（信息与通信工程专业论文）高分辨率sar图像城区道路提取.pdf

国防科学技术大学研究生院硕士学位论文 摘要 合成孔径雷达( s a r ) 能够提供距离和方位二维高分辨率图像。它通过脉冲压 缩技术获得高的距离向分辨率；同时通过雷达平台的移动，把一段时间内收到的 信号进行相干合成，获得高的方位分辨率。与光学、红外成像相比，s a r 以其 能实现多极化、全天时、全天候成像等优良特性，越来越受到广泛关注。随着成 像系统性能的不断提升，搭载平台的多样化，s a r 韵应用领域正在快速的拓展 和深入。在获取的大量的高分辨率s a l t 图像中，道路的提取常常既是s a r 解译 的中间过程，也可以作为一种解译结果。s a p , 图像道路的提取是目前学术界普 遍关注的热点问题。同时，s a r 道路提取在军用情报判读和民用城市规划等领 域具有重要的应用价值，因此对s a l t 图像道路提取技术的研究意义重大。 本文研究了高分辨率s a r 图像城区道路的提取问题。论文遵循m a r r 视觉理 论，将道路提取的过程分成低、中、高三个层次，即按照先提取道路边缘点并对 边缘点进行初步判别，而后将边缘点连接成线基元，最后结合道路结构信息将直 线连接成道路的思路。论文着重于三个层次中的低层处理，将工作的重点放在如 何准确、完整的提取出道路的边缘点，同时更大程度的抑制非道路边缘点的影响 上。在较准确的提取道路边缘点的基础上，对道路进行了中、高层处理，进行了 结构化表示。 在提取图像的边缘点时，本文提出了一种带方向性的r o e w a 算子。该算 子在计算得到图像的边缘强度图的同时，对每一点的边缘方向进行估计，得到了 图像的边缘方向图。利用本文提出的基于边缘强度权重的非极值抑制算法对计算 出的边缘强度图进行了初步细化，结合形态学的细化处理得到了单像素宽的边缘 图像。 然而图像边缘点中道路的边缘点只占相对较少的一部分，所以在进行中、高 层处理前，本文利用d s 证据理论对边缘点是否为道路边缘点进行了判决。在构 建d s 证据理论的基本概率分配函数时，本文提出了一种一一映射的h o u g h 变换， 对传统h o u g h 变换进行了运算效率方面的改进。 为了进一步排除虚警，及更好的对道路进行结构化表示，本文采用了相位编 组的方法从道路边缘点中提取出线基元，并依据道路模型利用d s 证据理论与感 知编相结合的方法对线基元进行了连接，完成道路提取的高层处理，从而提取出 了道路。 主题词：合成孔径雷达，道路提取，r o e w a 算子，边缘检测，边缘细化， d s 证据理论，线基元提取 第i 页 国防科学技术大学研究生院硕士学位论文 a b s t r a c t s y n t h e t i ca p e r t u r er a d a r ( s j 埘c a l lp r o v i d eh i 【g hr e s o l u t i o nt o p o g r a p h i co r p h y s i o g n o m i ci m a g e so fal a r g ea r e ar e m o t e l ya n dr a p i d l y c o m p a r e d 、撕也o p t i c a l a n di n f r a r e di m a g e s ，s a p , h a sb e e nd r a w i n gm o r ea n dm o r em u c ha t t e n t i o nf o ri t s e x c l u s i v ec h a r a c t e r i s t i c s ，e g m u l t i p l ep o l a r i z a t i o n s ，d a y a n d - n i g h t ，a l lw e a t h e r al o t o fh i g hr e s o l u t i o ng r o u n di m a g e sh a v eb e e na c q u i r e de v e r yy e 碣i n c l u d i n gu r b a na r e a i m a g e s ，w h i c hc o n t a i nl a r g ec o m b i n a t i o no fl i n e - s h a p et a r g e t sl i k er o a dn e t w o r k r o a dn e t w o r kc a l lb eu s e dt os e g m e n tb l o c ka r e aa n dl o c a t ei m p o r t a n tm i l i t a r yt a r g e t s a n dc i v i lo b j e c t s ，s oi ti sv e r ym e a n i n g f u lt oi n t e r p r e ti m a g e sf o rr o a dt a r g e t s i nt h