毕业设计论文 基于遥感影像的道路材质信息提取方法研究

本人是21届毕业生 毕业论文选择的是遥感影像处理方面的，基于遥感影像的道路材质信息提取方法研究

下面是我的毕业论文，，可以参照浏览。可能部分为内容出现乱码的情况，大量图片无法显示，这里附上原件，链接：https://pan.baidu.com/s/1d4PzL52gcSrhe12BobFUhQ
提取码：t9c6
后期如果需要，可以应读者要求，会把做毕设过程中参考的文献，论文，操作步骤都整理出来。

本科毕业论文

基于遥感影像的道路材质信息提取方法研究

姓 名 某某某

学 号 000000000000

院 系 XXXXXXX学院

专 业 XXXXXXX专业

指导教师 某某某

二〇二一年六月三日

学位论文原创性声明

本人所提交的学位论文基于遥感影像的道路材质信息提取方法研究，是在导师的指导下，独立进行研究工作所取得的原创性成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中标明。

本声明的法律后果由本人承担。

论文作者（签名）：XXX 指导教师确认（签名）：XXX

2021年6月3日 2021年6月3日

学位论文版权使用授权书

本学位论文作者完全了解华北理工大学有权保留并向国家有关部门或机构送交学位论文的复印件和磁盘，允许论文被查阅和借阅。本人授权华北理工大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其它复制手段保存、汇编学位论文。

保密的学位论文在_______年解密后适用本授权书。

论文作者（签名）： XXX 指导教师（签名）：XXX

2021年6月3日 2021年6月3日

摘 要

遥感影像随着社会的快速发展，所包含的地物信息越来越丰富。道路信息作为研究地物中一个重要的参数，其中道路材质，也相应成为遥感影像的一个重要发展参照目标。道路材质信息类型的识别，对道路的分析以及道路可通行性来说具有重大意义，故遥感影像的道路材质信息的提取研究方法也逐渐发展开来。本文基于GF-2号遥感影像，利用ENVI
5.3
平台采用面向对象规则制定对曹妃甸部分区域影像的道路材质信息进行提取。利用地物光谱特征、几何特征、纹理特征等多种特征相结合分析不同材质道路在各个波段的信息，避免同谱异物和“椒盐现象”的发生，进而确定多层次规则，完成对道路材质信息的提取。基于实地考察数据，结合实际道路类型对分类提取结果进行二次修正。对最后结果进行精度评价分析，研究结果表明基于规则面向对象的分类提取结果的总体精度达到92.2701%和Kappa系数达到0.8534，完全达到预期结果，能够清晰提取出来不同道路类型。此方法的应用对道路的建设规划有重大意义。

关键词：光谱特征；纹理特征；面向对象；基于规则；精度评价

ABSTRACT

目 录

第1章 绪论 4

1.1 选题背景 4

1.2 国内外研究现状 4

1.3 论文研究内容与结构安排 6

1.3.1 论文主要工作 6

1.3.2 论文结构安排 6

1.4 本章小结 7

第2章 研究区介绍与数据预处理 8

2.1 研究区区域概况 8

2.2 数据来源与获取 8

2.3 GF-2号影像数据预处理 9

2.3.1 辐射定标 10

2.2.2 大气校正 11

2.2.3 正射校正 12

2.2.4 图像融合 13

2.4 最佳波段组合 14

2.5 本章小结 16

第3章 道路材质信息提取过程 17

3. 1 最优分割尺度 17

3.2 纹理特征 18

3.3 光谱特征 21

3.4 基于面向对象对道路材质的提取 23

3.4.1 裸土道路的提取 23

3.4.2 沥青道路的提取 24

3.4.3 铁路的提取 25

3.4.4 水泥道路的提取 26

3.5 实地考察验证及修正 27

3.6 本章小结 29

第4章 道路材质提取结果及精度分析 30

4.1 道路材质信息提取结果 30

4.2 精度评价方法 31

4.3 精度评价结果 32

4.4 本章小结 33

第5章 结论与展望 34

5.1 结论 34

5.2 展望 34

参考文献 36

致谢 38

第1章 绪论

1.1 选题背景

随着社会的持续发展，遥感卫星获取的影像已逐渐发展成为对地观测系统的数据来源。遥感技术获取的目标地物影像的分辨率程度呈上升趋势，所获取的地物包含的信息更加丰富，对其中的地物信息进一步提取与处理变得尤为重要相对于遥感应用的主要研究方向，但是在获取高分辨率影像的同时，各种干扰因素随之而来,背景干扰，系统噪音、环境因素等的处理为高分遥感图像的处理带来了挑战。道路，作为经济发展的命脉，更是不同地区沟通的重要手段。基于“要想富，先修路”的理念，交通道路是交通要塞组成的必不可少的部分，道路信息的提取也相应成为研究热点。为了适应道路需求，新型道路建筑材料更是层出不穷，导致现在对道路材质信息的搜集研究方法也逐渐受到重视，已有大量的学者针对提取道路材质信息的提取方面做了大量的工作及实验，并且取得了一定的实验。

交通道路的飞速发展，道路的规划与建设顺应潮流的发展，已经遍布各个角落，机动化水平快速提高，同样造成了道路的错综复杂。我国相对于其他发达国家来说，我国的道路建设起步较晚，但发展速度尤为快速。在道路发展建设初期，“本是没有路，走的人多了也便成了路”，那个年代道路相对单一，道路材质一般有裸土，木制材料两种。随着经济发展，道路建设完善，错综复杂，又因我国地势主要分三大阶梯状，西高东低，这一系列情况导致道路分布情况复杂。城市道路、山区道路、乡村道路的各个材质建设，分布情况，复杂程度更是也不尽相同
。

因此，在遥感技术未成熟时，道路的分布、材质信息的提取需要由人工进行采集，在如此庞大的土地和错综复杂的道路分布上去采取数据，无异于是巨大的工作量，需要浪费巨大的人力资源和财力。在如此背景下，对遥感影像道路信息的提取发展成为热点研究方向之一。作为国家基础建设的重要部分，交通网络的主干，道路的信息获取对地理信系统与资源环境评价具有完善与参考的作用。基于高分辨率影像，有效对道路材质信息的提取不仅可也降低人力、物力和财力的消耗，还大幅度降低交通道路的获取时间道路，对自然灾害的发生也能够快速做出反应，及时发现道路是否畅通以及完整情况，并根据道路材质预测能承载最大重量以判断救灾车的顺利通过，对路径分析应急处理有重大作用。道路信息的提取过程又受到树木，道路不规整，车辆、道路旁边的基础建设影响，提取的结果有时会不尽人意，通过基于规则面向对象两方面试着用不同的规则进行多次实验调试，寻求最佳的提取规则。

1.2 国内外研究现状

随着遥感技术的不断更新，遥感影像数据包含的信息也变得更为丰富，便于人们更加深入的对遥感影像进行进一步研究。道路运输自古以来是我国的主要交通运输方式，在人类的日常生活中起到骨架构成支撑的作用，道路信息的获取从古至今都尤为重要。早在20世纪70年代后期，国外学者Bajcsy
R等人就已开始从事基于遥感影像对道路信息的提取研究工作[1]。随后国内学者周林保等人也陆续开始进行道路特征提取相关实验。海内外学者利用各种数据源，根据图像的不同特征，从不同的角度以及不同技术方法，在各个领域对道路信息的准确提取开始了大量的实验。

在道路信息提取方面，国内外学者都在如火如荼地进行更近一步的研究。近年来，我国关于遥感影像的道路信息提取方法研究随着科技的迅猛发展与国家综合实力的高速晋升的势头下已经涉及到许多的领域，研究出信息提取涵盖了许多方法。这些研究方法已经运用到实际中，其中具有代表性的几种方法分别为：面对对象[2]、基于特征[3]、基于分类[4]、Snakes模型[5]等研究方法。

