第4节 鲁棒道路网络识别与提取
“鲁棒”一词来自于英文单词“robust”，表示健壮的意思。上文建立的道路识别系统是否是鲁棒的？如果答案是否定的，那么如何才能构建鲁棒的道路识别与提取系统？本章将着重解决这些问题。
4.1 概述
上文构建的道路网络识别与提取系统是否具有很好的鲁棒性？答案是否定的。原因非常简单：当待处理的彩色城市交通地图图像的颜色发生变化时，该系统可能就完全失效。
上文构建的道路网络识别与提取系统之所以能够取得很好的识别效果的主要原因是：地图图像的规范化处理非常有效。试想：如果地图图像的规范化处理的效果很差或完全失效，该系统还能取得好的道路网络识别效果吗？地图图像的规范化处理在道路网络的识别与提取的过程中起着至关重要的作用：它识别出了绝大部分的道路和区域。正是由于这些已经识别的道路和区域，那些噪声分类准则才能基本正确有效地对地图图像中的噪声进行分类。
当待处理的地图图像的颜色发生变化时，地图图像各个图元的颜色特征也随之变化；因此，必须要重新提取地图中各类对象的颜色特征值。否则，地图图像的规范化处理的效果差或完全失效是勿庸置疑的，进而导致整个道路网络识别与提取系统不能识别和提取出道路网络。
那么，怎样才能构建鲁棒的道路网络识别与提取系统呢？文献【41】提出一个闭环的道路网络识别与提取系统（简称为闭环识别系统或闭环系统）。文献【42】对闭环系统做了详细的论述，并指出一些闭环系统无法避免的问题。本文在论述闭环系统的基础上，对闭环系统的可行性作些详细分析；并在对地图图像的道路和区域自动规范化研究的基础上，提出一种构建鲁棒的道路网络识别与提取系统的方法（简称为基于自动规范化的道路识别系统）。
4.2 闭环识别系统
上文提出的道路网络识别与提取系统是一个开环系统，系统不具备自适应性和自我调节能力；而闭环系统具有较强的自适应性和自我调节的能力。下面将对闭环系统构建的基本思想【42】及其可行性作一些论述或分析。
4.2.1 闭环系统构建的基本思想
构建一个闭环系统，称为地图道路信息综合识别系统。把地图中不同类型的层次识别过程作为这个闭环系统中并联的子系统，通过对它们输出区域的比较，使闭环系统的综合输出的道路信息成为可观变量，对每个层次识别子过程进行反馈优化调节，再综合获得改善的道路网络识别率。图4.0 是其示意图。
2) 建立直接识别道路的“道路网络图层模式识别过程系统”（Road 子系统）。研究和试验基于道路的色彩、线状、连通、网络等特征进行综合识别的多种道路网络层模式识别的特定算法。解析出道路识别率与误识别率受其特征评价函数阀值影响的统计模型。识别出的“道路” 记为R。但R 可能只包含部分真实道路（计为R1），R 也可能涵盖了部分不是路的区域（计为A2），故有R = R1∪A2。对选定的算法，找出合适的特征评价函数阀值初始值使R1 较大而A2 极小。
3) 建立排除道路的“非路区域图层模式识别过程系统”（Area 子系统）。基于交通地图源的“非路即区域”特征，研究和试验基于区域的色彩、面状、孤立、闭合等特征进行综合识别的多种非路区域图层模式识别的特定算法。解析出非道路区域识别率与误识别率受其特征评价函数阀值影响的统计规律。识别出的“非路区域”记为A。但A 可能只包含部分非路区域（计为A1），A 也可能涵盖了部分真实道路（计为R2），故有A = A1∪R2。对选定的算法，找出合适的特征评价函数阀值初始值使A1 较大而R2 极小。
4) 构建“地图道路信息综合识别系统”如图4.0。通过两个并联子过程（即“道路网络图层模式识别过程系统”与“非路区域图层模式识别过程系统”）对输入的彩色栅格交通地图各自处理，分别获得道路网络图层输出R 与非路区域图层输出A。我们希望两图层（R、A）既不重合（即其交R∩A=0）又能完全覆盖整图总区域M（即其并R∪A = M）。注意到R∩A > 0 时则并联子过程至少有一个存在误判，而R∪A < M 时则并联子过程至少有一个存在漏判，因此我们取R∩A 与R∪A 作为综合识别系统的输出误差量测函数，并在此基础上，对两个并联子过程同时进行反馈决策控制。设计的一组反馈控制策略，分别用以调整Road、Area 两子过程系统中的特征评价函数中的阀值矢量，使得道路网络图层Road、非路区域图层Area 的识别输出R 与A 能够向我们希望的方向发展。也就是说，地图道路信息综合识别系统的优化目标数学表达式可表示为：R∩A → 0 （误判率→ 0）与 R∪A → M（漏判率→ 0）。这组反馈控制策略选择得当，可望同时实现R1 → R → 全部道路，同时Area 子系统输出A1 → A → 全部非路区域。
