第31卷第5期 2010年5月 宇 航 学 报 Journal of Astronautics Vo1.31 No.5 May 2010 一种基于水平集方法提取高分辨率遥感影像中 主要道路信息的算法 吴学文,徐涵秋 (福州大学环境与资源学院,空间数据挖掘与信息共享教育部重点实验室,福州350108) 摘要:以IKONOS多光谱影像为例,提出了一种从高分辨率遥感影像提取城市主要道路的方法。首先,利用 矢量图像梯度算法获取道路的边缘。然后,通过分析各类地物在IKONOS多光谱波段中的光谱特征,发现绿光与近 红外波段的差值影像,不仅能较为有效地区分道路与植被、水体和裸土的信息,而且能减小道路建筑材质不同引起 的道路光谱信息的异质性。再利用旋转不变Gabor小波方法获取影像的纹理特征,进一步区分道路与建筑物。在 水平集理论框架下,用速度函数将道路的梯度、光谱、纹理特征结合起来,用快速行进算法提取道路。最后,用数学 形态学方法进行提取结果的优化。为验证上述方法的实用性,将该方法应用于两个云覆盖情况不同的实验区,结 果表明用该方法能有效地从IKONOS影像中提取主要道路信息,且在薄云覆盖区域依然有效。 关键词:遥感;主要道路提取;水平集方法;IKONOS影像 中图分类号:TP753 文献标识码:A 文章编号:1000—1328(2010)05—1495—08 DOI:10.3873/i.issn.1000—1328.2010.05.038 0 引言 化道路提取研究为主。半自动化道路提取的一种主 要思想就是人工选取初始道路种子点,根据道路在 影像中的特征,按照一定的约束机制将种子点扩展 成道路。如Gruen等通过手动选择道路种子点,利 用动态规划方法跟踪道路网络 。Amo等则应用区 在城市遥感影像中,道路是一种重要的地物,是 分析和解释城市各类目标的主要线索…,它的提取 对于城市GIS数据库的更新、交通流分析、智能交通 系统、灾害应急系统、网络电子地图服务等都具有重 要的意义。从遥感影像中提取道路专题信息的研究 至今已有3O多年的历史,并已经成为计算机视觉与 遥感领域的研究热点之一。早期道路提取方法主要 域竞争的算法扩展道路 。但这两种方法仅适用 于全色图像。针对Landsat ETM+多光谱影像,曹广 真等使用快速行进水平集方法进行道路种子点扩 展¨I_。但其设计的速度函数,需要有雷达影像的参 与,不适用于仅有多光谱光学影像的情况。 针对中分辨率的遥感影像,道路往往被抽象为连续 平滑的曲线 ,其提取方法也基本等同于图上线性 IKONOS影像是一种商用的高分辨率遥感影像, 其多光谱影像具有蓝、绿、红和近红外4个波段,且 空间分辨率均为4米。从IKONOS影像中提取城市 主要道路,已成为城市遥感的重要应用之一。城市 特征的提取 J。随着影像空间分辨率的提高,一些 道路提取方法将道路模型简化为具有一定宽度的连 续均质条带 J。而实际上,道路使用的建筑材料 不同,在同一幅影像中往往呈现明显的亮度差异。 因此这些将道路假设为“均质条带”的方法仅适用于 建筑材料单一的道路的提取。根据人为参与程度不 主要道路,在城市中连接各主要分区,起集散交通的 作用。它在IKONOS多光谱影像中的主要特征是, 主要道路之间相互连通,具有较大的长度和一定的 宽度,具有相对明晰的边缘,不同材质的道路具有较 大的亮度差异,路面纹理相对平滑。根据这些特征, 本文通过快速行进方法中的速度函数将影像道路的 同,又可将道路提取方法分为自动化提取和半自动 化提取两类。以现有的人工智能水平,遥感影像道 路提取尚不可能实现真正意义上的完全自动化,仍 然需要一定的人为干预 ’ 。所以,目前仍以半自动 收稿日期:2009.11-21; 修回日期:2010.01.15 梯度特征、光谱特征、纹理特征结合起来,提出了一 基金项目:国家教育部高等学校科技创新工程重大项目培育基金(706037) 1496 宇航学报 第31卷 种利用水平集方法从IKONOS多光谱影像提取主要 然后通过曲面的演化来求解曲线的运动n 。水平 集函数 ( ,Y)演化满足式(2): 道路信息的技术。 1研究方法 ≠ +F Il v咖ll:0 (2) 其中 为LS函数,描述t时刻的曲面状态;l l7 _ l1.1影像预处理 由于遥感影像受大气影响较大,尤其在可见光 表示 的梯度范数;F为曲线法线方向的运动速度。 快速行进算法(Fast marching:FM)¨ 是一种快 速水平集方法,仅适用于法向运动速度F符号不变 情况。 为界面的零水平集到达点(i, )的时问。 波段的大气效应会使影像的灰度值叠加上明显的虚 高值,因此应先进行大气校正去除大气对辐射传输 的影响,以获得较为正确的地物光谱反射特征。本 研究辐射校正使用公式(1) : 7c(L^一L^) /.、 瓦 式中: 为像元在传感器处的反射率; 为波段号; L为传感器处辐射值,IKONOS影像DN值与L的 转换关系为: =1o4D /(Caef ̄Bw )E,31,单位为 W/(m2・ster・ m),Caef ̄为波段 的辐射校正系数, Bw 为波段 的光谱宽度,单位为nm;L 为程辐射, 可通过最暗像元获得,单位与厶相同;E。