高分辨率遥感影像在交通限行决策中的应用

高分辨率遥感影像在交通限行决策中的应用2013年12月24问题的提出高分辨率遥感面向对象的高分辨率遥感影像分析概念与模型构建基于高分辨率遥感数据的分析实例一、问题的提出。问题的提出当前，交通拥堵几乎已经成了许多城市的不治之症。为缓解交通拥堵，加大道路建设供给，积极发展城市轨道交通，推进智能交通管理，同时出台了诸“单双号限行”、“摇号购车”等措施。然而实践证明，道路建设速度始终跟不上机动车的增长速度，限行、限购不符合市场经济规律，不能治本，甚至还会引发更深层次的社会问题。问题的提出对此，优先发展城市公共交通成为国家重大交通战略方针。如何对有限的城市核心区域道路资源进行优化配置，优先供给公共交通，是落实“公共交通优先战略”的内在要求。对于有限的交通路网资源，要保证公交优先，保障道路畅通，只能限制小型车辆等载客数量少的车型在高峰时段进入某些核心路段。问题的提出在实际交通管制中限制货车在特定时段进入核心城区的做法即是这一思想的体现。对于小车如何限行及在哪些时段、哪些路段限行，需要如何以科学准确的数字来量化其效果，制定有效的交通管理政策，是在实际工作中需要解决的问题。对上述问题，有学者提出了城市道路资源占有率的概念，并把该问题归于车辆的出行调查。就目前文献调研发现，采用的做法是通过人工调查或依靠地面摄像头采集数据进行分析。这些方法费时费力，时间周期长，效率低下，数据可视化程度低。高分辨率对地观测数据具有覆盖范围广、分辨率高、信息全面而真实、重返周期短、可全天时全天候获取数据等特点，将其应用在城市群交通管理中可有效摸清城市群的交通现状和存在的问题，为城市群一体化综合交通规划提供决策支持。目前，将高分辨率遥感技术应用于交通领域，被称为ＲＳ－Ｔ（Ｒｅ－ｍｏｔｅＳｅｎｓｉｎｇｏｎＴｒａｎｓｐｏｒｔａｔｉｏｎ），作为一个崭新的研究领域，充满活力。特别是高分辨率对地观测系统作为国家战略技术发展后，很多高分辨率遥感影像得到商业化应用，为其研究和应用开辟了广阔的发展空间。纵观近年来国内外遥感技术在交通调查方面的研究，主要集中在公路ＯＤ调查、居民出行调查、交通量调查、车速调查及城市土地利用调查等方面，但都尚在初步探索阶段。对此，我们提出采用高分辨率遥感数据提取路网信息，引出新的道路交通资源占用率和道路交通出行贡献率的概念及数学模型，以方便快捷地为交通管制政策制定提供准确依据。二、高分辨率遥感自二十世纪六十年代遥感技术出现至今五十年里，遥感技术有了长足的发展，尤其自1999年世界上第一颗高分辨率商业卫星发射成功以来，全球相继成功发射了数十颗高分辨率遥感卫星。如1999年9月24日，美国空间成像公司(SpacingImaging)成功发射的IKONOS卫星，是世界上第一颗提供高分辨率卫星影像的商业遥感卫星，其全色影像的空间分辨率为1.0m，多光谱影像的空间分辨率为4.0m；2001年10月18日，美国数字地球公司(DigitalGlobe)发射的QuickBird卫星，是世界上最先提供亚米级分辨率的商业卫星，全色影像的空间分辨率为0.61m，多光谱影像的空间分辨率为2.44m；2007年，美国数字地球公司(DigitalGlobe)又发射的WorldViewⅡ卫星影像，全色影像的空间分辨率为0.46m，多光谱影像的空间分辨率为1.8m；2008年，美国GeoEyeFoundation成功发射了GeoEye-1卫星影像，全色影像的空间分辨率为0.41m，多光谱影像的空间分辨率为1.65m；2008年，美国侦查卫星锁眼KH-12影像的空间分辨率达到15cm。现代卫星遥感已呈现出“三高”(高光谱分辨率、高空间分辨率、高时间分辨率)和“三多”(多传感器、多平台、多角度)的发展趋势。在国内外，高分辨率卫星资料广泛应用于测绘制图、国土资源管理、城市规划、资源开发、环境监测、精准农业、林业测量、海洋探测、军事目标识别等各个行业和邻域并发挥着非常重要的作用。