【微课堂】结合非监督分类和几何—纹理—光谱特征的高分影像道路提取
随着高分辨率遥感影像的普及，基于高分辨率遥感影像目标提取已经成为研究的热点，尤其是道路提取与检测，准确、实时的路网信息在导航、更新地理信息数据库、城市规划与管理等方面具有重大意义。
目前国内外高分辨率遥感影像道路提取方法主要包括基于边缘约束的方法、基于模板匹配的方法、面向对象的方法、基于知识的方法、特征融合的方法等。为了提高道路提取的完整度、准确度和自动化程度，本文提出一种基于非监督分类和几何—纹理—光谱特征的道路提取方法(UCFF)。
本文方法主要包括两部分，第一部分是提取道路区域和中心线，第二部分是实验结果精度评价。道路提取部分首先获取道路候选区域，利用光谱特征进行ISODATA非监督分类，同时利用纹理特征进行分类，结合两者分类结果得到道路候选区域；然后滤除非道路区域，包括边缘滤波、纹理滤波和形状滤波得到最终道路提取结果。最后用张量投票算法提取道路中心线。
图1. 道路中心线提取流程
1提取道路区域
1.1 基于纹理特征的分类
由于道路本身比较光滑，与其他地物的粗糙纹理有明显的差异，本文利用纹理特征对影像进行分类来解决这一问题。首先设定3×3的滤波窗口，然后在4个方向（如图2）上计算窗口内影像的方差，其中(i,j)处为窗口中心像素。
图2. 计算纹理特征的4个方向
方差计算公式为
人工设定阈值，如果4个方向的方差值都小于阈值，认为是匀质的道路区域。然后把ISODATA非监督分类和基于纹理特征分类结果结合得到最终的道路候选区域。
1.2 非道路区域滤除
（1）边缘滤波
经过分类得到的道路候选区域图像，存在一些与道路相连的非道路部分，很难直接利用形状大小滤波将其移除，从而产生粘连现象。为了解决这一问题，提出一种边缘滤波方法。首先利用Canny算子提取原始全色影像的边缘，在候选道路上把边缘存在处赋值为0，从而断开道路和非道路的连接。
式中，A是候选道路区域上的点，B是经Canny边缘提取后的边缘点，C是经边缘滤波后的道路二值图像。
（2）纹理滤波
采用纹理特征分类中方差的计算方法，利用纹理滤波滤除宽度大于道路的大面积非道路区域，例如大型停车场和建筑物等。
（3）形状滤波
由于道路是狭长的连通区域，它们都有较大的面积和长宽比。利用长宽比—线性特征指数LFI(linear-feature index)，如图3所示，设定阈值滤除一些剩余小面积的地物和长宽比较接近的例如房屋屋顶等地物。LFI的计算步骤如下：
图3. LFI示意图
(a) 寻找二值图像的连通区域（4或8连通），并计算它们的最小外接矩形。以外接矩形的对角线L为长边建立新矩形，新矩形的面积等于连通区域的面积。
(b) LFI的计算公式为
2实验结果与分析
定量评价采用了完整率E1、正确率E2、检测质量E3这3个指标，计算公式为
式中，TP表示正确提取的道路长度(像元个数)，FN表示没有提取出的道路长度，FP表示错误提取出的道路长度。
（1）IKONOS影像实验
实验数据为澳大利亚Hobart地区的IKONOS影像，影像大小为1058×1049像素，空间分辨率1m，波段数为可见光RGB共3波段。图4为实验采用的影像数据、道路区域真实值和中心线。提取结果如图5所示。
图4. 实验一IKONOS数据
图5. IKONOS实验中不同方法所提道路区域和中心线
表1. IKONOS影像实验精度对比
（2）QuickBird影像实验
实验数据为美国德克萨斯州地区的QuickBird影像，影像大小为1043×880像素，波段数为可见光RGB，空间分辨率为2.6m。图6为实验采用的影像数据、道路区域真实值和中心线。提取结果如图7所示。
图6. 实验二QuickBird数据
图7. QuickBird实验中不同方法所提道路区域和中心线
表2. QuickBird影像实验精度对比
从以上实验可以看出，Chaudhuri方法出现了较多的漏提现象，黄昕算法产生了较多的毛刺，本文方法提取结果比较完善，并且中心线比较完整，目视效果好。本文方法能有效避免椒盐噪声和粘连现象，相比于其他两种算法在完整率、正确率和检测质量上平均提高26.61%、5.57%和26.77%。本文道路提取结果取得了较好的效果，能够为实际应用和其他研究方向提供参考和借鉴。
以上内容摘自于《结合非监督分类和几何—纹理—光谱特征的高分影像道路提取》，原载于《图象图形学报》2017年第12期，原作者韩洁、郭擎、李安。