i st h e s i s ，t h ee x t r a c t i o no fu r b a nr o a d si si n v e s t i g a t e df o rh i 【g hr e s o l u t i o n s a ri m a g e s a c c o r d i n gt om a r rv i s i o nt h e o r y , t h ep r o c e s so fr o a de x t r a c t i o ni s d i v i d e di n t ot h r e el e v e l s ，w h i c ha r cn a m e da sl o wl e v e l ，m i d d l el e v e la n dh i g hl e v e l f i r s t l y ，r o a de d g ep o i n t sa r ee x t r a c t e da n dd i s c r i m i n a t e de l e m e n t a r i l y a n dt h e n ，e d g e p o i n t sa r ec o n n e c t e dt ol i n eb a s ee l e m e n t s a tl a s t ，l i n e sa r ec o n n e c t e dt or o a d n e t w o r kb yu s i n gs t r u c t u r ei n f o r m a t i o n t h i st h e s i sf o c u s e so nt h el o wl e v e l p r o c e s s i n g ，w h i c he x t r a c t sr o a de d g ep o i n t sa c c u r a t e l ya n dc o m p l e t e l y ，a tt h es a n l e t i m e ，n o n - r o a de d g ep o i n t sa r es u p p r e s s e dt oac e r t a i ne x t e n t a f t e rt h ea c c u r a t e e x t r a c t i o no fr o a de d g ep o i n t s ，r o a d sa r ee x p r e s s e di nm i d d l ea n dh i g hl e v e l a l s o ， e x p e r i m e n t sa r ec a r r i e do u tt ov a l i d a t et h ea l g o r i t h mp r o p o s e di nt h et h e s i s am o d i f i e dr o e 慷e d g ed e t e c t o r , i nw h i c ht h ee d g eo r i e n t a t i o nc a nb e e s t i m a t e d , i sp r o p o s e df o re x t r a c t i n ge d g e sf r o mi m a g e s t h ee x t r a c t e de d g e sa r e t h i n n e dt os i n g l ep i x e lb yn o n - m a x i m u ms u p p r e s s i o na n di m a g et h i n n i n ga l g o r i t h m b a s e do nm a t h e m a t i c a lm o r p h o l o g y h o w e v e r , t h er o a de d g ep o i n t so n l yt a k eaf e w e rp a r ti nt h ew h o l ee d g ep o i n t so f o n ei m a g e b e f o r em i d d l el e v e la n dh i 【g hl e v e lp r o c e s s i n g , w h e t h e ra ne d g ep o i n ti sa r o a de d g ep o i n ti sf i r s t l yj u d g e db yd se v i d e n c et h e o r y i nc o n s t r u c t i n gt h eb a s i c p r o b a b i l i t ya s s i g n m e n tf u n c t i o no fd se v i d e n c et h e o r y , ao n e - t o - o n em a p p i n gb a s e d h o u g ht r