基于高分辨率遥感影像的导航数据更新研究

1、 基于高分辨率遥感影像的导航数据更新研究马力1，21.武汉大学遥感信息工程学院，武汉，430079，2.国家基础地理信息中心，北京，100044，摘  要:导航数据的及时更新是导航数据应用的重要工作之一，然而传统的野外测量方法费时费力。本文针对植被物理隔离带的更新，提出了一种集成高分辨率遥感影像和国家基础地形数据库的方法。该方法首先利用地形数据库中的道路信息选取相应的影像区域，然后采用Burns算法提取方向边缘片段。由于植被类型的物理隔离带可以看作是由两条反方向边缘组成的平行直线对，继而采用霍夫变换提取平行直线边缘，最后对检测出的物理隔离带进行验证。文中实验展现了该方法的可用性。关键

2、词：更新；导航；GIS；遥感1引言GIS-T是地理信息系统在交通领域的一种应用，目前它已成为GIS最重要的应用领域之一（Waters，1999）。车辆导航作为当前GIS-T最广泛和成功的应用形式，已经在发达国家产生了巨大的经济效益，在发展中国家也有着巨大的市场潜力（Jiang，2002）。建设导航数据库并且及时更新对于导航数据的高效利用是一项重要的工作。作为面向社会提供基础地理信息以及相关服务的单位，国家基础地理信息中心正致力于建立一个面向车辆导航的导航地理数据库。为了满足导航需求，国家基础地形数据库中与导航相关的数据需要进行提升与更新。例如，对于导航数据，被物理隔离带分割的道路须用并列的两条

3、或多条道路元素来表示，而基础地形数据库中的道路数据往往仅用一条单线表示。更新这种类型的数据多采用野外测量的方式，费时费力。高分辨遥感影像则提供了另外一种可能的更新方式，即从高分辨率遥感影像自动检测出这些物理隔离带。Walter（1999）检验了自动变化检测方法中不同传感器的潜力。地理目标的提取研究目前还主要集中在道路和建筑物上。关于地物提取的综述可参考（Baltsavias，2004）。本文集中于植被物理隔离带，利用基础地形数据库，提出了一种从全色 IKONOS影像提取物理隔离带以更新导航数据的方法。本文第二部分介绍了我们的方法，详细描述了三个阶段的处理流程。第三部分包含了一些实验结

4、果，最后是对当前工作的总结和展望。2方法物理隔离带是指用花坛、树篱等不可移动构筑物以及水泥墩、栏杆等可移动的障碍物来分隔车道的隔离带。本文的研究集中于由植被构建的物理隔离带。我们把植被物理隔离带看作是伸长的同质区域，然后从影像中提取隔离带的两条平行边界。处理分为三个阶段：组合边缘支持区域、提取平行直线边缘以及目标验证。2.1 模型在高分辨率卫星影响上，位于道路中心的植被物理隔离带具有清晰的特征。它们表现为具有较低灰度的伸长同质区域，并且具有近似平行的边界。由此我们对物理隔离带建立了如下的目标模型（图1），图1也同时模拟表示了目标在影像上的特征。由于物理隔离带通常沿道路中心轴分隔道路，基础地形数

5、据库中的道路数据提供了物理隔离带近似的方向信息和位置信息。因此，我们考虑利用基础数据库中提供的信息，以确定需要检测的物理隔离带所在的搜索空间和方向。2.2 Burns边缘提取算法我们的方法使用了Burns边缘提取算法。本节阐述了Burns直线边缘提取算法的思想。对Burns算法详细的描述可参考（Burns,1986;Beveridge,1996）.图1. 植被物理隔离带模型Burns算法的主要思想是根据像素的梯度方向将它们组成边缘支持区域。直线边缘提取可分为两个基本步骤：将像素组成边缘支持区域以及从这些边缘支持区域中提取直线边缘。首先用Roberts掩膜计算像素梯度的强度和方向，然后将具有相近

