【遙感圖像道路提取方法探究11000字（論文）】

遙感圖像道路提取方法研究目錄TOC\o"1-3"\h\u51521緒論 1321461.1研究背景和意義 1291001.2遙感影像中道路提取的研究現(xiàn)狀 1188071.2.1半自動道路提取方法 255031.2.2自動道路提取方法 3102711.3論文主要研究內(nèi)容 4310422道路提取的理論及技術(shù)基礎(chǔ) 4254092.1圖像分割的基本理論 4255392.1.1基于區(qū)域的圖像分割方法 5252662.1.2基于閾值的圖像分割方法 6288532.2中值濾波的基本理論 7168103自動道路提取的過程及方法分類 8193244面向?qū)ο蟮牡缆诽卣魈崛?9120044.1基于對象特征的道路提取 9238764.1.1最小外接矩形的計算 9304094.1.2矩形度 10289224.1.3形狀因子 10205034.1.4對象特征在道路提取中的應(yīng)用 1091824.2陰影遮擋處理 1116985結(jié)論 1328608參考文獻 151緒論1.1研究背景和意義遙感技術(shù)是一種新型的、綜合性的對地觀測手段。遙感數(shù)據(jù)因具有時效性強、覆蓋范圍廣、數(shù)據(jù)豐富等特點，被廣泛應(yīng)用于工業(yè)、軍事、農(nóng)業(yè)、氣象等領(lǐng)域。高空間分辨率遙感衛(wèi)星的相繼出現(xiàn)，為我們提供了大量清晰度高、實時性強的數(shù)據(jù)。遙感技術(shù)逐漸成為城市規(guī)劃、環(huán)境保護、農(nóng)業(yè)生產(chǎn)等領(lǐng)域獲取空間信息的重要手段。然而，雖然遙感影像為我們提供了海量的數(shù)據(jù)，如何通過這些數(shù)據(jù)提取出感興趣目標和挖掘有用的信息一直是遙感圖像處理與計算機自動識別領(lǐng)域中研究的熱點與難點。隨著遙感圖像分辨率的提高，影像中地物的細節(jié)更加豐富，噪聲干擾更加嚴重，“同物異譜”和“同譜異物”的現(xiàn)象也變得明顯。地物特征的復(fù)雜化與細節(jié)化增加了高分辨率遙感影像目標提取的難度，很多傳統(tǒng)的中低分辨率的目標提取技術(shù)已經(jīng)不能適用于高分辨率遙感影像的分析。道路是重要的基礎(chǔ)地理信息，是城市中更新最快的基礎(chǔ)地理信息之一，在城市規(guī)劃、交通車輛管理、汽車導航與定位等方面具有重要的作用。因此，及時、準確地更新道路信息具有非常重要的理論和現(xiàn)實意義。當前，高分辨率遙感影像為道路提供了豐富、快捷的數(shù)據(jù)來源，是獲取道路信息的有效手段。但是，目前從遙感影像獲取道路數(shù)據(jù)主要還是靠目視識別，自動化程度不高。同時，道路在高分辨率遙感影像中的表現(xiàn)形式多樣，沒有固定的形式。例如，由于道路材質(zhì)和修建年代的不同，道路往往呈現(xiàn)出不同的光譜特征。同時，道路的形狀復(fù)雜多變，主干道與次干道的寬度也不統(tǒng)一，不能建立比較通用的道路模型。此外，在城市背景環(huán)境下，道路兩側(cè)的建筑物與樹木容易與道路混淆，道路中間的汽車、斑馬線、過街天橋等地物使道路的情況更為復(fù)雜，這些因素都無疑給高分辨率下道路的自動提取帶來了更多的困難。盡管對道路自動提取技術(shù)的研究進行了很多年，不少學者從不同角度提出了許多解決方案，但大多數(shù)的算法穩(wěn)健性差、識別精度不高，距離實際的應(yīng)用還有很大的差距。因此，研究高分辨率下遙感影像城市道路的自動提取具有十分重要的意義。1.2遙感影像中道路提取的研究現(xiàn)狀由于遙感影像包含的信息極其豐富，且影像中的道路特征有很大的復(fù)雜性，因此對遙感影像進行道路提取涉及的學科比較多，是有關(guān)于數(shù)學、計算機視覺、模式識別交互的研究。