控制网

    道路提取是遥感图像中信息提取的一个研究热点，不仅具有理论价值也具有很广阔的应用前景。道路与人们生活休戚相关，而手工提取的方法远远不能满足地理信息系统（GIS）数据获取与更新的需要，因此从遥感图像自动提取道路的研究就显得尤为迫切。本文从遥感图像的道路特征描述出发，对道路提取的基本思想和方法进行了探讨，对近年来道路提取的研究状况进行了分析和总结，并对道路提取的进一步发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与几何的，其基本特征主要有以下几种。
    （1）几何特征。道路呈长条状，其长度大于宽度，在较大范围内道路的宽度变化比较小，曲率也有限制；
    （2）辐射特征。道路一般有明显的边缘，路面灰度均匀，与相邻区域灰度差比较大；
    （3）拓扑特征。道路从拓扑结构看是相连的，可以形成网络状；
    （4）上下文特征。上下文特征指的是道路相关的特征与信息，如道路旁的建筑物和树，这是局部上下文，全局上下文提供全局信息，如图像区域是城市还是乡村。
1.2  道路提取的模型与策略
    常见的道路提取的模型与策略有很多。线段模型常用在中低分辨率下道路的建模中，对于主干道的检测这个模型是足够的。在高分辨率下，道路常用平行的边线来建模，相对线段模型来说，阴影或干扰将对道路提取产生很大影响。道路网络的组成离不开连接点与交叉点，对交叉点的精确检测与建模将有助于道路提取结果的改善。全局的拓扑性质应该与局部的上下文及几何特征有效的结合。

2  半自动道路提取方法
    半自动的道路提取与全自动方法不同在于其需要人机交互，按交互的方式不同又可以分为两类。一类仅给定初始点和初始方向利用跟踪的方法[1][2][3]来提取道路；另一类方法则给定一系列分散的种子点，利用主动轮廓模型[4]，模拟退火[5]，和动态规划[6]等方法曲线拟合提取道路中心线。前者运用的主要是局部的特征，后者往往求的是全局的能量最小。
    跟踪的方法会给定初始点和初始道路的方向，要通过跟踪的方法得到道路的中心线和边线。要解决的问题包括如何通过已检测到信息预测下一点处道路的参数(位置，宽度，曲率，方向)，利用图像信息选择最佳预测点并修正预测模型，确定停机准则(连续出现预测误差很大或是已经检测到的部分道路已经得到验证)。
    在文献[1]中，预测利用了卡尔曼滤波方法，修正利用的是截面匹配的方法。截面匹配是指道路为狭长区域，在垂直于道路方向的相近的截面具有极大的相似性，根据这一特点，可以在预测到道路中心点后找到下一截面的位置，从而确定道路宽度和方向。卡尔曼滤波中假设系统是线性的，系统的观察也是固有状态的线性函数，系统和测量中的噪声是高斯白噪声。文章中把道路的曲率当成常量，真实的形状与模型的偏差被认为是系统噪声。模型的状态变量有道路的位置(两个参量)，道路的方向，曲率。方法优点是当截面匹配由于暂时的干扰(如阴影)失败时能继续迭代，而不离开道路。连续的截面匹配的失败也可以当成是道路交叉点或道路终点的标志。缺点是方法把噪声当成是高斯分布的，与实际情况有偏差。文献[7]也运用卡尔曼滤波和截面匹配的方法做道路提取，而且提供了用户在半自动道路提取过程中人机交互的接口。
    文献[3]提出了一种Jetstream的方法认为跟踪道路的边线可以看成是随机过程，随机过程由内部的动力和统计数据模型驱动。先验动力模型用来保存已提取的曲线的属性并依此求出下一候选点的位置，数据模型用来验证预测点是否在边线上，以此选择最佳的候选点。动力模型用来预测下一点位置，有两个参数，步长和转角。数据模型给出点在边缘和点不在边缘上观测值概率分布情况，这里主要利用统计的手段。非边缘点和边缘点分别采用了与梯度幅值和角度相关的统计量。确定了模型后计算中采用了连续重要性采样的蒙特卡罗方法。边缘跟踪可以用于图像分割中，用在道路提取时要增加一个宽度变量，同时跟踪两条边线。Jetstream方法很有特色的地方在于它对边缘的描述是用统计的办法，另一方面粒子滤波处理非正态分布比卡尔曼滤波更有优势，在监控中做人体和车辆的跟踪技术已经应用比较成熟，在道路提取方面用的还较少。文献[8]中运用了与Vosselman的卡尔曼滤波中用的模型也使用了道路截面信息，主要不同点就是使用粒子滤波代替卡尔曼滤波做预测。
    半自动方法中的第二类主要有动态规划和Snake模型方法。动态规划方法导出了道路的一般参数模型，将其表达成种子点之间的代价函数，以动态规划作为确定种子点之间最优路径的计算工具。比较早的有Gruen and Li 的文章[9]，主要用在低分辨率图像道路提取方法中。Dal Poz等[10]对Gruen 的方法中的代价函数做了修改，增加了道路边缘梯度反向平行的约束条件，将动态规划的方法拓展到高分辨率图像的道路提取中。动态规划种子点的选取需要手工，较繁，同时此方法要很大的存储量。Snake模型方法是一种有效的目标轮廓提取方法，在道路提取中运用非常广泛。Snake模型方法根据对道路特征的抽象确定不同的道路模型，将道路特征与几何约束用能量函数表示出来，通过求能量函数最小值得到目标轮廓。Snake模型的形式有很多，已经运用到道路提取中的有LSB-Snake[11],ziplok snake[12],Ribbon snake[13],multi-resolution snake[14]。

