§5.1 引言
一张栅格交通地图中所包含的信息是很丰富的，主要有点状要素（如前面所说的标识符号）、线状要素（指那些道路、河流等）以及面状要素（区域部分）。虽然当前研究的重点是其中的道路信息（不可否认，这也确是最重要的信息，尤其对本文制作交通导航地图来说，更是如此），但是其他的许多信息也是非常有用的，例如一些城镇标识、河流、文字和一些区域的分界线，它们往往能够更好地给我们以位置提示，使我们能更加准确地定位，如能够将他们逐层地提取出来，对后面的矢量电子地图的制作也会有很大的帮助。而目前制作矢量电子地图的流程一般是先将地图中的道路信息提取出来，并进行矢量化等后续处理，这也是所要制作矢量电子地图最重要的一部分，然后再根据需要将其他信息（一些点信息、文字说明等）人工手动添加上去，这一方面影响了地图的生成效率，另一方面添加信息的位置的精确性难以保证，因为这些主要依靠人的视觉估计。
为此，本章就对地图中信息的分层提取作一个初步的研究，以丰富地图信息量的提取，提高地图的生成效率。需要说明的是，这里的所谓分层提取，并没有将地图中的所有信息都逐层提取出来，因为有些地图要素的识别提取是很困难的，如文字，由于制图的需要，图中的文字大小、颜色都不一样，而且还存在被其他要素遮盖等影响，并且不具有如道路等要素的一些明显的结构特征。关于文字提取的研究，有不少的文献[64-65] 对此作出了论述，这里就不再赘述。
§5.2 地图要素特征分析
关于地图的结构特征，前面已经对里面的一些要素做了一定的分析，如道路、标识符号等，这里仅就道路提取过程中未涉及到的一些其他要素作一个简要的说明。
边界要素：边界应该说是一个很重要的信息，从边界上我们能够看出该区域的大致形状，以及与该区域接触的周边区域信息。对于一幅完整的地图对来说，边界可以认为是一种道路，但是是封闭的道路曲线，而且并非如道路那样没有明显的转向等特征。由于边界本身的特点，它上面一般没有前面所说的标识符号，但是会存在道路、河流等信息（对于边界提取来说，这些也可以认为是噪声），周围邻接的是不同的区域，而且边界本身的宽度较大。
关于河流的提取：相对于上面的边界而言，河流的特点就比较复杂了，它没有道路的那种比较固定的拓扑结构，而且这里还存在着面积较大的湖泊等要素，它们与河流在颜色上被认为是同种要素，但实际上它们的结构特征又是完全不一样的：河流是线状的，那些较大的湖泊则是区域状的，对本文处理的对象来说，区域状的湖泊的提取要简单些。为了说明问题，这里对于河流的提取实际上也包含了上述两种要素的提取。
§5.3 信息分层提取
下面，我们就用具体的实例来实现地图信息的分层提取。我们所选用的地图来源于安徽省地图册[41] ，经扫描得到。
图5.1 安徽省滁州市滁州市区地图
§5.3.1 点信息—标识符号的提取
首先还是标识符号的提取，采用的方法主要还是模板匹配法，不过对有些标识符号不适用前面的模板匹配，因为这些符号的方向会发生变化，如国道标识，它们是沿着国道的方向的，而这里的模板匹配不具有旋转不变性，必须结合符号具体的特征采用不同的方法。从颜色上看，它的主体颜色和高等级道路（黄颜色道路）的颜色相近，但是道路比较长，而国道标识只是叠加在国道上用以标识的一小部分。因此，我们可以先用颜色特征将符号识别出来，然后再利用它与高等级道路的不同结构，把它们两者分开就可以实现国道标识的提取了。
具体步骤如下：使用颜色聚类的方法提取出高等级道路，此时，国道标识也被认为是高等级道路被提取出来；在区域规范化的基础上进行八方向法去噪声处理，因为道路上有一些比较大的噪声，如文字、铁路等将道路隔断，经过去噪声，可以使道路更加完整，从而使道路与国道标识易于分辨；最后，就是识别这个国道标识了，扫描图像，如果有高等级道路象素点，则以该点为中心，向其四邻域方向延伸成一个矩，矩形的大小在一定范围之内，如果满足矩形的四个边界上都没有高等级道路象素，则可认为矩形内部存在有国道标识，将其内部的高等级
