久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

    道路提取是遙感圖像中信息提取的一個(gè)研究熱點(diǎn)，不僅具有理論價(jià)值也具有很廣闊的應(yīng)用前景。道路與人們生活休戚相關(guān)，而手工提取的方法遠(yuǎn)遠(yuǎn)不能滿(mǎn)足地理信息系統(tǒng)（GIS）數(shù)據(jù)獲取與更新的需要，因此從遙感圖像自動(dòng)提取道路的研究就顯得尤為迫切。本文從遙感圖像的道路特征描述出發(fā)，對(duì)道路提取的基本思想和方法進(jìn)行了探討，對(duì)近年來(lái)道路提取的研究狀況進(jìn)行了分析和總結(jié)，并對(duì)道路提取的進(jìn)一步發(fā)展提出了分析和展望。

1   道路提取的基本思想
1.1  道路的基本特征
    道路的特征主要包括物理與幾何的，其基本特征主要有以下幾種。
    （1）幾何特征。道路呈長(zhǎng)條狀，其長(zhǎng)度大于寬度，在較大范圍內(nèi)道路的寬度變化比較小，曲率也有限制；
    （2）輻射特征。道路一般有明顯的邊緣，路面灰度均勻，與相鄰區(qū)域灰度差比較大；
    （3）拓?fù)涮卣鳌５缆窂耐負(fù)浣Y(jié)構(gòu)看是相連的，可以形成網(wǎng)絡(luò)狀；
    （4）上下文特征。上下文特征指的是道路相關(guān)的特征與信息，如道路旁的建筑物和樹(shù)，這是局部上下文，全局上下文提供全局信息，如圖像區(qū)域是城市還是鄉(xiāng)村。
1.2  道路提取的模型與策略
    常見(jiàn)的道路提取的模型與策略有很多。線段模型常用在中低分辨率下道路的建模中，對(duì)于主干道的檢測(cè)這個(gè)模型是足夠的。在高分辨率下，道路常用平行的邊線來(lái)建模，相對(duì)線段模型來(lái)說(shuō)，陰影或干擾將對(duì)道路提取產(chǎn)生很大影響。道路網(wǎng)絡(luò)的組成離不開(kāi)連接點(diǎn)與交叉點(diǎn)，對(duì)交叉點(diǎn)的精確檢測(cè)與建模將有助于道路提取結(jié)果的改善。全局的拓?fù)湫再|(zhì)應(yīng)該與局部的上下文及幾何特征有效的結(jié)合。

2  半自動(dòng)道路提取方法
    半自動(dòng)的道路提取與全自動(dòng)方法不同在于其需要人機(jī)交互，按交互的方式不同又可以分為兩類(lèi)。一類(lèi)僅給定初始點(diǎn)和初始方向利用跟蹤的方法[1][2][3]來(lái)提取道路；另一類(lèi)方法則給定一系列分散的種子點(diǎn)，利用主動(dòng)輪廓模型[4]，模擬退火[5]，和動(dòng)態(tài)規(guī)劃[6]等方法曲線擬合提取道路中心線。前者運(yùn)用的主要是局部的特征，后者往往求的是全局的能量最小。
    跟蹤的方法會(huì)給定初始點(diǎn)和初始道路的方向，要通過(guò)跟蹤的方法得到道路的中心線和邊線。要解決的問(wèn)題包括如何通過(guò)已檢測(cè)到信息預(yù)測(cè)下一點(diǎn)處道路的參數(shù)(位置，寬度，曲率，方向)，利用圖像信息選擇最佳預(yù)測(cè)點(diǎn)并修正預(yù)測(cè)模型，確定停機(jī)準(zhǔn)則(連續(xù)出現(xiàn)預(yù)測(cè)誤差很大或是已經(jīng)檢測(cè)到的部分道路已經(jīng)得到驗(yàn)證)。