= ESUN /d ,ESUN 为大气顶部的平均太阳辐照度, 单位为w/( ・肛m);d为日地天文单位距离; 为 太阳天顶角; 为地物到传感器的大气透过率; 为太阳到地物的大气透过率;E 为下行大气散射 辐照度,通常忽略不计。根据Chavze的COST模型, =Cos0z, =Cos0 ,0 为传感器角度。由于计 算后的反射率值介于0~1之间,所以必须再将其转 换为0 2047之间的11-bit整数。以上参数可以从 影像元数据和文献[13]中获得。 1.2水平集理论与方法 从城市高分辨率遥感图像中提取道路时,往往 受到地物的光谱异质性、地表覆盖物的复杂性等因 素干扰。为了能准确地提取道路,应充分利用道路 在影像中的梯度、光谱和纹理特征。而水平集(LS) 方法可以有效地将以上三者结合起来,在充分利用 图像自身特征上具有优越的性能。其基本理论是由 Osher和Sethian于1988年提出的¨ 。自提出以来, 在图像分割领域得到了广泛的应用,成为二十多年 来该领域研究的热点之一。 水平集(Level set:Ls)方法的基本思想是将随 时间变化的平面闭合曲线嵌入三维空间曲面 ( , Y)中,隐含地将曲线表达为该曲面的一条等值线, 到达时间函数r满足如下Eikonal方程(3): l lV l}F=1 (3) 以上方程的稳定解可由式(3)得到: inax( T,0) +min( T,0) + rnax( T,0) +min(D T,0) =告 (4) 其中,D 和D: 为 在 方向和Y方向的前向 差分,Di 和D 为 在 方向和Y方向的后向 差分。该方程表明了,快速行进方法的边界传播方 向是从 比较小的点流向 比较大的点。初始化 一个已知点,使其到达时间为0,FM方法类似于从 该点出发不断的扩展。本文利用该方法进行道路提 取的基本步骤如图1。 l辐射校正后的IK。NOS影像I + + 梯度特征提取 l光谱特征提取l 纹理特征提取 l 上 一种子点 个道路L-I 构建速度函数 ● 运行FM算法 ● 数学形态学后处理 I ● 最终结果 图1实验技术路线图 Fig.1 TechnicM flowchart 1.3快速行进算法中速度函数的构建 利用快速行进算法提取道路的关键是,通过获 取道路的梯度特征、光谱特征、纹理特征,构造一个 适用于道路提取的速度函数F,使得目标轮廓演化 终止在正确的位置。F的特点是在道路区域内较 大,在道路边缘和其它地物类型区域迅速减小。 第5期 吴学文等:一种基于水平集方法提取高分辨率遥感影像中主要道路信息的算法 1497 1.3.1多光谱影像梯度特征 梯度是构建速度函数F的重要一项,目的是促 成目标轮廓演化停止在梯度较大处。获取多光谱影 偏暗一些。这种道路建筑材料反射率的不同,使得 道路在多光谱影像中差异性较大。因此,在各个多 光谱波段或各个多光谱波段构成的特征空间中,很 难用某一种标准将所有道路完整地提取出来。但从 像梯度特征的传统方法是将各个波段的影像分别处 理,但各个波段图像的梯度特征并不完全一致,很难 获得统一的梯度信息。Chung等将传统灰度标量图 图2(a)中可发现两字道路的光谱曲线在形状上具 有一定的相似性,都表现为从蓝光到绿光波段上升, 随后逐渐下降。这主要是因为这两种道路建筑材料 像的“梯度”概念扩展到了多通道矢量图像,将图像 中的多个通道作为一个整体来处理 。对于m维 矢量图像有J( ,Y)=(J“ ( ,Y),…,J ’( , Y)),将其看成是m维Euclidean空间中以( ,Y) 为参数的曲面,I( ,Y)上任一给定方向的弧长微 元为dl,则I dJ I 也可以表示为式(5): ‘A (5) 其中 ∑( “’/ )。 ∑(i=1 a,“’/ax)( ̄/“’/ ) i=l ∑(a,‘ / )(a,“ / ) ∑( “ / ) m表示图像的维度,该矩阵A的最大特征值表示了 图像I( ,Y)在点( ,Y)上的最大变化率,可认为 是该矢量图像在该点的梯度模值。该方法集中了各 分量图像的变化,可应用于IKONOS多光谱影像梯 度特征的获取。在地物轮廓明晰连续的情况下,仅 仅依靠梯度项构造速度函数,利用水平集方法即可 达到提取地物的目的。但在高分辨率影像中道路边 缘存在一些不连续和模糊的情况。单纯依靠梯度特 征,往往使得道路的轮廓演化越界到其它地类。因 此在构建速度函数时,还应考虑道路的光谱和纹理 特征。 1.3.2光谱特征 不同地物对电磁波的反射特性不同,这是从遥 感图像上识别地物的最重要依据之一。道路建筑材 料以水泥混凝土和沥青混合料为主_l 。如图2(a) 为IKONOS多光谱影像中城市主要地物的光谱曲线 图。其中,道梅1和道路2分别为水泥混凝土道路 和沥青混合料道路的光谱曲线。由图可知,沥青混 合料道路光谱曲线处于水泥混凝土道路光谱曲线的 下方,主要因为沥青是一种有机材料,它的反射率相 对于水泥混凝土道路反射率要低一些,在影像上要 使用的集料成分基本相似,均以砂石材料为主,约占 80%_17。 图2(a)中水体和植被的光谱曲线均有比较鲜 明的特征:水体在蓝光和绿光波段的亮度值较之近 红外波段高出许多,且总体亮度值低于道路;植被在 近红外波段上的亮度值骤然升高。这两种地物在各 个多光谱波段上与道路均有较好的区分。 