遥感图像的获取与预处理

1绪论

LI研究背景和意义

道路信息与人们的生活息息相关，对道路信息进行提取的高效性和准确性与

很多领域都相关。在地理信息系统的数据更新、影像匹配、目标检测、城市区域

规划、交通信息管理、车辆出行引导以及驾驶器的导航定位等领域都有至关重要

的作用。利用高分辨率遥感影像进行道路的提取是一种方便快捷的途径。高分辨

率遥感影像可以清楚地展现出道路的几何特征和纹理特征，它提供的纹理特征是

经过细化以后的，这些信息为道路提取的工作提供了基础。与传统的道路提取的

方法相比，利用高分辨率遥感影像进行道路信息的提取有很多优势，比如道路提

取成本低、可以覆盖大部分区域等优势，使传统的道路提取的缺点得到了改善。

道路的状态信息是进行道路更新的一种必要的信息。传统的道路更新的方法

有很多不足，它不仅需要耗费大量的人力和物力，而且道路更新的时间长，而且

获取信息不够及时。使用传统的道路更新方法，需要面对大量的数据，无论对人

力还是物力都是一个很大的挑战。不可能专注于史理更高的水平和解决研究中的

实际问题。因此，人们需要探索自动提取道路信息的方法。一方面，可以识别自

动道路信息，从而可以实时更新道路数据或实时更新道路数据；另一方面，人们

可以摆脱沉重而枯燥的数据生产。

随着遥感技术的不断发展，人们对地球资源和全球环境有了更深入的了解，

用户对高分辨率遥感图像数据的质量和数量有越来越高的要求。与低分辨率和中

分辨率遥感图像相比，高分辨率遥感图像具有许多新功能，最重要的功能是：可

以清楚的看到细小的地物、光谱波段的数量多、图像更新时间短等。在对图像进

行信息对处理与分析时，波谱信息是对低、中分辨率遥感影像进行信息处理和分

析的主要信息，而利用高分辨率遥感影像处理与分析问题具有很大的特殊性，需

要更多地综合的运用遥感图像的空间特征信息，这种运用多种遥感影像的信息对

遥感图像进行处理，并与计算机技术相结合的技术就是新型的遥感图像处理技术。

近年来，遥感技术与计算机技术都在飞速的发展，特别是遥感图像的分辨率得到

了很大提高，分辨率包括空间分辨率，时间分辨率等，空间遥感可以全天时、全

天候的观测地球，而且有很高的空间分辨率，同时，它的光谱分析的性能也很好。

这些航空遥感技术在目标检测、区域规划等方面都有了很好地表现，对地理信息

系统、汽车导航定位等领域也有很大的贡献。由于法国SPOT-1号卫星的发射，

对于把计算机技术与航天遥感结合起来的、有很好的现势形的技术得到了全世界

专家学者的关注。航天影像的地面分辨率从10m、5m、2m、Im、0.5m().3m逐

步升高，真正的使人们“不出门就知天下事高分辨率遥感影像的在城市规划、

土地利用、环境监测等方面都有了更方便、更详尽的数据来源，并且对于军事目

标的识别、模拟战场环境来说有更重要的意义。

1.2国内外研究现状

19世纪国内外就开始对道路进行研究。而国外的基于遥感影像的道路半自

动化提取的研究是从1970年以后开始的，国内比国外晚一些。对遥感图像的道

路信息提取的研究主要经过了如下的几个发展过程：从简单的提取方法到复杂

的方法；从半自动化道路信息提取到自动化道路信息提取；从低分辨率遥感图像

到中、高分辨率遥感图像道路信息提取；从农村地区或森林地区的道路信息提

取，到城郊地区和城市地区道路信息的提取；从使用一种方法进行道路提取，到

把多种方法相结合；从对一种数据进行提取到对多源融合的数据进行提取；从单

一方法的提取到多种方法提取结果的融合提取。按照道路提取算法的自动化程

度来看，遥感影像的道路提取可以分为自动化和半自动化两类。半自动化道路提

取就是把人工和计算机结合起来，在算法提取之前加入了人工的先验信息，比如

种子点的选取和道路起点和终点的选取；而自动化道路提取的提取过程全部由

计算机实现，减少了人为的判断对道路提取的影响。

(1)自动化道路提取方法的研究现状

遥感影像的自动化道路提取可以应用在很多领域，包括地理信息系统的自动

更新、车辆导航、自动驾驶等。遥感影像自动化道路提取的步骤为：图像分割、

图像分类、图像后处理。该方法将道路视为具有一定几何纹理规律性的区域，通

过影像处理得到分割区域结果，利用分类及后处理方法完成对道路的提取。下面

介绍几种常用的自动化道路提取的方法。

分割是面向对象方法中的初始步骤，也是决定道路提取精度的关键环节。目

