基于霍夫变换的遥感图像城市道路的提取识别

摘 要： 针对利用遥感图像获取城市道路目标信息的识别，为从遥感图像中快速简洁的获取道路信息，本文使用基于霍夫直线和霍夫圆检测的道路检测与提取的方法。由于根据道路的干扰信息多，首先利用中值滤波对灰度化后的图像预处理，得到去除噪声干扰的简化图像，再使用自适应阈值对图像进行分割，对分割后的图像进行边缘检测，再利用道路的线性特征找出不连续道路区域间存在的线性关系，最终提取道路信息。实验表明本文使用的方法为从遥感图像中检测与提取道路提供了一种有效的途径。

关键词：遥感图像；道路提取；阈值分割；霍夫变换检测

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）03-0172-03

Extracting and Identifying Urban Roads from Remote Sensing Images Based on Hough Transform

LI Jian1，ZHANG Qi-dong2

（1. School of Computer Science， North China University of Technology， Beijing 100144， China； 2.China Telecom Corporation Limited Cloud Computing Branch Corporation， Beijing 100144， China）

Abstract：In this paper， a road detection and extraction method based on Hough-line and Hough-circle detection is used to obtain the road information from remote sensing images quickly and concisely for the recognition of urban road target information using remote sensing images. Because the interference information of road is much， the median image is used to preprocess the gray image， and the simplified image is obtained. Then， the image is segmented by adaptive wavelet threshold， and edge detection is carried out on the segmented image， and then uses the linear characteristics of the road to find the discontinuous road area between the linear relationships， and finally extract the road information. Experiments show that the proposed method can provide an effective way to detect and extract roads from remote sensing images.

Key words：remote sensing image； road extraction； threshold segmentation； Hough Transform Detection

1 概述

m然人在遥感图像中的“分辨”城市道路很容易，可是当前用计算机实现起来却十分困难[1]。从遥感图像中进行道路检测识别经过近几十年的发展，到目前提出来了多种方法。当前城市道路识别主要有半自动特征提取方法和自动特征提取方法。城市道路特征提取的方法分为自动提取包括道路特征的自动识别和几何特征的自动定位，由于当前技术能力的局限性和人工智能AI算法远未达到智能化，城市道路的自动特征提取还很难实现，但却是技术发展的方向和最终的研究目标；城市道路的半自动化提取识别方法结合计算机和人类视觉识别的优点作为研究方向，获得了相对不错的研究成果，因此，目前研究半自动化道路特征的提取和识别在现实中比较实用和可靠[2]。

如Gruen A，Li H等人提出了利用动态规划的最小二乘B样条模型算法提取图像中道路目标[3]，此外还根据道路特征特点定义了一个模型，并将其融入动态规划算法中；Baumgartner A， C.Steger， H.Mayer.利用道路中上下文关联特征进行道路提取[4]，但是需要获取多种分辨率的遥感图像，实用性不强；Peter D采用聚类的方法对已分割的图像中的道路中心线进行提取[5]，但是对图像分割的精度要求很高也没有充分利用道路的特征；结合光谱特征与形状特征利用数学形态学的方法提取道路[6]，此类方法主要还有snake模型、高阶主动轮廓、基于数学形态学、模板匹配等方法。也有学者利用近些年来提出的面向对象分类方法来提取道路[7-8] 。

本文是遥感图像下城区主干道路特征的提取与识别，本文首先对图像做了预处理，使用灰度化来清除遥感图像中的噪声信号干扰（如道路上的行人、汽车和植物等），这样可以使道路路面灰度基本一致，有助于城市道路的提取识别；由于城市地区道路网呈现出连续不间断的线性拓扑特征，从二值图像中根据道路的线性拓扑特征利用霍夫直线检测提取道路区域。

2 城市道路特征

要完成城市道路的准确检测，则需要对城市主干道路特征进行准确而充分的特征描述。具体如下：

1）几何特征。因城市主干道路为提供大的运输效率所以往往具有规律的几何特征，城市主干道路一般会是长而窄的长方形，道路的长度远大与其宽度，而且宽度变化比较小；

2）辐射特征。城市道路与周围建筑物往往有明显的边缘分界，而且道路路面灰度相对均匀；

3）拓扑特征。城市道路都是相互连接的，可以形成道路网，并且一般不会中断；

3 霍夫变换

3.1霍夫直线特征提取算法

霍夫变换中，在二维空间中一条直线在极坐标系中可用参数极径和极角表示。 如图1所示。

图1 直线的坐标表示

对于霍夫变换算法，可以使用极坐标系来表示直线。因此，直线的表达式可表示成：

（2）

化简得：

（3）

一般来说对于点，可以将通过这个点的一簇直线统一定义为：

（4）

这就意味着每一对（γθ，θ） 代表通过点 （x0，y0） 的一条直线。对于一个给定点（x0，y0）在极坐标对极径极角（γ，θ）平面绘出通过它的所有直线，将得到一条正弦曲线。例如，对于给定点x0=8和y0=6 可以绘出图2 （在平面θ-γ）：