裸土的光谱曲线与两类道路的光谱曲线相互交 错在一起,因此裸土与道路在IKONOS四个多光谱 波段组成的特征空间中的差异性较小,甚至小于道 路内部的差异性。因此裸土与道路在影像中比较难 区分。但是,无论是道路1还是道路2,在绿光波段 的亮度值要大于近红外波段的亮度值,而裸土在近 红外波段上的亮度值却大于绿光波段。因此可知, 道路与裸土在绿光减去近红外波段的差值图像上将 具有明显的区别(图3(C))。同时,还发现在这差值 图像上,因材质不同带来的两种道路差异性明显减 少,使得可以用一种方法一次性地将两种道路同时 提取出来。但由于部分建筑物的建筑材料与道路建 筑材料十分相近,因此建筑物的光谱曲线与道路光 谱曲线的形状也具有一定的相似性。因此这类建筑 物与道路在光谱特征上很难区分。 在上述分析的基础上,综合考虑所选择的光谱 特征应使得道路内部方差最小,而与其它地物方差 最大为原则。图2(b)为各类地物在各个波段及绿 光波段减去近红外波段的差值图像(GN)上的归一 化DN值。由于两类道路在该差值图像里趋于一 致,所以图2(b)已将两类道路合并为一类。由图2 (b)可知,在各个波段上,道路与水体和植被均有较 好的区分。在蓝、绿、红和近红外波段上,道路内部 方差较大,且与裸土相互靠近,难以区分。而在GN 波段上,道路内部方差很小、,且与裸土有较好的区 分。由此可知,选择绿光减去近红外波段的差值波 段参与速度函数的构建,优于其它多光谱波段。 1498 宇航学报 第31卷 lO0o 0・8 8OO 0.6 600 {熊 檬400 嚣 堡0-4 1 0.2 200 0 O 蓝光 绿光 红光 近红外 GN (a)光酱曲线圈 (a)Spectral CtUWCS (b)归一化DN值 (b)Normalized DN values 图2道路、裸土、建筑物、植被和水体的光谱特征(以福州市IKONOS影像为例) Fig.2 Speetral signatures。f mad,b乩re land'building,Vegetati。n and water fr0m山e IK0N0s image 0f Fuzhou。iIy 但在各多光谱波段和GN差值波段上,道路与 建筑材料相近的建筑物均难以区分。因此进一步考 gm( ,y)=∑g…( ,y),m=0 l一,S一1(9) 完成G b0r滤波器设计后,可以将IKONOS多光 谱影像经IHS变换后的,分量分别与g 的实部与 虑借助影像上地物纹理之间的差异性来区分道路与 建筑物o 1.3.3基于旋转不变Gabor小波纹理特征 Gabor小波在分析数字图像中局部区域频率具 有优异的性能,在计算机视觉和纹理分割中已经得 到了广泛的应用。二维的Gabor函数g( ,y)和它 的傅里叶变换G(“, )如式(6)一(7)“ : 虚部作卷积,取E :、 __了 作 为滤波器的输出响应。其中,r和i分别指示滤波 器的实部和虚部。当某一滤波器的频带范围与图像 中的一种纹理相匹配时,则图像中的这一纹理区将 有较强的响应。本文根据影像的实际情况,进行多 次实验比较,选择滤波器窗口为3×3,K=4,S 2.m:l的一个旋转不变的Gabor小波纹理特征参 与速度函数的构建。 1.3.4速度函数构建 ,y):赤exp(一 1 G(“, )=expl一 其中, :1/2兀 , 标,( ,0)表示滤波器的中心频率。 +2 ̄iWx 1 (6) J¨ =1/2 ̄cr ,u, 为频率域坐 采用指数函数形式定义速度函数各项组成,F 函数定义为式(10): F:exp(一av )exp(一bvz) ( O) Gab。 函数形成了完全非正交的基底函数。可 以将g( ,y)作为母小波,通过它的膨胀和旋转获 得Gabo 小波,如式(8) : gm.( ,y)=a-mg( ,Y ) (8) 其中,( ,y)为种子点处的坐标。 - l GN— GN( , )I/GN( , ),GN为绿光波段与近红外波 段差值影像; ::l E—E( ,y)I/E( ,,,),E为旋 其中, ,:a-m xcos0+ysin ),Y =Ⅱ一(一 sin + c。s ),m:0,1,…,S一1,n:0,1,…,K—l, 转不变的Gab。 小波纹理特征。I v f I为多光谱影 像的梯度模值。F是一个递减函数。n、b为光谱特 5和K为尺度和方向的数目。通过改变m和n的值 可以得到一组方向和尺度不同的Gab。r小波。为了 减少数据的冗余性,通常按照各通道有效通带范围 征和纹理特征的权重系数,其值为0~1之间的常 数,它们的配置关系将直接影响FM算法的演化结 果。c为反差参数,用于进一步突出道路像素点速度 相互接触但不覆盖的原则来设计Gab。r小波族及其 各参数,具体设置方法参见文献[18]。在此基础上, H n等提出了适用于旋转不变纹理识别的Gab。r滤 波器如式(9) : 值与非道路像素点速度值的差别。该函数随任意变 量 .-,?32的增加而减小,即影像上的像素点在各个 特征上与种子点越接近,值越大。该函数在梯度项 的作用下,函数值在道路边缘处迅速减小,以使得种 第5期 吴学文等:一种基于水平集方法提取高分辨率遥感影像中主要道路信息的算法 1499 子点生长尽量控制在道路边缘之内。