前最为简单易行的方法是阈值分割。Zhou等⑷提出把高分辨率全色影像和多光

谱影像的数据信息结合在一起，利用中值滤波对分割后的图像进行滤波处理.，有

效的去除了噪声。Li等⑹提出了一种结合随机投影深度函数和路径形态学的非典

型的道路中心线的提取方法，采用了直方图阈值分割的方法二值化图像，可以有

效地提取非典型道路中心线。

分割方法难以将道路与非道路区域区分，此时需要采用分类方法对分割单元

进一步处理。目前高分辨率影像提取基本上都使用监督分类，但是监督分类需要

人工操作，由于人的主观意识，监督分类具有不稳定的特点，Han等⑹提出了一

种非监督分类的方法，建立了一套完整的非道路区域滤除体系，选择了多幅分辨

率不同、地区不同的遥感影像进行实验，稳定性比较高。Sun等⑺针对城市中交

通拥堵的情况，采用一定尺度的形态学算子，将图像分为两部分，一部分为有车

辆、遮挡物的细节要素图，另一部分为反映形状和颜色的粗尺度图像，从而实现

区域方向指导下面向对象的多光谱图像分割方法。

分类只能将不同分割单元赋予类别，而初始分割单元会导致的道路边界不清

晰、断裂、黏连等问题"j数学形态学能够对图像进行形状及结构的分析和处理，

对于解决空洞问题、边界不够清晰等问题有一定效果。例如Li等⑻对分类后道路

提取结果展开面积阈值滤波、形态学开运算、孔洞填充、影像差与和等工作，以

获取更加精确的道路提取结果。

然而，由于遥感影像中存在大量的异物同谱现象⑼，这种现象使利用计算机

自动识别道路以及校验道路目标等方面存在很大的困难。从现阶段来看，全自动

道路提取的技术还不够成熟，虽然很多专家和学者经对道路自动化有了一系列的

研究，然而全自动实现各类道路的提取还有一定难度。

（2）半自动化道路提取方法的研究现状

半自动道路提取指的是，在进行提取时，人工先传送给计算机一些先验信息、,

再由计算机根据接收的数据自动进行后续处理，直到完成整个实验。近四十年里,

国内外有关学者针对道路半自动提取做出了众多的研究。传统的半自动道路提取

方法有：1）基丁边缘特征的提取方法［叫2）基丁Cm”的道路提取方法山】；3）

基于模板的提取方法等。对于现阶段来说，遥感影像的道路半自动化提取可执行

性比较高，半自动化道路提取可以把人工的选择和计算机的智能识别有效的结合

在一起，研究可执行性更高的道路半自动化提取方法对于现阶段的遥感行业是非

常有必要的，所以半自动化道路提取是当今道路提取研究的热门⑵。

如今，国内外的专家和学者对高分辨率遥感影像的半自动化提取的研究，已

子点之后，道路的方向会根据种子点之间的角度进行自动更新。道路方向自动更

新以后，本文算法会在种子点处生成扇形描述子，在扇形区域中通过灰度、方差、

梯度差值等信息选择出合适的候选点，对候选点迸行约束，选择出合适的跟踪点;

最后计算种子点之间的距离，若距离大于阈值，则继续跟踪，若距离小于阈值,

则停止跟踪。最后输出道路网。

2遥感图像的获取与预处理

遥感影像中包含了很多信息，信息内容非常丰富，因为大气中电磁干扰等原

因，遥感影像会受到噪声等干扰，使遥感图像的质量有一定程度的下降，对后续

的实验产生很大的影响，说明预处理对遥感图像处理来说至关重要。通过图像的

裁剪可以得到遥感图像中需要处理的部分，从而减少工作量。通过滤波，可以去

除对信息提取有影响的噪声，增加图像的平滑程度，使信息提取中受到干扰的部

分减少。

2.1遥感图像的裁剪

运用ENVI软件对遥感影像进行裁剪，裁剪的要求是道路清晰、分辨率较高、

遮挡较少，用三幅遥感影像进行裁剪，分别是美国Geoeye-1卫星影像，分辨率

为0.41米；高分二号卫星影像，分辨率为0.8米；法国Pleiads卫星图像，分辨

率为0.5米。得到一幅1000像素*1000像素的城市道路影像图，一幅1500像素

*1500像素的高速公路影像图和一幅1500像素*1500像素的高速公路影像图，分

别是城区道路影像图、城郊道路影像图、高速公路影像图。

本次实验裁剪了几幅图片，如下图。

图2-1城区道路影像图(GeoEyc-1)

Fig.2-1Urbanfreewayimage(GcoEyc-1)

图2-2高速公路影像图(高分2号)

Fig.2-2Imageofsuburbanroads(GF-2)

图2-3农村道路影像图(Pleiades)

Fig.2-3Imageofhighway(Pleiades)