從上世紀七十年代開始，國外的一些學者就開始進行遙感影像道路信息提取的研究，總結(jié)出了許多適用于不同區(qū)域與類型的道路提取方法，而國內(nèi)由于衛(wèi)星遙感發(fā)射技術(shù)與計算機技術(shù)相對比較落后，道路提取研究晚了二十來年。到現(xiàn)階段，國際上已經(jīng)有許多針對地物提取的研討會，國內(nèi)外也成立了許多從事人工地物提取研究的機構(gòu)，設(shè)立了許多與此相關(guān)的研究項目。由此可看出，人工地物提取已受到了廣泛的關(guān)注與重視，它已處在全球性的研究熱潮中。在國內(nèi)的這幾十年研究中，學者們從不同的角度、領(lǐng)域提出了許多有關(guān)道路提取的理論與方法，也有了許多可觀的研究成果。針對影像類別的不同（遙感衛(wèi)星影像或航攝影像等）、分辨率的不同（高、中、低）、影像所屬區(qū)域的不同（城市或鄉(xiāng)村）、道路類型的不同（如高速公路、主干道、次干道、小路），有許多不同的道路提取算法，不同的算法在提取不同的遙感影像道路有其各自的優(yōu)缺點。但是針對全要素模型道路的提取算法仍很難實現(xiàn)。根據(jù)目前道路提取的研究現(xiàn)狀來看，一般情況下，我們可以根據(jù)提取的自動化程度，將道路信息提取的方法分為半自動道路提取方法和自動道路提取方法這兩種類型。由于影像上的地物均可以分為點、線、面這三種要素，所以對影像上的地物進行特征提取時可基于點特征、線特征、面特征來提取。近些年來許多提取遙感影像中道路的算法都著重于從道路的線狀特征或面狀特征入手，或者將線特征和面特征結(jié)合起來構(gòu)成相關(guān)的算法進行提取。下圖1.1總結(jié)了幾種主要的基于線狀特征、面狀特征的道路提取方法。圖1.1道路提取方法總結(jié)1.2.1半自動道路提取方法人類視覺系統(tǒng)來判別遙感影像中的道路有著相對較高的準確度，而計算機有著強大的計算能力。半自動道路提取方法就是將這兩者的優(yōu)點結(jié)合起來，是目前比較實用、應(yīng)用較多的方法。主要思路是通過人事先給定計算機一些先驗知識，比如初始的種子點及方向等，再由計算機自動化完成剩下的步驟。半自動化道路提取的詳細過程為：1）首先對遙感影像進行道路信息增強；2）人工選擇初始道路種子點；3）再由計算機根據(jù)特定生長標準并且跟蹤種子點以得到初始道路；4）最后將初始道路進行優(yōu)化拓撲，形成道路網(wǎng)。半自動道路提取方法中比較有代表性的主要有以下幾種：snakes模型法、動態(tài)規(guī)劃法、最小二乘模板匹配法、區(qū)域生長法、基于邊緣跟蹤方法。Barzohar和Cooper曾共同建立了道路的寬度、邊緣與中心線等模型，根據(jù)該模型對整幅圖像進行最大后驗估計，然后利用動態(tài)規(guī)劃法求解全局的最優(yōu)估計；Dal.Poz曾經(jīng)用改進的動態(tài)規(guī)劃算法來追蹤道路的中心線；周紹光曾經(jīng)利用相位編組與動態(tài)規(guī)劃相結(jié)合的方法來提取遙感影像中的道路，這種方法的優(yōu)點是能夠較好地提取沒有清晰連續(xù)邊緣線的道路，缺點是對于非道路的部分容易誤判誤提。邊緣跟蹤法是由Heipke于1995年提出的。這種方法首先要設(shè)定一個初始點與初始方向，然后對圖像邊緣進行自動追蹤。在無邊緣的地方停止追蹤并將該點設(shè)為新的起始點，該點就是新獲取的種子點，兩個種子點連接起來就是一段道路邊線。Long[15]曾經(jīng)提出了一種用于提取道路信息的道路檢測方法，這種方法的主要思路為：首先對圖像進行濾波處理，然后采用MeanShift算法對圖像進行圖像分割處理，接著對分割后的圖像進行二值化處理來提取出圖像中的道路區(qū)域。這種方法適合提取背景較為復(fù)雜的影像中路面噪聲較少且路面灰度較為均勻的道路。1.2.2自動道路提取方法道路的自動提取技術(shù)主要包括道路信息的自動識別和自動定位技術(shù)。