基于高分系列卫星的“村村通”道路信息提取研究

刘志江

（宁波市交通建设工程试验检测中心有限公司，浙江 宁波 315042）

0 引言

公路是国家发展的命脉，是经济发展的血管，更是带动地方全方位发展的重要基础建设，国家通过多年的建设与积累，基本已做到各行政村或自然村之间至少有一条进村或出村的道路，即“村村通”工程［1］。通过“村村通”工程的建设与应用，广大群众的交通出行便利性都有了极大地提升，并且为当地的经济发展提供了重要的进出渠道。“村村通”工程道路需要定时巡查与质检，每年都投入大量人力物力进行，尤其是道路信息，传统的道路信息提取与巡查是工作人员驱车前往，并在图上进行勾画［2］。该方法提取道路信息的时效性较差，且在山区等地况复杂区域，不能及时到达。基于此情况，本研究采用遥感技术，对“村村通”工程的道路信息进行遥感提取，以此提升该工作的时效性［3］。遥感技术作为一门新兴的技术，已广泛地应用到道路信息遥感提取研究之中去。许超等利用非监督分类法提取城市硬质建筑表面信息，决策树分类法提取城市水体信息，多重滤波处理对线性地物提取方面的优势提取道路信息完成主要地物信息的提取后，对各项提取指标进行动态变化识别及分析［4］。肖远焕等利用监督分类算法，通过实地采集的样本进行道路信息提取，结果显示监督分类在道路信息的提取中具有更高的精度［5］。徐乔等在应用较多的监督分类基础上，采用随机森林分类方法进行道路信息遥感提取，结果显示：随机森林算法的分类精度整体优于监督分类与非监督分类，且通过调整决策因子，道路信息提取的完整性更好［6］。王旭等采用面向对象分类方法，计算指数特征扩充特征空间库，将所有的特征空间导入到面向对象算法中，进行遥感识别，以此提升遥感提取精度，最终的道路提取精度优于特征丰富前的提取精度［7］。

随着国产高分辨率卫星的发射升空，国产高分辨率卫星影像也越来越多地应用到道路信息遥感提取中。本研究选用国产高分一号卫星（GF1）、高分二号卫星（GF2）影像作为研究数据，采用面向对象分类算法，通过计算影像的空间特征，并筛选最优特征，最终进行道路信息遥感提取，分析国产高分辨率卫星影像在道路信息提取中的适用性。

1 数据及原理介绍

1.1 数据介绍

高分专项是《国家中长期科学与技术发展规划纲要（2006—2020 年）》确定的16 个重大科技专项之一，该项目于2010 年实施。“十二五”规划期间，GF1、GF2 等陆续发射升空，实现了高时间分辨率、高空间分辨率的对地高效观测平台，并且突破了亚米级，被广大遥感从业者称为“中国的全球观测系统”。

GF1 是国内第一颗高分辨率对地观测光学遥感卫星，成功发射于2013 年4 月26 日，配置了2 台2 m全色和8 m 多光谱的高分辨率相机。GF1 突破了高空间分辨率、多光谱与高时间分辨率结合的遥感技术，多载荷图像拼接融合技术，高精度高稳定度姿态控制技术，5—8 年寿命可靠卫星技术，高分辨率数据处理与应用等关键技术，对于推动我国卫星工程水平的提升，提高我国高分辨率数据自给率，具有重大战略意义。GF1 影像效果如图1 所示。

图1 GF1 影像效果图

GF2 是目前我国民用分辨率最高的陆地观测光学卫星，于2014 年8 月19 日成功发射。GF2 卫星影像的空间分辨率可达0.8 m，搭载有2 台高分辨率1 m 全色和4 m 米多光谱相机，标志着我国遥感卫星及应用业务进入了亚米级的“高分时代”。GF2 的亚米级空间分辨率、高定位精度和快速姿态机动能力等特点，有效地提升了我国卫星综合观测效能，使我国高分辨率遥感卫星技术达到了国际先进水平。GF2 影像效果如图2 所示。

