一种融合斑块形状指数的高分辨率遥感影像道路提取方法

1.本发明涉及高分辨率遥感影像道路识别与提取领域，具体涉及一种融合斑块形状指数的遥感影像道路信息自动提取方法。


背景技术：

2.道路作为重要的基础地理信息数据，在地图制图与更新、道路导航、城市规划、应急救灾等方面具有重要作用。因此，道路的快速识别与提取具有重要的研究价值。
3.近年来，随着spot、quickbird、高分二号、高景一号、北京二号等亚米级高分辨率卫星数据的不断普及，利用遥感影像提取道路已逐渐成为提取道路信息的主要途径。目前，基于遥感影像道路信息提取的方面主要包含以下几种：(1)传统分类方法。主要是通过创建相应的特征来识别和提取道路信息，常用的特征包括光谱特征、纹理特征，几何特征等；(2)深度学习方法。从数据角度出发，利用深度学习强大的泛化能力、对任意函数的拟合能力、极高的稳定性，依据先期提供的道路影像样本，自动挖掘道路影像深度学习特征，利用判别函数实现对像元级的道路影像概率值预测，以此探析道路影像的内在联系。(3)面向对象分割方法。该方法是利用目标地类的光谱、形状、纹理、空间位置等相关特征属性，建立相应的模糊判别规则，对遥感影像进行分割，把具有相同特征的像元组成一个同质对象，进而进行影像分类和信息提取。
4.目前，针对道路自动提取研究受到建筑物、植被阴影的遮挡，道路的色差、形状等在不同时段和地区差异很大，道路与建筑物光谱易混淆及道路分布的稀疏性等问题，这些都给遥感影像上道路的自动提取带来了困难。如传统方法在面对空间异质性(阴影、曲率、相邻相似纹理)导致道路几何纹理特征突出性下降时，自动化程度低；深度学习方法虽然具有泛化性强，自动化程度高等优势，但没有好的样本就没有好的深度学习结果；面向对象分割方法仅针对单一宽度的道路进行提取，对不同等级道路网需要采用不同分割尺度等级进行提取，普适性不强。