a n s f o r m a t i o ni sp r o p o s e d , w h i c hi m p r o v e st h ec o m p u t a t i o n a le f f i c i e n c yo f t h et r a d i t i o n a lh o u g ht r a n s f o r m a t i o n i no r d e rt ol o w e rf a l s ea l a r ma n dr e p r e s e n tr o a d 、7 l ，i t hs t r u c t u r ef u r t h e rm o r e ，a n e wa l g o r i t h mi sp r o p o s e d 丽mt h e o r yo fp h a s eb a s e dc l a s s i f i c a t i o n t h ea l g o r i t h m e x t r a c t sl i n ee l e m e n t su s ee d g ep o i n t sa n dt h e nj d i n sl i n ee l e m e n t st o g e t h e rt or o a d s b yt h em e t h o dc o m b i n e dw i t hd se v i d e n c et h e o r ya n dp e r c e p t u a lo r g a n i z a t i o n a c c o r d i n gt ot h er e a dm o d e l k e yw o r d s ：s a r ，r o a d se x t r a c t i o n ，r o e w ao p e r a t o r ，e d g ed e t e c t i o n ， e d g et h i n n i n g ，d se v i d e n c et h e o r y ，p r i m i t i v el i n es e g m e n t se x t r a c t i o n 第i i 页 国防科学技术大学研究生院硕士学位论文 图目录 图1 1 论文组织结构图1 2 图2 3 阶跃边缘进行仿射变换的对比结果2 0 图2 4 不同方向边缘仿射变换结果2 0 图2 5 边缘方向示意图2 0 图2 8 求取修正的边缘方向示意图2 2 图2 9 带方向性r o e w a 算子检测结果。2 3 图3 1 非极值抑制子窗口示意图2 5 图3 2 边缘强度权重图2 6 图3 3 阈值t = 0 2 时的分割结果2 7 图3 4 关键点保留模板。2 8 图3 5 拐点删除模板2 9 图3 6 两像素宽取大模板2 9 图3 7 对图3 2 进行细化后的最终结果图。3 0 图3 8 基于h o u g h 变换的b p a f 对道路边缘判别结果。3 7 图3 9 边缘强度值的b p a f 构建模型3 8 图3 1 0 边缘强度图直方图3 8 图3 1 l 混合高斯函数分布图39 ： 图3 1 2 边缘强度值的b p a f 对道路边缘判别结果。3 9 图3 1 3 基于道路点的b p a f 构建模型4 0 图3 1 4 基于道路点的b p a f 对道路边缘判别结果4 i 图3 1 5 道路边缘点检测结果4 2 图4 1 梯度角分区图4 6 图4 2 重叠量化时，梯度角另一种分区图。4 7 图4 3 相位编组所取结果4 8 图4 4 线段共线性平行性观测量示意图5 l 图4 5 线基元连接图一5 3 第1 h 页 独创性声明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它 教育机构的学位或证书而使用过的材料与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意 学位论文题目：壶佥蕴室墨丛垦倦缝匿道坠握塑 学位论文作者馘：毖虽 魄洲7 年，月。 学位论文版权使用授权书 本入完全了解国防科学技术大学有关保留、使用学位论文的规定本人授权 国防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子 文档，允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存汇编学位论文 保密学位论文在解密后适用本授权书) 学位论文作者签名：塞塾曼 作者指导教师签名： 日期：妒罗年i , e f 日 留期： 哆年，月f 目 国防科学技术大学研究生院硕士学位论文 第一章绪论 1 1 研究背景 合成孔径雷达( s a r ) 是种高分辨率微波成像雷达，能够同时提供距离和方 位二维高分辨率图像。它通过脉冲压缩技术来提高距离向分辨率；通过雷达平台 的移动，把一段时间内收到的信号进行相干合成，获得高的方位分辨率。合成孔 径雷达能远距离、快速、大面积提供高分辨率的地形、地貌图像。