自動識別是指計算機能夠自動區(qū)分道路與非道路區(qū)域，自動定位是指計算機能夠在識別道路之后進行道路中心線或邊界線的定位。但是這種道路自動提取方法由于缺少人工輔助識別，而計算機自動識別能力有限，雖然已經(jīng)取得了一定的研究成果，但目前仍處于實驗研究階段，仍處于探索中，所以還沒有完全成熟完善的道路自動識別方法。道路的自動提取一般分為如下三步：1）首先獲取道路的基本特征；2）然后根據(jù)其特征制定相關(guān)的準則來獲取道路的種子點；3）根據(jù)影像特征制定相關(guān)判別準則，由計算機根據(jù)判別規(guī)則，自動將種子點擴展為道路段，最后將道路段連接形成道路網(wǎng)并刪除錯誤的道路段。目前應(yīng)用較多的自動道路提取方法有平行線法、光譜分類法、數(shù)學形態(tài)學方法、網(wǎng)狀模型法等。Trinder曾提出了基于平行線對的道路提取方法。這種方法是從人類視覺理論出發(fā)，根據(jù)道路一般是由兩條平行的邊緣線所構(gòu)成的這一影像特征，來實現(xiàn)道路的提取。首先完成低層次道路的邊緣檢測并進行斷線連接，接著進行中層次道路的特征提取，以實現(xiàn)最終的道路特征識別。但是平行線法只考慮道路的邊緣信息，當?shù)缆愤吘売捎谑艿皆肼暩蓴_或其他影響時，這種方法就有很大的缺陷。Hossain等人提出了一種基于數(shù)學形態(tài)學的道路提取方法，具體思路為先將遙感影像轉(zhuǎn)換成灰度影像圖，再將其轉(zhuǎn)化成二值化影像，并進行去噪處理，最后利用形態(tài)學提取道路特征，并對道路進行填充、細化，形成道路網(wǎng)。1.3論文主要研究內(nèi)容論文主要通過分析當前遙感影像中道路提取的研究現(xiàn)狀，對比不同的道路提取方法之間的優(yōu)缺點及適用對象的不同，再結(jié)合論文所用的遙感影像的特點，采用一些改進的算法對高分辨率遙感影像中的道路進行提取實驗。主要研究內(nèi)容包括：通過對比分析不同的影像分割方法，結(jié)合不同分割方法的優(yōu)缺點，依次進行相關(guān)實驗并根據(jù)實驗結(jié)果確定最適用于本次論文的遙感影像道路提取實驗的分割方法。再次通過中值濾波去除圖像分割后圖像中的噪聲點。論文著重研究本此實驗所要采用的兩種道路提取方法：1）研究不同圖像分割算法的基本理論與算法原理，并分析其優(yōu)缺點。2）研究數(shù)學形態(tài)學的相關(guān)理論，并根據(jù)數(shù)學形態(tài)學的算法特點及算法最適用的提取對象，采用數(shù)學形態(tài)學道路區(qū)域的分割與提取方法來進行遙感影像道路提取的實驗研究。2道路提取的理論及技術(shù)基礎(chǔ)2.1圖像分割的基本理論針對一幅遙感影像，人們往往只對其中的部分信息感興趣，這種部分信息稱為目標信息，其余信息則為背景信息。圖像處理通常就是將這種目標信息從背景信息中分離提取出來再進行相關(guān)的分析研究，而圖像分割是從圖像處理到最終的圖像分析的關(guān)鍵步驟。圖像分割是一種依照某種準則把圖像分割成一些互不重疊的區(qū)域，并從中提取出感興趣信息的技術(shù)，這些區(qū)域互相之間不交叉重疊，每個區(qū)域都有一定的共性并且滿足特定區(qū)域的一致性。例如，我們可以將一幅遙感影像圖像內(nèi)容分割成居民地、植被、水系、道路等區(qū)域，進而針對不同類型的區(qū)域進行不同的分析。本次論文中，圖像分割效果的好壞會直接影響到最終的影像道路提取的準確程度，因此采用何種方法進行圖像分割至關(guān)重要。本章主要研究不同分割方法的優(yōu)缺點及其適用性，對論文后期的道路提取選取最適宜的圖像分割方法。圖像分割有很多種方法，大致可以分為以下三大類：基于邊緣的分割方法、基于閾值的分割方法和基于區(qū)域的分割方法。每種方法都有不同的算法基礎(chǔ)，有其各自的優(yōu)缺點，具體采用哪種方法進行圖像分割，我們應(yīng)該根據(jù)影像的特點和不同方法的適應(yīng)面來定奪。