城市线状地物半自动提取方法

5．2．2　城市线状地物半自动提取方法

摄影测量与遥感界对从遥感影像上半自动提取线状地物进行了深入的研究，提出的方法包括基于经典的边缘检测算法的提取方法、基于优化算子的线状地物提取方法和面向对象分割的提取方法等。

1．经典的边缘检测算法

所谓边缘是指其周围像素灰度急剧变化的那些像素的集合，它是影像最基本的特征，遥感影像上目标的边缘在影像上表现为灰度的不连续性，存在于目标、背景和区域之间。边缘检测是影像分割所依赖的重要依据，是从遥感影像中提取地物形状特征最为简单易行的有效方式。传统的边缘检测算子(如Robertes、Sobel、Prewitt等)主要是考虑图像的某个邻域内的每个像素的灰度变化，根据边缘邻近一阶或二阶方向导数变换规律来检测边缘。传统的边缘检测算子在提取城市道路时的缺陷主要表现在:很难可靠地确定边缘的存在和边缘存在的位置，因为真实的灰度变化不一定是阶跃的，基于阶跃变化假定的算子将要检出多个边缘。因此，出现了多种改进方法，这些新的算子大致可以分为三类:最优算子、多尺度算子、自适应算子。Canny边缘检测算子就是一种最优算子，是目前被广泛使用的边缘检测方法。

2．基于优化算子的线状地物提取方法

半自动的提取大多基于对线状特征的灰度特征和几何约束的整体优化计算，包括动态规划、可变模型或Snakes方法、最小二乘B样条与Snakes相结合的LSB-Snakes方法等。它们的区别在于优化计算的手段有所不同。例如，A．Gruen等人通过给出特征点的初始值，以最小二乘平差模型估计模板与影像之间的几何变形参数，这样可以方便地加入各种约束条件。解算和精度评定方法比较成熟，可获得较高的精度。动态规划模型将初始曲线的变形归结为外部约束、内在约束(几何约束)和影像特征引起的“势能”，由三者和的能量极值点作为结果，可以扩展到三维。另外，还可以采用将最小二乘B样条与Snakes相结合的方法，实现线状特征的样条描述和提取。

3．面向对象分割的提取方法

面向对象分割方法在遥感领域中的应用非常广泛。例如，从多光谱或SAR遥感影像中分割和提取目标;分析遥感云图中的不同云系和背景分布;在高分辨率城市影像分析中，把车辆或建筑物目标从背景中分割并识别等。在所有这些应用中，分割通常是为了进一步对影像进行分析、识别、压缩编码等，分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。

面向对象分割方法具有两个重要的特征:一是利用对象的多特征，二是可用不同的分割尺度生成不同尺度的影像对象层，所有地物类别并不是在同一尺度的影像中进行提取，而是在其最适宜的尺度层中提取，充分利用遥感影像的蕴含信息。面向对象分割方法克服了传统分类方法的两个缺陷:几乎所有的传统分类方法均基于像素级的处理;不同的影像目标处理均在同一尺度层次内进行。

分割后的影像区域的一致性属性级别不同，通常表现为:

(1)像素级。分割出的区域，具有像素级上特征的一致性，通常表现为灰度、色彩范围的一致性，如通过设定像素阈值提取出的区域。

(2)区域级。分割出的连通区域，具有区域级上特征的一致性，通常表现为纹理特征、区域形状特征等方面的一致性，如利用纹理特征提取出的草地区域。

(3)对象级。分割出的连通区域，具有对象意义上的一致性。也就是说，整个区域或者同隶属于某一个对象区域，或者同隶属于非对象区域。