6、梯度方向的邻近像素组成一个边缘支持区域。在这一步中，不同梯度方向的像素被标记为不同的区间，每个区间范围为。每个像素属于一个区间，位于直线边缘的像素通常落在同一个区间，落在同一个区间的邻近像素连接成一个边缘支持区域。每一个边缘支持区域代表了一个候选直线边缘。把方向划分为固定的区间会产生一些问题。例如，如果一条直线边缘恰好靠近一个区间的边界，那么位于同一直线的像素梯度方向就可能落在不同的区间里，这条直线边缘就会产生断裂的边缘支持区域，也就是说，位于同一直线边缘的像素产生了不同的候选直线边缘。为了解决这个问题，Burns算法采用了重叠分区的方法（图2）。划分两个分区，两种分区间旋转了，即两个分区有的

7、重叠。这样每个像素被标记了两种区间，在每种区间都是一个边缘支持区域的成员。Burns算法接着采用一种投票策略来选取正确的边缘支持区域（Burns，1986）。在我们的方法中，根据Burns算法的思想，我们将具有相似梯度方向的像素组合起来：将位于直线方向的像素组合成一个边缘支持区域以避免边缘支持区域的断裂。为了从这些区域中提取出直线，我们在下一步中采用了霍夫变换。图2. 梯度方向划分2.3 策略我们的方法包含了三个步骤：组合边缘支持区域、提取平行直线边缘以及目标区域验证。基础数据库中的道路信息为检测物理隔离带提供了丰富的信息：它提供了关于隔离带位置和方向的先验信息。组合边缘支持区域：利用了上面提

8、到的Burns算法。首先建立一个足够宽的道路缓冲区来定义影像上的兴趣区域。其次，用卷积模版计算每个像素的强度和方向。由于Roberts模版是非对称的模版，并且不能检测45度倍数方向的边缘（Gonzalez，2005），我们使用了Prewitt模版。接下来我们将标记具有相似方向的像素以组成边缘支持区域。道路方向信息提供了一些有用的先验信息，这样就无须对整个象限的像素进行组合。我们利用基础数据中的道路信息计算出道路方向。由于物理隔离带的方向通常平行于道路方向，在Burns算法中，我们选取作为物理隔离带的方向，而位于隔离带边界的像素梯度方向几乎与隔离带方向垂直，因此我们在下一步选取了梯度方向垂直于隔

9、离带方向的邻近像素。由于植被物理隔离带在两条平行边界上灰度变化的方向相反，因此对于两条平行边界来说，它们边缘的梯度方向相差。这些选取出的像素继而被组合为一些小区域。这些小区域组合在一起就构成了一个边缘支持区域。在这个边缘支持区域里包含了我们需要提取的直线边缘，下一步我们用霍夫变换提取平行直线边缘。 检测平行直线边缘：我们用霍夫变换（Hough,1962）从边缘支持区域中提取平行直线边缘。霍夫变换是一种用于检测影像中特定形状特征的全局方法。x-y平面上的一条直线也可以在参数空间中用方程表示：         

10、;                   (1)，是像素坐标，是相对X轴的方向，是垂线长度。将参数空间划分成累计单元，x-y平面上的每个像素在空间中对应着一个正弦函数。具有最大累计数的累计单元就对应着x-y平面上的一条直线。为了检测出植被物理隔离带的平行直线边缘，我们利用了基础数据库的一些信息：一方面，两条平行边缘具有相同的方向。另一方面，边缘方向在第一步里被定义为的范围中。因此在将边缘像素从x-y平面转换到空间中时，