可以对图像中所有的点进行上述操作。如果两个不同点进行上述操作后得到的曲线在平面θ-γ相交，这就意味着它们通过同一条直线。例如，接上面的例子继续对点：， y1=4 和点x2=12， y2=3绘图， 得到图3。

这三条曲线在θ-γ平面相交于点（0.925， 9.6），坐标表示的是参数对（γ，θ）或者是说点（x0， y0），点（x1， y1）和点（x2， y2）组成的平面内的直线。

一般来说这意味着，一条直线能够通过在平面（ θ-γ）寻找交于一点的曲线数量来检测。越多曲线交于一点也就意味着这个交点表示的直线由更多的点组成。一般来说可以通过设置直线上点的阈值来定义多少条曲线交于一点才认为检测到了一条直线。

4 验结果

本文选用的实验图像是某城区NASA的Quick Bird遥感图像，如图4、图5、图6和图7所示。

（a）原图像 （b）阈值分割结果

（c）主干道路特征提取 （d）道路提取结果

（a）原图像 （b）阈值分割结果

（c）主干道路特征提取 （d）道路提取结果

（a）原图像 （b）阈值分割结果

（c）主干道路特征提取 （d）道路提取结果

a）原图像 （b）阈值分割结果

（c）主干道路特征提取 （d）道路提取结果

[＼&提取道路单位长度＼& 实际道路单位长度 ＼&提取道路准确率＼&图4＼&17.6＼&24.6＼&93.67%＼&图5＼&20.5＼&23.9＼&85.77%＼&图6＼&22.2＼&23.7＼&71.54%＼&图7＼&16.1＼&18.1＼&88.95%＼&]

通过实验结果可以得出结论，本文提出的道路识别方法较准确的识别出了城区的主干道路。

5 结束语

基于霍夫直线检测的城市道路识别方法，本文使用了线性特征提取从遥感影像中识别城市道路的方法。1）针对遥感图像可能含有的噪声和影响提取道路特征的干扰使用中值滤波和小波降噪方法进行图像预处理；2）使用自适应阈值法对预处理后的图像进行锐化，对于从有噪声的遥感图像中提取道路方法比传统道路提取技术效果好。实验表明，本文使用的方法可以提供比较有效的提取结果。

由于遥感图像信息多样，不同传感器不同精度的遥感图像具有不同的特征信息，需要不同的方法分割提取道路特征，本文中虽然也使用了霍夫圆检测曲线道路但适用性效果不佳，有待进一步研究。

参考文献：

[1] 林宗坚，刘政荣.从遥感影像提取道路信息的方法评述[J].武汉大学学报：信息科学版，2003，28 （1）：90-93

[2] 胡燕平，张立亭.道路特征提取研究进展[J].地理空间信息，2010（6）：108-111.

[3] Gruen A， Li H. Semi-automatic linear feature extraction by dynamic programming and LSB-snakes[J].

Photogrammetric Engineering and Remote Sensing， 1997， 63（8）：985-995.

[4] Baumgartner A，Steger C，Mayer H. Automatic road extraction based on multi-scale， grouping， and context[J].

Photogrammetric Engineering and Remote Sensing， 1999，65（7）：777-785.

[5] Peter D， Peggy A.Self-organised clustering for road extraction in classified imagery[J]. Journal of Photogrammetry and Remote Sensing， 2001（55）：347-358 .

[6] _庆洲，尹球，匡定波.光谱与形状特征相结合的道路提取方法研究[J].遥感技术与应用， 2007，22（2）：339-344.

[7] 唐伟，赵书河，王培法.面向对象的高空间分辨率遥感影像道路信息的提取[J].地球信息科学， 2008，10（2）.

[8] 胡进刚，张晓东，沈欣，等.一种面向对象的高分辨率影像道路提取方法[J].遥感技术与应用， 2006，21（3）：184-188.

[9]傅罡，赵红蕊，李聪，等.曲折道路遥感影像圆投影匹配改进追踪法[J].测绘学报，2014，43（7）：724-730.

[10]万里红，杨武年，李天华.浅谈Quick Bird遥感卫星影像几何精校正[J].测绘与空间地理信息，2007，30（2）：12-15.