并且与光学、 红外成像相比，它成像分辨率与距离无关，而且特征信号不仅含有幅度信息，还 可含有相位和极化等信息，因而可提供更多目标的信息特征。同时不受云、雾、 烟以及雨雪等的影响，可以全天时、全天候、对任意地域地形的感兴趣区域进行 观测和侦察。工作在低频段的合成孔径雷达还具有一定的穿透树林、地层表面的 能力，可对隐蔽在植被下的目标进行监测和观察，提供光学遥感所不能提供的信 息。因此自问世以来，得到了迅速的发展，广泛地应用于军事领域，在军事侦察、 测绘，海洋监视、打击效果评估等各个领域。同时国民经济中s a r 也被广泛的 应用于地质资源勘探、地形图测绘、海洋、水文及农林资源等的监测。 i 1 1s a r 系统的发展 s a r 这一概念是在1 9 5 1 年被首次提出，1 9 5 3 年由美国伊利诺斯大学的研究 小组成功将其搭载到机载平台并获得了第一幅s a r 图像，1 9 7 2 年在“阿波罗1 7 一 登丹宇宙飞船上首度进行由机载平台向星载的过度试验，1 9 7 8 年美国成功发射 了海洋卫星s e a s a t i a ，标志着s a g 威像技术开始应用于空间领域。在不到3 0 年的时间里，s a g 成像系统就实现了由构想到实验室，再由实验室到机载平台， 进而由机载到星载的一次次飞越。近3 0 年间s a g 成像系统更是取得了飞速的发 展，实现了由低分辨率向高分辨率、由单极化向多极化、由单一工作模式向多种 工作模式、由2 d 向3 d 的发展。 进入2 l 世纪后世界各国纷纷加大了对于星载s a g 系统的投入，多颗高分辨 率的s a g 卫星相继发射成功并成功获取数据，标志着星载s a p , 系统进入了一个 崭新的时代。2 0 0 2 年3 月1 日，欧洲太空局发射了e r s 的后续计划卫星e n v i s a t 。 e n v i s a t - i 配置了8 台遥感器。其中搭载了先进的一s a i l 传感器a s a r ，其分辨 率为3 0 m 。2 0 0 5 年4 月3 0 日美国成功发射了“长曲棍球扫( l a c r o s s e ) 雷达侦 察卫星系统的第5 颗卫星l a c r o s s e - 5 。其最好分辨率达0 3 米。从t 9 8 8 年1 2 月 2 目的l a c r o s s e - t 到目前【a c 嘲胬s ，该系统至今共发射了5 颗卫星，4 颗在轨服 役，它能够穿透云雨层向地面传输清晰的卫星图片，美国在南斯拉夫战争，伊拉 克战争以及阿富汗战争中发挥了很大作用。2 0 0 6 年1 月2 4 日，日本发射了j e r s 1 第l 页 国防科学技术大学研究生院硕士学位论文 的后继卫星a l o s 陆地观测卫星。该卫星携带有三种遥感传感器，其中携带的 相控阵型l 波段合成孔径雷达p a l s a r ( p h a s e da r r a yt y p el - b a n ds y n t h e t i c a p e r t u r e r a d a r ) ，分辨率可达7 m 。2 0 0 7 年6 月8 号、2 0 0 7 年1 2 月6 号和2 0 0 8 年l o 月2 5 号，意大利先后成功发射了”宇宙地中海”( c o s m o s k y m e d ) 系统 的三颗卫星c o s m o s k y m e d - 1 2 3 ，并计划于2 0 1 0 年部署完成剩余的1 颗卫星。 该星座的主要用于灾害管理，分辨率可达l m 。2 0 0 7 年6 月1 5 日，德国发射了 其商业卫星t e r r a s a r - x ，分辨率达到了l m 。2 0 0 7 年1 2 月1 4 日，加拿大成功 发射了r a d a r s a t 1 的后继星r a d a r s a t 2 。该星在r a d a r s a t - 1 的基础上还提供了许 多新的成像模式，如全极化、超精细以及3 m 分辨率波束等。目前我国也自行研 发了减灾与环境监测星座，用于环境和灾害监测。并首先建立了“环境一号 ( h j 1 ) ，该系统包括2 颗光学小卫星h j 1 a b 和l 颗合成孔径雷达小卫星m - l c 。 h j - 1 a b 于2 0 0 8 年9 月6 日发射成功，m 1 c 将于近期发射，搭载s 波段，分 辨率达到2 0 m ，扫幅宽1 0 0 k m ，采用v v h h 极化方式。 机载s a r 成像系统的发展是星载s a p , 系统取得上述飞速发展的前提和基础， 机载的s a r 传感器通常可以实现比星载s a r 更高的空间分辨率。如美国s a n d i a 国家实验室和通用原子航空系统公司共同设计开发的“山猫”( l y n x ) 无人机 s a r 系统，在聚束模式下的分辨率可达0 1 m 0 3 m 。美国诺斯罗普格鲁曼公司 研制的“全球鹰 ( g l o b a lh a w k ) 无人机s a r 系统，可进行高空长航时无人侦 察，最高分辨率达0 3 m 。