阵列16（2022）100257使用Sentinel-2数据的增强道路指数自动提取道路Muhammad Waqas Ahmeda，*，Sumayyah Saadib，Muhammad Ahmed ca巴基斯坦卡拉奇，卡拉奇大学地理系b巴基斯坦卡拉奇卡拉奇大学数学系c巴基斯坦卡拉奇NED工程技术大学城市基础设施系&&A R T I C L EI N FO保留字：遥感Sentinel-2道路指数Bot-hat过滤器非监督分类A B S T R A C T从多光谱图像中准确提取道路特征往往是困难的，由于数据所带来的技术挑战。该研究领域对于城市规划，资产测绘，交通规划和可行性研究具有极其重要的意义。在本文中，我们利用道路指数（RI），制定我们的方法进行特征提取。为了进一步处理RI输出图像，我们选择了Bot-Hat形态学算子来突出道路特征并抑制周围特征。然后，我们使用基于PiX el的无监督分类对图像进行分类，将特征分为不同的类别。随后，采用对比度分割算法对道路网络进行分割，进行网络提取。实验结果表明，Lahore和Richmond数据集的F1得分分别为76.10%和83.81%1. 介绍道路的发展对城市地区及其居民的社会经济繁荣至关重要[1]。太空探索为永久性的地球观测打开了大门，以造福人类。为民用目的发射的卫星任务通过最大限度地降低初始成本并提供测试不同场景的空间，彻底改变了现代工程实践[2]。遥感是一个记录和监测一个地区的自然特征和周围生境的过程。卫星上的传感器为记录和分析发展铺平了道路 世界上有一个很高的精度[3]。遥感图像特征提取是遥感图像处理中的一个专业领域，也是当前许多相关研究的热点。道路提取对于工程师、测量专业人员和城市规划具有极其重要的意义，可用于有效的交通规划、LULC制图、城市规划和导航系统[4]（见图4）。 14）。道路提取的重要性可以用关键字来评估在Google Scholar上使用“Road E x traction”作为关键词进行搜索统计数据显示，关键词对应的文章数量一直呈直线上升趋势，直至大流行时代（2019年），如图所示。1.一、如果没有一个强大的方法，手动资产映射将成为一项艰巨的任务，需要更大的成本和时间，并可能出现人为错误。在遥感图像中，道路被描绘为曲线结构 从中等范围的空间分辨率图像中提取道路是一项具有挑战性的任务，特别是在人口稠密的地区，由于混凝土结构的存在[5]。道路自动提取的成功与否主要取决于道路宽度、样本图像的辐射、光谱和空间分辨率。沥青和骨料（碎石或砾石）是道路我们研究的目的是扩展参考文献[7]开发的方法，用于在Sentinel-2图像上实施。我们的方法是能够区分沥青路面从周围的人为和自然特征。主要目的是找到一种技术，具有足够的效率，从中等分辨率的数据进行分类的道路。为了衡量框架的效率，我们使用了来自两个不同地理位置（即南亚和北美）的数据集。我们研究的主要贡献和亮点是：在Sentinel-2数据上测试了基于索引的道路提取方法的有效性。以前曾在大地卫星8号图像上测试过这种方法。由于没有全色波段，探索了图像分辨率的替代方法。虽然在我们的研究进行之前很久就记录了不同算法的效率，但测试了它们在基于饱和度的RI图像上的有效性。* 通讯作者。电子邮件地址：gmail.com（M.W. Ahmed）。https://doi.org/10.1016/j.array.2022.100257接收日期：2022年9月2日;接收日期：2022年11月3日;接受日期：2022年11月6日2022年11月19日网上发售2590-0056/© 2022作者。爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.sciencedirect.com/journal/array··M.W. Ahmed等阵列16（2022）1002572图1.一、 折线图描绘了 多 年 来 道路E X牵引力的 重 要 性 。图二. 感兴趣的地区（左边的AOI是巴基斯坦的拉合尔，右边的AOI是弗吉尼亚州的里士满）。两种AOI的F1评分的变化突出了一个关键的重要因素（即，城市空间规划）。