基于几何信息增强的乡村道路自动提取方法

崔华伟,唐 权

(1.南京市测绘勘察研究院股份有限公司,江苏 南京 210019;2.江苏省测绘研究所,江苏 南京 210013)

0 引 言

无人机技术及卫星技术,以及机载传感器技术的发展,使得高分辨率遥感影像的可获得性得到极大提高[1]。在此基础上,利用高分辨率遥感影像进行地物的自动提取及分类开始逐渐从理论走向实用。学者利用遥感及无人机高分辨率影像,进行了道路提取的研究及应用工作,得到了较好的研究成果[2]。例如,利用已有的网络数据来对遥感数据加强,取得了精度更好的道路提取结果[3]。也有学者利用面向对象及面向像素结合的方法,用以提高道路中心线的提取结果[4]。近年来随着人工智能技术的发展,张新长等利用深度神经网络进行道路提取的前沿性研究,在神经网络在道路提取的适用性上取得了研究进展[5]。

乡村道路的提取,是土地利用调查工作中的一项重要工作,通常的做法是基于测绘内业人员的目视解译,然而这种方式费时费力,且解译结果带有工作人员的主观性。此外,乡村中存在大量不可渗透面的广场,这类广场通常是居民建筑的晒谷子的场地,也有较多的裸地,主要是用于建设的前期准备用地。上述这些地物,会和乡村道路形成混淆。自动提取技术可以有效解决同谱异物问题,本文充分利用道路在面向对象中的几何特征的区别,例如长宽比、紧致度等,用来解决道路和这些同谱异物的混淆,从而提高乡村道路的提取精度。

1 研究区及数据

本文研究区域如图1所示。研究区位于南京市江宁区,拍摄时间是2020年6月11日。从图1中可以看到,本次实验图取自一幅完整的无人机影像,选取具有典型特征的样区范围。乡村道路位于植被浓密的树木之中,还包含了一大块空旷的不可渗透面及未利用地,从而形成了道路自动提取的混淆。

图1 研究区示意图

本次数据是由无人机采集而成。无人机采用飞马V100智能航测系统执行,该系统由飞行平台、低空数字航摄仪、控制系统三大部分组成。无人机机载的航测模块是V-CAM100,由SONY提供,传感器是35.9×24 mm全画幅。数据的空间分辨率是0.08 m。

2 原理与方法

2.1 总体流程

方法的总体流程如图2所示。首先,获得无人机遥感影像,对其进行多尺度分割,分割的方法采用的是eCognition软件自带的多尺度分割(Multiresolution Segmentation),该分割方法已经得到市场和研究者的认可,是一个普适性较强的分割方法。得到分割结果后,进行光谱特征计算及几何特征计算,得到量化后的光谱特征及几何特征,并将这些特征进行平均权重组合,从而形成几何特征增强的光谱特征。最后,使用最近邻分类对量化特征进行分类,从而提取得到道路和非道路,进行精度验证及结果输出。

图2 方法流程图

2.2 多尺度分割原理

本文使用的多尺度分割技术原理来自相关文献[6],该分割原理应用广泛,已经在道路识别领域得到广泛应用[7-9]。本次实验所采用的软件为eCognition,其分割方法的原理也是来自相关文献[6]。

本文分割方法的原理示意如图3所示。其采用的是一种自底向上的区域合并技术,该方法从单个像元开始,通过合并异质性增量最小的相邻像元,实现分割对象的不断增长,而当异质性增量最小值超过给定阈值则区域增长停止。

图3 多尺度分割原理示意图

在多尺度分割中,其评判异质性特征主要包含光谱异质性和形状异质性,异质性的公式原理如公式1所示。

f=fcolor·wcolor+fshape·wshape

(1)

式中,f表示总体异质性,fcolor表示光谱异质性,wcolor表示光谱异质性在总体异质性的权重;fshape表示形状异质性,wshape表示形状异质性在总体异质性的权重。光谱信息和几何信息的结合,是采用如公式(1)所示的权重累加方式。在实际的运行中,通常将wcolor权重值设定为0.8,而将wshape权重值设置为0.2。而对于fcolor光谱异质性的计算,其公式如式(2)所示,fshape形状异质性的公式如式(3)所示。

