自适应形态学重建的遥感图像道路提取

0 引言

从遥感图像中准确提取出道路在设施设计规划、车辆导航、地图更新等方面具有重要应用价值。目前已存在多种遥感图像道路提取方法，其中利用光谱-空间分类是一类方法，该方法能够同时使用遥感图像的光谱和空间信息，比传统仅使用光谱信息分类方法具有更高的鲁棒性和准确性，其中数学形态学常被用来检测图像的空间结构特征。形态学用于道路识别时其结构元素通常依据用户经验选取其大小和形状，如文献[3]提出了一种通过多尺度分割和张量提取高分遥感影像城市道路中心线的方法，通过结合多个特征和多尺度融合来将道路区域分割，然后引入非最大抑制张量提取道路中心线；文献[4]利用6个基本形态运算（开、闭、重构开和闭、顶帽开和闭）对形态学滤波器作了改进，该方法结合了简单滤波器和重构滤波器所提供的最佳性能，但是由于使用了固定大小的菱形结构元素，因此不能适应图像中所有结构；文献[5]通过利用不同长度和角度的线性结构元素实现路径开和闭，将遥感图像分为道路和非道路两类，该方法采用的线性结构元素，难以有效检测出图像中的曲线结构；文献[6]提出了一种利用融合马尔科夫随机场分割与数学形态学处理的道路提取方法，该方法首先使用直方图均衡化和增强滤波对遥感图像进行预处理，实现道路的边缘增强，然后利用马尔科夫随机场分割，最后用形态学填充孔洞，平滑道路边缘，最终提取道路目标，该方法提取精度较好；文献[7]提出了一种基于形态学处理的道路提取方法，该方法在分割结果基础上利用形态学处理，由于噪声影响而造成的道路不连续或误检问题。由于在图像分割中，经典形态学依赖固定结构元素，导致结构元素选择对整个分割结果影响较大；文献[8]针对传统形态学的不足，通过广义自适应邻域数学形态学实现了光谱-空间的分类；文献[9]通过粒子群优化算法为实现道路分类提供了自适应结构元素，提高了系统的灵活性和准确性；文献[10]提出了一种半自动道路检测方法，通过利用道路特性，集成方向形态学增强、方向分割和细化等方法提取出比较完整的道路区域；文献[11]提出了一种改进的道路中心线提取方法，该方法基于剪切变换、方向分割、形状特征滤波和方向形态滤波等五个步骤，能够较准确地提取出平滑的道路中心线；文献[12]提出了一种基于区域生长和数学形态学相结合的遥感图像道路提取方法，该方法能有效地从遥感图像中提取道路，但需要人工确定种子点的位置。

遥感图像具有丰富的地物信息，而且不同地物表现出不同的形态特征。本文提出了一种基于自适应形态学重建的遥感图像道路提取方法，通过利用自适应形态学重建开和闭运算对遥感图像的形态特征进行度量并将其简单分类，按照分类结果能够初步将遥感图像分为道路区域和非道路区域，最后通过形状滤波等一系列运算提取出平滑且准确的道路中心线。

1 研究流程图

本文方法流程如图1所示，主要包括自适应形态学重建开和闭运算的构建、水平算子的定义、基于道路形态特征的分割、形状滤波、孔洞填充和道路中心线提取等几个步骤。

2 研究方法

形态学重建(Morphological Reconstruction，MR)是涉及两幅图像和一个结构元素的形态学变换，其中一个为标记图像，作为变换开始点，另一副图像则为掩模图像，用于约束变换过程，而结构元素则用于定义连续性。

形态学重建结果取决于标记图像和结构元素的选择。对结构元素尺度较为敏感，在传统形态学重建中，通常选用单一尺度结构元素，当其用于图像分割时，选用尺度太小的结构元素会导致图像过分割，而过大时则存在欠分割现象。为了克服该问题，文献提出了一种自适应形态学重建(Adaptive Morphological Reconstruction，AMR)算法，该算法首先采用多尺度结构元素重建图像，然后对重建后的图像进行逐点极大值运算后得到自适应重建结果。

对一维信号分别进行形态学重建开、闭和自适应形态学重建开、闭运算，结果对比如图2所示。从图2(a)和图2(c)可以看出，由于传统形态学重建采用单一尺度结构元素，仅消除一维信号中出现的极大值或极小值点，并且对于所有像素点处理程度相同，与信号本身灰度值无关。而从图2(b)和图2(d)可以发现，自适应形态学重建能够消除信号中灰度值较大或较小的部分，保留其余部分。由于道路在遥感图像中一般具有较高或者较低亮度的光谱特征，因此通过对遥感图像进行自适应重建开和闭处理后能够去除遥感图像中部分背景，便于后续图像分割。