影像分割在地物提取中占有很重要的地位，通常在進行地物提取之前，都要對圖像進行影像分割。如下圖2.1所示為道路提取的基本實驗流程圖，從中可看出影像分割是道路提取中至關(guān)重要的一步，會直接影響到道路網(wǎng)的重建，因此，分割方法的選擇至關(guān)重要。圖2.1道路提取基本流程2.1.1基于區(qū)域的圖像分割方法基于區(qū)域的圖像分割方法是根據(jù)區(qū)域內(nèi)部特征的相似性將圖像分割成很多區(qū)域，也就是將具有某種相似性質(zhì)的像素集合起來構(gòu)成一定的區(qū)域。這種相似性度量可以包括灰度值、紋理、顏色、形狀等特征。常用的基于區(qū)域的圖像分割方法主要有區(qū)域生長方法和分水嶺分割方法。區(qū)域生長方法的主要步驟是，先對需要分割的區(qū)域給定一個種子像素作為生長起點，然后從給定的初始區(qū)域開始，將相鄰的具有相似屬性的像素歸并到當前區(qū)域，從而增長區(qū)域，以此類推，直到?jīng)]有相似的像素可以進行合并為止。區(qū)域生長是一種串行區(qū)域分割的圖像分割方法，基于區(qū)域的圖像分割結(jié)果的好壞主要取決于初始種子點的選取、生長準則、終止條件。區(qū)域生長是一種較為普遍的方法，該方法在沒有先驗知識可利用的情況下能夠取得較好的效果。它對噪聲嚴重的圖像分割效果較好，可以用來分割比較復(fù)雜的圖像。區(qū)域的分裂合并相當于區(qū)域生長的逆過程，它首先需要確定一個分裂合并的準則，然后依據(jù)分裂準則對整幅影像進行分裂得到許多子區(qū)域，當分裂到不能再分的情況下，再依據(jù)合并準則，查找鄰域內(nèi)具有特定相似特征的區(qū)域進行合并，最終實現(xiàn)圖像分割的目的。區(qū)域生長算法的優(yōu)點就是它的核心思想簡單，自動化程度較高，只需定義一些起始種子點即可，其余步驟則由計算機根據(jù)種子點自動進行計算，并且該算法可以實現(xiàn)多種生長準則并行運行，基本上能夠?qū)⒕哂邢嗤卣鞯膮^(qū)域分割出來，提供較好的邊界信息。但這種算法的不足就是由于迭代造成的計算量代價較大，對于圖像中的陰影處理效果不太好。分水嶺分割方法是將圖像看做為拓撲地形圖，先對圖像做梯度分割處理，以便將圖像分割成不同類型的個體，進而分析物體的邊緣灰度變化規(guī)律。在分水嶺分割算法中，圖像中每一像素點的灰度值f(x,y)均代表了該點所處地形的高度，每一個局部極小值及其它所影響的區(qū)域可稱作為集盆，而集水盆的邊界線則構(gòu)成了分水嶺。分水嶺分割方法可以對灰度梯度圖像進行分割，形成一些互不重疊的區(qū)域，并得到不同區(qū)域之間連續(xù)的邊界。以灰度圖像dome.png為例，利用基于區(qū)域的自動種子區(qū)域生長法的圖像分割算法來分割圖像。具體過程為：首先通過手動給定一個初始種子點，再由程序根據(jù)該點灰度值進行計算，得到分割成果圖如下所示。這種基于區(qū)域的自動種子區(qū)域生長法的圖像分割算法的優(yōu)點是操作簡單，但是圖像分割結(jié)果的好壞與給定的初始種子點的選取有很大的關(guān)系。圖2.2原圖圖2.3基于自動種子區(qū)域生長法分割后的圖像2.1.2基于閾值的圖像分割方法閾值分割法是一種較為常見并且應(yīng)用較廣的分割方法，該算法的思想是：首先利用一個或多個閾值將圖像的灰度分為幾個等級，同一等級內(nèi)的像素為同一種物體，以此達到圖像分割的目的。閾值分割的主要步驟為：對于一幅灰度值范圍在gmin到gmax的圖像，首先確定一個灰度閾值T，將圖像中每個像素點的灰度值與灰度閾值T進行比較，然后將比較結(jié)果劃分為兩類，即大于閾值T的像素為一類，小于閾值T的像素為另一類。閾值分割方法依據(jù)的原理是圖像上所要提取的目標信息與背景信息在灰度特性上存在差異，所以它適用于分割目標地物與背景信息灰度差異較大的影像。