赵金阳等人利用面对对象提取道路的方法，利用Canny边缘检测对道路边缘增强处理，分析影像获取最优尺度参数、形状因子和紧致度因子，利用多尺度分割进行对影响的分割，通过灰度共生矩阵统计纹理特征和辐射亮度值，对道路提取的规则，完成对道路的提取[6]。杨超等利用支持向量机（SVM）的高效强大的非线性统计计算与分类能力，使用标注样本的工具选取大量道路样本进行训练，基于标记的样本训练结果对实验数据进行处理，通过融合多尺度尺度分割生成对抗网络GAN-Unet改进模型来对道路进行提取，根据纹理算子中局部二进制模式（LBP）对高分辨率遥感影像的道路材质信息的提取[7]。佘宇晨等通过沥青、落地和水泥的高光谱数据，比对通过光谱均值、倒数后取对数、二阶微分方法生成的光谱图之间的差异，得出倒数后取对数方法能够有效的识别出道路材质类型[8]。

相对于国内来说，国外的航天技术与计算机技术起步都要早于我们国家，在对遥感图像信息提取更是起步相对更早，无论是基于深度学习还是传统的遥感图像处理。Buslaev等基于卷积神经网络,对遥感图像道路的自动提取，更好的对道路的材质进行自动识别提取[9]。Li，HuangX，Gamba
P利用线性与非线性特征用组合的分类器对图像进行提取，此方法提取的图像信息更加清晰[10]。Costea等提出“三步走”的方法来对遥感影像的道路信息进行提取。使用U-Net网络组合对遥感影像提取道路，再通过推理计算将道路断裂丢失的部分相接在一起，以便提高道路信息提取的精度[11]。Hedman.K通过利用高分辨率合成孔径雷达场景，把类辅助特征应用到遥感影像道路信息提取中，成功完成了对城市和农村试验区的道路信息提取[12]。

就国内外对遥感影像的道路信息提取，由于我国起步比较晚，遥感技术层面信息的提取国外目前处于领先地位，但近几年我国遥感技术的发展非常迅猛。对于遥感影像的道路信息提取采用的方法基本原理较为一致，深度学习方面国内外学者齐头迸进。

对遥感影像的地物信息提取主要分两个方面进行研究，一方面根据遥感图像中不同地物表现出的不同特征，对不同地物的信息分类和提取识别；另一方面基于深度学习，定义特征，建立分类规则，通过分类规则对遥感影像完成分类提取。因此在以上背景下，本文主要借助ENVI软件，以易康（eCognition）软件、ArcGIS软件、百度街景数据、谷歌地图以及实地考察数据为辅助，构造道路材质信息提取的平台，基于规则面向对象对GF-2号影像对道路材质信息进行提取。

1.3 论文研究内容与结构安排

1.3.1 论文主要工作

本文主要基于规则面向对象方法对GF-2号遥感影像进行道路材质信息进行提取。在对GF-2号遥感影像进行分析操作之前，需先进行影像预处理操作，对GF-2号影像进行图像纠正和图像融合等手段，减少遥感影像的一系列误差，增强恢复影像有用的信息并降低影像的失真。通过前人所研究出的分割与分类的方法，最终确定本文对影像的分割方法为多尺度分割，并利用ESP插件工具确定不同材质道路的最佳分割尺度，基于影像的光谱特征、纹理特征和几何特征等信息进行分析，确定规则集以便对影像的道路材质信息的提取，最终实现影像的道路材质信息提取。分析基于规则的面向对象提取不同道路材质信息结果,判别不同材质道路的分类提取的总体精度和Kappa系数，验证本论文所采取的方法的准确性于实用性，为将来道路的规划于建设以及监督在一定程度上提供了基础依据。

1.3.2 论文结构安排

依据本论文的研究内容安排，论文总共分五个章节，以下分别是对每个章节的研究内容简述。根据所研究内容绘制本文框架，如图1.1。

第一章，绪论部分，主要对道路材质信息提取的研究背景和意义进行介绍，以及国内外对道路信息提取分类的方法的研究现状，国内外学者利用多种数据源，从图像的各种特征着手采用不同技术方法不同方向。由此研究背景与发展技术引出本文所利用的合适的研究手段与技术方法。

第二章，对研究区域和GF-2号遥感卫星的简单介绍，其次介绍高分辨率遥感图像的预处理，包括影像的图像纠正和图像融合。最后为了后期道路材质的提取的准确性，介绍了影像的最佳波段组合。

第三章，主要介绍基于规则面向对象对道路材质信息进行提取，对道路提取时涉及的各类特征，主要包括面对对象的最优尺度分割，GF-2号影像中的特征分析。依据影像的特征分析，针对不同道路材质信息，制定一系列多层次规则，对不同类型的道路进行提取。并结合实地考察数据进行二次修正，生成最终提取结果。

第四章，分析道路提取结果，并介绍本文利用的精度评价方法，基于最终各类型道路的分类提取结果进行精度评价，分析评价结果。

第五章，总结与展望。通过前四章的研究路线与研究成果，获取出本文最终结论，并对本文所研究内容的不足进行阐述，展望后期对道路材质信息提取的发展。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XwwabwJI-1624528666821)(media/5b71eae4a9578bf2d65c384be05569cd.png)]

图1.1 论文框架

1.4 本章小结

本章详细的介绍了遥感影像的道路信息提取的发展进程。如今社会，高分辨率遥感影像已经走进人们的生活，所包含的地物信息也越来越丰富，同时地物的复杂性、多变性对提取增加了一定的难度，因此对其道路信息的提取研究相续开展。国内外的研究提取方法的手段与差异，国内外学者对遥感影像的道路信息的提取的研究依旧在开展着旨在寻求更为简便准确的方法；其次，查阅大量关于遥感影像道路提取，材质识别等相关资料，对目前人们已经掌握的方法进行对比，并提取出本文将采用基于规则面对对象对道路信息进行提取。最后，对论文的整体框架的简述和各个章节的内容进行简单介绍。

第2章 研究区介绍与数据预处理

2.1 研究区区域概况

本文研究区位于河北省唐山市，属于曹妃甸工业区部分区域，相邻天津，地处环渤海中心地带，地理位置位于北纬38。55，12，，～39。9，30，，，东经118。19，23，，～118。39，20，，之间。在本世纪初始，大力发展曹妃甸工业区，填海造地，致力于打造经济发展中心地带。曹妃甸工业区交通道路更是复杂多变，针对本文研究不同道路材质信息提供了优良的信息材料。研究区域具体位置如图2.1。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wYVhhGJ5-1624528666826)(media/c807ac15b01f191592c71a0b11dfe0c2.png)]

图2. 1 研究区域图

2.2 数据来源与获取

GF-2号卫星是我国首颗自主研发具有亚米级空间分辨率，于2014年8月19日成功发射的光学遥感卫星。卫星上有高分辨率1m全色和4m多光谱相机，为从事遥感行业的建设提供了巨大的助力。对于GF-2号遥感卫星的一系列介绍如下表：表2.1
GF-2号卫星轨道和姿态控制参数、表2.2 GF-2号卫星有效载荷技术指标。

表 2. 1 GF-2号卫星轨道和姿态控制参数

参数	指标
轨道类型	太阳同步回归轨道
轨道高度	631km
倾角	97.9080度
降交点地方时	10:30AM
测摆能力（滚动）	±35度 机动35度的时间<180。

表 2. 2 GF-2号卫星有效载荷技术指标

参数	1m分辨率全色/4m分辨率多光谱相机
光谱范围	全色	0.45-0.90μm
		0.45-0.52μm
	多光谱	0.52-0.59μm
		0.63-0.69μm
		0.77-0.89μm
空间分辨率	全色	1m
	多光谱	4m
幅宽	47km（2台相机组合）
重访周期（侧摆时）	5天
覆盖周期（不侧摆）	69天

由于本文基于高分辨率遥感影像进行研究，对于亚米级数据影像属于保密级别，无法自行下载，故本文实验数据（GF-2号遥感影像数据）是由指导老师范老师给予，影像为成像时间2018年4月20号河北省唐山市曹妃甸工业区的GF-2遥感影像数据，用以完成本文道路材质信息提取研究。

