文档库

最新最全的文档下载
当前位置:文档库 > 基于知识的卫星数字图像公路信息提取研究

基于知识的卫星数字图像公路信息提取研究

 

北京大学学报(自然科学版),第34卷,第223期,1998年4月

A cta Scientiarum N aturalium

U niversitatis Pek inensis,V o l.34,N o.223(A p r,1998)

基于知识的卫星数字图像公路信息提取研究1)

曹五丰 秦其明

(北京大学遥感与地理信息系统研究所,北京,100871)

摘 要 公路信息是卫星遥感影像中的一种重要的地理专题信息,公路信息提取不仅在卫星数字

图像自动解译方面具有理论与方法意义,而且可以利用提取的公路信息作为数据源,对地理信息

系统数据库进行自动更新。针对我国公路的特点,提出了图像处理技术与人工智能相结合的新方

法,以SPO T数字图像为数据源,对公路信息提取进行了研究。研究由卫星数字图像增强处理入

手,通过突出目标与背景的边界差异,达到突现公路信息的目的,其次通过引入形状系数等先验知

识,进行公路信息检测,找出可能的公路点。在此基础上,利用相关信息或全局约束来扩展公路种

子点以形成公路片断,并通过基于知识的制导,利用各种知识来推断公路的存在并指导公路片断

的连接。文章最后针对具体试验给出有关图像处理结果并进行了具体的讨论。

关键词 公路信息提取;卫星遥感图像;专家系统;地理信息系统

中图分类号 T P79

0 研究简述

遥感图像公路信息的提取研究一直是遥感图像自动识别研究中一个活跃的研究主题。由于公路信息提取极大地依赖于遥感影像数据的分辨率[1],因而对于空间分辨率的差别较大的数据源,公路提取的方法也会有很大差异。

在大比例尺的高空间分辨率航空照片中(分辨率高于50c m),公路路表细节清楚明晰,公路的提取是一种所谓的人造结构(M an2m ade structu re)的提取,它可进一步分解为可被检测得到的公路段、车道和过道等原素(p ri m itives)的提取[2]。

而在分辨率较低的卫星遥感影像中,公路一般表现为宽度小于3个像素的高亮度的线状地物。公路的提取是一种线状特征的提取或检测。目前已有相当多的线性特征检测算法,但这些算法大多是在计算机视觉领域尤其是为处理生物学和机器人学中的图像而提出的,而卫星遥感影像远比计算机视觉领域中一般处理的图像要复杂得多,因而卫星遥感影像中公路的提取也要比计算机视觉中一般的线性特征检测的难度要大得多[3]。迄今为止,人们提出了许多不同的公路提取方法,却没能开发出一个能满足实际应用需要的系统,其原因是多方面的,但最主要的原因还是在实际应用中还存在以下两方面的问题:

第一,影像质量问题。与一般的图像相比,卫星遥感影像因其比例尺较小,其信息量远比普

 1)国家自然科学基金资助项目(49671064)

收稿日期:1997212208;修改稿收到日期:1997212231

通图像要多,因而非常“拥挤”,不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。而且卫星遥感是从遥远的空中成像,成像过程要受传感器、大气条件、太阳位置等因素的影响,影像中所提供的目标物的信息不仅不完全,且或多或少地带有噪音,因而它本身并不能提供足够的信息来恢复该场景,人们必须从不完全的信息中尽可能精确地提取出场景中感兴趣的目标物,难度很大。

第二,公路本身的问题。就公路而言,即使在高分辨率的卫星影像中,公路作为一种延伸很远的线状地物,其识别也往往取决于它与周围物体或环境的反差大小。在遥感影像中,公路既可能由于与其所穿过地区环境背景间的反差弱而出现间断现象,也可能因其受到树木、阴影的遮蔽或进入隧道而出现不连续的现象,而且公路还常常出现不同的结构与外观:从平直的道路线到蜿蜒且部分被遮蔽的道路线(如山区公路),从城市地区稠密的道路网到农村、山区稀疏的道路线,从混凝土路面到柏油路面乃至砂土路面等等,所有这些也都使得要从遥感影像中提取公路变得特别困难。