閾值分割算法的優(yōu)勢在于算法原理簡單，數(shù)據(jù)計算量小，易于運行，但是用這種方法分割圖像效果的好壞不穩(wěn)定，主要取決于圖像灰度的差值大小與閾值T的取值。閾值分割所采用的函數(shù)如下所示：(2.1)采用多個閾值進行影像分割的方法稱為多閾值技術(shù)，如下列公式所示，其中T1，T2，……，TK代表一系列分割閾值，K表示閾值分割后的圖像各區(qū)域的不同編號。多閾值分割的定義可表示為：（2.2）無論單閾值分割還是多閾值分割，若T值取值過大，就會過多的提取影像，造成冗余，若T值取值較小，則會造成信息提取不全面不完整。因此，T值的選取對影像分割的結(jié)果有很大影響。基于閾值的影像分割算法原理比較簡單，運算速度快，但是由于它只考慮了影像的灰度變化，沒有考慮影像的其他空間特征，并且對噪聲比較敏感，所以這種方法適用于分割地形地物較為簡單的影像。同樣，以灰度圖像dome.png為例，利用最大類間方差算法求解自適應(yīng)閾值，對圖像進行分割，得到的分割成果圖如下圖所示：圖2.4原圖圖2.5閾值分割后的圖像2.2中值濾波的基本理論影響圖像質(zhì)量的噪聲有很多種，針對不同的噪聲，人們提出了不同的去噪方法。圖像在生產(chǎn)傳輸過程中很容易產(chǎn)生脈沖噪聲，造成脈沖噪聲的原因有多種，它對圖像處理結(jié)果有很大的影響。脈沖噪聲主要分為椒鹽噪聲與隨機值脈沖噪聲兩種，而消除這種脈沖噪聲的方法可以分為線性濾波和非線性濾波。但是由于線性濾波具有低通性，不易保存圖像的細節(jié)和邊緣信息，因此沒有非線性濾波的處理效果好。目前對一般的非線性濾波的研究應(yīng)用較多，其中比較常見的有：極大值濾波、極小值濾波、中值濾波、加權(quán)中值濾波（中值濾波的改進）、中點濾波等。中值濾波的核心理論簡單，易于運行，它的優(yōu)勢主要體現(xiàn)在兩方面：（1）能夠較為完善的保存圖像的細節(jié)信息；（2）具有很好的魯棒性。中值濾波的具體思想為：將圖像中某一像素點的灰度值用該點某鄰域窗口中所有像素灰度值的中值來代替，進而消除孤立的噪聲點。中值濾波主要依賴于快速排序算法，它是利用某種結(jié)構(gòu)的二維模板，在圖像中移動該模板，將所有像素按照像素值的大小進行排序，生成一個單調(diào)上升或單調(diào)下降的二維數(shù)據(jù)序列，然后將序列中位于中間位置的像素的灰度值即灰度值序列的中值作為最終的濾波結(jié)果輸出。如下圖2.6所示為中值濾波的流程圖：圖2.6中值濾波流程圖模板的形狀有線狀、矩形、圓形、圓環(huán)形、十字形等。不同的模板有不同的處理效果，模板形狀與大小的選擇對最終的濾波結(jié)果有很大的影響，如隨著濾波窗口依次變大，圖像中的噪聲消除的比較徹底，但是圖像輪廓也會逐漸變的模糊，細節(jié)信息損失的較為嚴重，圖像會有很大的失真。圖2.7原圖圖2.8中值濾波后的圖像如上圖所示，其中圖2.7是中值濾波的實驗原圖，首先我們在matlab軟件中通過語句f=imnoise(I,'salt&pepper',0.1)為原始圖像加入方差為0.1的椒鹽噪聲，圖2.8是采用二維模板為矩形形狀、5×5大小的中值濾波處理后的圖像。從處理結(jié)果可以看出，中值濾波能夠有效的去除噪聲點，并且保證圖像的邊緣信息不會損失。3自動道路提取的過程及方法分類文獻[1]分析了大量自動道路提取文獻,認為道路提取過程可分為圖像預(yù)處理、邊緣提取、道路跟蹤和道路連接四個過程?？紤]到預(yù)處理可作為特征提取過程的一個環(huán)節(jié),而道路跟蹤和道路連接之間的界限模糊,因此,本文將道路提取分為特征提取和道路連接兩個過程。特征提取過程利用輻射和幾何特征尋找可能的道路點、線或區(qū)域,它們被稱為道路種子;道路連接過程則依據(jù)幾何、拓撲和背景特征,利用假設(shè)、證實、最小化代價函數(shù)等策略,連接道路種子構(gòu)成道路網(wǎng)絡(luò)。對道路提取方法進行細致分類是較困難的,其原因是道路提取應(yīng)用條件的多樣決定了方法的多樣.