本文研究所需的其他数据，主要还有曹妃甸工业区周围矢量图，百度街景以及后期实地考察所得数据等。

2.3 GF-2号影像数据预处理

遥感是利用传感器接受的地物电磁波辐射信息，通过处理，分析以达到所需的要求。可地物的电磁波辐射信息从地表传播到卫星传感器会受到太阳位置、遥感系统、角度条件、地形条件、大气状况、传感器本身性能等一系列方面的影响，这些影响可能会导致遥感影像发生几何畸变和辐射失真。所以为了能够更好的利用地表的辐射信息，需要在对遥感图像进行实验前进行一系列校正处理，既可以排除某些干扰，又可以让遥感图像的数据质量达到需求，获取既拥有高分辨率全色影像特征，又保留低分辨率多光谱特征的彩色高分辨率融合图像，为影像的分割、特征分析、分类提取等后续工作奠定良好的基础。

2.3.1 辐射定标

辐射定标过程以传感器记录影像的数字量化值为基础生成影像的绝对的辐射亮度。理论上量化值与地物的辐射强度呈正相关趋势，可由于太阳高度角的变化、传感器本身误差等多种干扰因素的存在，使得传感器记录的量化值无法准确的反映地物的辐射强度，若对原遥感图像不进行处理措施，直接进行分割处理，可能会对后期的结果造成影响。因此，对遥感影像辐射定标是图像处理的起始也是至关重要的一步，另外辐射定标也是为下一步大气校正做准备。

辐射定标通过线性关系式2.1，利用增量校正系数和校正偏差量对量化值进行转换，生成辐射亮度值。

式2.1中Gain增量校正系数，Offset为校正偏差量。

表 2. 3 GF-2号卫星各载荷的绝对辐射定标系数

卫星载荷	波段号	Gain	Offset
PMS1	PAN	0.1630	-0.6077
	Band1	0.1585	-0.8765
	Band2	0.1883	-0.9742
	Band3	0.1740	-0.7652
	Band4	0.1897	-0.7233
PMS2	PAN	0.1823	-0.1654
	Band1	0.1748	-0.5930
	Band2	0.1817	-0.2717
	Band3	0.1741	-0.2879
	Band4	0.1975	-0.2773

基于ENVI平台，利用Radiometric
Calibration工具对GF-2号影像辐射定标。ENVI5.x软件可以自动读取影像文件中的定标参数。对于多光谱影像，由于后续需要进行大气校正处理，定标类型需以辐射亮度值为标准进行定标[13]。考虑到后期图像融合，全色影像须与多光谱影像辐射量度值保持一致。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wU3pF8dz-1624528667932)(media/0a700ea623c7629e00954d9d32cdc2ce.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LWWAXEaO-1624528667935)(media/1d8f1e091095ebbee523f67d2f04c274.png)]
（a）多光谱原图像	（b）全色原图像
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-p2lLA3GS-1624528667939)(media/b37b3554dd9a5128fbcae739213ad7f7.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DXakMOqr-1624528667945)(media/152f3eb91305422e323fcadcbea059b2.png)]
（c）多光谱影像辐射定标结果	（b）全色影像辐射定标结果

图2. 2 GF-2号影像辐射定标结果图

从图2.2可以清晰的看出辐射定标后的影像亮度发生了变化，辐射定标后影像在色调上相比于原图像对比度更强,地物之间的差异变大。通过查看波谱曲线,辐射定标后的数值主要集中在[0,10]。

2.2.2 大气校正

大气校正主要是将辐射亮度或者表面反射率转换为地表实际反射率。遥感影像在形成的中，地物反射的电磁波信息由于大气中微粒的存在，会产生一系列大气吸收、散射、反射，导致接受的地物反射的电磁波信息并非真实。大气校正以辐射定标为前提消除大气散射、吸收、反射和光照等多种因素的影响。大气校正涉及到DN值与辐射亮度的转换公式：

式（2.2）中为波段λ的辐射亮度值，k和c为增益与偏移。

基于ENVI平台，利用LAASH大气校正工具对GF-2号影像进行大气校正处理。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xM6bacYO-1624528667949)(media/b37b3554dd9a5128fbcae739213ad7f7.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kNuidlpt-1624528667952)(media/5a558ac146ade296c58d035788ffa61f.png)]
（a）大气校正前图像	（b）大气校正后图像

图2. 3 大气校正前（a）后（b）影像图

2.2.3 正射校正

正射校正是对影像几何畸变纠正进行处理，生成多中心投影平面正射图像的过程，此处理过程对地形、传感器几何特性以及传感器相关误差所导致影像的几何畸变进行校正处理。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eFAVhW8f-1624528667957)(media/5a558ac146ade296c58d035788ffa61f.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hLPSDA7a-1624528667960)(media/152f3eb91305422e323fcadcbea059b2.png)]
（a）正射校正前多光谱图像	（b）正射校正前全色图像
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-daklA405-1624528667962)(media/1058ddf76cd07446d003d9bf7ab92af1.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-svysq24c-1624528667967)(media/1719256b88fe4f3b9269ae598ccac787.png)]
（c）正射校正后多光谱图像	（d）正射校正后全色图像

图2. 4 正射校正前后影像图

基于ENVI平台，利用RPC Orthorectification Workflow
工具完成影像的校正。此工具利用的是RPC模型，RPC模型应用比较广泛，具有一定的代表性，特别是该模型坐标系独立存在。可查看图像数据的RPC信息对正射校正参数进行设定，获取正射校正后的多光谱和全色影像，如图2.4。

由图2.4结合ENVI平台可以看出影像的位置及形状进行了一个微调，使得影像中像元的位置与实际地物位置降低误差。

2.2.4 图像融合

影像的融合是按照一定的规则和算法，将单一传感器的多波段信息或者不同类别传感器所提供的信息加以综合，融合后的图像具有新的空间、时间、以及波谱分辨率，进而查漏补缺，利用不同数据的优势，弥补单一数据源的短板，信息量比融合前的的单一数据更加丰富、更加准确，提高遥感数据的实用性。本论文是将多光谱影像与全色影像进行融合，生成空间分辨率高且具有颜色及空间拓扑关系的纹理特征的影像。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jyCP3Odu-1624528667970)(media/1058ddf76cd07446d003d9bf7ab92af1.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-H0oqQVpk-1624528667974)(media/1719256b88fe4f3b9269ae598ccac787.png)]
（a）融合前已正射校正的多光谱图像	（b）融合前已正射校正的全色图像
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SrwBuHMk-1624528667978)(media/96b5ac3d4f7410c9ba7e5c2526815b18.png)]
（c）GS融合图像

图2. 5 影像融合前后对比图

随着遥感技术处理的发展，对于影像的融合已经研究出多种算法了，目前应用比较多的算法有，主成分变换（PCI）、HIS变换、NNDiffuse、Gram-Schmidt(GS)、CN和Brovey变换等[14]。通过阅读文献，对比不同融合结果，发现利用GS融合方法所得图像的地物分辨率更为清晰，颜色纹理清晰。本文最终选择GS融合方法，基于GF-2号影像研究，以全色影像为基准，对多光谱影像进行配准融合，获取到分辨率更高、地物包含信息更加丰富的影像，如图2.5。

对比融合前后影像可以清晰看出融合后的图像不仅具有全色影像的高分辨率，还具备多光谱影像的颜色纹理，为后期道路分类提取奠定了良好的基础。

2.4 最佳波段组合

为了能够充分准确利用高分二号影像的特征信息，对不同波段的选择组合就显得尤为重要。最佳波段的选择是有效的对遥感影像在一定程度增强处理，对后期的道路材质识别有重大作用。

基于影像的最佳波段选择，必须保证所选波段信息量丰富、波段之间的相关性小和波段组合对道路与非道路之间光谱差异大等条件。相对于通过各个波段信息量的对比、波段之间相关性的对比、波段指数法和各波段的协方差矩阵特征值法进行选取最佳波段组合来说，最佳指数法（OIF）利用各波段标准和相关性相结合来确定最佳指数因子，进而来确定最佳波段组合显得更为精准[15]。OIF的计算公式如下：