技术实现要素：

5.鉴于以上存在的技术问题，本发明的目的是提供一种高分辨率遥感影像道路提取的方法，该方法将斑块形状参数与光谱、纹理和地形特征参数融合进行随机森林分类，完成道路信息的自动识别与提取。
6.本发明采用的技术方案是一种融合斑块形状指数的高分辨率遥感影像道路提取的方法，包括如下步骤：
7.步骤1、收集与获取研究区高分辨率遥感影像和地形数据并进行数据预处理。
8.获取研究范围高分辨率影像和高程影像，对影像进行预处理。根据研究状况，利用envi软件中辐射定标功能和flaash大气校正模块对获取的影像进行辐射定标和大气校正；然后根据研究区所在地理位置定义投影参数，使得高分影像和高程影像保持空间一致；第三，根据影像的空间分辨率进行重采样，使得两种影像的空间分辨率保持一致。最后按照研
究区范围进行裁剪，获取研究区范围的遥感影像便于后续数据处理。
9.步骤2、遥感影像分类特征参数提取。
10.201.本方法需要提取的特征参数除遥感影像的光谱信息外，还需要归一化植被指数(ndvi)、归一化差异水体指数(ndwi)、纹理、地形等信息。ndvi、ndwi可以由envi 5.5中波段计算器按公式计算得到；纹理信息使用envi 5.5中概率滤波工具计算获取均值(mean)、方差(variance)、同质性(homogeneity)、对比度(contrast)、非相似度(dissimilarity)、熵(entropy)、二阶矩(second_moment)及相关性(correlation)八个纹理参数影像；地形信息利用envi 5.5中terrain模块提取高程(elevation)、坡度(slope)、坡向(aspect)信息。
11.202.形状特征参数提取。斑块形状指数基于超像素种子聚类的方法，使用基于面向对象的ecognition developer软件多尺度分割提取斑块，并进行裁剪处理得到研究区斑块。统计计算几何，得到各斑块的面积与周长，按照斑块形状指数的公式计算结果，并将得到的值栅格化。斑块形状指数(s)的计算公式为：
[0012][0013]
式中，p为斑块的周长，a为斑块的面积。斑块形状指数代表形状与相同面积的正方形的偏离程度，建设用地通常是聚集的小斑块，偏离程度小，道路为分散的长条斑块，偏离程度大。显然，斑块形状指数的加入有利于建筑与道路的区分。
[0014]
步骤3、融合斑块形状指数的高分辨率遥感影像道路自动识别算法模型构建。
[0015]
利用步骤2提取的光谱、纹理、地形和斑块形状等多种特征变量，构建基于随机森林算法的道路识别与提取模型。
[0016]
301.采用bootstrap抽样方法从总训练样本中随机选取n个训练集，建立n棵cart决策树组成的森林；每个训练集约为总训练样本的2/3，剩余的1/3样本称为袋外数据(out of bag,oob)进行内部误差估计，产生oob误差用于模型的验证。
[0017]
302.计算特征变量重要性。根据训练样本计算每个决策树的误差e
t
，然后随机改变测试样本第i个特征变量xi的值，并计算其误差得到特征变量xi的重要性v(xi)，其计算公式为：
[0018][0019]
为了更准确进行道路信息的识别与提取，根据随机森林算法的特点，提取特征变量的重要性信息，并根据其重要程度，进行特征变量的选择，对高维数据进行降维，进而得到精度和效率最佳的分类方案。
[0020]
步骤4、遥感影像分类与道路信息自动提取。
[0021]
将步骤1、2和3中获取的数据进行组合，采用基于专家知识的分类将研究区植被和水体剔除后，获取建筑物、道路及其他用地，考虑道路与建筑在纹理与形状方面的不同，使用融合光谱、纹理、地形与斑块形状等参数的遥感影像进行随机森林分类，进而提高道路识别的精度。然后，采用分类聚合的方法将分类结果进行处理，设定最小斑块阈值以去除分类噪音，将分类结果矢量化得到道路分布范围。
[0022]
进一步，所述步骤3中高维特征变量进行降维的具体步骤为：首先，利用随机森林
算法计算oob误差，分析不同特征信息在分类过程中的重要程度；然后，通过特征变量重要性对特征信息进行选择，将重要性小的变量剔除，以降低变量维度；最后，利用降维后的综合信息与随机森林算法相结合进行道路信息识别与提取，实现模型运算效率与分类精度之间的最佳方案。
[0023]
进一步，所述步骤4中，为减少工作量，对影像及其参数设定阈值后，去除了水体以及植被覆盖，余下建设用地、道路及其他用地。采用随机森林分类的方法，基于人工解译数据集，对建筑、道路及其他用地进行分类，获取道路分布。此方法首先采用基于专家知识的决策树分类优先去除了水体、植被覆盖无关信息，极大提高后续分类效率，缩短工作时间；其次，在理论与经验常识的指导下，加入了纹理与斑块形状指数的随机森林分类手段有效地区分了建筑与道路，有效提高了道路的识别精度。
[0024]
与现有技术相比，本发明具有如下优点：
[0025]
(1)利用斑块形状指数与光谱、几何纹理和地形等特征变量融合进行道路信息的提取，有利与建筑物和道路区分，获取道路的精度高，可以有效的进行道路信息提取。
[0026]