2.2滤波处理

噪声被定义为无用信号，会干扰有用信号的通信和测量。噪声和失真是限制

数据通信传输能力的主要因素，且会影响信号测量系统、通信和处理结果的准确

性叫

图像滤波属于遥感图像的预处理，对后续的遥感图像处理至关重要，选择一

个合适的滤波是进行后期图像处理的保障。在进行道路提取之前，对图像进行滤

波处理是非常必要的，首先，它可以增加图像的对比度，使图像的道路部分更加

突出；其次,它可以使图像的道路部分更加平滑，减少对道路提取有影响的部分。

因此在实验中，应该在提高了图像的对比度且尽量不破坏道路边界的基础上来对

图像进行淀波处理。本文用四种滤波方法进行了实验，来选取一个适合本文算法

的滤波方式。

(1)高斯滤波

高斯滤波可以很好地处理高斯噪声，在对图像的减噪过程中发挥了显著的作

用。在对二维图像进行高斯滤波是，高斯滤波利月一个二维卷积算子，这种算子

可以过滤掉一部分噪声以及细节。

高斯漉波具体的操作过程是：首先确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个像素，其次把模板的中心像素灰度值换成模板的相邻像

素的加权平均灰度值。高斯滤波器可以很好地过滤掉高斯噪声。

在不同的情况下，有两种方法可以实现高斯滤波，第一种是利用窗口的滑动

依次对图像进行卷积处理，第二种是利用傅里叶变换的方法。一般都使用滑窗卷

积的方法进行滤波处理，当图像比较大时，使用滑窗计算会到来很大的计算量,

这种情况下一般利用傅里叶变换来实现高斯滤波。

由于高斯滤波也可以把变量分离，因此高斯滤波也可以使用分离滤波器，从

而加速高斯滤波的过程。因此二维高斯滤波，顾名思义，就是在进行卷积计算时，

并非对整幅图像进行计算，而是把行和列分开，单独进行计算。这样卷积计算的

难易程度就会减少很多，从开始的O(MxMxNxN)降低到了0(2xMxNxN),其

中M表示图像的窗口大小，N代表进行卷积计算的窗口大小。

高斯模糊是一个非常典型的图像卷积例子，本质上，高斯模糊就是一种卷积

操作，/为灰度图像，对/进行卷积计算:

la=/XGa

(2-1)

其中，X代表卷积计算。Gb为卷积和，其中为b标准差。

高斯滤波的模板是一个基于高斯函数计算出来的模板，下面是高斯分布的公

式：

一维高斯分布函数为：

G(x}=-^e^(2-

2)

图2-4一维高斯分布

Fig.2-4OneVigausdistribution

一维高斯分布函数为：

权值计算公式为:

iF+y'

C2,(24)

W=G(x,y)=2R2

图2-4原图

Fig.2-4Originaldrawing

图2-5高斯滤波结果

Fig.2-5Gaussianfiltereffectdiagram

从高斯滤波的结果来看，高斯滤波对于噪声的处理效果非常显著，由于高斯

滤波是一由点的中心向四周计算加权平均值的滤波，道路的边缘会变模糊，道路

部分看起来更加不明显。

(2)中值滤波

中值滤波是一种运用灰度值排序的非线性的滤波方法。选取一个点为中心建

立模板，使用有奇数点的滑动窗口，对模板中的像素灰度值进行排序(顺序是从

小到大或从大到)，把像素灰度值排在中间的像素选择出来，并把这个点的像素

灰度值赋给模板。由于中值滤波采用的不是线性的方法，所以它可以比较好的平

滑脉冲噪声，同时它不会破坏图像中的边缘部分，它可以把污染点的像素灰度值

换成合适的值，中值滤波对于去除孤立的噪声点表现很好，但是它不能很好地平

滑高斯噪声।⑸。高斯滤波的突出的有点就是它可以很好地保护图像边缘，但是在

平滑噪声方面还有欠缺.

二维的中值滤波输出公式为：

g(x,>)=med{f(x-A,y-(Z,/wW)}

(2-5)

