第35卷，第10期 2015年10月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
光谱特征分析的城市道路提取
Vol. 35 ,No. 10 -pp2814-2819
October,2015
赵文智，雒立群1，2，郭舟，岳俊，于雪滢”，刘晖，韦晶
1.北京大学通感与地理信息系统研究所，北京100871
2.61243部队，新疆乌鲁本齐830006 3.天津市萄县规划局，天津301900
4：山东科技大学测绘科学与工程学院，山东青岛266590
摘要道路是城市中典型的人造地物。利用高分辨率影像进行城市道路提取，对城市规划、交通发展具有重要意义。由于地物光谱的混淆性和异质性，利用传统基于光谱的分类方法很难将道路与其他城市地物区分开。针对这一间题，提出了一种利用道路边缴结构信息进行分类的方法，边缴作为光谱衍生信息对线性地物（如，道路等)识别具有明显的意义。首先，根据全色光谱波段纹理信息，利用改进的自适应MeanShift算法进行边缘检测，最大限度减少噪声与伪边缘；然后，对边缘图像中的线段进行编组，利用统计模型依次对边缘线段求取统计特征，并将该统计特征与多光谱特征结合作为总分类特征：最后，利用监督学习方法对城市道路样本进行学习并对整个实验区域进行分类。结果表明将光谱信息与边缘统计特征融合对道路的识别精度为93%，相比传统方法78%的精度有显著的提高，因此，该方法是一种有效、可行的高分辨率遥感图像城市道路提取方法。
关键词光谱特征；边缘统计特征；高分辨率影像；道路提取
中图分类号：TP79
引言
文献标识码：A
DOI: 10. 3964/j. issn. 1000-0593 (2015 )10-2814-06
依据。面向对象方法将道路分割为均质的对象，然后以对象为基本单元，利用光谱特征与空间特征等在规则集下进行分类。结合其他属性数据的分类方法通常利用LiDAR和
基于高分辨率遥感影像的城市地区分类是当前研究的热点与难点。道路作为城市的主要组成与重要的功能设施，其信息在民用、军事和商业领域都备受关注。随着传感器制造水平的提高，高分辨率遥感影像的分辨率可达0.5m以上，与此同时大量的细节信息会大大增加图像分类难度。本文从光谱特征及其衍生特征(即，边缘统计特征)结合的角度探讨高分辨率影像中道路的提取间题。
随着高分辨率遥感影像的大规模应用，人们提出了很多
利用高分辨率影像进行道路自动识别的方法，大致可以分为四类：基于数学形态学方法"、基于纹理与光谱的知识库法]、面向对象方法3以及结合其他属性数据的方法"。基于数学形态学方法通过对原始影像分割，将道路与背景区分开来，得到初始道路网，然后对道路细节进行优化处理，最后提取道路骨架和中心线；或者利用平行的道路边缴，推理出道路边界。基于纹理与光谱知识库方法是将影像中道路特征进行归纳与总结建立道路特征知识库并作为道路提取的
收稿日期：2014-10-30，修订日期：2015-02-18
DEM等数据，并结合光谱特征，可以实现快速、准确的道路分类。这四类方法在一定程度上取得了一定的成功，但它们同样存在着问题。基于数学形态学方法中图像分割参数难以确定，此外由于图像中存在噪声会使得分割后影像难以获得准确的道路儿向形态，无法进行平行边缘检测与道路边缘确定[7]。对于纹理与光谱知识库方法，现实世界中道路由于材质、磨损状况与路面图标的异质性很难确定出产泛适用的光谱、纹理标准，此外，城市道路与楼房阴影区域的光谱与纹理特征较为相似，通常很难区分3。面向对象方法在一定程度上利用了对象之间上下文信息，提高了分类精度，但分割尺度参数与特征选择难以确定，规则集往往十分复杂普适性较差。结合其他属性数据可以降低道路分类难度，但LiDAR 数据昂贵，DEM数据精度往往不高，该方法很难大规模应用。
考虑到城市道路光谱的复杂性与异质性，道路路面多噪声(汽车、修补区域等)等特点，而光谱衍生特征（即边缘统
98国
作者简介：赵文智，1990年生，北京大学遥感与地理信息系统研究所博士研究生
e-mail : wmxiaozhi@ pku edu .cn