圖像分辨率、是否有人工參與、圖像的成像方式等因素,都不同程度地影響著道路提取方法.首先,圖像分辨率決定道路呈現(xiàn)的圖像特征。單個像素大于地面實際距離2米的圖像為低分辨率圖像,此時道路呈現(xiàn)約1到3個像素寬度的線特征.基于線特征檢測的方法適用于該分辨率下道路提取。高分辨率圖像中道路細節(jié)明顯,因此平行邊緣檢測、條帶檢測和道路截面分析成為道路提取的重要手段。文獻[12]在回顧道路提取方法時,按照適于低分辨率圖像和高分辨率圖像的原則進行分類.低分辨率圖像下適用的方法包括模板匹配、動態(tài)規(guī)劃、圖像梯度方法;高分辨率下適用的方法包括道路跟蹤和Snake方法。是否有人工參與道路提取也是分類的重要依據(jù).人工參與道路提取的方式包括標記道路點、交叉點和典型道路區(qū)域等。人工參與的道路提取被稱為半自動道路提取,全自動道路提取無需人工干預(yù)。綜述文獻依據(jù)該原則將道路提取方法分為自動和半自動兩類.道路圖像的成像方式除了光學成像外,還有紅外成像、合成孔徑雷達成像、激光雷達成像等。成像方式影響著特征提取算法。光學圖像中噪聲是加性的,SAR圖像中噪聲是乘性的,兩類圖像的中的邊緣提取算法也不相同。更多的學者還是依據(jù)所涉及的圖像處理方法對道路提取進行分類.如文獻[3]將道路提取方法分為道路跟蹤方法、形態(tài)學和濾波方法、Snake和動態(tài)規(guī)劃方法、聚類和區(qū)域分割方法、多尺度和多分辨方法。4面向?qū)ο蟮牡缆诽卣魈崛》炙畮X變換將圖像分割為影像對象后可以得到比較完整的影像對象，但由于“異物同譜”現(xiàn)象的存在道路對象還不能提取出來。但是，道路影像對象在幾何特征、輻射特征等方面與其他影像對象有很大的區(qū)別。本文基于道路對象的輻射特征、幾何特征和上下文特征，采用面向?qū)ο蠓椒?，對影像對象的特征因子做定量描述，進而提取道路信息。4.1基于對象特征的道路提取本文提取道路對象采用的特征指標有光譜均值、面積、長度、長寬比、矩形度和形狀因子等。光譜均值、面積等特征指標比較直觀，這里不再贅述。下面對部分特征指標進行說明，并通過實驗說明各指標在道路對象提取中的效果。4.1.1最小外接矩形的計算由于道路影像對象的長度、長寬比和矩形度都是通過影像對象最小外接矩形的長度和寬度計算得到的，因此本文首先對最小外接矩形的計算方法進行說明。影像對象的外接矩形有兩種：水平外接矩形和最小外接矩形。水平外接矩形的計算非常簡單。對于任意影像對象P，設(shè)其上的像素點為其左上角點和右下角點坐標的計算公式為：（4-1）（4-2）水平外接矩形的范圍往往大大超出空間實體的實際范圍，不能準確地描述影像對象的幾何性質(zhì)，所以用最小外接矩形描述影像對象的幾何特征?；诿娣e最小原則，以影像對象的初始水平外接矩形的中心點為軸，旋轉(zhuǎn)影像對象并計算不同旋轉(zhuǎn)角度下影像對象水平外接矩形的面積。當水平外接矩形的面積最小時，記錄下旋轉(zhuǎn)角度；最后將影像對象以角度進行反轉(zhuǎn)就可以得到影像對象的最小外接矩形。如圖4-1所示，虛線部分為原始影像對象及其水平外接矩形，實線及灰色的部分為經(jīng)旋轉(zhuǎn)得到的影像對象及其水平外接矩形。在實際計算過程中，本文用依次逆時針旋轉(zhuǎn)1°、共旋轉(zhuǎn)180次的方法來尋找影像對象的最小外接矩形。圖4-1旋轉(zhuǎn)影像對象求最小外接矩形4.1.2矩形度矩形度為影像對象面積與其最小外接矩形面積之比，體現(xiàn)了影像對象與矩形的相似程度。4.1.3形狀因子形狀因子描述影像對象形狀的復(fù)雜性，即區(qū)域邊界的曲折或區(qū)域凹凸的多變性。一個比較簡單的邊界往往有比較小的周長/面積，而一個相同面積的復(fù)雜區(qū)域會有較長的邊界。因此，形狀因子定義為（4-3）其中，p為影像對象的周長，A為面積。形狀因子是一個相對抽象的概念，因此本文將形狀因子作為道路提取的一個輔助工具，在適當?shù)那闆r下使用，不起決定性作用。