其中，/(尤,)，)是滤波前的图像，g(x,.y)是滤波后的图像。W表示二维高斯滤波

模板,模板的形状通常是长方形,大小一般为3像素*3像素或者5像素*5像素。

通常来说，当噪声小于滤波模板面积一半时，这些噪声基本上都会被滤除，

而面积较大噪声则无法被去除，因此，在使用中值滤波前应该按照需求调整模板

大小。

图2-6原图

Fig.2-6Originaldrawing

图2-7中值滤波结果

Fig.2-7Medianfilterresults

从中值滤波的结果可以看出，中值滤波可以比较好的平滑道路，向且儿乎完

整的保留了道路边界，但中值滤波的计算量较大，实现的成本相对较高，而且中

值滤波在道路路面的平滑方面表现得不是很好，所以对于本文算法来说，中值滤

波也不是一个合适的滤波方法。

（3）均值滤波

均值滤波器是一种用于消除高频噪声的滤波将，它是线性的滤波潜。均值滤

波器的操作比较简单，把模板中的像素灰度平均值替换模板中所有像素的灰度值,

模糊图像中灰度值变化较大的部分。通过均值滤波的图像，噪声部分被减弱，同

时边缘部分也会被模糊。使用均值滤波的原因是它可以去除比较小的噪声点，这

些噪声点相对于均值滤波的模板来说尺寸较小。

在正常的条件下，邻域平均法是均值滤波常用的一个方法。它是指在所选像

素与所选像素四周的像素共同构成了一个矩形，这个矩形被称为目标模板，这个

目标模板不包含目标像素本身。均值滤波虽然能过滤一部分噪声，但是它会破坏

图像的细节以及道路边缘，使图像变得不够清晰，而且它对图像噪声的去除效果

也不是很好。均值滤波可以比较好的过滤掉高斯噪声，但是对于椒盐噪声则不能

很好地解决。均值滤波的原理如公式（2-5）所示。

g（x，V）=1Z/（x，y）（2-5）

图2-8原图

Fig.2-8Originaldrawing

图2-9均值滤波结果

Fig.2-9meanfiltereffectdiagram

从均值滤波的结果图2-9来看，均值滤波使道路变得更加平滑，但是它使

图像变得很模糊，甚至分辨不出地物，道路边缘也受到了严重的破坏。在运用本

文算法进行道路提取的过程中，需要运用圆形模板对种子点进行拟合，道路边界

清晰是一个前提。因此对于本文算法来说，均值滤波并不是一个合适的选择。

(4)双边波波

双边淀波是一种非线性的滤波方式，它在高斯滤波的基础上增加了高斯方差,

对高斯滤波无法保存边缘信息的问题进行了解决，是一种改进的高斯滤波。可以

很好地去除高斯噪声，同时图像的边缘也会得到比较好的保存。

双边滤波器不会破坏图像的边缘信息，达到了一种边缘保护的目的，利用传

统滤波降噪时，一般都会模糊边缘，而且会对高频的细节造成破坏。从名字可以

看出，双边滤波器是对高斯滤波器的一种改进，它在高斯滤波的基础上增加了高

斯方差，因此,在边缘的附近,边缘上的像素灰度值很难被图像的其他部分干扰，

所以边缘的像素灰度值会被很好地保存。由于双边滤波对边缘的保护比较多，它

对于高频的噪声的过滤效果不好，对低频的噪声表现较好。图2-10为双边滤波

原理示意图：

(b)空域核(c)值域核

图2-10双边滤波原理

Fig.2-10Principleofbilateralfiltering

双边滤波可以用于彩色图像和灰度图像，具有比较强的实用性。设原困为

/*,)，)，其中(x,y)是像素的坐标，双边滤波后Q,y)点的像素值变为：

j(x,y)=(i,/)eSx,y

(2-6)

Z卬亿j)

(i,jeSx,y)

图2」I原图

Fig.2-11Originaldiagram

图2-12双边滤波结果

Fig.2-12Bilateralfilteringresults

从双边滤波的结果来看，双边滤波可以比较好的保留道路边缘。由于双边滤

波是在高斯滤波的基础上进行边缘的保留，但是高斯滤波仅对高斯噪声的处理效

果相对较好，不能去除掉路面上不必要的细节，所以双边滤波的方法也不适用于

本文算法。

(5)Lo滤波

对于本次实验的图像来说，因为是道路提取，所以中值滤波和均值滤波都不

符合要求，因为对道路边缘的破坏比较大，所以本论文运用Lo滤波［⑹，因为Lo

滤波不仅能去除细小的不重要的细节，而且可以使边缘更突出。

Lo滤波是由Li等提出的।⑵一种平滑滤波。在遥感图像中，道路表面的各个

像素点的亮度分配是不均匀的，而且对于分辨率比较高的图像，车辆、树木、斑

马线的图像都可以清晰地看到，但是这些信息会对道路的提取造成一定的困难，

所以应该通过Lo平滑滤波来去掉这些信息，使道路上的各个像素点的亮度均匀，

而且可以增强图像中道路的显著性，而且不会破坏道路的边缘。

Lo范数可以理解为向量中非零元素的个数。图像梯度Lo范数可以如下公式

(2-7)表示：

c(/)=#{〃ll-—―-1忸0}

(2-7)

其中〃和〃+1是图像中的相邻亓素，#{}#{}是图像梯度，也就是图像的前向差

分，#{}#{}表示计算输出的图像中满足|方,-方,-1伊。的个数，即。(/)是图像梯

度的Lo范数。这样表示有一个优点，就是c(7)c(f)是非零梯度个数的函数，与

图像的梯度本身无关，也就是

#{〃11加一加一1伊0}=#{川1，(力—力—1)伊0}

(2-8)