我国的机载s a r 系统近年来也获得了长足发展，中科 院电子所、中电集团3 8 所等也研究了分辨率高于i m 的机载s a p , 系统，在抗震 救灾、城市规划、地形测绘等军民应用中发挥了重要作用。在2 0 0 8 年汶川抗震 救灾中，由中国科学院电子学研究所研制的机载s a r 系统，对灾区地貌和建筑 物损毁情况进行了空中观测，该设备可工作在l 万米以上的高空，其所获得的数 据在抗震救灾中起到了重要的作用。 1 1 2s a r 图像解译的发展 星载和机载的s a r 成像系统不断的向前发展，由其获得数据的空间和时间 分辨不断提高，获得的高分辨率的地面s a r 图像的数据量也在急剧增加。然而 这些图像数据要想实现其价值必须经过图像的解译，可人们在投入了大量精力发 展s a r 成像系统的同时，相应的在如何利用好这些数据方面所做的工作，却相 对较少。美国在对s e a s a t - a 进行飞行实验的9 8 天里所取得大量雷达图像，但 是处理这期间所获得的遥感信息则需要4 年时间才能完成。s a r 图像因其独特 的成像原理，使其图像的信息表达方式与光学图像有很大的差异，且受到相干斑 和各种成像机理的影响，使得s a r 图像的处理较光学图像有很大差别。对s a p 图像的处理，近十年快速的发展起来并成为一个研究领域。 第2 页 国防科学技术大学研究生院硕士学位论文 早期的s a r 图像处理是靠人工进行目视解译，但是基于人经验的判读难以 辨识s a r 的非几何特征，也不能保证不同判读员进行判读的致性，而且随着 大量的s a r 图像数据的不断获取，这种依靠人工解译的方式，更加无法满足实 时处理的需求，特别是需要考察大面积区域的时候。因此需要通过目标特征提取 和自动目标识别技术来加快数据的处理和提高目标识别的精度。随着对$ a r 图 像处理研究的不断深入，对其处理也发展为人机交互的半自动处理，并在处理过 程充分利用图像处理方法进行图像增强，并结合各种影像特征和空间特征进行 s a r 图像的解译。随着计算机技术和超大规模集成电路的发展，s a r 图像的自 动解译有了更加适合的硬件平台。目前对于图像的解译的技术还不成熟，距离真 正意义上的自动解译还有一定距离。2 0 0 4 年9 月，在北京为纪念中国获取第一 批合成孔径雷达图像2 5 周年召开的“中国微波成像雷达及其应用技术研讨会 上，就有专家呼吁：要大力发展s a i l 图像解译，让s a r 图像走出神秘的实验室， 切实用于生产实践中。我国在“十一五一期间设立了“高效能航空s a r 遥感应 用系统”重点项目。该项目面向“西部测图一、“国家自然灾害应急响应一等国 家重大工程的应用需求，集成和开发以多波段干涉合成孔径雷达为核心并具有自 主知识产权的集成应用系统。 1 1 3 道路提取的意义和方法 1 1 3 1 道路提取的意义 s a r 成像系统及s a r 图像解译技术的不断成熟发展，使得大量的高分辨率 图像得以获取，并从中得到了大量信息。在大量的高分辨率s a r 图像中，城区 环境下的图像占有了相当大的比例。然而城区环境复杂多样，各种人工地物种类 繁多，且密度较大，再加上高分辨率图像本身细节信息丰富，这些因素使得对城 区环境下的s a r 图像解译难度进一步加大。但城区中的道路结构相对简单，散 射特性均匀，相对易于提取。并且道路分布规则，连接威网，形成矩形格，将整 个城区划分成小的街区，提取出道路的信息，就可以获取整个城市的概貌信息从 而定位出重要的民用和军用目标。因此道路这类大型组合线状目标，在军事和民 用上都有重要的意义 在民用方面，道路信息可以用于进行城市规划，也可以用于地图更新，此外 还被广泛用于绘图学、地理数据库的建造、邑标识别、地壳形变观测、灾害检测、 资源应用、影像匹配等方面。在军用方面，道路目标常作为打击、监控的重点， 重要的军事目标通常都部署在公路沿线，因此值得我们特别关注。此外道路作为 部队大规模机动的路径，对于其精确的定位，可以更有目的的监控战场情况，并 可以为动目标识别等提供先验的位置信息。目前道路信息在战场监控、跟踪、定 位且标、任务计赳、训练及破坏程度评估等方面已经有了广泛的应用。 第3 页 国防科学技术大学研究生院硕士学位论文 m l 1 1 3 2 道路提取的方法框架 通过本章1 1 2 节的分析可以看出，目前针对于s a r 图像解译问题的的研究， 都在探求采用自动或半自动的算法，尤其是对于道路这种大面积区域的处理，更 是需要发展图像的自动解译技术以便更快的、可重复的获取相关信息。 c h r i s 等1 1 】曾经提出，自动图像解译必须在两个不同的层次上进行： ( 1 ) 低层分析提供一系列确定和量化局部图像结构细节的工具。 ( 2 ) 高层分析再利用这些细节建立场景全局结构的描述，而这种描述正是 图像分析人员所需的信息。 根据m a r r 提出的计算机视觉理论，强调视觉的目的是从图像中建立物体形 状和位置的描述，把视觉过程主要规定为从二维图像信息中定量地恢复出图像所 反映场景中的三维物体的形状和空间位置，即3 d 重建。