结果表明，该方法的效率较宽的道路和它的弱点，在接近混凝土结构。本文的结构如下：第2节讨论了解决同一问题的相关方法。相关工程和章节3. 数据集AOI&和4.建议的方法讨论了数据集，AOI，并分别代表建议的方法第5节讨论了实验结果和结论讨论和结果6。结论按照这个顺序。··M.W. Ahmed等阵列16（2022）1002573表1Sentinel 2乐队名称。带决议中心波长描述乐队0160米443 nm超蓝（海岸和气溶胶）带0210米490 nm蓝色带0310米560 nm绿色带0410米665 nm红色带0520米705纳米植被红边06乐队20米740nm的植被红边乐队0720米783 nm植被红边乐队0810米842 nm可见光和近红外（VNIR）带20米865 nm植被红边08a乐队0960米945 nm水蒸气带1060米1375 nm短波红外（SWIR）-Cirrus带1120米1610 nm短波红外（SWIR）带1220米2190 nm短波红外（SWIR）表2带有场景ID和采集日期的Sentinel-2数据集序列号收购日期位置场景ID012022年5月27日巴基斯坦拉合尔T43RDQ02二〇二二年七月二十九日Richmond，美国T18STG2. 相关作品2.1. 基于知识的系统基于知识的特征提取在过去几十年中迅速发展，主要是由于全球交通模式、分析就绪卫星图像和其他相关数据的可用性。现代实时数据收集不仅使车辆模式的估计变得更加容易，而且还有助于开发将卫星图像与交通模式相结合的算法，以实现更准确的道路提取。Heipke等人。[8]提出了一种方法，该方法利用不同尺度和分辨率的图像进行分割，提取语义对象并对地形中存在的对象进行纹理分析。Hinz等人[9]撰写的一篇研究文章展示了一种基于知识的特征提取模型，该模型利用数字表面模型（DSM）来描绘存在建成区和植被覆盖的道路边缘。2.2. 基于特征几何有许多文章关注基于特征的拓扑和几何形状的道路提取。Steger [10]介绍的一种方法采用目前已经使用ML和ANN解决了这些问题，但这些技术的全部潜力还有待探索。经过审查，我们发现了许多技术，可以适用于同一个问题的陈述。网络表示学习是一种将网络的顶点显示为低维表示的向量，同时保持其拓扑结构和其他嵌入信息的技术[15]。该技术可用于从基于GPS的数据（即车辆运动模式）中提取道路，从而能够预测目标路段的交通环境。CNN架构被归类为用于分析视觉数据的深度神经网络。CNN能够执行传统的图像处理任务，如分割，基于对象的图像分析和图像分类，具有优越的预测精度。参考文献[16]的文章演示了一种用于道路特征分类和提取的称为U-Net的残差学习算法。这一类别中的先前研究工作还涉及采用支持向量机进行基于边缘的道路特征提取[17]。2.4. 基于索引的图像处理在遥感图像分析中，基于索引的图像分类具有重要意义.多年来，已经开发了许多标准化指数用于半自动和自动图像分类和特征提取。归一化差异植被指数（NDVI）用于识别植被，归一化差异水指数（NDWI）用于识别水体，归一化差异雪指数（NDSI）用于识别积雪[18]。我们的研究基于Reddy等人介绍的技术。[7]涉及基于索引的道路提取模型。该方法利用迭代自适应阈值（IAT）和马尔可夫随机场（MRF）对陆地卫星（OLI）图像进行分割和道路特征提取。在我们的研究中，我们利用Sentinel-2数据提取主要道路（高速公路和干线）。3. AOI数据集&在这项研究中，我们使用的遥感数据从哨兵-2任务。第一颗Sentinel-2卫星由欧洲航天局（ESA）于2015年在哥白尼任务下发射。截至目前，2颗卫星（哨兵2-A 2-B）正绕地球运行，通过13个光谱波段捕捉多光谱图像，时间分辨率为5天。&该任务产生的数据被属于STEM不同领域的研究人员广泛使用，例如， 农业[19]、环境监测、城市发展地质学[20]等&Sentinel 2的能带结构见表1[21]：我们选择了两个感兴趣的领域（AOI），分析（如表2所示）。AOI的选择基于两个城市（巴基斯坦piX el并与高斯函数的导数进行卷积，和Richmond，Virginia，USA）。