道路象素点用其他的颜色代替即可。
这里仅显示提取的符号，不同类型的符号以不同的颜色标注。结果如图5.2：
图 5.2 标识符号提取结果
§5.3.2 线信息—边界、河流和道路的提取
接下来就可以进行边界的提取。边界具有较大的宽度，其被隔开的距离一般也不是很大，在进行颜色聚类的基础上，采用八方向法去除噪声就可以取得较为满意的效果。使用这一方法的前提是要辨识出目标要素和噪声，因此，要先进行区域规范化和边界信息的颜色聚类，这些都是比较简单的，就不具体说明了。一旦获得了边界的颜色信息，那么它上面的道路、文字、河流等噪声的去除就很简单了，直接使用八方向法即可，考虑到边界一般都比较宽，这里的阈值可以取大一些。由于颜色的不规则，有些边界信息会丢失，反映出来的结果则是边界上有许 多空穴，对于这些，可以采用一些窗口较大的模板加以平滑处理，以及数学形态学中的膨胀算法就能够填补这些空穴了。最后，因为有些地方原来的颜色与边界相近，也会被误认为边界，因此，在最后应该用自适应模板法（可取大一些，因为边界是相连的）去除这些孤立噪声。提取的结果如图5.3：
图 5.3 安徽省滁州市滁州市区地图边界提取结果
从提取的结果来看，基本上还是很准确的。
河流的提取：河流里面既有线状的也有区域状的，对于线状的来说，它的分布也没有特定的规则，包括它的连通性、走向、与地图中其他要素的关系等，因此，这一类信息的提取，也是主要依赖于颜色信息，并且经过颜色分析得知，河流与标识符号的颜色很相近，为了避免或减少干扰，应该在提取标识符号的基础上再进行河流的提取。从地图的颜色特征进行分析，区域内部与区域外部河流的颜色是有较大的差别的，在整幅地图中，省级道路与区域外部的河流颜色十分相近，完全用颜色信息难以将它们区分开。与前面提取道路信息的方法相似，还可以考虑他们的结构特征——宽度。省级道路的宽度要大于河流，虽然呈区域状的湖泊也具有较大的宽度，但是他们与道路的颜色有着明显的不同，很容易区分。因此，这里的河流信息的提取可以按照这样的步骤进行：首先是根据颜色特征提取区域状的湖泊以及与湖泊有着相近颜色的区域内部的河流；其次，再区域规范化的基础上，提取出省级道路以及与该种道路颜色相近的区域外部河流，由于道路的宽度大于河流的宽度，所以这时实际上也就得到了河流的信息；经过上面这两步，就实现了全部河流信息的提取。孤立的文字噪声的去除是很容易的。下面的图5.4 给出地图（部分）中河流的提取结果：
(a) 原图
(b) 河流提取结果
图5.4 河流的提取
道路的提取：道路的提取在第四章已经做了较为详细的论述，这里仅给出提取的结果如图5.5。
图 5.5 安徽省滁州市滁州市区地图道路提取结果
§5.4 结论
通过以上的各个步骤，分别提取出了地图中的点状信息（各种标识符号）、线状信息（道路、边界等），面状要素，主要是各种区域，并没有被作为目标信息来提取，因此在图像规范化这一步骤中，就将其作为噪声去除了。这些信息的分层提取，对于将来的矢量电子地图的制作是非常有意义的，这样的话，就能省却许多的人工手动添加地图中的信息了，从而提高矢量电子地图制作效率。当然，地图中还有许多信息没有被提取出来，有些信息的提取是有一定难度的，还有待于进一步的深入研究。
§5.5 基于鼠标交互的图像规范化
§5.5.1 基本概念
事实上，前面给出的图像规范化，包括一些文献中所给出的方法，针对的也还仅仅是某一类图像，都是对于某一幅图像，指定聚类中心，将各种要素进行归一化，因此最终得到的结果，也只是对那一类图像有效。尽管有些方法具有一定程度的鲁棒性，但是其运算速度又成了一个 问题。