保持梯度项不 根据实验区影像的特征,为了进一步扩大道路 变,通过调整光谱特征和纹理特征的权重系数可以 类像素与其它地物像素之间的差异性,并考虑速度 获得最佳的速度函数。将式(10)代入式(3),根据文 函数光谱特征项和纹理特征项与影像梯度倒数之间 献[16]的FM方法即可求得界面到达图中每一像素 的数量关系,及其对FM算法运行的影响,经过反复 的先后次序,从而提取道路信息。 实验,C取9时较为合理。保持c=9不变的情况 下,考察F函数光谱特征项和纹理特征项的配置对 2实验和讨论 FM算法的影响。具体方法如下:选取图中道路上一 实验影像为2003年6月22日福州市IKONOS 点为种子点作为FM算法的初始条件,分别选取a 多光谱影像,从中选取两个实验区。实验区1大小 =1,b=0;口=1/3,b=2/3;日=1/2,b=1/2;口 为436×630个像素,影像质量完好,无云。图3(a) =2/3,b=1/3;a:0,6=1五组参数组合的F函 为其经COST模型辐射校正后的影像(近红外波 数,进行FM算法演化实验,图3(e)一(i)为各种组 段);图3(b)为其梯度图;图3(C)为绿光波段减去近 合的速度函数演化过程图,其颜色由浅入深表示图 红外波段的差值图;图3(d)为其基于Gabor小波的 上点到达的先后顺序。 纹理特征图。 (b)梯度 (c)绿光与近红外波段差值 (c)Diferencing image between (b)Gradient image green band and near-inffared band (d)Gabor小波纹理 一 (e)速度函数:a=l,b=0 (f)速度函数:a=2/3,b=l/3 (d)Texture based off Gabor wavelet (e)F:口=2/3,6=1/3 (f),:a=2/3,b=l/3 一 (g)速度函数:a=l/2,b=l/2 (h)速度函数:Ⅱ=l,3,b=2/3 (i)速度函数:口=O,b=l (g)F:a=l/2,b=l/2 (h)F:d=1/3,b 2/3 (i)F:a=0,b=l 图3实验区1 FM算法演化过程 Fig.3 Evolution process results of the first test area based 9nFM algorithm with different velocity ,当a=1,b=0时,代人公式(10),获得的速度 理特征。由图3(e)可知,在此速度函数下,演化至 函数考虑了道路的GN波段特征,不考虑道路的纹 14800个像素时,获得了较为完整的主要道路。主 1500 宇航学报 第31卷 要因为GN波段能较好地区分道路与水体、植被和 裸土信息,且对道路材料的差异性不敏感。且在 (1/I J 1)项的作用下,FM算法的演化尽量地被控 制在道路边缘以内。但由于粘连在道路上的部分建 筑物在光谱特征上与道路十分接近,且边缘较为模 个像素即能获得较完整的道路,且粘连在道路上的 非道路信息达到最小,仅有极少量小路因为与主要 道路在光谱和纹理特征上均极为近似而无法去除 (图3(h))。进一步调整光谱特征项与纹理特征项 的参数,至a:0,b=1,即仅考虑道路纹理特征, 完全不考虑光谱特征。在此速度函数下,道路边上 的大量裸土像素点先于道路像素点到达,演化至 15000个像素点时仍无法获得完整的道路(图3 糊时,无论是光谱特征项还是梯度特征项都无法阻 止FM算法向这类像素点推进,这部分建筑物像素 点则极有可能先于一些道路像素点到达。因此使用 此速度函数进行种子点扩展,虽然保持了道路的完 (i))。主要因为,该参数配置下的速度函数因为没 整性,但会导致误提取非道路类地物。 有GN波段的参与,而失去了对道路和裸土的区分 当a=2/3,b=1/3时(图3(f)),减少了n的 能力。 值,增加了相应的b值。既考虑了道路的光谱特征, 基于以上研究,选取速度函数参数a=1/3,b 又部分考虑了道路纹理特征。使用此速度函数,FM =2/3,C=9,利用FM算法对实验区1演化至第 算法演化至11700个像素时即获得了较为完整的道 9900个像素时停止运行,所有已经到达的像素点构 路。且由于纹理特征项的参与,提高了算法对建筑 成二值图(图4(a)),为了获得更准确地道路,有必 物和道路的区分能力,道路上粘连的建筑物明显减 要对其进行后处理。首先,对二值图做形态学闭运 少。进一步减少a的权重,增加b的权重,即a: 算,既平滑了图像又能连接道路的断裂处。接着对 1/2,b=1/2(图3(g)),使得光谱特征项和纹理特 闭运算处理过的图像上小于25个像素的孑L洞进行 征项对速度函数的影响力相等。在此速度函数下, 填充;对填充后的图进行细化处理,获得道路骨架。 道路附近粘连的非主要道路信息进一步减少。 最后通过去除小于一定长度的悬挂线段来去除毛刺 当减少a的权重至1/3,而提升b的权重达到 和多余的短线段。经过后处理的道路提取结果为图 ● 2/3时,达到最佳配置,分割效果最好,演化至9900 4(b)。 (a)演化结果 Co)最终结果 (a)Evolution result (b)Final result 图4实验区1道路提取结果 Fig.4 R0ad extraction results from the first test area 为进一步验证该方法的实用性,将其应用于局 图,其速度函数参数设置为a=1/3,b=2/3,c= 部有少量薄云覆盖的实验区2,大小为500 5.20个 9,图上颜色由浅入深表示像素点的到达先后次序; 像素。图5(a)为其经COST模型辐射校正后的影像 图5(f)为经过形态学后处理的道路提取结果。由图 (近红外波段);图5(b)为其梯度图;图5(C)为其绿 5可知,该方法同样适用于实验区2,从而验证了该 光波段减去近红外波段的差值图;图5(d)为其基于 方法应用于局部有少量薄云覆盖的地区仍然可行。 Gabor小波的纹理图;图5(e)为FM算法的演化过程 第5期 吴学文等:一种基于水平集方法提取高分辨率遥感影像中主要道路信息的算法 1501 (a】原影像(近红外波段) (b)梯度 (O)绿光与近红外波段差值 (c)Diferencing image between green band and near.in frared band (a)Original image(Near infrared band) (b)Gradient image (e)FM算法演化过程 (d)Gabor纹理 (d)Texture based on Gabor wavelet (e)Evolution process image based on FM algorithm with the speciied f(f)最终结果 (f)Final result velocity function(口 2/3,6=1/3) 图5实验区2道路提取结果 Fig.5 Road extraction result from the second test area 像素点到达。实验结果表明,该方法不但可以从质 3结论 量完好的IKONOS影像中提取出主要道路,而且对 在水平集方法框架下,将影像的梯度特征、绿光 减去近红外波段的差值波段、基于旋转不变的Gabor 少量薄云覆盖的影像依然有效。 参考文献: [1]文贡坚,.从航空遥感图像中自动提取主要道路[J]. 软件学报,2000,11(4):957—564.[WEN Gong-jian,WANG Run-sheng.Automatic extraction of main roads from aerial remote 小波的纹理特征结合起来构造速度函数,利用FM 算法可以有效地提取IKONOS多光谱影像中主要道 路信息。这是因为梯度特征可以在一定程度上将道 路与道路边缘外的其它地物分离开来;绿光波段减 去近红外波段的差值图像,可以最大限度地将道路 与其它地物(裸土、植被和水体)区别开来,同时还可 以减小不同建筑材料引起的道路异质性,使得仅用 一sensing images[J].Journal of Software,2000,11(4):957—964.] [2] Jin X,Davis C H.An integrated system for automatic road mapping fom hish-rresolution multi-spectral satellite imagery by information fu- sion[J].Ifornmation Fusion,2005,6(3):257—273. [3]Fischler M A,Tenenbaum J M,Wolf H C.Detection of roads and linear structures in low resolution aerial images using multisource 个种子点,便可扩展到所有主要道路像素点;基于 knowledge integration techniques[J].Computer Graphics and Image Processing,1981,15(2):201—223. 1 4 J Barzohar M,Cooper D B,Member S.Automatic finding of main roads in aerial images by using geometric—stochastic models and esti- 旋转不变的Gabor小波的纹理特征可以进一步地将 道路与建筑物区分开来。所以用此三个特征构造的 速度函数,可以使得曲线在与道路相近的像素点上 atimon[J].IEEE Transactions on Pattern Analysis and Machine In— telligence,1996,18(4):707—721. 