两者的异质性平滑核该算法可以根据该多项式的几何特征进行直线检测。Mayer、Laptev和Baumgartner [11]利用了一种建立在航空图像上基于蛇的边缘提取上的方法。Shao等人[12]发表的一篇研究文章揭示了一种名为“快速线特征检测器”的算法Mena和Malpica [13]完成的另一项研究工作使用高分辨率RGB图像执行纹理渐进分析（TPA），用于道路提取和矢量化。我们发现了另一个相关的研究工作，利用高分辨率航空图像的多层分割来区分城市地区的道路[14]。2.3. 机器学习ANN&机器学习（ML）和人工神经网络（ANN）是过去十年的主要热门话题。许多科学问题这些领域不仅帮助我们确定了我们的方法的有效性，而且还帮助我们确定了不足之处和面临的挑战4. 拟议方法在这项研究中，我们开发了一种类似于Reddy等人所做工作的方法。 [7]在Sentinel-2图像上（见图1）。 2）。 图 3描述了我们提出的道路特征提取方法：4.1. 通过组分替代提高分辨率为了获得准确的道路指数输出，所有输入图像都需要具有相同的空间分辨率。哨兵-2任务提供的图像在可见光谱范围内具有足够的空间和光谱分辨率（10米），但短波红外波段（即波段11）的空间分辨率为15米[21]。因此需要解决M.W. Ahmed等阵列16（2022）1002574图三. 拟议方法。见图4。 Sentinel-2带11（15 m）。图五. Sentinel-2波段11（10 m）。增强空间相干性。多年来已经开发了几种全色锐化技术，每种方法都有其优点和缺点。经过广泛的审查和实验，我们发现组件替换是最适合Sentinel-2数据的算法。CS方法不仅解决了混叠问题，而且可以避免像素的配准不良。CS在多分辨率图像上的整体性能远远优于参考文献[22]中讨论的其他算法。与Landsat 7 8不同，Sentinel-2传感器不提供全色波段，因此我们使用近红外波段（波段8）作为全色波段以增强分辨率[22]。&全色锐化的结果可以在图中看到。 5、短波红外波段的分辨率在手术后得到增强，同时保持其光谱完整性，如图2和3所示。6和图74.2. 路指数色调（H），饱和度（S）和强度（I）颜色模型通常用于数字图像处理，并由参考文献[23]开发。道路指数（RI）是从所选Sentinal-2波段（11-8-2）的饱和度公式中推导出来的。所得图像表示沥青道路，而归一化输出的低值表示周围的拓扑特征，因为它们的反射率值相对较低。道路指数法是一种M.W. Ahmed等阵列16（2022）1002575（）下一页=1-无花果6. 分辨率增强前的波段11。见图8。 常规NDBI的结果。无花果7. 分辨率增强后的波段11由Reddy等人[7]为Landsat 8图像引入。与传统的多光谱图像道路提取方法相比，该技术取得了更好的效果。基于RI的方法有效地工作，因为沥青在可见近红外（VNIR）和短波红外（SWIR）区域之间具有高光谱响应。从USGS光谱实验室获得的数据验证了Reddy等人提出的假设[6、7]。我们在对Sentinel 2的SWIR（波段11）、NIR（波段8）和Blue（波段2）进行波段间计算后得出了所得RI图像。输出产生的是一个归一化的图像，其光谱值强调沥青道路相对于其他功能。道路指数（RI）是从以下公式中数学推导出来的见图9。 道路指数（RI）。灰度或二进制输入图像上的变换。它计算输入图像的形态学闭合，然后使用结构元素从原始图像中减去结果。结构化元素应该是一个单一的对象，而不是一个多个结构化元素的数组[24]。底帽变换可以由以下等式定义：Tb（f）=（f<$b）-f（ 2）其中，k是闭合操作，b是具有适当半径的称为“盘”的结构元素通过对RI图像应用Bottom-Hat变换，道路被突出，而其他特征被忽略。RI3最小值（频带1110m，频带 08，频带02）（波段1110m+波段 08+波段 02）4.3. 形态变换（一）进一步施压4.4. 非监督分类在应用了bottom-hat滤波器之后，我们继续使用随后，通过Bottom-Hat形态滤波器处理RI图像。