式（2.2）中第i波段的辐射亮度值得标准差；代表i和j波段之间的相关系数；m代表波段合成的总数。

利用该ENVI软件对研究区域的各个波段的光谱特征进行统计，快速统计各个波段的最大值、均值、标准差，如表2.4。

表 2. 4 研究区GF-2研究光谱特征统计表

波段	最大值	均值	标准差
Band1	2121	407.55	269.40
Band2	1599	284.70	194.37
Band3	1457	214.61	167.92
Band4	1189	121.16	119.21

可以清晰得到Band1在均值，标准差均最大，代表亮度值高，信息量大，分离效果最好。理论上最佳波段组合含有Band1，为了准确性，需要继续以下验证。

表 2. 5 研究区GF-2波段之间相关系数矩阵

波段	Band1	Band2	Band3	Band4
Band1	1.000	0.994	0.947	0.845
Band2	0.994	1.000	0.968	0.870
Band3	0.947	0.968	1.000	0.956
Band4	0.845	0.870	0.956	1.000

利用各个波段之间的光谱差异，统计波段之间的相关系数，如表2.5。

查看上表，可以得出Band4相关系数最小，理论上最佳波段应该选取321波段。为了精准选取，利用OIF计算以确定最佳波段组合。通过OIF计算公式，计算波段组合的最佳指数，统计形成表格，如表2.6。

表 2. 6 研究区GF-2多光谱数据波段组合的最佳指数

波段组合	标准差和Si	相关系数和Rij	OIF	OIF排序
123	631.69	2.941	214.79	1
124	582.98‬	2.839	208.52	2
134	556.20	2.792	199.21	3
234	481.5	2.786	172.828	4

通过表2.6可知，OIF（123）的值最大，可以确定波段321的组合为最佳波段组合。可以通过目视解译，对不同波段组合进行比对，验证波段321组合是否为最佳组合波段，如图2.6为不同波段组合对比图。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L3EC76db-1624528667981)(media/b2deb25258f8242592dbfd57e49d0597.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uupMiDGO-1624528667983)(media/cf95581c10cf409932edb83d98dd703b.png)]
（a） 波段321假彩色合成	（b）波段421假彩色合成
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6f1fg4Ru-1624528667985)(media/706252215c021457ad9d25f3c495489c.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SexLVRLs-1624528667988)(media/d5e034e96d85cfca7ddd37f88200317f.png)]
（c）波段431假彩色合成	（d）波段432假彩色合成

图2. 6 GF-2号影像不同波段组合

结合最佳指数法和目视判读，321组合波段具有很好的呈现出地物特征，更好的表达地物真实信息。最终确定321波段为最佳波段组合，最佳波段的选取有助于后期道路解译信息提取的顺利进行。

2.5 本章小结

本章首先介绍了研究区概况和本文研究所用的数据介绍。其次介绍为了后期道路材质信息准确提取需对研究区域影像进行预处理流程，包括影像的图形纠正和后期影像的融合。通过波段的光谱均值及波段之间的相关性，并对比不同波段组合影像，确定最佳波段组合，为后期精准提取道路信息做铺垫。

第3章 道路材质信息提取过程

基于规则面向对象对遥感图像道路材质信息分类提取，在提取过程需进行大量的参数设定，对参数的准确设定，结合国内外学者多年的研究与本次试验区数据，选取最佳参数对图像中道路材质信息进行提取。

3. 1 最优分割尺度

现阶段，遥感影像的分辨率越来越高，所包含的信息也越来越多，干扰因素也随之增多，针对高分辨率遥感影像经过长时间的探索，Baatz
M等人提出面对对象的提取理念，从高分辨率遥感影像上更加清晰提取地物信息[13]。影像分割作为遥感影像信息解译的第一步更是尤为关键重要的一步。基于多尺度分割，相对于其他的提取方式来说，精度于分割结果更为准确有效，它有效利用遥感影像的影像亮度值、纹理和形状颜色等特征值[17]。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uelmYDrP-1624528667990)(media/295e3f0b89c999d387a65c18f841014c.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JhSSnqO2-1624528667991)(media/a461bce452f2eea947bdcad7a971e400.png)]
（a）沥青道路	（b）裸土道路
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JQKSAwxM-1624528667993)(media/6c6ccbf7f3c1e0650617ed361ead97d4.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-owKRtHR9-1624528667995)(media/c2fac68aea4f2e0f98a8aa3a66546078.png)]
（c）水泥道路	（d）铁路

图3. 1 各道路类型局部方差与尺度分割关系图

尺度分割时最佳分割尺度显得尤为重要。通过阅读对比不同尺度分割方法，最终确定本文对遥感图像分割时采用多尺度分割方法，通过均值方差法以确定最优分割尺度。本文利用易康软件ESP插件对影像使用三个层次的不同增量对分割尺度进行优化分析，局部方差整体上随分割尺度增大而增大，当变动率由增变减或者由减变增，此时分割地物尺度大小其与真实的地物大小相匹配，此时的分割尺度为最优分割尺度。基于易康软件的ESP插件工具对研究区进行分析，生成局部方差与尺度分割相关关系图，如下图3.1为不同道路类型局部方差与尺度分割关系图。

由上图可以观察出各类型道路的分割尺度随局部方差变化而变化，取分割尺度的极大值为最佳尺度分割，可以发现各类型道路有多个分割尺度极大值，对比不同分割尺度极大值，最终确定沥青道路最佳尺度分割为75；裸土道路的最佳尺度分割为39；水泥道路的最佳分割尺度为70；铁路的最佳分割尺度为50。

3.2 纹理特征

纹理特征通过灰度的空间变化及其重复性来反映地物的视觉粗糙度、影像的空间分布信息和结构。纹理是影像的一个重要空间信息，可作为影像中地物识别与分类重要依据之一。分析遥感影像的纹理特征，对各道路材质信息的提取是关键的一步。由于原GF-2号遥感数据图像过于庞大，若对整景图像进行纹理特征提取需要庞大的时间，并且效率低下。针对此问题，把整景图像裁剪为多份且具有代表性以及拥有丰富地物数据的图像，以便进行纹理特征的提取，大大提高了提取效率。同时，由于图像的裁剪时，选择具有代表性尽量避免可以图像上一些通过目视解译的干扰目标，可以提高纹理特征的提取结果准确性。

表3. 1 同质性 对比度 信息熵 纹理特征计算值

纹理特征	公式	应用意义
同质性Homogeneity		同质性反映出灰度共生矩阵中对角线部分集中较大元素值的程度，也就是反映了遥感影像的均调性。同质性越大，表示对角线部分集中较大元素值越大，遥感影像的均调性越好。
对比度 Contrast Retio		对比度的大小表示遥感影像的局部变化的大小，对比度越大说明遥感影像上地物分布清晰
信息熵 Entropy		信息熵表达了遥感影像纹理特征杂乱程度或者均匀程度，图像中各类元素分布范围大，不集中时，信息熵值相应的比较大。

阅读多篇关于纹理特征提取文献的介绍，并进行实验预测，得出利用统计数据法中灰度共生矩阵法（Gray-Level
Co-occurrence
Matrix，GLCM）对曹妃甸试验区进行纹理特征提取效果最好。基于Haralick提出的均值（Mean）、协方差（Variance）、同质性（Homogeneity）、对比度（Contrast）、信息熵（Entropy）、二阶矩（Second
Moment）、相关性（Correlation）、差异性（Dissimilarity）八种纹理特征值[19]。基于各个专家的研究成果，决定本次利用同质性、对比度、信息熵三种纹理特征值对研究区域进行计算[20]。此三者纹理特征值计算公式如表3.1。

通过同质性、对比度、信息熵三者表达图像各地物纹理值的差异。如图3.2分别为GF-2号影像的同质性、对比度、信息熵纹理值的计算结果。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Cb4vplwy-1624528667997)(media/e688d2ac6e095aaddf688559f511d6a2.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kNSNhwFN-1624528667999)(media/64a129968b63c74a6fa15dd63377b861.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cDpM1jjM-1624528668000)(media/740fd81facb680f1b882312c01e67996.png)]
（a）同质性	（b）对比度	（c）信息熵