4.1.4對象特征在道路提取中的應(yīng)用圖4-2為分別采用六個不同的影像對象描述算子對圖4-2（a）中主干道路的提取結(jié)果。通過實驗觀察可以發(fā)現(xiàn)，長度因子、矩形度因子和形狀因子對主干道路的提取效果比較好。這是由于主干道路通常連接成網(wǎng)絡(luò)，形成大面積的、分叉型的影像對象產(chǎn)生的結(jié)果。而面積特征和灰度特征可以進一步輔助道路影像對象的提取。（a）圖像分割結(jié)果圖4-2道路特征提取實驗分析4.2陰影遮擋處理在城市地區(qū)的遙感影像中，道路常常會受到建筑物和樹木陰影的遮擋。這些陰影對地物的輻射特征產(chǎn)生很大的干擾，使提取出的道路信息形狀不完整或者出現(xiàn)斷裂。因此，必須設(shè)計相應(yīng)的方法對陰影進行消除和處理。在圖像處理領(lǐng)域有一些直接消除圖像陰影的方法(L.Huietal.，2009;K.L.Chungetal.，2009;劉宏等，2007)，但是大部分的方法不能完全去除陰影。特別是高分辨率城市遙感影像地物信息復(fù)雜，要在保留原圖道路信息的同時完全去除陰影的干擾是比較困難的。因此，本文沒有去除遙感影像中的陰影，而是在利用灰度特征提取出陰影信息之后，借助陰影與道路之間的聯(lián)系對斷開的道路進行連接和填充。陰影在全色影像中的灰度相對統(tǒng)一(灰度接近于0)，但其形態(tài)多樣。根據(jù)其對道路提取過程造成的影響，概括為以下三種情況(圖4-3)(1)陰影將道路完全覆蓋，造成道路中斷；(2)道路兩旁建筑的陰影遮擋了部分道路使道路形狀不完整，破壞了道路的平行性。(3)陰影面積較小，造成道路小范圍內(nèi)連接的中斷。(a)陰影遮蓋(b)陰影遮擋(c)小面積陰影中斷圖4-3陰影與道路關(guān)系通常情況下，寬度較小、長度較短的陰影對道路的影響不大(圖4-3(c)),可以采用形態(tài)學運算對道路進行連接。對于面積大較大、基本覆蓋整體路面、對道路連通性破壞較強的陰影(圖4-3(a))。本節(jié)主要介紹與道路有一定鄰接關(guān)系的陰影(圖4-3(b))處理方法，該方法可以有效地將陰影填充到道路中，補充道路缺失的邊緣。朱曉玲、烏仔群勇(2009)曾經(jīng)針對此類問題提出了一種處理道路沿線遮擋物的方法。其模型如圖4-4所示。陰影等遮擋物通常與道路呈現(xiàn)出相互包含或鄰接的關(guān)系，其邊界與道路影像對象具有相同的公共邊。朱曉玲、烏仔群勇將那些與道路對象具有相同公共邊、并且公共邊占陰影對象邊界比例大于0.5的對象當作道路，從而修補缺失的道路信息。這種方法雖然能夠?qū)﹃幱罢趽醯牡缆愤M行補充，但是該方法將與道路鄰接的整個遮擋對象都當作道路信息來填補，在一定程度上影響了道路形狀的規(guī)整性。因此，本文對此方法做了改進。圖4-4遮擋處理原理與把整個陰影遮擋物視為道路不同的是，本文先檢測陰影遮擋目標對象與道路對象鄰接的所有像元(圖4-4紅色部分)，計算出包含這些像元的最小外接矩形，將此最小外接矩形作為道路填充到先前提取的道路中。圖4-4表示的是一種理想化模型，由于陰影的范圍并不是很大，在道路彎曲程度不大的情況下該方法的應(yīng)用效果比較好(圖4-5(b))。同時，該方法可以不依賴公共邊界占遮擋對象邊界的比例，將缺失的道路信息進行填補。(a)原始影像(b)陰影遮擋處理前(c)陰影遮擋處理圖4-5陰影處理該方法除了可以處理陰影遮擋對道路的影響，道路兩旁的行道樹對道路造成的遮擋(圖4-6)也可以采用此方法來處理，具有一定的通用性和適用性。圖4-6道路鄰接遮擋物5結(jié)論道路是GIS系統(tǒng)中重要的基礎(chǔ)地理數(shù)據(jù)，高分辨率遙感影像為道路信息的獲取與更新提供了豐富的數(shù)據(jù)來源。但目前從高分辨率影像中提取道路還是以人工目視解譯為主，自動化程度不高。從遙感影像中快速準確地提取與識別地物信息是遙感領(lǐng)域關(guān)注的熱點問題。