Bottom Hat算子执行形态学无监督分类我们利用了Iso聚类算法，该算法能够执行迭代优化聚类。该算法M.W. Ahmed等阵列16（2022）1002576见图10。 拟议方法的结果。将输入图像的每个单元格分成指定数量的不同单峰组。该算法在分配用户定义数量的聚类之前计算细胞的最小欧几里得距离，随后将类分配给最接近每个聚类的每个细胞。在分配聚类之后，迭代地计算每个聚类的修正均值[26]。重复该过程直到簇变得稳定。该算法是在文献[1]中介绍的技术基础上提出的。[27]第10段。4.5. 对比分割分割然后，通过称为对比度分割分割（CSS）的算法处理从Iso聚类获得的分类图像。CSS算法根据对比度级别的变化创建对象。对比度的变化基于用户定义的增量[28]。所获得的对象是矢量格式（多边形），进一步处理以获得道路网络特征。每个对象多边形具有不同的几何属性（即骨架），有助于进一步分类和提取目标对象的中心线。多边形被定义为表示图像对象的多边形的内部结构：它们倾向于破译对象的形状。多边形骨架是基于对象形状的Delauney三角剖分创建的我们提取的向量的形式的线与它的长度到宽度比信息编码内。然后根据它们的标准差对长宽比进行分类，得到最终结果。4.6. 质量评估两种AOI的道路宽度随其功能而变化，用于准确性评估的缓冲区大小随道路类型而变化。公路的宽度一般从15米到45米不等，因此每个选定的集群都有M.W. Ahmed等阵列16（2022）1002577（）=1=2见图11。 在宽于10米的道路上的性能（多边形和中心线）。Tp表3完整性（回忆）=（三）拉合尔数据集的结果。Ser质量指标拟定方法1完整性（回忆）85.85%Tp+Fn完整性或召回率被定义为位于缓冲区Bq内的RRef网络的百分比。2准确度（精密度）68.99%3 F1得分76.10%精度TpTp+Fp（四）表4正确性或精度定义为缓冲区BX内的REX Δ的百分比。Richmond数据集。Ser质量指标拟定方法1完整性（回忆）99.80%2准确度（精密度）72.23%3 F1得分83.81%F评分正确性和完整性正确性+完整性5. 讨论和结果（五）不同的缓冲区宽度。对于我们提取的道路网络的准确性评估，我们选择了Heipke等人[30]用于评估提取的线性特征的技术。在手动数字化参考道路（RRef）周围构造预定义宽度（W）的缓冲区（Bq）。位于Bq之间的提取道路的部分（RE x X）被认为是真阳性（Tp），而缓冲区之外的提取道路被认为是假阳性（FP）。类似地，在提取的数据上构建相同宽度的缓冲区BX，并且将不匹配的Rref标记为假阴性（Fn）。将所提出的方法应用于表2中提到的Sentinel-2数据。选择这两个数据集是因为它们各自的空间规划具有异质性。拉合尔我们的方法需要从20米到10米的短波红外波段的泛锐化，用于波段间计算，以获得归一化的RI图像，如图5所示。与图4中的输入图像相比，全色锐化算法的实现改善了整体特征见图12。 在交叉路口（道路宽度小于10米）的性能。M.W. Ahmed等阵列16（2022）1002578图13岁 里士满数据集（左）和拉合尔数据集（右）。图14个。沥青混凝土的光谱响应曲线图。清晰度，同时两个图像的光谱直方图几乎相同，如图1A和1B所示。 6和图7处理后的SWIR波段然后用于波段间计算以导出RI图像。所得图像产生更好的结果相比，归一化建成指数（NDBI），也是来自相同的光谱带。两个指数的差异可以在图8&和图9中看到。NDBI图像将建筑物显示为明亮的物体（道路和其他特征无法区分），而在RI图像中，道路以明亮的黑色显示，并进行Bot-hat滤波以消除间隙，抑制周围特征和饱和度。底帽滤波器提高了无监督分类的准确性。在分类之前，根据自然间断（Jenks）方法对直方图进行分析，以确定最佳类别数。在我们的情况下，数据在图像像素像素分布中存在3个自然中断，因此数据被分类为3类（最亮的像素被分类为道路）。将基于对象的图像分析应用于所得图像，并基于对比度变化创建对象。将提取的道路多边形转换为与道路中心线相匹配的主线和骨架。工作流程的结果可以在图10中看到。