因此,为克服卫星遥感影像中信息量不足等问题,在总结国外相关研究的基础上,本文采用基于知识的卫星遥感图像专题信息自动提取方法,以SPO T 卫星数字图像为例进行了公路信息提取研究。该系统用改进的J .Ton 的公路增强算法对公路进行增强处理,在此基础上使用模糊C 2均值聚类算法进行二值化处理以得到二值图像,然后根据公路所形状特点进行噪音消除,在细化和短枝消除的基础上使用各种知识进一步连接公路,最终获得一幅较完整的公路网图。

1 公路信息增强处理

公路信息增强是要找出一个合适的算子来尽量地扩大公路目标与背景之间的边界差异,达到突现公路特征的目的。

最早的专门的公路增强算子是由D uda 所提出的D udo 公路算子(D udo Road Operato r ,

简称DRO )。F isch ler 等人(1981)用该算子进行公路增强[4],并对其效果与边缘增强算子进行

比较后认为:DRO 在总体上要比边缘增强算子较好,边缘增强算子虽然较少出现检测遗漏等问题,但往往容易引起后处理中的分类错误,DRO 则不然。但DRO 也存在一些明显的缺陷,如对公路方向(DRO 只考虑了4个主要方向,对于4个主要方向以外的公路的增强效果不太好)及公路方向的急剧变化、公路与相邻背景的一定反差等几个方面比较敏感。此外,DRO 需要指定5个依赖于影像的参数,因而使其在自动提取中难以推广应用。

为此,J 1Ton 等人根据DRO 的模板设计思想[5],提出了8方向14个模板对公路进行增强的算法,取得了较为令人满意的结果。其算法大致为:

考虑到DRO 仅有4个方向的模板,而且一般而言,考虑的方向越多就越能精确地检测公路,但是算子长度的增加,也导致模板数量的激增(表1),因而J 1Ton 采用的算子长度为3,并将公路方向扩展到8个方向(图1)。在模板的设计中,J 1Ton 等人考虑到在卫星影像(TM ,SPO T )的分辨率下,公路一般表现为一到两三个像素宽,与公路像素直接相邻的像素往往是一个由公路与背景反射组成的混合像素,距离公路像素一个像素远的像素才是完全的背景像素,因而在图像中公路像素与距其一像素远的像素的反差要比它与其直接相邻像素的反差更清楚,即具有所谓的“一像素远”特性(one 2p ixel 2aw ay )。考虑到公路的“一像素远”特性,结合

552第223期 曹五丰等:基于知识的卫星数字图像公路信息提取研究

 表1 算子长度与方向、总模板数间的

关系[4] T able 1 R elati onsh i p betw een operato r

length ,directi ons ,and to tal m ask s 算子长度可能的方向所需模

板总数3

8144

123051668W ang 和How arth 的公路算子设计思想,J 1Ton 设计了14个主要方向的两侧设置零值带的模板。对于

图像中的每一个像素,依次用14个模板进行计算,从获得最大响应(即值最大)的模板中得出该像素的方

向码和公路强度。最后通过设定阀值获得二值图像

(J 1Ton 等人通过该增强处理后获得一定数量的公路种子点,然后用种子点来扩展公路

基于知识的卫星数字图像公路信息提取研究

)。方向码则为下一步跟踪处理提供帮助。 该算法充分考虑到卫星影像中公路像素的特点,因而对公路的增强效果较好,它不仅可获得公路

强度,而且得到了其方向,为其后的处理带来了方

图1 算子长度为3时的8个可能的公路方向[4]

F ig .1 

基于知识的卫星数字图像公路信息提取研究

E igh t po ssible directi ons w hen the operato r length is th ree

便。此外该算法对公路增强时不会发生偏移现象,公路定位准确。在实际应用中,笔者发现该算法仍有方向的定义不够明确之不足。例如比较方向码1的两种情况可以发现(图2),虽然图2中(a )和(b )的方向码相同,但其实际延伸方向却不一致,因为在图2 同一方向码中的不同跟