从地图处理的过程来看，要实现自动提取，图像规范化，或者说是预处理，也就是通过这一步来将各类目标要素区别开是非常重要的，后面的细化、连接、矢量化等等处理都已经有了成熟的技术手段，完全可以在预处理的基础上实现自动化处理。因此，可以考虑结合人的模式识别的能力与计算机的数据处理功能，在人工识别出目标要素后（这一步是粗糙地提取），采取合适的算法对前一步的提取结果进行完善处理，最终实现信息的快速、准确的提取。
这里给出了一个图像规范化的方法，采用的算法还是基于颜色距离的聚类方法，实验证明这种方法还是非常有效的，尤其是对于彩色地图，有着丰富的颜色信息，该算法结合了它的颜色三个分量的距离，规范化的结果也比较令人满意，运算速度也是非常的快。
这里使用的是在地图上通过人眼观察，人为识别聚类各种要素。其中，在人工识别这一步骤，采用的还是基于颜色距离聚类算法，即在目标区域上用鼠标点击，程序记录下鼠标所点的位置和该位置点象素的颜色信息作为参考点，然后扫描整幅图像，对所有象素点，只要满足
就认为扫描到的点与鼠标点击的点是同一类的要素，用某种颜色加以标记。这里仍然使用的是崖边色距离公式，其中
就是鼠标所点击到的参考点，P(i, j) 是图像中其他所扫描到的点，th 是我们人为设置的阈值。对不同的目标，提取结果用不同的颜色表示。为了取得较好的规范化效果，这里要求图像的颜色分布要清晰，不能各种要素间互相其他要素的太多颜色。
§5.5.2 实例分析
下面就用一个具体的实例来说明使用这一方法进行图像规范化的具体过程：对图5.6 的这样一幅图像[40]
图 5.6 沈阳城市地图（局部）
首先用上面所说的方法进行区域规范化，运行程序，弹出对话框，选择“区域”后，在地图上的区域处点击，则该类的区域被规范化了，都被转换成我们预先设置好的白色；如果刚好有道路使用白色像素，那可以先对图像进行反色处理，在此基础上再进行规范化处理就行了。如果有多种区域，则需要对各个区域都进行处理。结果如图5.7、5.8 所示：
图 5.7 程序界面
图5.8 区域规范化结果
采用同样的步骤，我们对道路的归一化结果如图5.9（道路可以分级规范化，即不同的道路用不同的颜色标识，对于这里的地图，道路网络比较简单，也可以把所有的道路都规范化为一种颜色，这里就是把道路都转换成黑色）：
图5.9 道路规范化结果
在规范化的基础上进行信息的提取，就可以运用一些比较成熟的方法了，对于上面的这个地图，由于道路的宽度相对于噪声来说都比较大，采用八方向法、中值滤波去除噪声后，道路信息的提取结果如图5.10 所示，效果还是比较令人满意的：
图5.10 道路提取结果
由上面的分析已经可以看出，这种方法最大的优点就在于它的应用范围大大扩展了，无需在程序内部指定各类目标要素的参考颜色，从而对于不同的图像，可以直接在界面上人为指定，而且采用的算法基础保证了图像规范化结果的准确性，基本上实现了图像的快速、准确的规范 化处理，在此基础上就可以对这些信息进行自动提取了，整个过程人为干预的地方很少。尤其是对于那些目标要素具有较大的面积且颜色分布较为均匀时，误识别率将会很小。需要说明的就是，如果原图像的颜色制作误差较大或者规范化的目标要素（如道路）并没有较大的宽度时，那么使用该方法的效果就会大打折扣。
本章给出了地图信息的分层提取的一个实例，并作了一些分析，不过信息的提取并不是很完整，还有许多有用的信息这里没有进行处理。如果在此基础上能够进行进一步的研究，实现地图中所有信息的提取，则也就实现了矢量地图信息库的建立，大大缩短矢量地图的生成时间。 本章的后面部分针对图像的规范化处理给出了一个新的实现方法，它是基于像素点颜色的三个分量距离聚类的算法，采用界面上的指定聚类中心，而无需在程序内部进行，使得该方法的大多数类型的图像都有较好的规范化效果，实际的实验也表明了该方法的有效性。
