宽度不再像传统文献中定义的那样是一个几何特征，而是一个统计特征，平滑曲线( 即道路中心线) 仍是几何特征，并且为了利用道路网的拓扑特性，假设道路的走向变化不大，即道路中心线是一条较直的平滑曲线。下面分几何特征和统计特征来说明我们的道路模型：几何特征：( 1 ) 中心线是一条较直的平滑曲线，道路的走向由中心线的两个端点来确定。( 2 ) 道路要有一定的长度，而长度由中心线上的象素数来表示。统计特征：( 1 ) 道路的宽度变化不大，而且道路宽度由平均宽度来表示。1 6中国科学技术是学硕士学位论文第三章道路模型及候选道路段置信度的计算( 2 ) 道路两侧分别存在条连续的边缘。( 3 ) 道路区域较亮，亮度由中心线上象素在中值滤波后图像中的灰度平均值描述。3 2 非确定性推理及置信度非确定性推理是人工智能领域中的一个概念。我们可以如下定义个推理公式：e 一 c ，其中e 、c 分别表示推理公式的事实和结论，而且定义c f ( e 2 、c f ( c ) 、c f ( c 毋分别表示事实、结论、推理公式本身的置信度。鼍信度取值范围是( o 1 ) ，l 代表完全可信，而0 代表完全不可信，其值越大，可信度越高。假设e j ，邑厶分别表示n 个事实，则有以下的推理规则：( 1 ) 事实的不确定。i f e = e ，a n d e 2 a n d a n d e n ，t h e nc f ( e ) = m i n c f ( e i ) ，o rc f ( e ) 一c f ( e o c f ( e 9 c f ( e i f e = e lo r e 2 0 r o r e n t h e nc f ( e ) = m a x c f ( e o ( 2 ) 推理的不确定。i f e 一 ct h e nc f