图3. 2 GF-2号影像纹理特征值

为后期对道路材质识别提取时更好的得到理想的研究结果，需要对各个道路材质类型（水泥道路、沥青道路、铁路、裸土道路）通过目视解译和光谱特征对影像进行采样以便决定各个材质的纹理值的范围。如表3.2为各个不同道路进行采样结果的分离性分析。

表3. 2 各道路类型样本之间的分离性

道路类型	铁路	沥青道路	裸土道路	水泥路
铁路	---------	1.816	1.994	1.955
沥青道路	1.816	---------	1.970	1.888
裸土道路	1.994	1.970	---------	1.860
水泥路	1.955	1.888	1.860	---------

利用Jeffries-Matusita Transformed
Divergence（J-M距离）可分离指数进行表述样本之间分离性，当值大于1.9时代表两样本之间的分离性良好可以作为合格样本；小于1.8表示两样本分离性不高，小于1可以考虑将两样本进行合并处理。图表中可以观察到铁路与沥青道路之间的分离性不高，由于铁路是由两根铁轨组成中间部位一般由石子填充，导致样本选择时会或多或少掺杂进去其他元素。对于此类情况尽量多选，小面积以此减小误差最终与其他样本的的分离性控制在1.8左右。

利用二阶概率统计（Co-occurrence
measures）工具通过信息熵、对比度、同质性三种纹理特征值计算，并通过所选各个道路材质类型，生成纹理影像。统计各道路材质纹理特征的均值，如表3.3。并生成折线图，以便观察，如图3.3。

表3. 3 纹理影像中不同道路类型纹理特征均值表

类别	特征值	Band1	Band2	Band3	Band4
铁路	信息熵	3.4841	3.5054	3.4423	3.3563
	对比度	31.7556	33.4233	28.8465	21.2976
	同质性	0.3054	0.2990	0.3186	0.3468
沥青路	信息熵	1.9514	1.9566	2.0092	1.8064
	对比度	1.4592	1.4723	1.7212	1.2694
	同质性	0.7366.	0.7381	0.7301	0.7651
裸土道路	信息熵	2.2625	2.2029	2.0914	2.1292
	对比度	8.8677	9.0970	9.3750	9.6718
	同质性	0.6954	0.7043	0.7202	0.7204
水泥路	信息熵	3.5113	3.5151	3.4393	3.3533
	对比度	11.8639	11.8927	9.9054	8.0799
	同质性	0.4131	0.4146	0.4363	0.4603

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zNe7z48O-1624528666833)(media/f2cba8392ee2343da00d2cad040f30e4.png)]

图3. 3 纹理影像中不同道路类型纹理特征均值

根据表3.3数据可以确定各材质道路的纹理特征值差别，制定一系列规则，对下一步道路材质信息进行提取奠定了基础。由图3-3可以清晰的观察出Band1、Band2、Band3和Band4四个波段中，Band2相比较另外三个波段的纹理差值更大，可以利用此点对道路信息进行有效的提取。就特征值差值来言，对比度在各个波段上的数值比较大，并且差值也比较明显，对后期规则的设定相对也比较更有利于不同道路的提取。

基于Band2与对比度对道路信息进行提取，再进行细节的分析。铁路与另外三种材质道路相比，
信息熵、对比度、同质性三者数值都远高于另外三种道路材质；沥青道路和铁路的纹理特征值恰恰相反，远远低于另三者；水泥路与裸土道路的纹理特征比较相近，可它们的光谱差异比较大，故有效结合光谱特征与纹理特征可以有效的弥补彼此的不足，更为准确的对道路材质信息的提取。

3.3 光谱特征

自然界中任何地物自身皆具有一定的辐射规律，光谱信息能够直观的反映出地物在各个波段的光谱反射。基于目视解译在高分辨力遥感影像中可以通过地物光谱信息对地物进行辨别以及提取。

无论是基于像元分类还是面向对象，都依据地物的光谱特征值进行选取样本。不同的地物在影像上的灰度值有一定的差别，因此图像会呈现不同的亮度或色彩。结合GF-2号遥感影像和曹妃甸的百度地图街景图，划分了七种地物类型，根据地物分布区域，分别选取大量样本，如下3.4表介绍不同地物选取样本数量。

表3. 4 不同地物选取样本数量

地物类型	样本数量
沥青道路	59
裸土道路	60
铁路	45
水泥道路	60
未利用地	80
建筑物	60
水体	60

利用所选取的样本分析计算，统计研究区各地物光谱特征均值，统计数据如下表3.5；并绘制各地物光谱特征曲线图，如下图3.4。

表3. 5 研究区各地物光谱特征均值

地物类型	Band1	Band2	Band3	Band4
沥青道路	605.584	425.346	361.239	235.038
裸土道路	686.747	529.435	480.673	324.218
铁路	599.052	408.361	319.771	195.427
水泥路	706.877	519.456	456.449	302.508
未利用地	565.424	396.414	340.403	250.385
建筑物	825.752	424.774	288.766	378.974
水体	583.553	411.383	274.764	105.86

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QQQPWVeE-1624528666838)(media/aaae1d8d5be4089c4e178f0b54beddef.png)]

图3. 4 各地物光谱曲线值

从表3.5和图3.4可以分析GF-2号图像上各地物的光谱均值的差异。由于不同区域实际状况具有极大差异，结合研究区域2018年实际状况进而分析。

正常情况，建筑物与水泥道路的光谱值会很相近，可由于研究区域为曹妃甸工业区，大多数建筑物由铁皮包裹，导致水泥路与建筑物的光谱值差异较大，使对水泥道路提取时降低了干扰。结合图表可以确定，在波段1＞800，波段4＞370左右，可以有效剔除建筑物。

居民地间的裸土道路由于经常性碾压，以及道路的复杂性和后期居民为便利，会在道路上铺撒小石子，这些情况导致裸土道路转化为半裸土道路，光谱曲线发生巨大变化，会和水泥道路的值相近。田地或池塘部分裸体道路和未利用地又十分接近，故仅依靠光谱特征无法区分提取裸体道路道路。

相比于其他道路最为特殊且复杂的铁路提取时需考虑更多因素。铁路的组成尤为特殊，铁轨、水泥以及石子。又由于GF-2号影像分辨率无法达到所需，导致铁轨道路的光谱曲线与水泥、裸土和未利用地错综交接，唯一差距铁路波段４的光谱值与其他地物差异较大，可粗略设定波段４的范围［290,320］，后期进行微调。

总体来看，仅仅依靠光谱特征，无法将所有的道路类型进行提取出来。依靠纹理特征、光谱特征以及几何特征进行结合分析，可以有效且准确的进行道路类型的提取。

3.4 基于面向对象对道路材质的提取

基于最佳分割尺度参数的确定，对影像进行分割，输出Region Means影像[21]，在Region
Means影像基础上进行规则的设定对道路材质信息的提取，这一过程需要设定大量的规则来剔除非有效信息，保存所需信息。基于研究区域的真实环境因素与实际情况，主要提取沥青道路、水泥道路、裸土道路和铁路四种道路。本文基于规则面向对象进行分类提取，规则的建立紧紧依附于光谱特征、纹理特征以及几何特征，又由于研究区域鱼塘水体的存在，规则的建立还依附于归一化差分水体指数（NDWI）[22]，充分运用前人所总结的知识与实际情况对道路材质信息完成提取。

3.4.1 裸土道路的提取

裸土道路相对于其他三种道路材质具有多变性。由于裸土道路的不规则化，周围干扰因素众多，都会大大加大裸土道路的提取。研究区裸土的道路主要分布在鱼塘与居民区，分布于鱼塘之间的道路相对更单一，居民区之间的道路上覆盖或者连续性比较差，且后期加工，导致需要依据各特征制定更多的规则进行提取。通过规划NDWI的范围将鱼塘和河流等水体剔除。查阅文献发现对于水体的NDWI普遍大于0.4左右，再结合研究区的实际情况，反复试验，最终确定NDWI小于0.3353时可以有效剔除鱼塘的区域；根据第三节的裸土道路的遥感光谱特征，反复调整，确定483.9