    在文獻(xiàn)[1]中，預(yù)測(cè)利用了卡爾曼濾波方法，修正利用的是截面匹配的方法。截面匹配是指道路為狹長(zhǎng)區(qū)域，在垂直于道路方向的相近的截面具有極大的相似性，根據(jù)這一特點(diǎn)，可以在預(yù)測(cè)到道路中心點(diǎn)后找到下一截面的位置，從而確定道路寬度和方向。卡爾曼濾波中假設(shè)系統(tǒng)是線性的，系統(tǒng)的觀察也是固有狀態(tài)的線性函數(shù)，系統(tǒng)和測(cè)量中的噪聲是高斯白噪聲。文章中把道路的曲率當(dāng)成常量，真實(shí)的形狀與模型的偏差被認(rèn)為是系統(tǒng)噪聲。模型的狀態(tài)變量有道路的位置(兩個(gè)參量)，道路的方向，曲率。方法優(yōu)點(diǎn)是當(dāng)截面匹配由于暫時(shí)的干擾(如陰影)失敗時(shí)能繼續(xù)迭代，而不離開(kāi)道路。連續(xù)的截面匹配的失敗也可以當(dāng)成是道路交叉點(diǎn)或道路終點(diǎn)的標(biāo)志。缺點(diǎn)是方法把噪聲當(dāng)成是高斯分布的，與實(shí)際情況有偏差。文獻(xiàn)[7]也運(yùn)用卡爾曼濾波和截面匹配的方法做道路提取，而且提供了用戶(hù)在半自動(dòng)道路提取過(guò)程中人機(jī)交互的接口。
    文獻(xiàn)[3]提出了一種Jetstream的方法認(rèn)為跟蹤道路的邊線可以看成是隨機(jī)過(guò)程，隨機(jī)過(guò)程由內(nèi)部的動(dòng)力和統(tǒng)計(jì)數(shù)據(jù)模型驅(qū)動(dòng)。先驗(yàn)動(dòng)力模型用來(lái)保存已提取的曲線的屬性并依此求出下一候選點(diǎn)的位置，數(shù)據(jù)模型用來(lái)驗(yàn)證預(yù)測(cè)點(diǎn)是否在邊線上，以此選擇最佳的候選點(diǎn)。動(dòng)力模型用來(lái)預(yù)測(cè)下一點(diǎn)位置，有兩個(gè)參數(shù)，步長(zhǎng)和轉(zhuǎn)角。數(shù)據(jù)模型給出點(diǎn)在邊緣和點(diǎn)不在邊緣上觀測(cè)值概率分布情況，這里主要利用統(tǒng)計(jì)的手段。非邊緣點(diǎn)和邊緣點(diǎn)分別采用了與梯度幅值和角度相關(guān)的統(tǒng)計(jì)量。確定了模型后計(jì)算中采用了連續(xù)重要性采樣的蒙特卡羅方法。邊緣跟蹤可以用于圖像分割中，用在道路提取時(shí)要增加一個(gè)寬度變量，同時(shí)跟蹤兩條邊線。Jetstream方法很有特色的地方在于它對(duì)邊緣的描述是用統(tǒng)計(jì)的辦法，另一方面粒子濾波處理非正態(tài)分布比卡爾曼濾波更有優(yōu)勢(shì)，在監(jiān)控中做人體和車(chē)輛的跟蹤技術(shù)已經(jīng)應(yīng)用比較成熟，在道路提取方面用的還較少。文獻(xiàn)[8]中運(yùn)用了與Vosselman的卡爾曼濾波中用的模型也使用了道路截面信息，主要不同點(diǎn)就是使用粒子濾波代替卡爾曼濾波做預(yù)測(cè)。
    半自動(dòng)方法中的第二類(lèi)主要有動(dòng)態(tài)規(guī)劃和Snake模型方法。動(dòng)態(tài)規(guī)劃方法導(dǎo)出了道路的一般參數(shù)模型，將其表達(dá)成種子點(diǎn)之間的代價(jià)函數(shù)，以動(dòng)態(tài)規(guī)劃作為確定種子點(diǎn)之間最優(yōu)路徑的計(jì)算工具。比較早的有Gruen and Li 的文章[9]，主要用在低分辨率圖像道路提取方法中。Dal Poz等[10]對(duì)Gruen 的方法中的代價(jià)函數(shù)做了修改，增加了道路邊緣梯度反向平行的約束條件，將動(dòng)態(tài)規(guī)劃的方法拓展到高分辨率圖像的道路提取中。動(dòng)態(tài)規(guī)劃種子點(diǎn)的選取需要手工，較繁，同時(shí)此方法要很大的存儲(chǔ)量。