踪方向

F ig .2 D ifferent tracing direc 2

ti ons in the sam e direc 2

ti on code (a )图中下一像素在其右上角,而(b )图则为其正右方像素。这就为下一步的跟踪处理带来了不便。 经过对各种算法的比较,考虑到卫星影像的特性及我国公路的特点,笔者采用了J 1Ton 等人提出的算法,但对其算法中的方向码由原来的8扩充为12,以使之更为明确,从而为跟踪处

理提供明晰的信息。模板数目仍为14。

对图像中的每个像素及其邻域,分别用12个方向的14个模板中的每一个模板进行卷积运算,即相乘、相加的过程,然后取14个模板中所得的最大结果,最大的模板方向就是局部公路的方向,卷积的结果就是该点的公路强度幅值。处理结果分别保存在不同的文件中(强度与方向)。

2 公路信息检测

公路信息检测一般是在增强图像的基础上,在整个感兴趣的对局部特性如像素的亮度与方向特性进行检测,找出可能的公路点。

公路检测的方法比较多,简单的有阈值技术[4~6],复杂的有诸如假说检验程序[7]等。公路检测的输出结果是公路种子点,这些种子点(片断)用于作为公路扩展的起始点。

652 北京大学学报(自然科学版)百年校庆纪念专刊 第34卷 

与一般的方法不同,本文采用了一种新的方法来进行公路信息检测。首先对经增强处理后的图像进行二值化处理,将图像中的像素简单地区分为公路与背景,区分的准则是尽量不出现遗漏,然后在此基础上进行噪音消除,从而获得较为正确的公路片断,作为下一步公路扩展与连接的起始点。

在二值化方法的选择上,考虑到TM 和SPO T 影像均有多个波段数据,为了获得更多的信息,也为了避免选取阀值,我们采用了模糊C 2均值聚类算法来对公路增强后的图像进行二值化。

模糊C 2均值聚类算法又称模糊ISODA TA (Iterative Self 2O rgan izing D ata A nalysis T echn ique A 的缩写)算法,它是一种迭代最优化方法,所用目标函数是以图像中各像素与每个聚类中心(共计C 个)之间的加权相似度测度为基础构成的。B ezdek 给出的模糊C 2均值泛函

J m :M f c ×R cp →R +

(211):J m (U ,V )=∑n k =1∑c

i =1(Λik )

m (d ik )2。(212)

其中:

U =[Λik ]∈M f c 为X 的模糊C 2划分;

V =(V 1,V 2,…,V c )T ∈R cp 为类中心矢量;

d ik = X k -V i 表示第k 个像素X k 与第i 个聚类中心V i 之间的距离;

m ∈[1,∞)为权重指数,m 越大则分类越模糊,一般m >1,当m =1时就是硬分类。

该式的实际意义就是各样本X k 到各个聚类中心V i 的带权距离平方和,其权重为X k 隶属于类C i 的隶属度Λik 的m 次方。因此J m 是平方误差聚类准则,故样本集合X 的最佳模糊C 2划分应是J m 的最小方差稳定点(U ,V ),这将由条件

m in i m ize M f c ×R cp ={J m (U ,V )}

(213)

解得。

实际上,整个聚类过程就是反复修改聚类中心和分类的过程,因此常称这种方法为动态聚类法。其算法框图见图3。

在实际应用中,可首先将多幅图像(如TM 波段1,2,3)用公路增强算法进行增强处理,然后用模糊C 2均值聚类方法将它们进行聚类,即将图像分成两类:公路与背景,最后输出一幅二值图像以“1”表示线、边缘或其他灰度急剧变化区,“0”表示灰度变化较小的背景区。这一处理结果使公路显得更为清楚。

实验结果表明,用以上方法进行公路增强与二值化处理,综合了J 1Ton 等人的算法与模糊C 2均值聚类方法的优点,主要表现在:

(1)对公路目标敏感,该算法充分考虑到公路的灰度和形状特征,因而对公路的增强效果明显,而且经该算法处理后的图像,不会出现位置偏移现象,公路定位准确;

(2)避免了选取依赖于影像的阀值,从而减少了使用者的干预,减轻了人为因素对提取结果的影响;

(3)可充分利用多波段数据,易于获得更好的提取效果。

752第223期 曹五丰等:基于知识的卫星数字图像公路信息提取研究

基于知识的卫星数字图像公路信息提取研究

基于知识的卫星数字图像公路信息提取研究

设置参数c ,m ,L ,Ε

初始化划分

计算聚类中心V i

计算距离d ik

计算新划分U (l +i )

U (l +1)-U (l ) <Ε

或l >L

 N o Yes

转入分类处理

 图3 模糊C -均值聚类算法框图

F ig .3 P rocedure of fuzzy C 2m ean clustering algo rithm

数据经过以上处理可以获得一幅初始的公路图。由于公路线应该是连续并且相对较长,那么那些孤立且面积较小的区域、孤立的单个像素就被视作为噪音而应该加以去除。二值图像的小区域消除的方法一般是:首先标出图中所有的区域,然后算出各区域的面积S (像素个数),面积S 小于一定阀值的区域就作为噪音而加以消除。在公路提取研究中,除此之外,图像中的大的并不与其他地区连通的面状区域也应被视为噪音而应当消除,显然小区域消除的方法无法消除这种噪音,因此笔者利用公路的形态特征,对这些无关特征进行消除,具体方法为:

在程序中,除了求出区域面积的S ,同时还求出各区域的周长P (区域外围像素个数),然后根据公式:

C =P 2

4Π×S (214)

求出各区域的形状系数C 。显然,线状物体的有较大的形状系数,因此可设定适当的形状系数阀值来消除那些非线状的区域。因而我们设定了两个阀值,一个是区域面积阀值,一个是形状系数阀值,满足二者要求的区域被保留,而不能满足其中之一的区域作为噪音而被消除。一般来说,这两个阀值基本上是相互独立的,因此笔者在反复的试验的基础上,获得了较为合理的阀值作为缺省阀值提供给使用者。用户既可以使用该缺省值,也可以根据噪音消除的结果自行指定适当的阀值,以获得令使用者满意的结果。

3 高层次公路处理

以上处理过程基本上是利用图像局部的灰度统计特性来对公路进行增强及检测,获得初始的公路网图(经细化处理后的线条二值图)。从图像理解的角度来说,它们属于低层次处理的范畴。在高层次的处理中,将要应用更多的全局信息及知识来进一步将公路片断扩展、连接成为更为完整的公路图。我们使用了基于知识的规则来进行公路的扩展与连接处理。这些知识主要集中在有关公路的光谱与几何特性等方面:

852 北京大学学报(自然科学版)百年校庆纪念专刊 第34卷 

公路,简单地讲,是“人们修建的表面平滑的可供有轮车辆驶行的道路”,从其功能出发,公路必须满足一定的物理的和几何的要求,如:公路表面必须是平坦的、坚实的,公路的坡度、宽度以及局部曲率有一上限,公路一般是相互连接而形成公路网络等等。

但这些公路的物理与几何特性并不能直接用于公路提取的规则的构建中,因为我们面对的是数字图像,而不是真实的公路,因而需要建立对公路在数字卫星影像上的外观的进行描述的一般公路模型,在此基础上构建出用于公路提取的各种规则。

(1)公路光谱特征。公路光谱特征与混凝土、柏油或砂土等材料的波谱特征有关。它主要表现在两个方面:

卫星数字影像中公路像素要比其相邻像素的亮度要大,换言之,在数字卫星影像中,公路是两侧具有低亮度值区域的连续的狭窄高亮度区。这也意味着,经过前面所述及的公路增强算法的处理,公路像素应该是那些获得最大公路强度的地区,即沿公路线的公路强度的平方和为最大,这可由以下模型表示:

R P 1=∫m ag [f (s )]2d s =m ax i m um ,(311)

式中m ag [f (s )]代表二维公路强度曲线;

沿公路方向灰度在短距离内不会发生太大的变化。一般情况下,构筑公路的材料在短距离内不会有太大的变化,这由如下模型加以表示:

R P 2=∑{g [f (s )]-g ave }2=m inm um ,(312)

式中g [f (s )]代表二维公路灰度曲线,g ave 为公路灰度曲线的平均灰度值。

(2)几何特征。公路的几何特征主要是其形状特征,在公路提取中可用的性质一般是比较平直的线,其局部曲率有一上限,而对公路其宽度限制我们在低层次处理(公路增强算法的设计)中已经使用过,这里所要处理的是单个像素宽度的线段,因而它无法使用。公路曲率的这一特性可表示为:

R g =∫ f ″(s ) 2d s =m inm um 。(313)

式中f (s )为平滑公路曲线(假设公路可用某种曲线加以描述)。

(3)空间关系。公路一般意味着不同地区间人与物的交流渠道,因而公路总是相互连接形成公路网(几乎没有两个居民点能忍受与世界其他地区长期隔离),孤立的线若不能与其他线连接上,则很可能就不是公路。公路的这一特性显然无法用数学模型来加以描述,但可直接用于规则的构建。因此,基于以上的公路知识,我们构建了一些应用规则来对公路进行扩展与连接等。它包括3个部分:公路跟踪、公路扩展与公路连接等。

为了便于图像的后续处理,我们首先进行了公路跟踪以提取出必要的公路属性并对部分错误进行消除。

311 公路跟踪与属性提取

低层次处理的结果是所有像素简单地被分成了公路或背景。高层次处理的第一步是对二值图像进行跟踪处理,提取出每条线段的必要属性。

公路跟踪的目的一般是利用相关信息或全局约束来扩展公路种子点以形成公路片断。目前所用的主要方法有:线性跟踪[6]、断面分析[8]、边缘松弛,图表搜索[5]等一些算法。在我们的

952第223期 曹五丰等:基于知识的卫星数字图像公路信息提取研究

系统中,进行跟踪处理的主要目的是抽取出公路必要的属性,即线段的长度、方向、曲率以及平均公路强度,并且在跟踪过程中根据一定的限定条件(如线的曲率)等对线段进行消除。因此它不仅产生出主要的公路网,而且也抽取出线段的必要的属性,为下一步基于知识的公路扩展与连接作准备。

正如J1Ton所指出的那样,在典型的公路网中,常常出现“T”或“Y”型的交叉点,在公路跟踪处理中,所有的公路片断均不穿过交叉点,例如,当出现“T”型的交叉点时,公路片断被分为在同一交叉点结束的3个不同的片断,在下一步中将使用更多的全局信息将合适的片断进行合并。

在跟踪算法中,我们首先用特征点检出方法找出图像中线段的端点以及交叉点,然后对图像进行扫描,对所有线段从端点开始跟踪,当一条线段结束时,计算出其长度、曲率以及平均公路强度等属性,线的长度定义为组成该线段的像素的个数,曲率则简单地由下式定义为:

C=L a×2

L

,(314)

其中L a为线段长度(弧长,仍以像素个数表示),L是起点与终点间的直线距离(弦长)。显然C 的取值区间为[1,+∞],当线段为直线时,C=1,当出现闭合曲线时,上式会出现分母为0而变得无意义,这时曲率大小赋以0值,作为特殊情况处理。平均公路强度由公路强度图(第一步公路增强处理后所获图像)中获得。在跟踪处理过程中我们还使用一定的限定规则(如曲率等)对错误的线段进行消除,从而为后续处理提供正确的公里网图。

312 基于知识的公路扩展与连接

公路扩展与连接采用基于知识制导方法,利用各种知识规则来推断公路的存在并指导公路扩展与连接。采用的知识规则包括以下内容:

事实判断规则。根据一般公路模型,对线段的各种属性(长度、强度、曲率等等)进行综合判断,在此基础上得出线段作为公路的可能性。

线的扩展规则。在判断条件成立的前提下,调用线的扩展模块对线进行扩展。主要是对端点的相邻像素性质进行测度,看是否可能对线段进行扩展,一次仅能扩展一个像素。

线的连接规则。在判据成立的前提下,调用线的连接模块对两条相向的线进行连接。为位于一定的距离范围内的两条线的端点可连接的可能性进行判断,若条件得到满足,则进行线的连接。

线的消除规则。在判据成立的前提下,对错误的线进行消除。

以上4种规则类型赋予了不同的优先级别,事实判断规则具有最高的优先级,其次是线的扩展规则,再者是线的连接,线的删除的优先级别最低。目前规则库中有20多条规则,这显然还不能满足公路扩展与连接需要,因而规则库还需要进一步的充实。

推理机是公路提取专家子系统的核心,它用来模拟遥感图像解译专家解决问题的思维过程,实现遥感图像中公路信息的自动提取,因此公路提取过程的是由推理机实现。系统以正向推理为主。正向推理(Fo r w ard Chain ing)过程是:用户将与求解问题有关的信息存入数据库,推理机根据这些信息,从知识库中选取适用的知识,得出新的信息存入数据库,再根据当前状态选用知识,如此反复,直到求出解为止。其推理过程如图4。

062 北京大学学报(自然科学版)百年校庆纪念专刊 第34卷 

基于知识的卫星数字图像公路信息提取研究

读取事实库中的事实

令I=1

规则I的前提是否在事实中均得到满足否

I=I+1

是 

规则I入触发规则集

触发规则集是否为空是执行结果所得是

新事实吗?

基于知识的卫星数字图像公路信息提取研究

结束推理

按优先级选择当前执

行规则

基于知识的卫星数字图像公路信息提取研究

执行选定规则

释放选定规则

 

图4 公路提取专家子系统推理过程图

F ig.4 P rocedure of road extracti on expert system

4 试验结果讨论

目前我们在微机上初步建立了基于知识的卫星遥感图像公路自动提取系统。整个系统,采用V isual C6语言作为系统的编程语言。试验数据采用全色波段的SPO T卫星数字影像(256像素×256像素)图5,图6为提取结果。

图5 全色波段的SPOT卫星数字影像

F ig.5 Panch rom atic SPO T satellite

i m agery

图6 卫星遥感影像中的主要干线公路

的提取结果

F ig.6 R esults of m ain road extracti on

from the satellite i m agery

162

第223期 曹五丰等:基于知识的卫星数字图像公路信息提取研究

262 北京大学学报(自然科学版)百年校庆纪念专刊 第34卷 

试验表明,使用基于知识的卫星遥感图像公路自动提取方法对卫星遥感影像中的主要干线公路的提取是有效的。试验结果表明,SPO T卫星数字影像上主要的公路基本上连接起来,即使是在公路目标局部被遮蔽等情况下,也能得到很好的提取结果。其优点主要表现在:

(1)通过对J1Ton等人的公路增强算法中方向码的扩充,提高了公路跟踪的精度;

(2)采用模糊C2均值聚类方法进行图像的二值化处理则可综合多数据源信息,弥补了单图像公路提取的不足;

(3)构建了公路提取专家提取子系统,利用公路的光谱、几何和空间关系等知识进行公路跟踪与连接。

对比遥感影像图与最终的成果图,我们发现该系统仍存在不少问题需要解决,例如:

(1)当公路穿过居民区时,由于受到建筑物、裸土等因素的影响,公路与背景间的反差减小,公路提取的效果不够理想;

(2)公路定位问题。虽然在公路增强时并没有产生公路位置偏移现象,但最后形成的公路图是单像素的,在公路的细化处理中还是产生了位置偏移与变形现象,其大小一般在一个像素内;