表3. 6 裸土道路提取规则表

地物类型	规则	属性	作用
裸土道路	规则一	0.02708	滤除水体
	规则二	483.9	区别不同类型道路
	规则三	Texture Contrast(Band4)>9.4
	规则四	Area>3000	剔除小面积图斑以及小型建筑物
		Elongstion>2.8	剔除延伸率过于低的地物
		Rectangular Fit<0.69	剔除大型建筑物

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZW84m0Zy-1624528668003)(media/c386d880e3a9e9565d94349ed2c4548e.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1k6mfdKq-1624528668006)(media/e769a280d7fed3cad4ff2ab71b3a9815.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wF54OCJt-1624528668008)(media/1145a6e0ce202db0e8c21589e7a2f005.png)]
（a）原始图像	（b）分割提取	（c）裸土道路提取结果

图3. 5 裸土道路提取过程图

以裸土道路为提取对象，基于纹理特征、光谱特征、几何特征和衍生数据（NDWI）对遥感图像进行提取，整体上提取效果比较合适，可对于一些局部地区有一定的误差，比如农家小道短小，会产生误剔除，影响整景图像的观感。针对这个问题可以经过ArcGIS软件手动修改。

3.4.2 沥青道路的提取

在对沥青道路的提取时，其光谱特征信息与其他地物相近无法直接提取，首先控制波段3在[340,400]范围，提取沥青道路与部分水泥道路与未利用地；借助衍生数据NDWI限制范围划分水体池塘，确定在[0.02708，0.3353]范围内（与裸土道路剔除水体保持一致）；借助同质性计算的纹理特征值，在Band1波段与水泥路和铁路的差别，提取沥青道路。最后，利用几何特征中面积、矩形拟合、延伸率、长度等特征剔除干扰地物。如3.7表为对沥青道路提取设定的所有规则。下图3.6为沥青道理提取结果图像。

表3. 7 沥青道路提取规则表

地物类型	规则	属性	作用
沥青道路	规则一	340	提取沥青道路与部分地物
	规则二	0.02708	剔除水体
	规则三	Homogeneity<3	区分水泥路
	规则四	Area>3000	滤除面积不适图斑
		Rectangular Fit<0.69	剔除矩形建筑物
		Elongation>3	剔除延伸率过低的地物

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Fv4PskCU-1624528668010)(media/14bc87f746b4c617fe7d386abf6748b6.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pgBOsLzv-1624528668012)(media/ef88c57851d85b0b751e604fd226fb15.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gpm8fKBE-1624528668019)(media/2cf5ccf1a1b6028607de06400d0bbdc8.png)]
（a）原始图像	（b）分割提取	（c）沥青道路提取结果

图3. 6 沥青道路提取过程图

以沥青的道路为提取对象时，虽然基于最佳尺度分割，但依旧存在部分分割错乱的产生，需要后期结合实地考察或者百度街景进行分析，利用ArcGIS软件进行矢量修改，以达到最高标准，实现道路提取的高准确率。

3.4.3 铁路的提取

对铁路的提取主要依靠纹理特征进行设定规则，以几何特征与光谱特征为辅助提取。结合裸土道路与沥青道路的提取，利用NDWI<0.3353剔除水体的干扰；铁路在各个波段上纹理特征对比度远远高于其他道路类型，反复调试，确定Texture
Contrast的范围，结合在Band1和Band2光谱曲线低于其他地物，以此可以进行铁路道路的粗略提取；最后调试几何特征值。下表为铁路道路提取的全部规则。

表3. 8 铁路提取规则表

地物类型	规则	属性	作用
铁路	规则一	0.2708	剔除河流
	规则二	25	区分其他类型地物
		30
		25
		20
	规则三	Spectral Mean（Band4）<220	区分其它地物
	规则四	Area>3500	滤除面积不适图斑
		Rectangular Fit<0.69	剔除矩形建筑物
		Elongation>3	剔除延伸率过低的地物

以上述规则进行对铁路的提取，提取结果如下图3.7。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nqP1dMuG-1624528668021)(media/81d601291aceac1ea58b00dc5ca6fae5.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gJmgI0m5-1624528668023)(media/b73baf7dea436b6773f37cb56bd89ce7.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-V1NhMGcK-1624528668025)(media/67f14e732891f7f62284e7a64d3065cd.png)]
（a）原始图像	（b）分割提取	（c）铁路提取结果

图3. 7 铁路的提取过程

由于铁路上的复杂性，导致在提取时会误提一些其他的地物，经过反复实验无法从规则制定上剔除杂物，只能后续手动修改矢量文件进行剔除，以便提升铁路提取的准确性。

3.4.4 水泥道路的提取

针对水泥道路的提取，无论是从几何特征分析还是从光谱特征分析，都受到沥青道路的干扰，因此首先区分与水泥道路和沥青道路不相关，以区分的其他地物。首先区分水体与非水体，调试NDWI<0.3353,以达到去除水体的干扰；由于建筑物的亮度比较高，可以设定各个波段的限定值用以去除建筑物，经过反复调试，Texture
Contrast(Band1)<700, Texture
Contrast(Band2)<500不仅可以去除建筑物的干扰还可以去除许多小的干扰地物。对于水泥路与沥青道路的分类，基于纹理的信息熵，水泥路的纹理信息熵远低于沥青道路，可以有效分离出水泥道路；最后根据几何特征中延伸率、面积、长度、矩形拟合等进行最终提取。下表3.9为水泥路的全部规则表。

表3. 9 水泥道路提取规则表

地物类型	规则	属性	作用
铁路	规则一	0.2708	剔除河流
	规则二	Texture Entropy (Band1)❤️	区分其他类型地物
		Texture Entropy (Band2)❤️
	规则三	400	区分水泥道路及裸土道路与其它地物
		300
	规则四	Area>3000	滤除面积不适图斑
		Elongation>3	剔除延伸率过低的地物

以上述规则进行对水泥道路的提取，提取结果如下图3.8。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OcIKvy1V-1624528668031)(media/f2b037bc6bac45d4a39afbdef0163e12.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DcFn8ANb-1624528668035)(media/87f655e714acf66b6a8f47726ae4a52c.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XvylKQOL-1624528668036)(media/1a7281b4e2f6d027df747f5c54c43424.png)]
（a）原始图像	（b）分割提取	（c）沥青道路提取结果

图3. 8 水泥道路提取过程

从目视解译上看图3-7，可以看出水泥路的提取效果比较由于其他道路类型的提取要提升一个档次。

3.5 实地考察验证及修正

为了验证所提取结果的准确性及完整性，进行了实地考察验证。由于本文利用的是2018年的GF-2号影像数据，距离现在已有三年之久，所以实地考察数据需要依据最近几年的变迁进行参考。下表3.10位研究区所提取道路的影像与实地考察道路的对比图。

表3. 10 研究提取道路与实地考察数据对比

考察道路类型	道路提取结果影像	实地考察影像	实地特征
沥青道路（39。1，29.91，，N,118。29，6.49，，E）	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0NNXPK4g-1624528668038)(media/ef88c57851d85b0b751e604fd226fb15.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-h2YQzVer-1624528668039)(media/eba351e24bfab1f2b2f58de1e7a7be29.jpeg)]	通岛路与博学道交叉路口，四周建筑物比较稀少，道路属于沥青道路
裸土道路（39。3，35.45，，N,118。22，8.13,E）	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GAYuJXza-1624528668041)(media/e769a280d7fed3cad4ff2ab71b3a9815.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BFbqGQ1k-1624528668042)(media/acb8a038e0bbe68df60755efb7534681.jpeg)]	南堡养职场，周围以池塘养殖虾苗和种植水稻为主
水泥道路（39。1，13.15，，N,118。32，11.79，，E）	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YaeJa2GQ-1624528668043)(media/87f655e714acf66b6a8f47726ae4a52c.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cfI8tps8-1624528668045)(media/66cc708b254036648097d18e39ce1282.jpeg)]	道路名称为展望路，四周正在建设，属于建设用地
铁路（39。1，11.09，，N,118。26，7.25，，E）	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-99yqx1nx-1624528668046)(media/b73baf7dea436b6773f37cb56bd89ce7.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tERrxSH3-1624528668048)(media/d2196f8c5b41548d471994b34be3f082.jpeg)]	曹妃甸港开往唐山市的铁路，属于桥上铁轨，从河上架桥通过