Snake模型方法是一種有效的目標(biāo)輪廓提取方法，在道路提取中運(yùn)用非常廣泛。Snake模型方法根據(jù)對(duì)道路特征的抽象確定不同的道路模型，將道路特征與幾何約束用能量函數(shù)表示出來(lái)，通過(guò)求能量函數(shù)最小值得到目標(biāo)輪廓。Snake模型的形式有很多，已經(jīng)運(yùn)用到道路提取中的有LSB-Snake[11],ziplok snake[12],Ribbon snake[13],multi-resolution snake[14]。

3  全自動(dòng)道路提取方法
    全自動(dòng)提取無(wú)疑是遙感圖像中道路提取的最終目標(biāo)，但是由于遙感圖像的復(fù)雜性和多樣性，道路的自動(dòng)提取涉及到計(jì)算機(jī)視覺(jué)、人工智能、模式識(shí)別等諸多領(lǐng)域。全自動(dòng)提取方法因其復(fù)雜性，往往是多種方法的綜合運(yùn)用，主要有多尺度多分辨率、統(tǒng)計(jì)學(xué)習(xí)及幾何概率模型方法。
    Hinz等[15]報(bào)道了一種全自動(dòng)基于多尺度，Snake模型和上下文信息的道路提取方法。該方法應(yīng)用于農(nóng)村道路的自動(dòng)提取中效果很好。
    農(nóng)村道路的提取分成了三部分，顯著道路，不顯著道路和交叉口的提取。顯著道路是指道路寬度基本恒定且對(duì)應(yīng)區(qū)域灰度均勻的路段；不顯著道路是道路網(wǎng)絡(luò)中受陰影或干擾的路段，或者可以認(rèn)為是顯著道路間的間隔部分；交叉口一般包括十字路口，三叉口等。
    對(duì)顯著道路的提取采取了多尺度的方法：在低分辨率條件下檢測(cè)線[16]，在高分辨率下檢測(cè)邊緣再利用判決準(zhǔn)則進(jìn)行融合[17]，非顯著道路提取運(yùn)用了Ribbon snake的方法[13]。交叉點(diǎn)由于拓?fù)潢P(guān)系的復(fù)雜用簡(jiǎn)單約束連接肯定會(huì)導(dǎo)致錯(cuò)誤，故必須對(duì)交叉點(diǎn)進(jìn)行檢測(cè)。單純的道路交叉點(diǎn)的提取是很復(fù)雜的，但利用已有的顯著道路和非顯著道路的知識(shí)，可以大大縮小搜索空間。在低分辨率圖像中進(jìn)行線檢測(cè)時(shí)基于尺度空間分析可以對(duì)交叉點(diǎn)進(jìn)行檢測(cè)，在非顯著道路提取時(shí)大多數(shù)由交叉點(diǎn)造成的顯著道路間的間隔可以由帶狀蛇方法連接起來(lái)。已知這兩點(diǎn)的情況下，交叉點(diǎn)位置可以近似獲取，交叉點(diǎn)的檢測(cè)難度大大降低了。而且所選擇的策略不受交叉段的形狀與拓?fù)浣Y(jié)構(gòu)的影響。
    前面提出的方法是以局部特性為基礎(chǔ)，文獻(xiàn)[18]提出了一種全局的辦法，主要利用道路的拓?fù)涮匦浴＿@種方法在低層的處理中與文獻(xiàn)[13]中的方法是一致的，都是先找到顯著的路段。不同的地方在之后的分組和連接，建立道路網(wǎng)絡(luò)的過(guò)程。這種方法主要的思想是把已檢測(cè)的道路路段用有權(quán)無(wú)向圖表示出來(lái)，每一段用一個(gè)結(jié)點(diǎn)表示，結(jié)點(diǎn)之間的權(quán)重用模糊數(shù)的與運(yùn)算決定。這些模糊值由路段間的絕對(duì)距離，相對(duì)距離，和是否在同一直線上來(lái)確定，超過(guò)某一閾值取1，低于另一閾值取0。模糊數(shù)定下來(lái)后，整個(gè)無(wú)向圖就建立了。道路的拓?fù)湫再|(zhì)決定道路不是孤立的，應(yīng)形成網(wǎng)絡(luò)，而且通常重要的地點(diǎn)間一定是有路可通且有最短路徑。找最短路徑的方法可以用迪杰斯特拉算法，重要地點(diǎn)在無(wú)向圖上也就是重要結(jié)點(diǎn)的選取需要從低層處理中得到，比如可以選擇較長(zhǎng)的路段或者選邊界處作為初始點(diǎn)。最主要的步驟依次為建立無(wú)向圖，選擇重要結(jié)點(diǎn)，尋找最短路徑，最后是驗(yàn)證。