以一维信号为例，输入信号为g,输出信号为了,则目标函数如公式(2-9)

所示：

min£(力一即ys.t.c(f)=k

'p

(2-9)

实际上，k的取值变化范围很大，特别是对于二维图像来说。将上式子转换

成无约束问题，目标函数如公式(2-10)所示，其中2是一个平滑参数：

P

(2-10)

根据上文描述的Lo滤波的原理进行程序设计，然后输入图像进行Lo滤波处

理，最后得到的结果如下图。

图2-11原图

Fig.2-10OriginaldrawingFigure

图2-12Lo滤波结果

Fig.2-11Smoothingeffectdiagram

结果显示，图2-11中有充分的细节信息，路面比较粗糙，边缘也因为分辨

率等原因不是特别突出，而图2-12中Lo滤波去除了道路上不必要的细节信息,

去除了路面上的不必要的细节信息，使道路更加平滑，而且还使图像的对比度得

到了增强，道路边界更加清楚，使道路看起来更加突出，有利于本文算法对道路

进行提取。

本文对高斯滤波、均值滤波、中值滤波、双边滤波和Lo滤波进行对比，其

中高斯滤波和均值滤波虽然去除了一些不必要的噪声，但是同时也使道路中心线

的提取比较困难。中值滤波和双边滤波虽然能保留道路边缘，但是对于道路平滑

的效果不如Lo滤波。所以本文选取了Lo滤波进行实验，给后续的实验带来了很

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样性，分析道路的特征是道路提取算法设计的前提。

因此在进行道路提取之前，首先要知道遥感影像中道路的特征。本文以Hobart地

区的Geoeye-1影像为例，进行特征分析探讨。

如图3・1可以看到道路位于篮球场右侧，道路边界清晰且道路边界的灰度梯

度较大，但是道路上有车辆遮挡、行道树遮挡等噪声的干扰，因此对道路部分的

提取与其他地物相比有一定的困难，同时道路的表面不具有均一化的辐射特征,

由此说明图3-1影像符合复杂场景特点。下述将杈据图3-1对道路影像特征进行

分析。

图3-1道路与其他地物对比

Fig.3-1Comparisonofroadswithotherfeatures

在高分辨率遥感影像中，道路呈现出的特征主要有以下几点।⑵。

(1)辐射特征：路面影像的灰度分布一般都有一定的规律性，道路表面灰度

的差别较小，而道路和道路周围的部分灰度的差别较大。由于同一条路的各个部

分都在同一个平面上，所以在没有表地物遮挡的情况下，地物的光谱特征比较相

近。如图3-1所示，右侧车道中噪声比较多，与道路有一定的光谱差异，但左侧

车道的灰度分布相对均匀。

（2）几何特征：道路呈条带状，同一条路的宽度基本一致。在遥感影像上，

道路是连续的。在现实中，道路不光连续而且彼此连通，道路的形状皆为条带形。

在遥感影像上，车辆、行道树等的遮挡非常严重，道路中央有很多噪声点，只有

边界是连续的，所以道路在遥感影像上表现为有一定间断的线性图形。

（3）拓扑特征：不同的道路共同组成了道路网，交叉路口是连接道路的枢纽。

道路的形状有直线和曲线两种，曲线的弯曲程度一般都不是很大

（4）功能特征

道路和铁路、水路等部分共同构成了运输网络，在运输中发挥很大的作用。

一般情况下，道路具有一定的指向性，可以连接地面上的各个部分。

（5）上下文特征

上下文特征是指与道路相邻的地物信息，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处是确定道路的类型，而部分的上下文信

息一般是起辅助作用的道路两侧的护路林、建筑物或者是路面上的交通指示标志

等。

3.2形态学梯度

形态学一般用于生物学，它的主要作用是研究动物和植物的形态以及结构。

在图像处理中，形态学所指的一般都是数学形态学。

数学形态学是一个用于分析图像的学科，它以格论学和拓扑学为基础。它有

几种基本的运算：二值腐蚀和膨胀、形态学梯度、二值开闭运算、流域变换、骨

架抽取、极限腐蚀、击中击不中变换、Top-hat变换、颗粒分析、灰值腐蚀和膨

胀、灰值开闭运算、灰值形态学梯度等。

简单来说，对于图像的形状进行处理的过程就称为形态学的操作在OpenCV

的函数库中，就包含了形态学操作的函数，为本文算法提取边缘提供了方便快捷

的方法。本文算法运用了两种最基本的形态学操作：膨胀与腐蚀。膨胀是指将亮

度较低的区域放大，从而使孤立的噪声点与其他部分连接；腐蚀就是将亮度较低

的部分缩小，从而消除噪声。

膨胀与腐蚀对图像处理有很大的作用，与本文算法相关的几点作用如下:

(1)消除比较小的噪声点。

(2)图像的分割与连接。

(3)找到图像中与其他部分灰度差异较大的部分。

(4)计算灰度图像的灰度梯度。

为了计算道路的宽度，本文引入了形态学梯度图用于灰度的计算。在对图像

进行边缘检测的过程中，有多种梯度，当某些点和周围的点梯度变化比较大时,

可以通过梯度值的变化判断出这些点为道路的边缘点。在灰度图像中，一般可以

把结合腐蚀和膨胀，从而形成开运算和闭运算，可以得到基于灰度图像的形态学

梯度〔网。

灰度图像的形态学腐蚀公式为：

£叭〃)=min{f(〃+夕)一江⑷}

qeN

(3-1)

灰度图像的形态学膨胀公式为：

=max{/(〃-q)+N(q)}

qwN

(3-2)

取N为3x3的矩形，得到图像的形态学梯度如下：

G(P)=845)-0寸(〃)

(3-3)

其中/(〃)是灰度影像，N为结构元。

3.3圆形模板的生成

圆形模板是一种用于把种子点拟合到道路中心的模板。圆形模板匹配首先

计算模板的局部灰度值,从而判断出道路。模板尺寸大小要合适，大小不合适时，

不利于对道路中心位置进行精确的定位，圆形模板的圆心应在道路中心，直径为

道路的宽度通过实验可以得出，当梯度值的大小之和恰好等于模板半径时，此时

得到的模板为最合适的模板。

圆形模板的原理为：在道路上，灰度值的变化比较小，在灰度梯度图中路

面一般呈现为白色和黑色。而以道路边界把道路和其他部分分开，道路部分和其

他部分的灰度值差异较大，在灰度梯度图中一般显示灰度有明显的变化，当圆形

模板的边界碰到道路的边界时，梯度和的值将会的有一定程度的增大，很容易超

过半径值I⑼。具体得步骤如下：

（1）创建一个以起始点或终止点为中心、半径为一个像素的圆形模板。

（2）搜索输入点的8个邻域像素，分别以每个像素为中心，重新创建圆形

模板。

（3）比较各个模板中的形态梯度总和，最小的梯度值即为最适合该半径的

模板。

（4）估计最合适模板中的梯度总和是否超过梯度阈值小如果总和小于阈

值中则以像素为单位增加圆形模板的半径，并重复步骤（1）、（2）和（3）,直

到超过阈值2最终模板尺寸为标准模板尺寸，艮」模板中心点为道路中心点，圆

形模板直径为道路宽度。

图3-2圆形模板生成过程

Fig.3-2CircularTemplategenerationprocess

图3-3原始种子点图3-4圆形模板生成结果

Fig.3-3theoriginalseedpointFig.3-4Resultsaftermatchingthecirculartemplate

3.4扇形描述子原理

（1）道路方向的自动更新

本文以由道路的起止点向道路中间进行跟踪，这种方法的优点是，在扇形搜

索区域大小不变的情况下，随着空间尺度的变化，搜索区域中的线段信息量增加,

增加线段表达结构的准确性。道路方向确定过程如下：

统计扇形搜索区内线段的方向信息，建立线段方向直方图，并根据直方图峰

值信息确定当前位置道路跟踪方向。建立扇形搜索区域，统计该区域中每个方向

上的线段的总长度，以15度为单位，将180度分为12等份，建立线段角度直方

图。每当程序执行一次，就根据新提取出的点和原来的点之间的角度，中心确定

道路方向，理想情况下，直方图峰值即为此时的道路方向。

当出现多峰值情况时，根据各峰值所对应的角度与之前确定的道路方向之间

的差值，确定道路方向，当出现未统计到线段方向的情况时，建立“线段金字塔”，

确定道路方向。

（2）扇形描述子的建立

本文采用扇形描述子，这种方法的优点是，在扇形搜索区域大小改变的情况

下，随着空间尺度的变化，搜索区域中的线段信息量增加，增加线段表达结构的

准确性。扇形描述子建立过程如F：

1）根据道路中心点信息设置候选点；

2）以道路中心点及候选点为基础，建立基础三角形；

3)设置其余6个与基础三角形等大的三角形，构建扇形描述子，设置其余

6个候选点;