对比研究提取的各类型道路与实地考察道路。虽然本文利用的GF-2号影像为2018年的，但对比2021年实地考察的数据发现道路周围发生巨大变化，可道路未发生较大的变化，可作为参考数据进行对比。对比两者发现，本文道路材质提取结果比较乐观，对于多处考察结果与研究提取结果一致。但依旧存在部分误差，对于道路的一些断裂问题，多处实地考察发现道路由于多年失修出现损坏或者道路上多次修理覆盖以前道路等原因，虽然有可能道路真实断裂，但此次考察未发现此种原因，对于后期修正不可贸然修改。

基于实地考察数据虽表明本文研究提取结果良好，但依旧需基于ArcGIS软件和实地考察对道路材质信息提取影像进行修正，以更贴合实际提高准确率。本文利用ArcGIS平台工具对提取结果进行分析修正，并对相应设定的规则进行一定的修改。修正结果如下图3.9。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-shJ5GTMc-1624528668050)(media/b593aca5b979562e935bf1684fa2142b.png)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ywlTlVrJ-1624528668052)(media/efb05e64537e8a7df69226e1266b0260.png)]
（a）水泥道路	（b）裸土道路
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vKIXxf3z-1624528668053)(media/2e705b7c998fc2160b4822af3a086f09.jpeg)]	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-z52YHT5P-1624528668055)(media/908db90256f6f0d77d1d31b54fa339f6.jpeg)]
（a）水泥道路	（b）铁路

图3. 9 各类型道路修正结果

3.6 本章小结

本章主要介绍道路材质信息提取过程，首先基于目标对象的均值方差确定最佳尺度分割，基于各类道路与其他道路的光谱差异，纹理特征的和几何特征之间的差异，进行规则设定建立，用以提取各类型道路。在提取的过程中，对比不同道路类型提取的规则，利用之间的差异性，对道路类型的提取有大大帮助。基于纹理特征、光谱特征、几何特征最终结合实际影像设定针对不同类型道路的规则，最终提取出不同道路的材质信息。最后实地考察验证各类型道路提取结果，并进行修正。

第4章 道路材质提取结果及精度分析

基于ENVI平台及第3章节对各类型道路的规则详细准确设定，对整景影像进行道路分类提取。并对影像道路材质信息的提取结果基于实际情况进行精度分析，本质是利用实验结果与地表真实数据进行比较，评价相似程度，以确定提取结果的准确性及可靠性的评估。本文主要采取混淆矩阵（Confusion
Matrix）和Kappa系数进行精度评价。

4.1 道路材质信息提取结果

基于ENVI平台，利用基于规则面向对象流程工具对研究区域进行提取。并根据实地考察结果对规则设定进行适当调整。最终提取结果如图4.1。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FFTaxeR7-1624528666841)(media/4353eadf140ca0f058ee9b72634535c3.png)]

图4. 1 研究区各道路类型提取结果图

由图可知本次研究主要对河北省唐山曹妃甸工业区作为研究区域，对其进行裸土道路、沥青道路、水泥道路和铁路进行分类提取。从图4.1可以清晰的看出研究区各类型道路分布情况。研究区域属于工业区域，道路主要为货车运输通行，故道路主要以沥青道路与水泥道路为主；研究区域又由火车轨道贯穿，部分区域裸土道路穿插在其中；对于裸土道路最多的区域主要分布在鱼塘周围和村庄房屋之间。本文利用GF-2号影像为2018年影像，对比与本次实地考察，道路变化并不太明显，可道路周围的建设发生了巨大变化，相信在不久的将来道路将会进入一个新层次。

4.2 精度评价方法

（1）混淆矩阵

混淆矩阵（Confusion Matrix）又称为误差矩阵（Error
Matrix），原理上将实验提取与实际情况相验证，组成n行n列的矩阵，如表4.1，进而进行验证以分析实验精度。一般设定阵列中行代表为实验提取的结果，列代表为表示实际参考数据[23]。

表 4. 1 混淆矩阵

类型	预测	行总计
	类1	类2	……
实际	类1	X11	X12	……	X1n	Y1
	类2	X21	X22	……	X2n	Y2
	……	……	……	……	……	Yi
	类n	Xn1	Xn2	……	Xnn	Yn
	列总计	X1	X2	……	Xn	P

通过混淆矩阵可以实际得到分类的总体精度、用户精度和生产者精度，计算公式如下表4.2。

表 4. 2 精类型介绍

精度类型	计算公式	含义
总体精度 Overall Accuracy		表示分类精度，P表示检验点总数，表示第i行第i列的检验点点数，n表述地物类型
用户精度 User,s Accuracy		表示用户精度，表示第i行第i列的检验点点数，表示第j列的总检验点数
生产者精度 Producer,s Accuracy		表示生产者精度，表示第i行第i列的检验点点数，表示第i列的总检验点数

（2）Kappa系数

Kappa系数是可以全面反应分类精度的一种参照指标。对具体的分类精度更加全面，客观[24]。计算公式如下：

以此公式为依据，可以确定Kappa系数，Kappa系数分为五个档次，如下表4.3。

表 4. 3 Kappa系数评价

Kappa系数	评价标准
0	分类结果随机生成，与参考数据没有一致性
(0,0.4)	分类结果与参考数据一致性很差
[0.4,0.75)	分类结果与参考数据一致性一般
[0.75,1)	分类结果与参考数据一致性较好
1	分类结果与参考数据完全一致

4.3 精度评价结果

基于混淆矩阵，Kappa系数对提取的道路类型进行验证分析。基于各道路类型提取结果在原图像上划分感兴趣区域，生成xml文件，作为需要验证的数据。由于没有真实的参照数据，需要自行划分，生成参照数据。本文利用百度街景地图和谷歌地图结合原图像以及网络实地照片，对地图划分各道路类型区域，作为参照数据。基于ENVI平台，利用Confusion
Matrix Using Ground Truth ROIs工具进行混淆矩阵分析，生成矩阵表4.3。

表 4. 4 各道路类型道路提取结果混淆矩阵

像元数	研究提取道路结果	用户精度
真实道路	道路类型	沥青道路	裸土道路	水泥道路	铁路	总计
	沥青道路	9977	0	140	170	10287	96.99
	裸土道路	0	1155	222	1	1378	83.82
	水泥道路	35	70	1776	0	1881	94，42
	铁路	100	0	0	1440	1540	93.51
	其他	165	240	24	35	464
	总计	10277	1465	2162	1646	15550
生产者精度	97.08	78.84	82.15	87.48
总体精度=14348/15550=92.2701% Kappa=0.8534

从表4.4可知各道路材质信息提取总体精度为92.2701%，Kappa系数为0.8534表明提取结果与参考数据一致性较好。沥青道路、水泥道路和铁路的用户精度与生产者精度均在80%以上。裸土道路相对来说精度比较低，裸土道路复杂性高与各地物混乱掺杂等原因导致此情况。

4.4 本章小结

本章主要分析整域影像道路材质提取结果，另外介绍了混淆矩阵和Kappa系数，并以此对影像的道路材质信息提取结果进行验证分析,总体精度与Kappa系数分别达到92.2701%和0.8534。

第5章 结论与展望

5.1 结论

遥感卫星技术的突飞猛进，使获取的影像数据逐步清晰起来，甚至达到亚米级别。如何从高分辨率影像中获取道路信息一直是前沿热点，精度更高分辨率的影像的产生对道路信息高效和准确提取奠定了重大基础。基于此背景下，本文基于曹妃甸地区2018年GF-2号卫星影像，利用基于规则的面向对象处理提取曹妃甸不同道路材质信息，主要完成的工作如下：

（1）查阅相关文献，分析介绍国内外对遥感影像道路信息的提取，提出本文利用基于规则面向对象的提取方法对道路材质信息进行提取，通过影像的光谱特征、纹理特征和几何特征设定详细的规则，以此规则对不同类型的道路进行提取。