    總的來(lái)講，這類(lèi)全自動(dòng)的多尺度多分辨率的方法取得了不錯(cuò)的效果，但是仍然有錯(cuò)誤，需要后續(xù)的編輯，需要人工方法處理或者其它數(shù)字高程模型（DEM）對(duì)已經(jīng)提取的道路進(jìn)行校正。
    多尺度的方法還有文獻(xiàn)[19]中運(yùn)用小波變換提取道路中心線的方法。其主要思想是針對(duì)道路的交叉點(diǎn)和中心線在小波變換后小波系數(shù)呈現(xiàn)的規(guī)律提取交叉點(diǎn)和中心線。Pak zad等[20][21][22]發(fā)表了多篇關(guān)于多尺度多分辨率道路檢測(cè)的方法。主要的思想是建立一個(gè)道路的語(yǔ)義網(wǎng)絡(luò)，同時(shí)實(shí)現(xiàn)道路提取的尺度自適應(yīng)的策略。
    統(tǒng)計(jì)學(xué)習(xí)也越來(lái)越多地應(yīng)用到了道路提取算法中，Bacher等[23]提出了一種用IKONOS圖像的全自動(dòng)道路檢測(cè)方法。先從各個(gè)光譜通道提取線作為初始的道路假設(shè)，把這些線作為產(chǎn)生訓(xùn)練區(qū)域的基礎(chǔ)，訓(xùn)練區(qū)域的產(chǎn)生與前面的多尺度下的方法相似也要找滿(mǎn)足存在平行邊緣與已檢測(cè)線非常靠近且平行邊緣間灰度值變化小的區(qū)域。在訓(xùn)練區(qū)域基礎(chǔ)上對(duì)圖像進(jìn)行有監(jiān)督模糊聚類(lèi)，應(yīng)用分類(lèi)結(jié)果及線的幾何特征提出道路猜想。驗(yàn)證道路假設(shè)得用模糊邏輯進(jìn)行融合，形成道路網(wǎng)絡(luò)。文獻(xiàn)[24 ]在提取道路中運(yùn)用了支持矢量機(jī)（SVM）的方法。
    基于幾何統(tǒng)計(jì)模型[25]的方法對(duì)道路作了一些假設(shè)，要求道路寬度變化小、方向變化緩、局部灰度變化小、道路與背景差異大、道路較長(zhǎng)等。基于這些假設(shè)，根據(jù)道路寬度和灰度分布等特點(diǎn)，建立道路的幾何模型，將圖像分成小塊，通過(guò)使用Gibbs分布和Gauss分布等概率模型，建立道路檢驗(yàn)窗口，計(jì)算后驗(yàn)概率，進(jìn)行比較，從而達(dá)到進(jìn)行搜索道路的目的。該方法具有較高的穩(wěn)定性，但是需要的參數(shù)較多。

  道路提取新的進(jìn)展與發(fā)展趨勢(shì)
    從遙感圖像中提取道路已取得很多研究成果，但由于現(xiàn)實(shí)中道路的復(fù)雜性，已經(jīng)有的方法與實(shí)際應(yīng)用要求還有差距，在提取的自動(dòng)化程度、提取算法的準(zhǔn)確性方面還有許多工作有待解決，主要有：