高分辨率遥感通常指的是高空间分辨率遥感，它是目前广大遥感工作人员关注的指标之一，目前卫星遥感影像的空间分辨率已经从米级到亚米级甚至到厘米级。与中、低空间分辨率遥感相比，高空间分辨率遥感有更加丰富的空间信息和更清晰的细节纹理信息等，使得与周围地物邻域关系能更好的表达和反映，但同时同类地物的内部光谱差异逐渐增大。当前高空间分辨率遥感影像信息提取若采用传统基于像元的光谱信息提取技术，已经不能满足要求。快速、准确的信息提取技术已成为制约高空间分辨率卫星数据实际应用的主要瓶颈，面向对象的图像分析技术为高空间分辨率遥感影像信息提取提供了新的思路和方法。三、面向对象的高分辨率遥感影像分析遥感影像分析方法中主要分为基于像元和面向对象两类。基于像元的信息提取是根据影像的光谱信息特征进行，而高空间分辨率遥感影像的空间信息丰富，但光谱信息很少，因此，基于像元的光谱信息提取常常会出现错分、漏分现象。同时，对于“同物异谱”或“同谱异物”信息提取结果会存在更为严重的“椒盐现象”，使提取结果精度大大降低。近年来，尽管一些学者在信息提取上进行了大量研究，如神经网络、决策树、专家系统等，在一定程度上虽然提高了信息提取的精度，但从本质上讲，仍是基于像元层次，不能满足高分辨率遥感影像信息提取的要求。面向对象的信息提取核心问题是对遥感影像精确的分割成为一个个影像对象，再对影像对象区域进行信息提取和分析。它是综合影像对象的光谱、形状、纹理、层次、邻域、空间位置、类间关系等特征信息对影像进行分割得到同质对象，再根据目标地物的实际要求进行提取，这就大大地提高了信息提取的质量和精度。因此，这种面向对象的信息提取方法无论在理论上还是在实际应用中都比传统的基于像元方法有很大的优势。遥感图像分割方法的研究，将会推进遥感信息提取技术从基于像元过渡到面向对象的识别。1、影像分割利用面向对象的遥感影像分类方法进行分类前,必须借助影像分割方法来获得对象。影像分割是一种重要的影像分析技术,是指把影像分成各具特性的区域并提取出感兴趣区域的技术和过程。影像分割是由影像处理到影像分析的关键步骤,在影像处理中占有重要地位。一方面,它是要素表达的基础,对特征测量有重要影响;另一方面,因为影像分割及其基于分割的要素提取、特征提取和参数测量等将原始影像转化为更抽象更紧凑的形式,使得更高层次的影像分析和理解成为可能。常见的影像分割有两种：一种是依据区域间边界像元灰度不连续性的点相关的分割算法,可称为基于边界的影像分割算法；另一种是利用同一区域内灰度特征与纹理特征相似性的区域相关分割算法,可称之为基于区域的影像分割。基于边界的分割方法主要是利用边界像元具有灰度不连续性的特点检测出区域间的边界，实现影像分割。其根据检测方式不同分为两类：(1)点到线，由先检测出的边缘点组成目标的边界而实现的分割，如Hough变换法、微分算子法等；(2)顺序搜索，从边界起始点开始，顺序确定目标的边界而实现的分割，如曲线拟合法、边界跟踪法等。由于边界分割方法只利用了局部的信息，同时受图像噪声影响较大，图像分割的边界往往是非闭合或非连通的，因而在实际应用中受到一定的限制。基于区域的影像分割方法又可分为区域生长和分裂合并两种不同的方法。1)区域生长算法。其基本思想是将影像内相邻邻域内的具有相似性质的像元全部集合起构成区域。具体过程是先确定一种生长或相似度准则，在分割影像目标区域内选定一个种子像元作为生长点，根据事先确定的准则，将种子像元与周围邻域中的种子像元进行比较，将与种子像元有相同或相似性质的像元进行合并到种子像元所在的区域中，重复上面的过程，直到不再有满足相似度准则的邻域像元要求时，该区域的生长过程结束，生成了多边形对象。区域生长法对于连通均匀的目标区域分割效果较好，但它对种子像元的选择依赖性很大，不同种子像元的选择和区域生长准则的设计直接影响影像对象分割的结果，如果种子像元选择或者准则设计不合理，就会造成影像对象“过度分割”或者“分割不足”现象。