m a r t 将这一重建过程分 为三个阶段： ( 1 ) 要素图：它包含图像边缘亮度变化率，边缘的几何特征，或者纹理元 的排列、描述等； ( 2 ) 2 5 维图：它是要素图和三维图像模型之间的中间表示层次，包含物体 表面的局部内在特征； ( 3 ) 三维图：以物体为中心的三维描述，它是由要素图和2 5 维图得到的。 对应这三个视觉过程阶段，产生了计算机视觉中的三个层次研究内容： ( 1 ) 低层次视觉( l o wl e v e l ) ：表示二维图像中的重要信息，主要是图像中 的亮度变化位置及其几何分布和组织结构。 ( 2 ) 中间层次视觉( m e d i a ll e v e l ) ：在以观察者为中心的坐标系中，表示可 见表面的方向、深度值和不连续的轮廓。 ( 3 ) 高层次视觉( h i g h l e v e l ) ：在以物体为中心的坐标系中，用由体积基元 和面积基元构成的模块化多层次表示，描述形状及其空间组织形式。 c h r i s 和m a r r 针对不同的问题，将对问题的分析过程分为不同的层次，但总 体看来，都是先检测图像的局部特征，得到检测的初始基元，再将这些基元依据 全局信息进行组合，形成最终的描述。两者都是将问题的描述划分为不同的层次， 由低层到高层的进行解决。 所不同的是，c h r i s 概括的将图像的自动解译技术分为成了的两个层次，而 m a r t 针对三维重建这一具体问题，如将低层处理所得到的要素图这一局部信息 直接用于形成对物体的三维描述，则较为困难，因此m a n - 又建立了一个中间处 理层次，即把检测到的初始基元在新的更大的空间上进行组合，合成有意义的新 基元，再依据新基元的组织组织连接，形成最终的描述。 从图像中提取出道路的过程，同样也应遵循自动图像解译的方法框架，将问 题划分层次，并按照由低层处理到高层处理的顺序进行提取。但是考虑到道路复 第4 页 国防科学技术大学研究生院硕士学位论文 杂交错，由低层理所得的局部像素点信息直接进行高层的组织连接较为困难，所 以通常在低层处理与高层处理之间仍需进行中层处理，由于直线表示形式简洁， 同时也能较好的反映图像的整体特征，因此常用作道路的中层符号表示。所以道 路提取的问题可以遵循m a r t 视觉理论，在低、中、高三个层次上进行。在低层 次处理中，利用各种不同提取要素的方法提取各种要素，如特征点、边缘、纹理 等，在这个层次无需用到与道路有关的知识，所提取的点、线、面都没有结构化； 中层次处理是对低层次处理的结果进行分析、选择、重组和综合，在这个层次利 用了一些有关道路的几何假设；在高层次处理中，利用要素的结构关系、道路模 型、与道路有关的规则和知识来理解和识别道路。 需要指出的是，低层算法是不充分的；局部细节必须合并到某种全局的理解 形式中。这就需要克服细节图像缺陷的方法，例如，在适当的地方，连接间断的 边缘或合并相邻的区域。另一方面，低层次视觉作为计算机视觉研究内容中三个 层次的最底层，对低层次视觉处理的准确性和有效性将直接影响到中、高层次视 觉处理的难易及好环。 1 3 3 3 高分辨率城区环境下道路提取的特点 对于道路提取的问题，在不同的场景下和针对不同分辨率的图像，其具体的 处理算法都有所不同。根据图像分辨率的不同，可以将待处理的图像分为高分辨 率图像和低分辨率图像两种。不同类型图像的分辨率对道路特征的描述有着不同 的效果，在低分辨率图像上，道路表现为线结构，道路可以简单地抽象为线，许 多小的扰动如树木、建筑物的阴影和车辆可以被避免。在高分辨率图像中，道路 较宽且细节更丰富，但同时干扰也更多，例如车辆、树木、建筑物及其阴影都会 对道路提取造成十严重的干扰等，因此其检测过程也更复杂。根据图像场景类型 钓不同，可以粗略分为农村场景和城市场景两种类型。在农村场景中，其它地物 对道路的干扰较小，道路是曲线且道路旁边的树木也会遮盖掉一部分道路。在城 市场景中，道路大多数平滑笔直，形成矩形格，但道路密度很高，每一个道路段 中都包含很细致的内部结构，并且道路被建筑物及其阴影遮挡的情况也很严重， 因此，城市场景比农村场景的复杂度更高。对于本文所研究的高分辨率s a r 图 像城区场景下的道路提取问题，在低层处理中会产生大量的非道路的干扰信息， 这使得下一步的中层处理更为困难，而在进行高层处理时，也会遇到道路密集， 不便于组织连接等一系列问题，使得道路提取问题更为复杂。 一般的城区道路主要有水泥和柏油两大类，由于路面平整，在光谱特性上， 道路反射率最高，即该道路的后向散射相对较弱，使得道路在s a r 图像中亮度 偏“培一。利用这一特征就可以通过分类方法区分道路点与非道路点，从而提取 出道路点集。同路面相比道路两旁地物的后向散射相对较强，在s a r 图像中显 第5 页 国防科学技术大学研究生院硕士学位论文 示较“亮”，将道路同其它区域分隔开，形成边缘。许多的道路提取算法针对这 一特征通过检测相互连接的边缘线的方法来达到道路提取的目的。 对于采用边缘检测的方法提取道路来说，也应考虑不同的边缘类型对边缘检 测方法的影响。按照边缘在图像中的表现形式，一般可将其笼统的分为阶跃型边 缘和线型边缘( 也称屋脊型边缘) 两类。