    （1）提取算法的表現(xiàn)關(guān)鍵在于特征的選擇。衛(wèi)星圖像通常有三到四個(gè)光譜頻段，有較好的輻射特性，但是分辨率稍差，充分利用光譜特性可以彌補(bǔ)在分辨率方面的劣勢(shì)。而且在高分辨率圖像中，道路具有豐富的紋理特征，紋理信息的應(yīng)用可以提高算法的準(zhǔn)確性。文獻(xiàn)[26][27]都運(yùn)用了多光譜圖像提取道路中心線的方法。基本的思路都是先由聚類(lèi)得到道路區(qū)域，再由道路區(qū)域產(chǎn)生道路中心線。文獻(xiàn)[27]認(rèn)為提取算法結(jié)果的好壞與初始聚類(lèi)有很大關(guān)系，分類(lèi)的精確程度不取決于有監(jiān)督還是無(wú)監(jiān)督的，更重要的在于與其它光譜特征相似物體如停車(chē)場(chǎng)和房屋的誤分的問(wèn)題。因此在粗分類(lèi)后用形狀描繪子來(lái)消除停車(chē)場(chǎng)及房屋等造成的誤分，在道路中心線提取方面作者用雷頓變換提取中心線，比文獻(xiàn)[26]中用最小生成樹(shù)的方法結(jié)果要好。 在特征的選擇相關(guān)的還有尺度問(wèn)題。傳統(tǒng)的道路提取方法一般采用像素級(jí)檢測(cè)方法，僅利用了像素的光譜信息作為道路提取的依據(jù)，無(wú)法利用圖像的空間信息。文獻(xiàn)[28]中提出的面向?qū)ο蟮膱D像分析方法將圖像對(duì)象作為圖像分析的基本單元，圖像對(duì)象是指圖像分割后若干同質(zhì)像素的集合。分割后獲取的對(duì)象利用對(duì)象的光譜、幾何和空間關(guān)系建立知識(shí)庫(kù)，再利用知識(shí)庫(kù)中的規(guī)則來(lái)提取圖像中的道路。面向?qū)ο蠓椒ㄒ肓丝臻g特征可有效利用對(duì)象間的語(yǔ)義關(guān)系，有助于指導(dǎo)圖像分析。最后是拓?fù)涮卣髋c上下文特征的利用。拓?fù)渑c上下文特征是道路相對(duì)穩(wěn)定的特征，尤其是在城市道路中，但是目前的算法中利用得還不多。在上下文信息利用中，文獻(xiàn)[29]中用行道樹(shù)的信息來(lái)提取主干道。與拓?fù)涮卣飨嚓P(guān)的有道路交叉點(diǎn)的檢測(cè)，一方面道路提取的最終目標(biāo)主要是GIS數(shù)據(jù)的更新，道路變化的檢測(cè)離不開(kāi)交叉點(diǎn)的檢測(cè)；道路交叉點(diǎn)的檢測(cè)有利于道路精確提取。相關(guān)的文章有文獻(xiàn)[30][31]。
    （2）用多種特征的多證據(jù)融合框架。目前，大部分道路提取算法只利用道路的一種或幾種基本特征，模型還比較簡(jiǎn)單。文獻(xiàn)[32]中提出了一種基于D-S證據(jù)理論的航拍圖像道路提取方法。由于D-S證據(jù)理論為目標(biāo)識(shí)別提供了一個(gè)既考慮根據(jù)各種特征進(jìn)行分類(lèi)的不確定性，又考慮多種特征共同作用的框架，這種方法優(yōu)于只根據(jù)某一特征進(jìn)行識(shí)別的方法，具有較好的實(shí)用性和魯棒性。同時(shí)，這一方法還具有良好的擴(kuò)展性，如果有新的道路特征，可以直接形成新的證據(jù)與其他特征共同作用，以提高識(shí)別的正確率。
    除此之外，熵與互信息理論也可以用來(lái)構(gòu)建獨(dú)立于特征的證據(jù)融合的框架。
    （3）評(píng)價(jià)方法。由于道路網(wǎng)絡(luò)的多變性，道路提取的普遍有效的評(píng)價(jià)準(zhǔn)則還不多。主要評(píng)價(jià)方法可見(jiàn)文獻(xiàn) [33][34]。目前的評(píng)價(jià)方法針對(duì)半自動(dòng)方法的還很少，幾乎是沒(méi)有，已有的完全基于全局的評(píng)價(jià)是遠(yuǎn)遠(yuǎn)不夠的，應(yīng)該有一些非全局的評(píng)價(jià)方法。

參考文獻(xiàn)
[1]  Vosselman, G., and de Knecht, J. 1995.