(3)提取精度受影像分辨率、公路等级及背景环境的影响,在SPO T影像中一般对平原地区的水泥、柏油路面的高速公路、国道等高等级公路基本上可完全自动提取,对砂石路面的低等级公路的识别效果较差。

这些问题说明,今后需要进一步对系统进行完善,尤其是要与地理信息系统相结合,以进一步解决卫星遥感影像公路提取的信息不足、定位精度等问题,并促进系统的逐步实用化。

参考文献

1C leynenbreugel V,F ierens F,Suetens P,et al.D elineating Road Structures on Satellite I m agery by A

G IS2Guided T echnique.Pho to Gramm etric Engineering and R emo te Sensing,1990,56(6):893~898

2Gruen A,L i H aihong.Road Extracti on F rom A erial and Satellite I m ages by D ynam ic P rogramm ing.

Journal of Pho togramm etry and R emo te Sensing,1995,50(4):11~20

3W ang J infei,L iu W enhong.Road D etecti on F rom M ulti2Spectral Satellite I m agery.Canadian Journal of R emo te Sensing,1994,20(2):180~191

4F isch ler M A,T enenbaum J M,W o lf H C.D etecti on of Roads and L inear Structures in L ow R eso luti on

A erial I m agery.CV G IP,1981,11(3):201~223

5Ton J,Jain A K,Enslin W R,et al.A utom atic Road Identificati on and L abeling in L andsat4TM I m2 ages.Pho togramm tria,1989,43:257~276

6Bajcsy R,T avako li http://www.wendangku.net/doc/5f7d9d43a8956bec0975e383.htmlputer R ecogniti on of Roads F rom Satellite P ictures.IEEE T rans System s, M an and Cybernetics,1976,6(9):623~637

7Zlo tnick A,Carnine P D.F inding Road Seeds in A erial I m ages.CV G IP I m age U nderstanding,1993,57

(2):243~260

8Grouch W D.Extracti on of L ine Shaped O bjects F rom A erial I m ages U sing a Special Operato r to A na2 lyze the P rofiles of Functi http://www.wendangku.net/doc/5f7d9d43a8956bec0975e383.htmlputer Graph ics and I m ages P rocessing,1982,18:347~358

9W ang J infei,N ew k irk R.A Know ledge2Based System fo r H ighw ay N etw o rk Extracti on.IEEE T rans Geo science and R emo te Sensing,1988,26(5):525~531

10M erlet N ,Zerubia J .N ew P ro spects in L ine D etecti on by D ynam ic P rogramm ing .IEEE T rans Pattern

A nalysis and M ach ine Intelligence ,1996,18(4):426

~431A Knowledge -ba sed Research for Road Extraction

from D ig ita l Sa tell ite I mages

CA O W uf eng Q IN Q i m ing

(Institu te of R e m ote S ensing and Geog rap h ical Inf or m ation S y ste m ,

P ek ing U niversity ,B eij ing ,100871)

Abstract A s a k ind of base geograph ical info r m ati on ,road extracti on from satellite i m ages is i m 2po rtant in the p ractice and theo ry of autom atic satellite i m ages recogniti on ,and its results can be used fo r the data updating of geograph ical data base .U sing existing app roaches to autom atic road extracti on from satellite i m ages fo r reference and acco rding to the road p roperties in Ch ina ,th is pa 2per p resents a new road extracti on m ethod that com bines i m age p rocessing techniques w ith artifi 2cial intelligence m ethodo logy .In th is app roach ,an operato r is app lied to an i m age to enhance the road info r m ati on first ,then road detecti on based on the shape index and o ther p ri o ri know ledge is perfo r m ed to find po ssible road po ints .A fter using mo re contextual info r m ati on o r global con 2straints to extend the road seeds to fo r m a road segm ent ,the existence of a road is inferred and the gap betw een the road segm ents is connected by emp loying know ledge 2based rules .F inally ,experi 2m ental results on SPO T data are elabo rated .

Key words road extracti on ;satellite i m ages ;expert system ;geograph ical info r m ati on system 362第223期 曹五丰等:基于知识的卫星数字图像公路信息提取研究