基于形状特征与容错宽度Hough变换的影像道路提取

提出一种基于分割后图像形状特征并结合改进Hough变换进行道路提取的方法。该方法首先对图像进行分割，对分割结果使用形状特征进行道路段的初步筛选，使用改进后的Hough变换方法对目标进行筛分、合并和形态优化，完成遥感影像的道路网提取过程。提出的方法能适用于复杂的高分辨率遥感影像中道路段的提取。经过实验分析和比较证明：该方法对于路面灰度均匀性较差及路况复杂、干扰物较多的图片，都达到了较好的效果。

道路作为遥感影像中重要的人工目标，是遥感影像地物信息提取研究的重要内容。现有的遥感影像道路提取方法可分为自动和半自动提取两类[1]-[3]， 自动提取方法包括道路的自动定位和理解， 一般由道路段检测、道路跟踪、道路连接三个步骤组成。半自动道路提取则是由人提供初始道路点(有时还提供初始方向)，在此基础上进行道路的跟踪、连接、提取。半自动道路提取方法相对简单，已有比较成熟的算法，如基于Snake 模型的方法、基于动态规划的方法等。半自动方法需要人工给出道路的种子点，并提供大量辅助数据，不能自动适应不同分辨率的影像，不适用于大量影像数据的处理。

对于自动道路提取， 因其涉及到人工智能、模式识别、数学模型等内容，目前尚无通用算法。目前， 国内外许多学者在这方面做了大量的研究工作， 并且很多成果具有实际应用价值。

如Trinder [4] [5]和Ton [6]等提出基于平行线对的方法，利用道路往往是一组平行线对的拓扑结构特征进行道路识别。Barzohar等[7]提出基于窗口模型特征的道路提取，根据道路的形状和曲率等几何特征，采用Gibbs 分布和Gauss分布等概率模型，建立道路检测窗口识别道路目标。但对遥感影像的道路自动提取一直难以达到满意的效果。

虽然影像上的道路标线比其他地物更为突出，且呈网状分布，但由于道路在高分辨率遥感影像中的表现形式比较复杂，提取难度较大。遥感影像中道路的复杂主要表现为[8] [9]：主干道与次干道的宽度不一；不同的道路段之间由于材质的不同呈现不同的光谱特征；城区背景下会存在部分与道路光谱特征相似的地物；路面噪声包括建筑物和树木的阴影以及路面上的轨道线、汽车的影响严重；道路在不同分辨率、不同传感器影像上表现形式也各不相同等。这就使得道路提取成为影像目标识别中最具挑战性的难点之一。

针对上文提出的高分辨率影像道路提取的难点，本文提出了一种基于形状特征和容错宽度Hough 变换的高分辨率遥感影像道路提取算法。该方法首先对图像进行分割，对分割结果先使用灰度特征提取， 再使用多种形状特征进行分类识别，从而确定出道路的区域，通过容错宽度Hough 变换算法实现自动连接道路段并提取道路网这一过程。提出的该方法能适用于高分辨率遥感影像中复杂道路状况的道路段提取。