11、无须在整个范围内计算累计值。道路长度也是有用信息，这是因为在边缘支持区域里，许多像素是位于物理隔离带的边界上，物理隔离带越长，在空间中累计的边缘像素越多。通常，物理隔离带的长度与道路长度近似。对于1米分辨率的IKONOS影像，我们定义1/3的道路长度作为直线边缘的最小累计数。如果存在植被物理隔离带，那么在这一步中将提取出两条平行直线边缘。下一步验证由平行边缘组成的区域是否为植被物理隔离带。 验证检测区域：用两个限制条件对提取出的区域进行验证。第一个限制条件是灰度条件。上面提到，由植被组成的物理隔离带表现为由较低灰度值组成的同质区域，因此，隔离带区域的平均灰度值应低于其周围的环境。此外，对于同质

12、区域，其灰度值的标准方差相对较小。第二个限制条件是几何条件。植被物理隔离带的宽度一般在2-10米之间，检测出的两条平行直线边缘间的距离也因此用作验证条件。3. 实验与结果我们用实验测试了本文提出的方法。可利用的影像数据为1米分辨率IKONOS正射影像。研究区域位于北京市西四环。基础地形数据库中包含的道路数据集具有坐标信息和名称属性，我们也据此从影像上选取提取物理隔离带的兴趣区域。我们测试了三种类型的道路。图3演示了第一个例子。在道路中央有一条植被物理隔离带。图3（a）中的白色直线对应的是基础数据库中的道路信息。图3（b）是用我们的方法得到的结果。可以看到，沿着植被物理隔离带的边界，两条平行直线

13、边缘被成功提取出来。由这两条边缘组成的区域相比邻近区域具有较低的灰度值。两条边缘间的宽度为5m。图4演示了第二个例子。在相应的区域并没有隔离带存在。我们的方法也没有提取出任何平行直线边缘。这个结果也展现了利用基础数据库中信息作为先验信息的好处。霍夫变换可以产生各种方向直线边缘的选择。道路的方向和道路的长度在限定边缘检测上起了重要的作用。图5是第三个例子。同样没有植被物理隔离带存在。我们在实验中也提取出了两条平行直线边缘。然而提取出的边缘组成的区域亮于周边区域，且两条边缘距离过小，在验证阶段被否定为植被物理隔离带。通过观察相应的区域，提取出的边缘为道路标志。4结论本文针对导航数据中物理隔离带的更

14、新问题，提出了一种集成高分辨率遥感影像和国家基础地形数据库的方法。这种方法分为三个步骤，第一步，根据像素的梯度方向，利用Burns算法将像素组合为边缘支持区域。第二步，从边缘支持区域中提取直线边缘。最后对提取出的区域进行验证。本文实验展现了该方法在检测植被物理隔离带上的可用性，为减轻野外工作量提供了一种可选方法。基础GIS数据在该法中提供了重要的先验信息。本文的研究工作主要集中于植被类型的物理隔离带上。下一步研究应包含其他类型的物理隔离带，如由栏杆等组成的物理隔离带，以及用双黄道、双白道等形式限定车道的法定隔离带。进一步的研究还应包括从影像中提取交通流信息。参考文献1.  

15、        Baltsavias, E.P., 2004. Object extraction and revision by image analysis using existing geodata and knowledge: current status and steps toward operational systems. ISPRS Journal of Photogrammetry & Remote Sensing, 58, pp. 129 151.2.   

16、60;      Beveridge, J.R., Graves, C., Lesher, C., 1996. Some lessons learned from coding the Burns line extraction algorithm in the DARPA image understanding environment. Report CS-96-125, Computer Science Department of Colorado State University, USA.3.   

17、0;      Burns, J.B., Hanson, A.R., Riseman, E.M., 1986. Extracting straight lines. IEEE Trans.on Pattern Analysis and Machine Intelligence, PAMI-8(4), pp.425-455.4.          Gonzalez, R.C., Woods, R.R., Eddins, S.L., 2005. Digital

18、 Image Processing Using MATLAB, Prentice Hall, China, pp.3895.          6.          Jiang, J., Gang, H., Chen, J., 2002. Modeling turning restrictions in traffic network for vehicle navigation system. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. (34), Part 4, pp. 106-110.7.          Walter, V., 1999. Automated GIS data collection an