3  全自动道路提取方法
    全自动提取无疑是遥感图像中道路提取的最终目标，但是由于遥感图像的复杂性和多样性，道路的自动提取涉及到计算机视觉、人工智能、模式识别等诸多领域。全自动提取方法因其复杂性，往往是多种方法的综合运用，主要有多尺度多分辨率、统计学习及几何概率模型方法。
    Hinz等[15]报道了一种全自动基于多尺度，Snake模型和上下文信息的道路提取方法。该方法应用于农村道路的自动提取中效果很好。
    农村道路的提取分成了三部分，显著道路，不显著道路和交叉口的提取。显著道路是指道路宽度基本恒定且对应区域灰度均匀的路段；不显著道路是道路网络中受阴影或干扰的路段，或者可以认为是显著道路间的间隔部分；交叉口一般包括十字路口，三叉口等。
    对显著道路的提取采取了多尺度的方法：在低分辨率条件下检测线[16]，在高分辨率下检测边缘再利用判决准则进行融合[17]，非显著道路提取运用了Ribbon snake的方法[13]。交叉点由于拓扑关系的复杂用简单约束连接肯定会导致错误，故必须对交叉点进行检测。单纯的道路交叉点的提取是很复杂的，但利用已有的显著道路和非显著道路的知识，可以大大缩小搜索空间。在低分辨率图像中进行线检测时基于尺度空间分析可以对交叉点进行检测，在非显著道路提取时大多数由交叉点造成的显著道路间的间隔可以由带状蛇方法连接起来。已知这两点的情况下，交叉点位置可以近似获取，交叉点的检测难度大大降低了。而且所选择的策略不受交叉段的形状与拓扑结构的影响。
    前面提出的方法是以局部特性为基础，文献[18]提出了一种全局的办法，主要利用道路的拓扑特性。这种方法在低层的处理中与文献[13]中的方法是一致的，都是先找到显著的路段。不同的地方在之后的分组和连接，建立道路网络的过程。这种方法主要的思想是把已检测的道路路段用有权无向图表示出来，每一段用一个结点表示，结点之间的权重用模糊数的与运算决定。这些模糊值由路段间的绝对距离，相对距离，和是否在同一直线上来确定，超过某一阈值取1，低于另一阈值取0。模糊数定下来后，整个无向图就建立了。道路的拓扑性质决定道路不是孤立的，应形成网络，而且通常重要的地点间一定是有路可通且有最短路径。找最短路径的方法可以用迪杰斯特拉算法，重要地点在无向图上也就是重要结点的选取需要从低层处理中得到，比如可以选择较长的路段或者选边界处作为初始点。最主要的步骤依次为建立无向图，选择重要结点，寻找最短路径，最后是验证。
    总的来讲，这类全自动的多尺度多分辨率的方法取得了不错的效果，但是仍然有错误，需要后续的编辑，需要人工方法处理或者其它数字高程模型（DEM）对已经提取的道路进行校正。
    多尺度的方法还有文献[19]中运用小波变换提取道路中心线的方法。其主要思想是针对道路的交叉点和中心线在小波变换后小波系数呈现的规律提取交叉点和中心线。Pak zad等[20][21][22]发表了多篇关于多尺度多分辨率道路检测的方法。主要的思想是建立一个道路的语义网络，同时实现道路提取的尺度自适应的策略。
    统计学习也越来越多地应用到了道路提取算法中，Bacher等[23]提出了一种用IKONOS图像的全自动道路检测方法。先从各个光谱通道提取线作为初始的道路假设，把这些线作为产生训练区域的基础，训练区域的产生与前面的多尺度下的方法相似也要找满足存在平行边缘与已检测线非常靠近且平行边缘间灰度值变化小的区域。在训练区域基础上对图像进行有监督模糊聚类，应用分类结果及线的几何特征提出道路猜想。验证道路假设得用模糊逻辑进行融合，形成道路网络。文献[24 ]在提取道路中运用了支持矢量机（SVM）的方法。
    基于几何统计模型[25]的方法对道路作了一些假设，要求道路宽度变化小、方向变化缓、局部灰度变化小、道路与背景差异大、道路较长等。基于这些假设，根据道路宽度和灰度分布等特点，建立道路的几何模型，将图像分成小块，通过使用Gibbs分布和Gauss分布等概率模型，建立道路检验窗口，计算后验概率，进行比较，从而达到进行搜索道路的目的。该方法具有较高的稳定性，但是需要的参数较多。