(2)随机森林算法可以有效利用样本间的差异，利用oob误差计算特征变量的重要性，选择最优变量进行分类，其并行处理大量高维数据的能力显著提高了基于高分辨率影像的多维度信息的识别效率，真正实现了模型运算效率与分类精度之间的最佳方案。
[0027]
(3)针对城市的复杂环境，采用融合斑块形状指数的高分辨率遥感影像的道路提取方法，具有更好的针对性和适应性。
附图说明
[0028]
下面结合附图本本发明进一步说明。
[0029]
图1是本发明的一个实例的流程图。
具体实施方式
[0030]
如图1所示，本发明的具体步骤为：
[0031]
本发明采用的技术方案是一种融合斑块形状指数的高分辨率遥感影像道路提取的方法，包括如下步骤：
[0032]
步骤1、收集与获取研究区高分辨率遥感影像和地形数据并进行数据预处理。
[0033]
获取研究范围高分辨率影像和高程影像，对影像进行预处理。根据研究状况，利用envi软件中辐射定标功能和flaash大气校正模块对获取的影像进行辐射定标和大气校正；然后根据研究区所在地理位置定义投影参数，使得高分影像和高程影像保持空间一致；第三，根据影像的空间分辨率进行重采样，使得两种影像的空间分辨率保持一致。最后按照研究区范围进行裁剪，获取研究区范围的遥感影像便于后续数据处理。
[0034]
步骤1、遥感影像分类特征参数提取。
[0035]
201.本方法需要提取的特征参数除遥感影像的光谱信息外，还需要归一化植被指数(ndvi)、归一化差异水体指数(ndwi)、纹理、地形等信息。ndvi、ndwi可以由envi 5.5中波段计算器按公式计算得到；纹理信息使用envi 5.5中概率滤波工具计算获取均值(mean)、方差(variance)、同质性(homogeneity)、对比度(contrast)、非相似度(dissimilarity)、熵(entropy)、二阶矩(second_moment)及相关性(correlation)八个纹理参数影像；地形信
息利用envi 5.5中terrain模块提取高程(elevation)、坡度(slope)、坡向(aspect)信息。
[0036]
202.形状特征参数提取。斑块形状指数基于超像素种子聚类的方法，使用基于面向对象的ecognition developer软件多尺度分割提取斑块，并进行裁剪处理得到研究区斑块。统计计算几何，得到各斑块的面积与周长，按照斑块形状指数的公式计算结果，并将得到的值栅格化。斑块形状指数(s)的计算公式为：
[0037][0038]
式中，p为斑块的周长，a为斑块的面积。斑块形状指数代表形状与相同面积的正方形的偏离程度，建设用地通常是聚集的小斑块，偏离程度小，道路为分散的长条斑块，偏离程度大。显然，斑块形状指数的加入有利于建筑与道路的区分。
[0039]
步骤3、融合斑块形状指数的高分辨率遥感影像道路自动识别算法模型构建。
[0040]
利用步骤2提取的光谱、纹理、地形和斑块形状等多种特征变量，构建基于随机森林算法的道路识别与提取模型。
[0041]
301.采用bootstrap抽样方法从总训练样本中随机选取n个训练集，建立n棵cart决策树组成的森林；每个训练集约为总训练样本的2/3，剩余的1/3样本称为袋外数据(out of bag,oob)进行内部误差估计，产生oob误差用于模型的验证。
[0042]
302.计算特征变量重要性。根据训练样本计算每个决策树的误差e
t
，然后随机改变测试样本第i个特征变量xi的值，并计算其误差得到特征变量xi的重要性v(xi)，其计算公式为：
[0043][0044]
为了更准确进行道路信息的识别与提取，根据随机森林算法的特点，提取特征变量的重要性信息，并根据其重要程度，进行特征变量的选择，对高维数据进行降维，进而得到精度和效率最佳的分类方案。
[0045]
步骤4、遥感影像分类与道路信息自动提取。
[0046]
将步骤1、2和3中获取的数据进行组合，采用基于专家知识的分类将研究区植被和水体剔除后，获取建筑物、道路及其他用地，考虑道路与建筑在纹理与形状方面的不同，使用融合光谱、纹理、地形与斑块形状等参数的遥感影像进行随机森林分类，进而提高道路识别的精度。然后，采用分类聚合的方法将分类结果进行处理，设定最小斑块阈值以去除分类噪音，将分类结果矢量化得到道路分布范围。
[0047]
进一步，所述步骤3中高维特征变量进行降维的具体步骤为：首先，利用随机森林算法计算oob误差，分析不同特征信息在分类过程中的重要程度；然后，通过特征变量重要性对特征信息进行选择，将重要性小的变量剔除，以降低变量维度；最后，利用降维后的综合信息与随机森林算法相结合进行道路信息识别与提取，实现模型运算效率与分类精度之间的最佳方案。
[0048]
进一步，所述步骤4中，为减少工作量，对影像及其参数设定阈值后，去除了水体以及植被覆盖，余下建设用地、道路及其他用地。采用随机森林分类的方法，基于人工解译数据集，对建筑、道路及其他用地进行分类，获取道路分布。此方法首先采用基于专家知识的
决策树分类优先去除了水体、植被覆盖无关信息，极大提高后续分类效率，缩短工作时间；其次，在理论与经验常识的指导下，加入了纹理与斑块形状指数的随机森林分类手段有效地区分了建筑与道路，有效提高了道路的识别精度。