（2）在对影像中道路材质信息提取之前进行预处理，并利用最佳指数法对影像的波段组合进行分析，得出结论最佳波段组合321。

（3）道路提取之前除了预处理部分，还需要对光谱特征、纹理特征进行分析处理。其中利用包含信息最丰富的Band1可以有效分离多种道路类型；纹理影像最佳特征为对比度，在制定规则时占据不可或缺的位置。

（4）对各道路类型提取时，裸土道路和铁路提取尤为困难，铁路下方材质的影响，裸土道路的复杂性的原因。目前本文借助网络地图与实地考察为辅助，利用ArcGIS平台进行手动剔除二次修改。

（5）在对曹妃甸地区道路材质提取结果进行精度分析。分析结果表明，总体精度与Kappa系数分别达到92.2701%和0.8534。

整体来说，基于规则面向对象分类提取方法对遥感影像道路材质信息的提取可行，在允许误差范围内，对道路研究及建设具有重大意义。

5.2 展望

本文基于规则面向对象，对GF-2号遥感影像进行道路材质信息提取，相关过程主要涉及多尺度分割、光谱特征分析、纹理特征分析和几何特征分析，对不同类型道路进行分析，提取结果比较满意，可依旧存在一些问题：

由于GF-2号图像包含大量信息使其图像文件所占内存巨大，由于操作电脑内存狭小，只能对图像进行裁剪，裁剪成多个小区域的图像进行分析，导致对最终提取结果也有一定的误差。

基于多种特征结合，虽然可以有效提取出道路,可存在道路的不完整性，对于这个问题可以利用现有技术手段去解决补充断接的道路，可有时因为天然灾害，摧毁道路使其不完整，如果贸然对道路进行自行修改，可能导致道路信息的错误引导，使救灾工作进展的速度大大降低，造成重大损失。因此下一步的研究中应充分考虑道路的动态变化与当地情况的分析。

遥感技术的快速发展，可能在不久的将来，高分遥感影像将会走进大家的生活中，直接在手机等通讯设备上直接浏览，已经不需要道路材质的识别和提取，已经达到实时并且真实的地物观看。

参考文献

1. Bajcsy R, Tavakoli M.Computer Recognition of Roads from Satellite
   Pictures.IEEE Trans.Systems Ma. Cybemet 1976. 6:(623一637).

2. 金永涛,杨秀峰,高涛,等.基于面向对象与深度学习的典型地物提取[J].国土资源遥感,2018,30(01):22-29.

3. 戴激光,杜阳,方鑫鑫,等.多特征约束的高分辨率光学遥感图像道路提取[J].遥感学报,2018,22(05):777-791.

4. 陈光,薛梅,陈良超,等.自适应聚类学习的道路网提取方法[J].测绘通报,2018(11):30-35.

5. 符喜优,张风丽,王国军,等.结合张量投票和Snakes模型的SAR图像道路提取[J].中国图象图形学报,2015,20(10):1403-1411.

6. 赵金阳.高分辨率遥感影像道路信息提取[J].福建电脑,2020,36(10):122-124.

7. 杨超. 基于遥感图像多特征融合的道路材质信息提取[D].电子科技大学,2020.

8. 佘宇晨,林辉,孙华.主要道路路面材料高光谱特征分析[J].中南林业科技大学学报,2014,34,(11);120-123=139.

9. Buslacv A,Scfcrbckov S,Iglovikov V,et al. Fully Convolutional Network for
   Automatic Road Extrartion from Satellite Imagery[C]//2018 IEEE/CVF
   Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).
   IEEE,2018.

10. Gamba P,Dell Acqua F,Lisini G .Improving Urban Road Extraction in
    High-Resolution Images Exploiting Directional Filtering,Perceptual
    Grouping,and Simple Topological Concepts[J]. IEEE Geoscience and Remote
    Sensing Letters,2006,3(3): (387-391).

11. D. Costea, A. Marcu, E. Slusanschi, et al. Roadmap Generation using a
    Multi-Stage Ensemble of Deep Neural Networks with Smoothing-Based
    Optimization[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern
    Recognition Workshops (CVPRW). IEEE, 2018: 210-2104.

12. K. Hedman, U.Stilla, G. Lisini, et al. Road network extraction in VHR SAR
    images of urban and suburban areas by means of class-aided feature-level
    fusion[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(3):
    1294-1296.

13. 严华,陈颖.高分六号卫星相对辐射校正方法分析[J].科技视界,2021(03):5-8.

14. 王瀛,余岚旭,王春喜,左方,王泽浩.基于改进的IHS､PCA和小波变换的遥感图像融合算法[J].计算机与数字工程,2021,49(04):797-803.

15. 郭力娜,李帅,张梦华,牛振国,李孟倩.最佳波段组合的城市土地利用类型提取[J].测绘科学,2019,44(08):161-167.

16. Baatz M, Hoffmann C, Willhauck G. 2008. Progressing from object-based to
    object-oriented image Analysis[G]//Object-BasedImage Analysis.
    Berlin,Heidelberg: Springer Berlin Heidelberg, 29-42.

17. 李伟健. 基于GF-1卫星影像的道路信息提取与应用[D].成都:四川师范大学,2020.

18. 邱志伟,李艳,乔浩然.一种面向对象的遥感影像多尺度分割方法[J].地理空间信息,2013,11(03):
    (95-96+2).

19. 周昀罡.基于知识道路的道路信息提取方法研究[D].成都:四川师范大学

20. 邵文静,孙伟伟,杨刚,孟祥超. 高光谱遥感纹理特征提取的对比分析[A].
    浙江省地理学会.浙江省地理学会2019年学术年会暨乡村振兴高峰论坛论文摘要集[C].浙江省地理学会:浙江省地理学会,2019:1.

21. 于辉,陈晓停,汪金花.基于高分一号的面向对象影像信息提取[J].华北理工大学学报(自然科学版),2017,39(01):6-11.

22. 郑心玥,郭青霞.基于GF-1号遥感影像的微小水体信息提取研究——以岔口流域为例[J].湖北农业科学,2021,60(05):131-137.

23. 杨帆,王博.基于决策树的遥感图像分类方法研究[J].测绘与空间地理信息,2019,42(07):1-4.

24. 樊舒迪.面向对象技术在建筑物提取中的应用-以白云区为例[D].广东:农南农业大学,2016.

致谢

时光飞逝，转眼大学四年生活即将画上句号，同样也是社会之门向我打开的时刻。在论文即将完成之际，我想向在写作期间给予我支持和帮助的人表示最真诚的感谢。
C, Willhauck G. 2008. Progressing from object-based to
object-oriented image Analysis[G]//Object-BasedImage Analysis.
Berlin,Heidelberg: Springer Berlin Heidelberg, 29-42.

17. 李伟健. 基于GF-1卫星影像的道路信息提取与应用[D].成都:四川师范大学,2020.

18. 邱志伟,李艳,乔浩然.一种面向对象的遥感影像多尺度分割方法[J].地理空间信息,2013,11(03):
    (95-96+2).

19. 周昀罡.基于知识道路的道路信息提取方法研究[D].成都:四川师范大学

20. 邵文静,孙伟伟,杨刚,孟祥超. 高光谱遥感纹理特征提取的对比分析[A].
    浙江省地理学会.浙江省地理学会2019年学术年会暨乡村振兴高峰论坛论文摘要集[C].浙江省地理学会:浙江省地理学会,2019:1.

21. 于辉,陈晓停,汪金花.基于高分一号的面向对象影像信息提取[J].华北理工大学学报(自然科学版),2017,39(01):6-11.

22. 郑心玥,郭青霞.基于GF-1号遥感影像的微小水体信息提取研究——以岔口流域为例[J].湖北农业科学,2021,60(05):131-137.

23. 杨帆,王博.基于决策树的遥感图像分类方法研究[J].测绘与空间地理信息,2019,42(07):1-4.

24. 樊舒迪.面向对象技术在建筑物提取中的应用-以白云区为例[D].广东:农南农业大学,2016.

致谢

时光飞逝，转眼大学四年生活即将画上句号，同样也是社会之门向我打开的时刻。在论文即将完成之际，我想向在写作期间给予我支持和帮助的人表示最真诚的感谢。