2.1 基于形态特征的分割方法

2.2. 形态特征度量

图像中的目标通常定义为具有相同形态特征像素点集合。文献提出了一种利用原始图像和其水平算子的差值度量形态特征。

2.3 遥感图像形态特征分类

遥感图像中包含丰富的地物信息，而且不同地物所表现出来的形态特征不同，因此可以通过式(10)对遥感图像形态特征进行粗略分类。从图3分类结果可以看出，感兴趣的道路通常表现为凸特征，而耕地、草地等一般地物为凹特征，其余部分则为平坦特征。因此本文将遥感图像中表现为凸特征的像素划分为前景，而将表现为凹和平坦特征的像素划分为背景，从而初步将图像分割为道路区域和非道路区域两部分。

2.4 形状滤波和孔洞填充

在对遥感图像进行初步分割后，仍然存在许多误分割的道路区域，与其他小目标相比，道路一般以一种互连网状结构存在并且面积较大，且具有较大的长宽比。因此可以通过设定一个面积阈值，当目标面积小于该阈值或通过计算线性特征指数(Linear Feature Index, LFI)，将LFI小于某一特定阈值的目标认为是非道路区域并将其删除。

形态学闭运算能够用来填充物体内部细小的孔洞、连接邻近物体，在平滑边界的同时并不明显改变其面积。由于经过形状过滤后的区域虽然能够完全将道路区域分割出来，但其中存在一些孔洞，因此本文利用基本形态学闭运算填充孔洞，孔洞填充后结果如图4(b)所示。

2.5 道路中心线提取

在地理要素网络图中道路一般都是以单线呈现，因此在提取出道路区域后需要进一步提取出道路中心线。本文采用了文献提出快速并行细化算法，道路中心线提取结果如图5所示。

3 实验结果与分析

为了验证本文方法对于遥感图像道路分割的有效性，分别将其和传统的基于形态学重建的分水岭变换分割算法(MR-WT)、基于形态学重建的形态分割方法(文献[6)]、基于方同质性的形态学分割方法以及基于区域生长和形态学相结合的分割方法作了对比。从图6(b)中可以看出，MR-WT算法存在较严重的过分割；图6(c)和图6(d)中虽然分割出了完整的道路信息但存在较多非道路区域；图6(e)中非道路区域较少，但存在道路区域与非道路区域粘连（见图中红色框）现象，不利于后面道路中心线提取；图6(f)为本文方法分割结果，不仅能够提取出完整的道路区域并且分割后的图像中所含非道路区域较少。

(a)原始遥感图像        (b) MR-WT方法     (c)形态学重建的分割方法

(d)方向同质性的分割方 (e)区域生长和形态学分割方法  (f) 本文方法

图6 分割结果对比图

为了验证本文方法在遥感图像道路中心线提取的有效性，选取了七幅不同场景下的遥感图像，分别为实验1到实验7，给出了本文方法与方法1（基于形态学重建的形态分割方法）、方法2（基于方向同质性的分割方法）以及方法3（基于区域增长和形态学分割方法）分别进行道路中心线提取的结果。从图中可以看出，使用方法1提取道路中心线时出现较严重的毛刺现象（如图7(b)和图13(b)中红色框所示），同时也存在一定程度的误提取和漏提取现象（如图9(b)~图11(b)中红色框所示）；方法2提取道路中心时误提取现象较少，但存在漏提取问题(如图11(c)和图13(c)中红色框所示)；方法3提取道路中心线时，当遥感图像中路面灰度值比较均匀时提取结果较好，但当道路灰度不一致时则会出现较严重的漏提取现象（如图8(d)中红色框所示）。相比于其它算法，可以看出本文算法提取的道路中心线比较完整，而且误提取和漏提取现象相对较少。

不同方法的定量评价结果如表1所示。从表1中数据可以观察到，本文方法在完整率、正确率和检测质量3个指标方面均优于其它方法，再一次验证了本文方法的有效性。

表1 不同方法定量评价结果

4 结束语

依据遥感图像中道路的形态特征，提出了一种基于自适应形态学重建的遥感图像道路提取方法。该方法能够充分利用道路形态特征和空间信息，通过构建自适应形态学重建开和闭，并对其组合得到水平算子，然后利用该水平算子对图像的形态特征进行度量，初步将遥感图像道路和非道路区域分开，最后经过形状滤波和孔洞填充等步骤完整提取出道路中心线。从定性和定量的结果表明，本文方法能够分割出完整的道路区域，含有较少的非道路区域，并且道路的中心线提取比较完整准确，误提取及漏提取现象较少，效果更好。  

（原文有删减）

作者简介：王小鹏（1969—），男，甘肃庆阳人，教授，博士，主要研究方向为图像处理。E-mail：wangxp1969@sina.com

- END -