张立军 张晨阳
摘 要：运用GF-2号全色影像和多光谱影像，研究分析城镇小区和乡村道路，面向对象分类提取结果存在很大偏差。该文提出通过SVM辅助纹理特征分类提取道路特征，并与面向对象实验结果进行对比。结果表明，SVM辅助纹理分类提取能够有效克服面向对象道路提取的缺点，精度提高10%，结果与实际基本相符。
关键词：GF-2 纹理特征 SVM 道路提取
中图分类号：TP751 文献标识码：A 文章编号：1674-098X（2017）06（c）-0074-03
Abstract：Using panchromatic images and multi-spectral images of GF-2 ， we analyze the characteristic of roads in Urban Microcell and rural. There is a big deviation in the result of object-oriented classification. In this paper， we propose a SVM assisted texture feature classification to extract road features， and compare with the results of the above experiments. The results show that this method can effectively overcome the shortcomings of object-oriented road extraction， and the experimental results are accord with the actual.
Key Words：GF-2； Texture feature； SVM； Road extraction
2014年8月19日，“高分二號”（GF-2）卫星的成功发射是我国遥感事业的“里程碑”，实现了亚米级空间分辨率、多光谱综合光学遥感数据获取，对于推动我国卫星工程水平提升，提高我国高分辨率对地观测数据自给率具有重要意义[1，2]。
道路在国民经济建设和国防建设中发挥着重要的作用，是非常重要的基础地理信息，也是地理数据库的重要组成部分。该文通过结合道路的一些实际特征（长宽比、弧度），对比研究基于面向对象道路提取，结合上述方法在道路几何形状不规则、光谱特征接近的情况，提出结合道路纹理信息并辅助SVM分类的方法，利用GF-2号高分辨率影像数据进行提取。
1 研究方法
原始影像如图1所示，A、B段道路呈现一定较好的几何规则和辐射特征，拓扑特征较为明显；C段道路几何特征不确定，长宽比、道路的弧度等多种因素都不确定。基于面向对象规则的道路提取存在一定的不足，该文提出SVM辅助纹理影像进行道路的提取，能够较好地克服上述方法的明显缺点：道路几何特征不稳定，影像分割效果较差；影像辐射度的差异导致的错分、漏分现象。
1.1 纹理特征的提取
在遥感影像中，纹理信息表现为图像灰度在空间上的变化和重复，或图像中反复出现的局部模式及其排列规则。1973年Haralick首先提出灰度共生矩阵，灰度共生矩阵是图像灰度变化的二阶统计度量，是描述纹理结构性质特征的基本函数。均值、对比度、能量、熵、同质度等是灰度共生矩阵的统计指标[3]。
1.2 SVM纹理道路提取
支持向量机SVM分类器是建立在统计学习理论上的一种新的学习方法，该方法基本思路是找到一个最优分割线，使得分类间隔最大从而能够尽可能多地将数据点正确分开。具体思路是将纹理特征图像作为一个波段与原始遥感数据组合成一幅5波段图像，然后再对该包含了多时相信息的图像进行SVM分类提取。
2 实验与结果分析
2.1 数据源
GF-2相机系统由2台相同的1 m全色/4 m多光谱相机组成，采用2台相机拼接实现45 km幅宽要求，相机光学系统中采用了同轴三反式光学形式，配置了1个全色谱段和4个多光谱谱段。
2.2 基于面向对象道路提取
该文对影像分割不断尝试选用合适分割尺度：以道路为对象，基于光谱特征、NDVI、紧密度和矩形度分别进行了道路同植被、道路同河流、道路同建筑的区分试验，建立相应的规则进行提取，结果如图2所示。
2.3 基于纹理特征辅助的道路提取
基于灰度共生矩阵进行影像纹理特征的计算，在ENVI 5.0的支持下，利用Co-occurrence Measure进行纹理提取，得到8个纹理特征值。这8个特征值都作为一个波段与GF-2四个波段进行组合，如果将8个纹理特征值都代进去，势必会造成数据的冗余，有些特征值可能并不能较好地反映道路纹理特征，上述纹理特征值曲线见图3。该文将差异性纹理特征图像作为一个波段与原始遥感数据组合成一幅5波段图像，然后再对该包含多时相信息的图像进行SVM分类提取。
最后通过实验尺度的选择选取5×5窗口的差异性纹理特征（如图4所示）与GF-2多光谱波段组合进行SVM分类道路提取，实验结果如图5所示。
2.4 结果分析
从原始图像可以看出图中的C部分道路在长宽比、辐射反射率不一致，道路几何规则不突出，导致分割效果不理想，最后提取精度效果一般。在SVM中加入纹理特征可以明显改善遥感影像道路的分类精度。以上三种方法分类精度分别见表1。
3 结语
该文利用GF-2遥感影像数据，选取道路纹理特征较好的差异性纹理图像与原始影像4个波段组合，利用SVM辅助纹理分类来提取道路，提取效果较好，精度有了显著的提高。有效克服了在道路的几何特征、辐射度不一致的情况下，面向对象方法提取道路存在的缺陷。继续改进和优化道路纹理特征值测度函数，使道路纹理较好地表现出来，是该文需要继续深入研究的方向。
参考文献
[1]徐庆鹤，范立佳，高洪涛，等.遥感卫星平台与载荷一体化构型[J].航天返回与遥感，2014，35（4）：9-16.
[2]潘腾.高分二号卫星的技术特点[J].中国航天，2015（1）：7-13.
[3]潘腾，关晖，贺玮.“高分二号”卫星遥感技术[J].航天返回与遥感，2015，36（4）：16-24.endprint