可以清 楚 地看到，图 中 的道路指数。 10（b）是上级多光谱图像道路提取工具 图图10（c）示出了形态学算子对归一化RI图像的影响。图 10(d) 是Iso聚类无监督分类的结果图像，该分类有助于通过图中基于对象的图像分析进行多边形提取。 10（e）. 最后的路线图。 10（f）的基础上提取提取的对象的几何属性（见图10）。 11）。该方法对具有较好土地利用规划和空间分布的利益相关者区域给出了较好的结果。具有重要植被覆盖的干线和高速公路的地图使用 当我们越接近人口稠密的市区，邻近楼宇数目越多时，整体的准确度便会下降。表3&表4描述了我们的方法与参考评估的结果。为了进行评估，我们以1：50，000的比例对相同的Sentinel-2图像进行手动跟踪，从而开发了一个道路网络参考道路网络作为地面实况，用于评估我们提取的道路。构造一个缓冲层，并提取的道路拟合内的参考道路被称为真阳性（Tp）。同样，计算假阳性（Fp）和假阴性（Fn），为计算我们的关键指标（即精度、召回率和F1评分）铺平道路。M.W. Ahmed等阵列16（2022）10025796. 结论在本文中，我们实现了一种新的方法，道路提取形态滤波归一化RI图像。我们的方法被应用于两个不同AOI的Sentinel-2数据。从结果中可以看出，邻近高植被覆盖率和荒地的道路提取精度更高 在某些地区，该方法能够检测宽度小于10米的道路（见图1）。 12供参考）。此外，在建筑物和其他混凝土结构存在的情况下，道路特征也存在一些差距道路之间存在的较小间隙被形态学算子覆盖，而较宽的间隙保持未填充（见图1）。 13）。我们所提出的方法最适用于具有优越空间规划的地区，而贫民窟或随意增长的存在导致模型性能恶化。我们建议，可以通过将这种方法与基于知识的系统相结合来改善结果，以最大限度地减少假阳性结果。竞合利益作者声明，他们没有已知的可能影响本文所报告工作数据可用性文章中描述的研究未使用任何数据引用[1] [10]李晓，李晓，李晓.集成系统动力学和元胞自动机模型在城市增长评价中的应用--以上海市为例。 Landsc城市规划2009;91：133-41.[2] 斯威廷·M现代小卫星改变太空经济学。Proc IEEE2018;106：343-61.[3] Kennedy RE，Townsend PA，Gross JE，Cohen WB，Bolstad P，Wang YQ，Adams P. 自然资源管理者的遥感变化探测工具：景观监测项目设计中的概念和权衡。远程传感环境2009;113：1382-96。[4] 杨伟，王伟.栅格地图道路特征提取方法综述。Trans GIS2021;25：2734-63.[5] Montoya-Zegarra JA，Wegner JD，Ladickmarten，Schindler K.注意差距：建模（道路）网络中的地方和全球背景。在：德国模式识别会议。施普林格; 2014年。p. 212比23[6] Kokaly RF，Clark RN，Swayze GA，Livo KE，Hoefen TM，Pearson NC，WiseRA，Benzel WM，Lowers HA，Drivel RL，Klein AJ. USGS光谱库版本7。In：Dataseries，vol. 68; 2017 [Reston，VA].[7] [10]李文辉，李文辉. 基于索引的LANDSAT-8 OLI图像道路特征提取。 Int JElectr Comput Eng 2020;11：1319-36.[8] 杨伟华，王伟华，王伟华.道路自动提取的评价。Int. 档案摄影 遥感1997;32：151-60.[9] Hinz S，Baumgartner A，Mayer H，Wiedemann C，Ebner H.道路提取集中在城市地区。 从航空和航天图像中自动提取人造目标（III）。2001年p. 255比65[10] 斯泰格角使用微分几何和高斯平滑来绘制直线。一九九六年。[11] 放大图片作者：Mayer H，Laptev I，Baumgartner A.多尺度和蛇自动道路提取。