图2 GF2 影像效果图

1.2 面向对象分类

面向对象分类算法是在监督分类、非监督分类算法的基础上发展而来的一种高精度遥感分类算法［8］。不同于传统的监督分类与非监督分类，面向对象分类算法不是针对某一个或某一区域像元样本进行样本计算，而是结合非监督分类算法中的聚类分析算法、最邻近优选算法，以及监督分类算法中的样本特征计算、异常值剔除等，进行的算法优化。面向对象分类算法首先对影像进行多尺度分割，将影像分割成一个个细小的图斑，分割原理是非监督分类中的聚类分析等算法，该算法根据临近像元的特征进行归类与划分；然后将样本套合到分割的图斑，以图斑替代样本，对图斑进行基于像元光谱的计算，并剔除精度较差的图斑，以此提升图斑样本的精度［9］；之后将图斑导入到算法中进行填图，最终得到高精度的分类成果。

本研究在面向对象的基础上，进行特征扩充，并选取对道路信息具有较高相关性的特征，以此提升道路信息提取的精度。特征扩充主要包括纹理特征、指数特征、光谱特征［10］，结果如表1 所示。扩充后的特征有16 个，在此基础上，通过ENVI+IDL等工具进行特征计算与最优特征筛选，并导入到面向对象分类算法中，以此达到道路信息的完整识别与提取。

表1 特征空间构建

2 结果分析

2.1 最优分割与特征扩充

采用ENVI 等遥感专用软件，对GF1 影像与GF2 影像进行多尺度分割，并通过不断调整分割尺度，获取各地物类型的最优分割尺度。其中，2 种影像的最优分割尺度结果如图3 所示。

图3 GF1、GF2 道路最优分割尺度示意图

由图3 可知：GF1 卫星影像的最优分割尺度为80，在该尺度下，各地物类型较好地分割开来，其中，对于耕地内的裸地，也与建筑裸地较好地分割开来，道路信息的分割效果严格按照道路像元边界进行分割。而GF2 卫星影像的最优分割尺度为75，得益于GF2 的亚米级像元分辨率，地物的纹理表达更清晰，通过分割，将地物信息更加详细地分割开来，如，耕地内的各地块、独栋建筑与居民楼等信息。

通过来回调换分割阈值，可进行各地物的分割对象选取。采集各地物的对象作为样本，分别采集居民地、耕地、裸地、水体、道路5 大类。对采集的样本，结合影像信息，进行特征计算与扩充，共计算影像的8 个纹理特征、4 个指数特征：通过计算指数特征，扩大水体、耕地与居民地的分类窗口；通过计算纹理特征，扩大裸地、道路的分类窗口。以此提升分类精度。

2.2 面向对象分类

通过特征扩充与筛选后的影像分割，分割后的图斑最大限度地避免了“异物同谱”现象的参与，达到了分割图斑最纯净的目的。将分割后的样本对象，导入到面向对象分类算法中进行遥感解译，得到结果如图4 所示：图4（a）为GF1 卫星影像的分类效果，图4（b）为GF2 卫星影像的分类效果。

图4 GF1、GF2 面向对象分类示意图

由图4 可知：整体来说，2 种卫星影像的分类效果整体一致，居民地、水体、耕地等信息均识别了出来；GF1 卫星影像的识别效果，建筑物多为连片识别，而GF2 更倾向于独栋识别，GF2 影像的建筑物识别中，虽然识别效果较精细，但部分硬化地表错分较多；道路的识别中，GF1 影像更多地识别出了主干道，而GF2 识别得更加详细，如，田间的道路也均识别了出来，但GF2 把更多的裸地也错误识别成了道路。究其原因，GF2 的像元分辨率较高，对地表信息分类更精细，也造成了相近类型的错误识别，出现“过分类”现象。

2.3 整体精度验证

本研究采用预留的20% 样本对本研究中划分的5 类地物的分类精度进行精度验证，本研究划分的5 大类，基本涵盖了地表覆盖类型。本研究的分类结果精度验证方法主要为预留验证样本进行精度验证，验证结果如表2、表3 所示。整体来说GF2卫星影像的分类精度更高；道路的整体分类精度GF1 优于GF2，主要是因为GF2 的道路分类出现了“过分类”现象，但通过分析，GF2 的道路提取结果更精细。