扩展速度较大,而在其它地类的像素点上速度较小, 利用FM算法演化时,道路像素点先于其它地类的 [5]Amini J,Saradjian M R,Blais J A R,et a1.Automatic road—side - traction fom lrrage scale imagemaps[J].International Journal of Applied 1502 宇航学报 第3l卷 EarthObservation and Geoinformation,2005,4(1):95—107. [133 Taylor M.IKONOS planetary reflcetnace and n砣l衄solar exoatmospheric [6] Mokhtarzade M,Valadan Zoej M.Road detection from high.resolu. irradiance[EB/OL].http://www.geoeye.com/CorpSite/assets/docs/ tion satellite images using artiifcial neural networks[J].International technical-papers/2009/IKONOSEsan—Calculations.Ddf,2OO9. Journal of Applied Earth Observation and Geoinformation,2007,9 [143 Osher S,Sethian J.A fronts propagating with CUlTature dependent (1):32—40. speed:algorithms based on the Hamilton Jacobi formulation[J].Jour_ [7] 林宗坚,刘政荣.从遥感影像提取道路信息的方法评述[J]. hal of Computational Physics,1988,79(t):12—49. 武汉大学学报信息科学版,2003,28(1):9O一93.[LIN Zong. [15] Sethian J A.A fast marching level set method for monotonically ad. jian,LIU Zheng-rong.Methods and propects of road and linear strue- vaneing fronts[J].Pmeeedinge of the National Academy of Sciences ture extraction from remote sensing iamge[J].Geomatics and Infor- of the United States of America,1996,93(3):1591—1595. mation Science ofWuhan University,2003,28(1):90—93.] [16] Chung D H,Sapiro G.Onthelevel hnesand geometry of vector-valued [8] Mena J B,Malpica J A.An automatic method for road extraction in images[J J.IEEE Signal Processing LeRem,20O0,7(9):241—243. mrla and semi・-urban areas starting from high resolution satellite imag— [17] 田文玉.道路建筑材料[M].北京:人民交通出版社,2006:8 ery[JJ.Pattern Recognition Letter,2005,26(9):1201—1220. —56.[TIAN Wen-yu.Paving Building Materials[M].Bering:Chi- [9] Gruen A.Li H.Road extraction from aerial and satellite images by Ha Communications Press,2006:8—56.] dynamic pmgrammlng[J].ISPRS Journal of Photogrammetry and Re— [18] Manjunath B,Ma W.Texture features for browsing and retireval of mote Sensing,1995,50(3):11—20. image datalJ J.IEEE Transactions on Pattern Analysis and Machine [1O] Amo M,Martinez F,Torre M.Road extraction rfom aerila images us— Intelligence,1996,18(5):1474—1481. ing a region competition algorithm[J].IEEE Transactions on Image [19] Han J,Ma K.Rotation。invariant scale—invarlant gabor features for Processing,2006,15(5):1192—1201. texture image retrieval[J].Image and Vision Computing,2007,25 曹广真,金亚秋.基于水平集方法的多源遥感数据融合及城 (9):837—841. 区道路提取[J].