2)分裂合并法，其过程刚好与区域生长算法的过程相反。其基本思想是从整个影像开始不断分裂成若干任意大小且不重叠的影像对象，然后按影像对象内“同质性最大、异质性最小”的原则将较小影像对象合并成多边形。分裂合并法核心就是设置分裂合并对象准则和确定停止对象合并条件。由于区域合并法的实体是影像对象，合并时不仅要考虑对象内像元的光谱信息，同时要考虑影像对象的形状、纹理信息，在不同尺度范围内实现影像对象类别的稳定性和单一性，从而保证影像对象在一定尺度范围内分割结果和精度要求。另外，区域合并法还涉及到语义信息，每层影像对象不仅具有与相邻对象的语义信息，同时还继承了父类或者子类对象的语义信息，这为我们评价空间格局变化提供方便。3)多尺度分割多尺度分割是自下而上的方法，是基于区域合并算法，以单个像元为生长点，采用区域生长算法生成小的影像对象，再用区域合并算法对小影像对象合并成较大的影像对象，在影像对象合并过程中，影像对象遵循异质性最小原则进行合并。2、影像对象的特征定量描述方法影像对象的特征是影像分割、分析与信息提取的主要依据，从概念上来讲，影像对象特征可分为如下几类：(1)本质(固有)特征:影像对象物理属性特征，它由真实的地理实体和影像成像状态(主要由传感器和太阳辐射)所决定。这类特征主要是影像对象的光谱、形状和纹理等特征进行描述。(2)拓扑特征:描述影像对象之间的几何关系特征，如影像对象A是相邻于影像对象B的左、右还是两影像对象相距一定距离等特征。(3)上下文特征:描述影像对象层间的语义关系特征，如广场一定是与道路连通等。上述特征在面向对象影像分析里，通常用影像对象特征、类间相关特征和全局特征来表示。3、影像对象的分类面向对象的遥感影像分类技术不仅考虑了影像对象的特征，如光谱、形状、纹理、层次，而且也考虑了类间相关特征，如与邻域对象、父对象、子对象，同时也考虑了全局特征，如全局对象个数、分辨率等一系列相关特征，它是结合人的思维模式，通过人机交互构建知识库，提取出符合实际目标地物，提高了信息提取的精度。面向对象遥感影像分类方法的一般步骤是：（1）对预处理后的遥感影像进行分割,得到同质对象,使得分割后的对象满足下一步分类或目标地物提取的要求；（2）再根据遥感分类或目标地物提取的具体要求,检测和提取目标地物的多种特征(如光谱、形状、纹理、阴影、空间位置、相关布局等),建立分类体系；（3）最后采用分类算法（如模糊分类、最邻近分类）,实现地物类别信息提取的目的。随着遥感图像空间分辨率的提高，遥感图像中蕴含了丰富的地物信息。高分辨率遥感图像中道路上的车辆也成为越来越清晰的对象，这就提供了更多的交通信息，是交通规划与管理所需的交通流数据很好的来源。利用遥感图像提取道路上的车辆对象，可以测量路段车流密度，加上时间轴，还可以提取交通流量等数据。因此高分辨率卫星遥感给城市交通信息采集带来了新的思路，如下图所示。高分辨率遥感图像车辆分类与信息提取排队长度车辆分类车辆计数车流密度平均速度交通流量占有率……图像处理数学模型处理具体来说，遥感图像作为交通信息的数据来源具有观察范围广，易更新，周期短等优势。利用遥感图像为交通信息源可以更好的满足交通信息服务的范围广、准确、实时的要求，缩短更新时间。四、概念与模型构建1、道路交通资源占用率道路交通资源占用率可定义为同种车型长度总和在某条路段上的长度百分数，即：Z=Σ𝑙Σ𝐿X100%(1)式中：Ｚ代表某种车型的道路交通资源占用率；l代表某种车型的车长，Σl代表在某条路段上该车型的长度总和；L代表某条路段的长度，如果要评价整个城市路网上某种车型的交通资源占用率，ΣL则代表整个城市路网上路段的长度和。由于实际交通道路等级的多样性，表现为一路多道；同时在车辆行驶中，车辆在高分遥感影像拍摄采样瞬间并非处于某条绝对直行车道，故车辆行驶瞬时存在穿行复杂性。因此，在实际计算中式（１）存在一定困难，仅适用于不分行驶方向的单向道路。对于双向多车道的道路，交通道路长度Ｌ的