在：欧洲计算机视觉会议Springer; 1998.p. 七二零比三十三[12] 邵英，郭宝，胡新，狄力.快速线性特征检测器在遥感影像道路提取中的应用。IEEEJ Sel Top Appl Earth Obs Rem Sens2010;4：626-31.[13] Mena JB，Malpica JA.一种从高分辨率卫星图像出发的农村和半城市地区道路自动提取方法。Pattern Lett2005;26：1201-20.[14] Grote A，Heipke C.用于郊区道路数据库更新的道路提取。Int. 档案摄影 遥感2008;37：563-8.[15] Li B，Pi D.网络表征学习：一个系统的文献综述。神经计算应用2020;32：16647-79.[16] Zhang Z，Liu Q.基于深残留U形网的道路提取IEEE Geoscience andRemoteSensing Letters，2017。[17] Yager N，Sowmya A.基于支持向量机的遥感图像道路提取。在：国际会议上的计算机分析的图像和模式。Springer; 2003. p. 285比92[18] Tariq A，Riaz I，Ahmad Z，Yang B，Amin M，Kausar R，Andleeb S，FarooqiMA，Rafiq M. 用Landsat数据估算干旱Potohar地区不同土地利用土地覆盖类别间温度时空趋势的陆地表面温度与标准化卫星指数的关系。环境地球科学2020;79：1-15.[19] SegarraJ，Buchaillot ML，Araus JL，Kefauver SC.遥感用于精确农业：哨兵-2改进的功能和应用。农学2020;10：641.[20] [10]杨文辉，陈文辉. 用于土地覆盖/利用制图的哨兵-2数据：审查。12.第十二章[21] 欧空局。哨兵-2辐射分辨率。In：Sentinel 2用户指南; 2015.[22] 作者声明：A. SENTINEL-2的窄VNIR和SWIR光谱带的泛锐化。ISPRS -国际档案馆摄影，遥感，空间感应。Sci. 2016;XLI-B7：723-30.[23] 孟塞尔河颜色语法：孟塞尔颜色系统导论。斯特拉斯莫尔造纸公司，1921年。[24] Thapar S，Garg S.各种基于形态学的图像对比度增强技术的研究与实现。国际计算机总线Res2012;128：2229-6166。[25] 王文忠，王文忠.结合bottom-hat和match-filter的自动血管提取。在：国际会议嵌入式系统信息和通信技术（ICICTES）;2011年。p. 101- 5[26] Lemenkova P. ISO Cluster classifier by ArcGIS for the unsupervised classificationofLandsat TM image of Reykjavík.布尔。自然科学。Res. 2021;11：29-37.[27] 球GH，大厅DJ。ISODATA是一种新的数据分析和模式分类方法。 一九六五年[28] El-naggarAM. 遥感图像中建筑物提取最佳分割参数值的确定。 Alex Eng J2018;57：3089-97.[29] Benz UC，Hofmann P，Willhauck G，Lingenfelder I，Heynen M.多分辨率，面 向 对 象 的模 糊 分 析 遥 感 数 据 的 地 理 信 息 系 统 准 备 信 息 。 ISPRSJPhotogrammetry Remote Sens 2004;58：239-58.[30] 杨伟华，王伟华，王伟华.道路自动提取的评价。中间截留Arch. 摄影远程传感器1997年;32.[31] 放大图片Sarfaraz S，Arsalan M，Fatima H.使用柯本分类系统对巴基斯坦气候进行区域划分。 PakistanGeogrRev2014;69：111- 32.[32] Clark WB，Miller BL.弗吉尼亚州沿海平原省的自然地理和地质。弗吉尼亚大学;1912年。
我的内容管理
展开