电子与信息学报,2007,29(6):1464—1470. [CAO Guang-zhen,JIN Ya-qiu.Data fusion of muhi—source remote 作者简介:吴学文(1982一),女,博士研究生,研究方向为遥感 sensing based on level set method and application to urban road ex- 信息处理与应用。 traction l J J.Journal of Electronics and Information Technology, 通信地址:福建省福州市大学城新区福州大学环境与资源学 2007,29(6):1464—1470.] 院(350108) [12] Chavez J.Image—based atmospheric corrections—revisited and improved 电话:(0591)22866071 lJ』.Photogrmametric Engineering and Remote Sensing,1996,62 E.mail:wxwfznu@163.com (9):1025—1036. Level Set Method Major Roads Information Extract from High—Resolution Remote—Sensing Imagery WU Xue—wen.XU Han—qiu (College of Environment and Resources,Key Laboratory of Spatila Data Mining and Information Sharing,Ministyr of Education Fuzhou University,Fuzhou 350108,China) Abstract:A method for urban major road information extraction from IKONOS imagery is proposed.Firstly,a gradient algo— rithm based on vector-valued images is used to calculate gradients of the IKONOS image of Fuzhou city with four multi—spectral bands.Secondly,spectral signatures of road,bare soil,building,vegetation and water from the IKONOS image are analyzed,and it follows that the road can be effectiyely distinguished from bare soil,vegetation and water in the diferencing image between green and near-infrared bands.In addition,the road variance induced by diferent constructional materials is reduced in this diferencing image than in the original multi—spectral bands.In order to further distinguish between road and building,a rotation—invariant Ga— bor wavelet method is used to obtain texture features.Accordingly,the gradient and spectral—textural features of the road are inte- grated to develop a velocity function.Finally,the fast marching algorithm is used to extract major roads and a mathematical mor— phology method is used to optimize the above extraction results.This proposed method is used to extract major roads from two test areas of Fuzhou city with different cloud conditions.The experiment results show that this method is effective to extract major roads from IKONOS imagery even with thin cloud coverage. Key words:Remote sensing;Major road extraction;Level set method;IKONOS imagery