图3-5三角形的建立

Fig.3-5Establishmentoftriangles

(4)统计扇形描述子内三角形内的梯度、灰度及角度信息，选择更符合条

件的两个最优候选点，并自适应的确定当前位置道路半径；

(5)根据角度信息，剔除最不符合条件的2个候诜点：根据三角形内部像

素灰度的均匀程度，再次剔除最不符合条件的2个候选点；以各候选点为圆心,

以起点位置道路半径为直径，建立圆形统计区，计算每个圆形统计区内所有像素

的灰度均值，记为统计灰度值；

当跟踪点为。时，只考虑起止点。以起止点为圆心，创建圆形模板，计算模

板中色像素灰度均值作为待使用的灰度值；当跟踪点不为。时，计算所有跟踪点

及道路起止点参考区内像素灰度均值，作为参考灰度值.计算每个候选点对应的

统计灰度值与参考灰度的差值，将最大差值对应的两个候选点视为非道路点并将

其剔除。

(6)根据道路与非道路区域灰度对比度，确定最优道路点。

4实验结果及分析

4.1实验过程

本文选取了大小不同的、地区不同的、场景不同的三幅影像进行实验，通过

VS2013平台对三张图中的每一条道路进行道路中心线的提取。实验的步骤如下:

（1）在工具栏中选择影像预处理选项，选择Lo淀波，对图像进行漉波处理，

在滤波的基础上，对图像进行提取。

（2）用画图工具在道路两端选取合适的种子点，记录种子点的坐标。

（3）根据道路的长度和宽度调整程序中道路提取部分的循环次数和步长。

■GdalBromr•阳-□

JMF)SBCV)勺"0屹=自"*ix：JtWC)■匚M)111tgEIL，且iXg座①**H用几何H

咨s■，口＞a、・守Qq川♦♦hu&N户正CP?田色

|X«813of1500.Y*1101©＜1500,ZOOM-IOaOO%不昉NUM

图4-1种子点的选取

Fig.4-1selectionofseedpoints

J&•“Uf

MF)MllEl®J»V)3f!*3*自标E5)«Q(W)・*言图加充皂访率能•收N加q几何一

1bi9・，口＞3、国8?0ft

图4-2图像的读取

Fig.4-2Readingofimages

圆形模板道路起始信息X

道路数里：0确定

记录种子点下一条路取消

图4-3圆形模板起始信息对话框

Fig.4-3CircularTemplateStartInformationdialogbox

图4-4选择种子点对话框

Fig.4-4SelectingaSeedPointdialogbox

4.2实验结果

本文实验裁剪了三幅不同地区、不同大小、场景不同的遥感影像，道路的宽

度相差较大、噪声的类型多样、干扰程度差异大，可以充分的检查出本文算法的

优缺点。三幅图像分别是利用GeoEye-1卫星影像裁剪的城区道路影像图，利用

高分2号卫星影像裁剪的高速公路影像图，和利用法国Pleiades卫星影像裁剪的

郊区道路影像图。图像的大小分别为1000像素*1000像素、1500像素*1500像

素、1500像素*1500像素实验分别对19个路段进行道路提取，得到三张完整的

道路提取图像。图5-5、图5-6、图5-7就是根据本文算法提取道路的实验结果。

图4-5城市道路的提取结果

Fig.4-5ResultsofUrbanroadextraction

图4-6高速公路的遑取结果

Fig.4-6ExpresswayExtractionResults

图4-7农村道路的提取结果

Fig.4-7Resultsofruralroadextraction

在实验结果中，红色实线为算法提取出的道路中心线。图5-5是城市道路影

像图，但是车辆、阴影的遮挡比较少，而且道路和周围的对比度比较大，所以提

取的比较成功。但是在道路弯曲的程度较大的部分，在弯道处的点会减少，造成

弯路处的连接比较生硬。图5-6是高速公路影像图，高速公路上有较多车辆的遮

挡，对本文算法的提取有一定影响。图5-7是农村道路影像图，由于道路多为直

线，而且道路与其他部分的灰度差异较大，农村道路的提取效果较好。从这三幅

地区不同、光谱特征不同、道路特征的图像道路提取的结果来看，虽然会出现一

定的偏差，但是总体效果较好，说明了本文算法可以比较好的提取道路。

4.3实验分析

（1）不同场景道路的提取实验

由于在不同的场景下，道路的特征都不相同，而且差异很大。为了测试不同

场景下本文算法的道路提取的影响，本文选取了Pleiades卫星的乡村卫星影像和

高分2号卫星的高速公路卫星影像。图5-8为农村道路影像，农村道路的道路宽

度比较小，只有单排车道，道路上的车辆很少，没有斑马线等干扰，而且农村道

路相对来说比较平滑，所以农村道路在道路提取过程中面临的主要的问题为行道

树的阴影遮挡问题。图5-9为高速公路影像图，高速公路的路宽相对来说比较宽，

车道的数量比较多，道路上车辆遮挡也比较多，而且路标等对道路提取也会有一

定的干扰。由此来看，高速公路和农村道路的道路特征差异很大。虽然两幅图像