表2 GF1 面向对象分类精度验证

表3 GF2 面向对象分类精度验证

2.4 局部精度分析

采用局部分析方法分析GF1 与GF2 影像的提取效果，结果如图5 所示，图5（a）为GF1 影像的平原地区“村村通”道路提取效果。

图5 “村村通”道路提取效果图

由图5 可知：影像上的硬化道路均识别了出来，道路提取效果严格按照道路走向，泾渭分明，并且各个村庄之间的道路均未出现断头路现象，相对于GF2 的平原地区道路提取效果，未出现“过分类”的现象，而GF2 的平原地区分类效果存在边界过于详细、严格按照像元边界的现象，这就造成了道路两旁到其他地类过渡区域的“过分类”。而GF1 影像的平原地区的“村村通”道路提取成果中，耕地内的土质道路未参与到道路信息的提取中来，是因为本研究通过指数特征与光谱特征计算，将土质道路的特征与硬化道路的特征进行了计算与对比，并扩大了2 条道路的特征差异，避免了在分类过程中错误识别与划分，整体提高的“村村通”道路提取的精度。

图5（b）为GF2 影像的山地地区“村村通”道路提取效果，由图5（b）可知：山地地区“村村通”道路曲折蜿蜒，遥感提取较麻烦，GF1 影像在山地地区的道路识别中具有一定的局限性。因为山地地区林地较多，易造成遮挡，对道路信息的提取具有较大的影响。而GF1 影像的像元分辨率为2 m，对遮挡部分道路的提取更加困难。本研究结合GF2 影像，将道路信息准确地识别了出来。通过计算植被指数特征，针对遮挡区域的混合像元，进行了重新划分。道路的纹理特征优先划定了线性地物特征，基于GF2 影像的像元信息，根据线性地物特征以及林地混合像元分析，将其划定到道路特征图斑中，以此提升山地地区的道路提取精度。

2.5 GF影像适用性讨论

通过本研究的试验，GF 系列卫星影像在道路信息提取中具有较好的适用性与较高的精度。本研究采用GF1 与GF2 影像进行“村村通”道路信息提取，结果显示：GF1 在平原地区提取精度较好，且与GF2 影像的提取效果相差不大；但在山地地区，GF1 卫星影像的提取效果较差，针对树林遮挡的地区，GF1 本身像元分辨率较高，不能较好地计算相应的特征，并且在区分混合像元时不理想。GF2 影像在山地地区的提取效果整体优于GF1，因为GF2影像的分辨率优势，可为山地地区较窄、较曲折的道路提供更好的数据源，同时给易造成断头路的树木遮挡地区以及土质道路影响地区的时空特征计算提供便利。但GF2 影像的过境周期较差，GF1 影像可达到逐月覆盖，这给道路信息提取与更新提供了较好的数据源。相比于GF1，GF2 影像虽可进行更高精度的道路提取，但在信息更新优势上弱于GF1。整体来说，GF1 卫星与GF2 卫星各有利弊，结合应用GF 系列卫星，可在“村村通”道路信息提取中发挥更大的优势。

3 结语

本研究采用扩充与筛选后的特征库作为新的特征空间，导入到面向对象分类方法进行基于GF系列卫星影像的“村村通”道路信息遥感识别与提取，以此研究GF 系列卫星影像在道路信息提取中的适用性，结果如下：

GF 系列卫星影像在“村村通”道路信息提取中具有较好的适用性与较高的精度；

通过扩充面向对象特征库、优化道路的训练模型，提升了地表信息遥感提取的精度，获取了较完整的道路信息；

综合对比GF1 与GF2 影像在道路提取中的适用性得出：GF1 与GF2 影像均具有较高的道路提取精度，GF1 在主干道的提取中具有更高的分类精度，道路两旁地表混淆较少，如在平原地区道路提取中；而GF2 的提取效果出现了“过分类”现象，但局部道路提取精度优于GF1 卫星影像，如在山地地区。

虽然本研究取得了较理想的成果，但仍存在一定的问题：首先，本研究选用的GF2 影像未考虑时相问题，GF2 影像的重访周期较长，较难获取及时性的高质量影像；其次，本研究仅仅选取了一小部分地区，未涉及更大的区域，在广域的道路提取中，本研究的道路模型适用性有待验证。