特別是隨著高分辨率遙感技術(shù)的快速發(fā)展，遙感圖像的分辨率越來越高，圖像中的細節(jié)信息更為突出，這些都給傳統(tǒng)的道路自動提取算法提出了更高的要求。目前雖然有不少學者對高分辨率遙感影像道路的自動提取技術(shù)提出了很多解決方案，但是還沒有比較完善、成熟的算法。因此，研究高分辨率影像的道路自動提取技術(shù)具有重要的意義。本文基于城市道路在高分辨率影像中的特點，在認真學習現(xiàn)有道路提取算法的基礎(chǔ)上，對道路的自動提取技術(shù)進行了研究，提出了一種道路自動提取的思路。具體工作內(nèi)容概括如下：（1）總結(jié)了國內(nèi)外高分辨率遙感圖像道路自動提取技術(shù)的研究現(xiàn)狀，對道路自動提取的難點進行了描述，提出了道路提取中主要的研究方向。（2）介紹了高分辨率遙感圖像城市道路的特點、圖像分割技術(shù)、面向?qū)ο蟮挠跋穹治龇椒ㄒ约皵?shù)學形態(tài)學等相關(guān)概念。（3）詳細分析了分水嶺圖像分割算法的原理及其存在的問題，結(jié)合該算法在道路提取中的應(yīng)用特點，提出了局域同質(zhì)性閾值選取、剔除局部極小值小面積區(qū)域、去除小斑塊和區(qū)域合并的改進方法。改進后的分水嶺算法能夠有效緩解過分割現(xiàn)象、提高影像分割運行速度，為后續(xù)的道路提取和影像分析提供了基礎(chǔ)。（4）利用面向?qū)ο蟮挠跋穹治龇椒?，結(jié)合道路光譜特征、幾何特征和上下文特征，運用幾何形狀因子和陰影遮擋處理算法對道路影像對象進行提取。該方法不僅能有效地解決高分辨率影像中“同譜異物”的問題，還可以充分利用影像對象之間的鄰接關(guān)系和空間關(guān)系輔助道路信息的提取。參考文獻蔡紅玥.高分辨率遙感圖像城市道路自動提取方法研究[D].中國地質(zhì)大學(北京),2015.顧劍華,孫鑫,李紅.基于地理國情普查高分辨率遙感影像的道路提取方法研究[J].測繪與空間地理信息,2014,06:145-146.胥亞.中高分辨率遙感影像道路提取技術(shù)研究[D].解放軍信息工程大學,2012.姚琴風.多尺度城市道路高分辨率遙感影像提取方法研究[D].太原理工大學,2015.靳彩嬌.高分辨率遙感影像道路提取方法研究[D].解放軍信息工程大學,2013.周安發(fā).高分辨率遙感影像城區(qū)道路提取方法研究[D].中南大學,2012.李衛(wèi)東,陳永楓,楊陽,李潤生.國內(nèi)外遙感影像道路網(wǎng)提取方法研究現(xiàn)狀[J].影像技術(shù),2016,02:44-45.張采芳,田巖,鄭毓勇.基于最優(yōu)尺度的高分辨率遙感影像道路提取[J].測繪通報,2015,01:90-94.KassM,WitkinA.TerzopoulosD.Snakes:ActiveContourModels[J].InternationalJournalofcomputerVision,1987,1(4):321-331BarzoharM,andCooPerD.B.AutomaticfindingofmainroadsinaerialImagesbyusinggeometricstochasticmodelsandestimation[J].IEEEtransactiononPatternAnalysisandMachineIntelligence,1996,18(7):707-721PozD,ValeAP.Dynamicprogrammingforsemi-automatedroadextractionfrommediumandhigh-resolutionimages,internationalarchivesofthephotogrametry[J].RemoteSensingandSpatialInformationSciences,2003(34):3-8G.Vosselman,J.Knecht