如图11 所示： ( b ) 阶跃边缘正交切面图 ( d ) 线边缘正交切面图 ( e 】s a r 图像斜坡边缘仿真图斜坡边缘正交切面图 图1 1 图像边缘类型圈 对于本文所讨论的城区道路而言，其路面本身就有较大的宽度，井且在高分 辨率s a r 图像中，其道路在图像中更是表现为具有一定宽度区域，因此其边缘 可视为一种阶跃型边缘。然而实际成像系统所采集到的图像往往边缘是模糊的， 而此时异质区域之间的二维切面图并非是跃变的，边缘处出现了一个明显的过渡 第6 页 国防科学技术大学研究生院硕士学位论文 带，这使得边缘正交切面图上所示的边缘不再能定位于单个像素点的位置，而是 表现为相对较平缓的斜坡，如图1 1 ( e ) 所示，这种斜坡型边缘也可以视为阶跃 型边缘的一种。 1 2 国内外研究现状 国内外对遥感影像道路特征提取的研究已有如年的历史，众多学者从不同 角度、不同应用领域、针对不同数据源提出了自己的方法和研究成果。也有不少 学者对遥感影像道路提取的方法作过综述 2 - 4 。对于这些方法从不同的角度也有 多种分类方式： 除了根据图像的分辨率和处理场景不同进行分类之外，也可以根据道路特征 提取的自动化程度，将道路特征提取分为半自动特征提取和自动特征提取：半自 动的方法需要依赖初始值的选择，该方法不需要解决寻找潜在道路点的问题，因 此，它们所做的仅仅能称为道路跟踪。还可以根据有无g i s 空间数据库等辅助 知识、输出结果有无结构化描述等进行分类。 这些道路提取的方法也都遵循着由低层到高层的处理过程。但并非所有的道 路提取方法都是严格的按照先进行低层处理，再进行中层处理生成线基元，最后 进行高层处理这一过程。正如同c h r i s 等对自动图像解译进行的两个层次划分一 样，对道路点进行中层处理，进行结构化描述并不是必须的，也可以由低层处理 得到的结果，直接进行高层表示。文献 5 。7 】采用分类的方法将低层处理得到的道 路点直接进行高层处理，组织成道路；文献【8 ，9 】采用边缘检测的方法提取道路 的边缘点，不经过中层表示而直接进行了高层处理。 但离散的点只表示了图像的局部特征，且点的数量过大，不利于由其直接进 行道路提取的高层处理，而对于道路这种线性特征，直线段的表示更加简洁有效， 且在一定程度上反映了图像的整体特征，因此更多的算法仍按照将道路提取方法 分为三个层次的思路进行处理。 1 2 1 道路提取低层处理 在低层处理一般可分为通过分类方法区分道路点与非道路点和以寻找道路 边缘为主的边缘检测处理。前者注重通过幅度信息区分出道路点，而后者注重对 线特征的检测。 t 2 1 t 分类法检测道路点 f a b i o 等【1 0 i 采用模糊c 均值( f c m , f u z z ycm 啪) 聚类，将s a r 图像分成 林地、建筑物、道路等基本类。m o l ( h t a r z a d 等【l l 】提出了利用人工神经网络从高 第7 页 国防科学技术大学研究生院硕士学位论文 分辨率卫星图像中检测道路信息的方法。在高分辨率的卫星图像中，道路可以看 作拉长的同源区域，该区域与背景之间存在着明显的波谱差异。道路检测可以定 义为一种对每一像素进行赋值的过程，而所赋的值即可用于判断该像素是否属于 道路区域。在应用神经网络进行道路检测的过程中，输入层的节点数与输入参数 的数目相同，而输出层只有一个节点，用于表示输入参数所代表的像素是否属于 道路区域。s , z h e n g 掣1 2 采用支持向量机( s u p p o r tv e c t o rm a c h i n e s ) 的方法，将高 分辨率图像划分为道路和非道路两组。w a n g 等【1 3 】使用恒虚警( c f a r , c o n s t a n t f a l s ea l a r mr a t e s ) 检测器，将图像分为道路点和非道路点。陈卫荣等p 】采用对 图像灰度阈值法将图像划分为道路点和非道路点分开。 1 2 1 2 边缘检测法提取道路边缘点 目前在s a r 图像处理中使用较广泛的边缘检测方法有： ( 1 ) r a t i o 边缘检测算子 对于s a r 图像中阶跃边缘的检测，1 9 8 8 年，t o u z i 等【1 4 1 和b o v i k 等【”】分别 提出了两种均值比( r o a ，r a t i oo f a v e r a g e ) 边缘检测算子，这类检测器针对s a r 图像模型克服了经典梯度边缘检测器对乘性噪声非常敏感的缺点，同时考虑到了 边缘的方向性，获得较好的检测效果。1 9 9 6 年o l i v e r 等【l6 】提出了广义似然比( g l r ， g e n e r a l i z e dl i k e l i h o o dr a t i o ) 边缘检测算子，特别强调了s a r 图像的边缘定位 精确度问题。1 9 9 7 年f j o a o a 和l o p 6 s 等 j7 】提出了指数加权均值比( r o e w a ， r a t i oo fe x p o n e n t i a l l yw e i g h t e da v e r a g e s ) 边缘检测算子，该算子本质上是一种 基于线性最小均方误差的指数平滑滤波器，区别于r o a 和g l r 边缘检测算子， r o e w a 算子可适用于多边缘模型。