  道路提取新的进展与发展趋势
    从遥感图像中提取道路已取得很多研究成果，但由于现实中道路的复杂性，已经有的方法与实际应用要求还有差距，在提取的自动化程度、提取算法的准确性方面还有许多工作有待解决，主要有：
    （1）提取算法的表现关键在于特征的选择。卫星图像通常有三到四个光谱频段，有较好的辐射特性，但是分辨率稍差，充分利用光谱特性可以弥补在分辨率方面的劣势。而且在高分辨率图像中，道路具有丰富的纹理特征，纹理信息的应用可以提高算法的准确性。文献[26][27]都运用了多光谱图像提取道路中心线的方法。基本的思路都是先由聚类得到道路区域，再由道路区域产生道路中心线。文献[27]认为提取算法结果的好坏与初始聚类有很大关系，分类的精确程度不取决于有监督还是无监督的，更重要的在于与其它光谱特征相似物体如停车场和房屋的误分的问题。因此在粗分类后用形状描绘子来消除停车场及房屋等造成的误分，在道路中心线提取方面作者用雷顿变换提取中心线，比文献[26]中用最小生成树的方法结果要好。 在特征的选择相关的还有尺度问题。传统的道路提取方法一般采用像素级检测方法，仅利用了像素的光谱信息作为道路提取的依据，无法利用图像的空间信息。文献[28]中提出的面向对象的图像分析方法将图像对象作为图像分析的基本单元，图像对象是指图像分割后若干同质像素的集合。分割后获取的对象利用对象的光谱、几何和空间关系建立知识库，再利用知识库中的规则来提取图像中的道路。面向对象方法引入了空间特征可有效利用对象间的语义关系，有助于指导图像分析。最后是拓扑特征与上下文特征的利用。拓扑与上下文特征是道路相对稳定的特征，尤其是在城市道路中，但是目前的算法中利用得还不多。在上下文信息利用中，文献[29]中用行道树的信息来提取主干道。与拓扑特征相关的有道路交叉点的检测，一方面道路提取的最终目标主要是GIS数据的更新，道路变化的检测离不开交叉点的检测；道路交叉点的检测有利于道路精确提取。相关的文章有文献[30][31]。
    （2）用多种特征的多证据融合框架。目前，大部分道路提取算法只利用道路的一种或几种基本特征，模型还比较简单。文献[32]中提出了一种基于D-S证据理论的航拍图像道路提取方法。由于D-S证据理论为目标识别提供了一个既考虑根据各种特征进行分类的不确定性，又考虑多种特征共同作用的框架，这种方法优于只根据某一特征进行识别的方法，具有较好的实用性和鲁棒性。同时，这一方法还具有良好的扩展性，如果有新的道路特征，可以直接形成新的证据与其他特征共同作用，以提高识别的正确率。
    除此之外，熵与互信息理论也可以用来构建独立于特征的证据融合的框架。
    （3）评价方法。由于道路网络的多变性，道路提取的普遍有效的评价准则还不多。主要评价方法可见文献 [33][34]。目前的评价方法针对半自动方法的还很少，几乎是没有，已有的完全基于全局的评价是远远不够的，应该有一些非全局的评价方法。

参考文献
[1]  Vosselman, G., and de Knecht, J. 1995.