(2)

fshape=wcompt·fcompt+wsmooth·fsmooth

(3)

在公式(2)中,c表示光谱波段,通常为RGB 3个波段;wc表示波段权值,在此设置为1;nmerge表示合并后对象内像元的数量;σc,merge表示合并后c波段的均方差;nobj_1和nobj_2分别表示对象1和对象2中的像元数量;σc,obj_1和σc,obj_1分别表示c波段对1和对象2的均方差。在公式(3)中,wcompt表示紧致度的权重,通常设置为0.5;wsmooth表示光滑度的权重,通常也设置为0.5;fcompt和fsmooth分别表示紧致度和光滑度的计算公式,其更为具体的计算公式可以参见相关文献[6]所述,在此不再赘述。

2.3 几何特征增强

几何特征增强是指图3中的分割—特征计算—特征结合这3个步骤的组合。此次分割的参数设定为60,较为适合本文的0.08 m分辨率的乡村遥感影像。其分割的结果示意如图4所示。从图4b是局部放大图,可以看到,道路部分具有狭长的几何特征,这为利用几何特征信息来区分其他不可渗透面及裸地提供了分类依据。

图4 多尺度分割示意图(a图为全图,b图为局部放大图)

图5是特征计算的结果,绿色表示高值,蓝色表示低值。其中图5a为光谱特征,从图中可以看到,图中道路和不可渗透面都具有明显的绿值(高值),其他区域呈现显著的蓝值(低值);图5b是长宽比特征,可以看出,道路部分呈现出显著的高值,但是图的下方也存在一部分高值区域;图5c是紧凑度特征,道路部分呈现出显著的低值,而形状较为规整的部分则呈现出高值。基于上述3个量化特征,将其进行平均加权,从而为后续的最近邻分类提供量化特征。

图5 特征示意图(a图为光谱特征,b图为长宽比特征,c图为紧凑度特征)

3 实验结果及分析

对本文方法进行实验验证,得到的结果如图6所示,黄色区域表示提取的道路。总体而言,本文方法总体具有较好的提取精度,但在局部一些位置上未能很好地实现道路提取。本文使用的是标准模板对比法来进行精度测试,即通过人工数字矢量化后得到参考的正确数据,并和提取后的结果进行差值对比,最后得到的本文方法的道路提取精度是92.8%,有效去除了不可渗透面及裸地的同谱异物的干扰,具有较好的实用性。然而,如图6的红框标注范围内,一些植被覆盖浓密的地区,由于遮挡,该部分的道路并未得到很好的提取,这说明仅仅依靠面向对象方法以及光谱特征,并不能把遮挡的真实的道路完整提取。遮挡的部分无法提供道路的光谱数据,导致对于这部分数据提取无效,进而导致提取断连。

图6 实验结果示意图

乡村遥感影像中存在较多的不可渗透面及裸地,这为自动提取道路带来了同谱异物的干扰问题。本文基于面向对象地物提取方法的基本原理,利用乡村道路的分割对象具有显著的几何特征(长宽比、紧致度等),用以对其他不可渗透面及裸地进行有效区分,使得乡村道路自动提取的精度提高。总体上,通过对目视解译后的量化对比,本文方法的道路提取精度较高,有效去除了不可渗透面及裸地的同谱异物的干扰,具有较好的实用性,但本文方法同样也具有局限性,主要是无法完整提取被遮挡道路。

4 结 语

通过南京市江宁区某乡村的无人机影像进行提取实验,本文方法具有较好的识别精度,准确率为92.8%,具有较好的实用性。同时,我们也从结果中看到,在植被覆盖浓密的区域,道路在视觉上具有断连,本文方法也未能够有效保证连续性。后续,将在道路识别的连续性上进一步完善。