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

论文原创性声明

我提交的学位论文是基于遥感图像的道路材料信息提取方法的研究，是在导师的指导下独立研究工作的原创成果。本论文不包括任何其他个人或集体已发表或撰写的研究成果。对本文研究做出重要贡献的个人和集体已在本文中注明。

本声明的法律后果由本人承担。

论文作者(签名):XXX 教师确认(签名):XXX

2021年6月3日 2021年6月3日

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将学位论文的复印件和磁盘提交国家有关部门或机构，允许论文参考和借阅。我授权华北理工大学将学位论文的全部或部分内容纳入相关数据库进行检索，并通过影印、缩印或其他复制手段保存和汇编学位论文。

保密学位论文在_______本授权书适用于年解密后。

论文作者(签名): XXX 教师(签名):XXX

2021年6月3日 2021年6月3日

摘 要

随着社会的快速发展，遥感图像包含了越来越多的土地信息。作为研究地物的重要参数，道路材料也成为遥感图像的重要发展参考目标。道路材料信息类型的识别对道路分析和道路可通行性具有重要意义，因此逐步发展了道路材料信息遥感图像的提取研究方法。本文基于GF-2号遥感图像，使用ENVI
5.3
平台利用面向对象的规则提取曹妃甸部分地区图像的道路材料信息。利用光谱特征、几何特征、纹理特征等特征分析各波段不同材料道路的信息，避免同谱异物和胡椒盐现象的发生，确定多层次规则，完成道路材料信息的提取。根据实地考察数据，结合实际道路类型对分类提取结果进行二次修正。对最终结果进行精度评价和分析，结果表明，基于规则面向对象的分类提取结果的总精度达到92.2701%和Kappa系数达到0.8534，完全达到预期结果，可以清提取不同道路类型。该方法的应用对道路建设规划具有重要意义。

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 论文的研究内容和结构安排 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 研究区介绍和数据预处理 8

2.1 研究区域概况 8

2.2 数据源和获取 8

2.3 GF-2号图像数据预处理 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 提取道路材料信息的过程 17

3. 1 最佳分割尺度 17

3.2 纹理特征 18

3.3 光谱特征 21

3.4 提取基于面向对象的道路材料 23

3.4.1 提取裸土道路 23

3.4.2 沥青路提取 24

3.4.3 铁路的提取 25

3.4.4 提取水泥道路 26

3.5 实地考察验证修正 27

3.6 本章小结 29

第4章 道路材料提取结果及精度分析 30

4.1 道路材料信息提取结果 30

4.2 精度评价方法 31

4.3 评价结果的精度 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

遥感卫星获得的图像随着社会的不断发展，逐渐发展成为对地观测系统的数据源。遥感技术获取的目标地物图像分辨率呈上升趋势，获取的地物信息更加丰富，进一步提取和处理地物信息变得尤为重要。与遥感应用的主要研究方向相比，但在获取高分辨率图像的同时，各种干扰因素随之而来，背景干扰、系统噪声和环境因素的处理给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，是不同地区沟通的重要手段。交通道路以要想富，先修路为理念，是交通要塞的重要组成部分，道路信息的提取也成为研究热点。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。

随着交通道路的快速发展，道路的规划和建设已经遍布各个角落，机动化水平的快速提高也导致了道路的复杂性。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，没有路，走的人多了就成了路。当时道路比较单一，道路材料一般有裸土和木质材料。随着经济的发展，道路建设的完善和复杂性，由于我国地形主要分为三个阶梯，西高东低，道路分布复杂。城市道路、山路、农村道路的材料建设、分布、复杂性也不同
。

因此，当遥感技术不成熟时，需要手动收集道路分布和材料信息提取。在如此庞大的土地和复杂的道路分布中采取数据，无异于巨大的工作量，需要浪费巨大的人力资源和财力。在此背景下，提取和发展遥感图像道路信息已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。基于高分辨率图像，有效提取道路材料信息不仅可以减少人力、物力和财力的消耗，还可以大大降低交通道路的获取时间，快速响应自然灾害的发生，及时发现道路是否畅通、完整，根据道路材料预测可承受最大重量，判断救灾车辆的顺利通过，对道路分析和应急处理起着重要作用。道路信息的提取过程受树木、道路不规则、车辆和道路旁的基础设施的影响。提取结果有时不令人满意。通过基于规则的多次实验调试，寻求最佳的提取规则。

随着遥感技术的不断更新，遥感图像数据中包含的信息变得更加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。

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。

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

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。

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

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

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。

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]。

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。

图2. 3 大气校正前（a）后（b）影像图

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。

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。

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。

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。

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

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

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

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。

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。

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。

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]。

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。

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

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。

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

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

[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。

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

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

[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。

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。

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

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。

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

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。

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