t o u z i 、o l i v e r 、和f j o a o r 等人的研究工作 代表了自2 0 世纪8 0 年代中后期至2 0 世纪9 0 年代末，s a r 图像边缘检测的主 流方向，r o a 、g l r 以及r o e w a 这三种边缘检测器在实际的应用中取得了很 大的成功。 ( 2 ) 小波多尺度边缘检测算子 2 0 世纪9 0 年代末以后，多分辨率的思想逐渐受到人们的关注，并且多种小 波边缘检测算法相继被提出( 1 妣。z h a n g 和c o u l o i g n e r t z 2 堪于小波理论提出了一 种提取道路的方法，该方法在图像的小波域上，用7 7 区域上的小波系数的极 大值来检测道路交点，沿着2 4 个边缘像素，找到三个以上的局部最大点来确认 交点的存在。然后基于检测的道路交点跟踪形成道路中心线部件。 ( 3 ) 其它边缘检测算法 s n a k e s 模型同样可以用做线特征的提取，与其它线性特征提取方法相比， s n a k e s 方法的优越性主要表现在其可将线性特征的几何属性( 其中包括影像强度 和梯度及连续性与平滑性等) 融入道路的约束中，并可直接利用它引导道路的搜 第8 页 国防科学技术大学研究生院硕士学位论文 索。k 弱s 和w i t k i n l 2 3 】将s n a k e s 模型用于了道路提取领域，r e n a u d 2 4 2 5 】用 d o u b l e s n a k e 模型实现道路边缘提取，并且在高分辨率影像中，r e n a u d 用 d o u b l e s n a k c 模型来提取道路的两边缘，考虑了不同分辨率下的小波系数，以减 少噪段如路面标志) 带来的问题。此外，动态规划闭、基于进化计算等智能方法 【2 7 1 等方法也进一步丰富了s a r 图像边缘检测的方法，同时也进一步丰富了高分 辨率s a r 图像的道路提取方法 1 2 2 道路提取中层处理 通过道路提取的低层处理，得到了道路的特征点( 道路点或边缘) 接下来 的中层处理将上述道路特征点进行分析、选择、重组和综合。由于以像素为单位 的边缘点只反映了图像的局部变化，要进行进一步处理，最好将边缘点连接组织 成直线，以描述线结构。 ， 在图像中提取直线特征，最为直观也最为简单的方法就是直接跟踪边缘，再 根据相连接的边缘点的共线得到拟合直线，典型的代表是n e v a t i a 等【2 8 】提出的启 发式连接法。启发式连接实际是采取图搜索的边缘跟踪过程。一张边缘图像上所 有边缘处都为图中的节点，边缘的幅度和相位为节点的状态，连接操作是搜索图 中有最小损失路径的节点集。h o u g h 变换是常用的提取直线或曲线的方法。h o u g h 变换将原始图像中给定形状的曲线或直线变换成空间中的一个点即原始图像中 给定形状的曲线或直线上的所有点都集中到变换空间的某个点上形成峰点，这样 就把原始图像中给定形状的曲线或直线的检测问题变成寻找变换空间中的峰点 问题。b o l d t 等p 】提出的层次记号编组法，采用编组图像搜索方法跟踪边缘来进 行直线提取。层次记号编组法并不是一次性完成由边缘点到最终边缘直接的连接 过程。算法利用几何和图像特征，先将边缘编组成短线，并选用线段作为标记， 采用分步的编组连接，在短线基础上再编组为更长的短线，随着短线长度的增大， 逐步扩大搜索范围，直至提取出有意义的直线。b u m s 等【3 0 】提出的相位编组法， 是建立在相位一致原理之上的，利用直线覆盖区像素点的梯度相位一致性来确定 直线的一种方法。算法将梯度相位值相近且相互连通的像素点连接成各自的集合， 形成直线支持集，并由直线支持集拟合出对应的直线。 1 2 ，道路提取高层处理 道路提取的高层处理是结合道路的先验知识建立道路模型，进一步对道路点 或道路线基元进行组织，以形成完整的网络结构，同时剔除其中的虚假检测。 在s a r 图像中，如果线特征与背景像素灰度对比度低，导致线特征不易检 测出来，使线条产生断裂，在这种情况下，需结合道路模型信息，采用连接方法 把断续线段连成完整的线条，形成道路。若采用的是h o u g h 变换来进行直线提 第9 页 国防科学技术大学研究生院硕士学位论文 取，则受直线中的间隙和噪声影响相对较小，但也容易出现过连接现象，也需要 进一步进行后续处理来提取出道路。 t u p i n 等【3 l ，3 2 】利用m a r k o v 随机场( m r f ，m a r k o vr a n d o mf i e l d ) 方法结合 某些先验知识将道路线基元连接起来形成完整的道路，该模型把根据局部检测得 到得线段看成节点，图像的相邻节点间的依赖关系可以用其势函数来描述。j o e n 等【3 3 】和贾承丽 3 4 】利用遗传算法( g a ，g e n e t i ca l g o r i t h m ) 将提取的道路线基元 集作为g a 的输入，搜索共线