的道路特点不相同，但是从道路提取的结果来看，本文算法对农村道路和城市道

路的道路中心线的提取效果都比较好，没有出现偏离道路的情况，而且道路中心

线比较平滑。由此可知，只要能满足道路和其他地物的灰度值差异较大的条件,

并且道路上的灰度值变化程度不大，就可以比较好的提取出道路，用本文算法进

行道路提取对道路本身的特征没有明确的要求。

图4-8乡村道路提取结果图4-9高速公路提取结果

Fig.4-8resultsofimageextractionofruralroadsFig.4-9Resultsofurbanroadextraction

（2）种子点敏感度实验

对于道路提取来说，用户对种子点的选取至关重要。由于乡村道路比较平滑，

道路提取受到的干扰相对较少，为了测试本文算法对用户选取的种子点的敏感性,

本文选取了Pleiades卫星的乡村卫星影像进行种子点的选取，通过两次实验，改

变人工选取种子点的位置，确定种子点的选取是否对道路提取的精度有影响。第

一次实验，两个种子点选取的位置都在道路中心；第二次实验，人工选取的两个

种子点都偏离了道路中心而接近道路边界。图5-10和图5-12是对种子点的选取，

图4-11和图4-13是当种子点在不同位置时通过本文算法提取出的道路中心点。

图4-10种子点选取图4-11提取结果

Fig.4-10SeedPointselectionFig.4-11Extractingresults

图4-12种子点选取图4-13提取结果

Fig.4-12SeedPointselectionFig.4-13Extractingresults

从实验结果图可以看出，种子点选取的位置对道路提取的影响不大。当种

子点在道路中心时，木文算法提取出的道路中心点比较密集，而且几乎没有偏

离道路中心；当种子点完全偏离道路中心时，本文算法提取出的道路中心点比

较分散，但是也没有走道路提取的结果造成影响。说明本文算法中通过圆形模

板对种子点进行拟合是十分必要的。在选择道路起始点的过程中，起始点只要

在道路上、不超过道路边界即可，不需要严格的选在道路中心，这在一定程度

上减少了人的主观判断对道路提取结果的影响。

（3）噪声干扰实脸

行道树阴影遮盖、房屋造成的阴影阻隔以及道路上的车辆，是遥感图像中道

路提取过程中的主要干扰信息，依据局部的灰度信息判别道路的算法，都会受到

这些因素的影响l，6,o本文通过扇形描述子对道路进行提取，通过局部道路的灰

度值对道路进行确定，但是在一定程度上解决了这些问题。

在城市道路中，因为城市的结构比较兔杂，房屋与道路之间的距离比较近，

当阳光照射在房屋时，在道路上会因为房屋遮挡有阴影。图4-14为城市道路，

从图片可以看出，被阴影遮挡的部分比较大，本文运用扇形描述子对道路进行提

取，算法中设置红色的线为道路中心线，从图4-14可以看出，线段平滑而且基

本在道路中心。在本文算法进行道路提取时，因为房屋遮挡造成的阴影部分时算

法的影响不是很大，由此可以表示扇形描述符在解决房屋遮挡阴影方面的优越性。

图4-14阴影遮挡提取结果

Fig.4-14Shadowocclusionextractionresults

为了美化环境和隔绝道路的噪音，道路两旁一般都会种植行道树，而行道

树会使道路产生阴影，这些阴影给道路提取带来了一定的困难。在图4-15中可

以明显的看出道路被书所遮挡，而本文所运用的扇形算子在树木遮挡的问题上

表现很好，从图4-15可以看出，在被树木遮挡的部分中，本文算法提取出的道

路中心线比较平滑，没有折叠或者绕过树木遮挡的部分，说明本文算法对于小

面积的树木遮挡问题瓦以较好地解决。图4-16是一幅乡村道路影像图，由于道

路很细，道路两边均为行道树，所以整条道路几乎被行道树造成的阴影遮挡。

由图4-16可以看出，当行道树的阴影遍布整条道路时，本文算法不能很好地提

取出道路，提取出来的道路中心线没有在道路中心，说明扇形描述子在提取大

面积的树木遮挡的情况下比较困难。虽然扇形描述子只有在小面积树木遮挡的

情况下才能做到比较好的提取，但是在行道树阴影较多的部分，提取出的道路

中心线仍在道路上，在预期的实验结果范围内。

图4-15树木遮挡的提取结果图4-16行道树阴影的提取结果

Fig.4-15TreeOcclusionextractionResultsFig.4-16Shadowextractionresultsofstreettrees

图4-17和图4-18是两幅高速公路影像图，高速公路.上车辆很多，在道珞提

取的过程中，会受到车辆遮挡的影响。从图417可以看出，在车辆较大的情况

下，由于车辆的遮挡，本文算法提取出的道路中心点绕过了车辆，因为车辆的灰

度值和道路的灰度值差异比较大，所以模板在拟合的过程中不会把车辆当成道路

的一部分，说明在车辆较大的情况下，扇形描述子不能很好地解决车辆遮挡的问

题。从图4-18可以看出，在车辆较小的情况下，本文算法提取出的道路