5) 以上构建的地图道路信息综合识别系统（含Road、Area 两个受控过程子系统）优化目标（R∩A → 0 与R∪A → M）的实现过程，采用的反馈控制策略（道路识别阀值调整策略与非路区域阀值调整策略）应使得两个子系统分别获得输出R1 → R 与 A1 → A （即A2→ 0，R2 → 0），并且R∪A → M，从而有R1∪A1 → M（也即R → 全部道路网络，A → 全部非路区域）。
4.2.2 闭环系统的可行性分析
虽然闭环系统的构建思想非常新颖，然而它的可行性还需要进一步分析。就上文构建的闭环系统来说，它至少存在以下问题尚待解决：
1. 图像预处理能否达到预期的效果以及其预期目标是否合理。能否通过消噪、清除孤立点、清除文字图标、色调亮度反差调整等处理，使常规预处理后的栅格图像基本清晰地由两类（道路网络与非路区域）图层所覆盖？只有在确定了地图中哪些图元或像素是噪声，我们才能选取合理的方法来消除噪声。在没有确定道路网络与非路区域两类图层之前，如何定义噪声？文字和图标是纸质地图图像的重要组成部分，也是影响纸质地图图像道路网络识别的主要因素。道路上的噪声主要是文字噪声，合理地消除道路上的文字噪声是道路网络识别的关键所在。如何确定哪些像素是构成文字的像素？由文字笔划构成的封闭块显然不属于孤立块噪声；由文字笔划之间的细线条段的颜色显然也不能用文字的颜色替代。那么，如何确定孤立块和细线条段？ 如果常规预处理后的栅格图像基本清晰地由两类（道路网络与非路区域）图层所覆盖，那么还需要构建闭环系统吗？总之，图像预处理的预期效果的可达性及预期目标的合理性还有待于进一步研究。
2. 特征评价函数如何确定及其应用是否合理。在Road 子系统中，没有准确完整的道路网络作为参考，如何确定道路的识别率与误识别率？同样，在Area 子系统中，没有准确完整的非路区域作为参考，如何确定非路区域的识别率与误识别率？就目前而言，道路和非路区域的识别率与误识别率及受其特征评价函数阀值影响的解析的数学模型或统计模型还没有建立。对于已经识别出来的非路区域和道路，如何判别其中误识别的部分？如果不能判断出误识别的部分，还能找出合适的特征评价函数阀值初始值使A1 较大而R2 极小（或R1 较大而A2 极小）吗？如果能判别出误识别的部分，选取或研究合适的算法消除误识别的部分不是更好吗？故而，特征评价函数的存在性及其应用的合理性的问题尚待解决。
3. 优化目标是否合理及其实现思路是否可行。地图道路信息综合识别系统的优化目标数学表达式为：R∩A → 0 （误判率→ 0）与 R∪A → M（漏判率→ 0）。优化目标实现的思路是：设计一组反馈控制策略，分别用以调整Road、Area 两子过程系统中的特征评价函数中的阀值矢量，使得道路网络图层Road、非
路区域图层Area 的识别输出R 与A 能够向我们希望的方向发展。这种思路的关键在于设计出一组反馈控制策略；但是，这组反馈控制策略是否存在？即使这组反馈控制策略存在，如何找出这组反馈控制策略？即使设计出这组反馈控制策略并且达到了优化目标，怎样才能判断出R1 → R → 全部道路、 A1 → A → 全部非路区域？因此，地图道路信息综合识别系统的优化目标的合理行及其实现思路的可行性还要进一步论证。
综上所述，就目前的研究进展而言，闭环系统的实现尚需时日。那么怎样构建出鲁棒性好的道路网络识别与提取系统？ 这是下文将要解决的主要问题。
4.3 基于自动规范化的道路识别系统
在地图规范化处理的基础上，利用噪声分类准则对地图上的噪声进行合理的、有效的分类；这是第三章中道路网络识别与提取算法的设计思想。地图规范化处理是该算法的基石，它仅仅利用了地图的颜色特征；如果地图图像的颜色发生改变，该规范化处理方法就不能取得良好的规范化效果，从而影响道路网络的识别与提取。因此，设计出对地图图像颜色变化具有良好适应性的规范化算法是实现鲁棒的道路网络识别与提取系统的关键。下文设计并实现的自动规范化算法就属于此类规范化算法。
4.3.1 自动规范化算法
自动规范化算法的基本思想是：分析交通地图图像中道路和区域的一些特征，建立识别区域和道路的测度；根据区域和道路的识别测度，提取出各类区域和道路的灰度值；再利用这些提取的灰度值对原始的地图图像进行规范化处理。自动规范化处理有三个关键步骤：
1） 图像预处理：灰度化和中值滤波处理；
2） 提取图像中各类区域和道路的灰度值；
3） 利用提取的区域和道路灰度值规范化备份的地图图像。自动规范化算法的原理图参见图4.1。
1） 图像预处理
由于图像的灰度化和中值滤波处理对原始地图图像T 具有不可恢复性；因此，在图像预处理之前先要备份原始地图图像并记备份的地图图像为Tb。灰度化处理，就是对地图图像T 中的每个像素做如下处理：
2） 提取各类区域和道路灰度值
对于彩色栅格城市交通地图图像来说：道路一般呈现长条形，其长度和宽度之比较大，并且道路具有方向性；而区域一般呈块状，其长度和宽度之比相对较小。另外，图像中同一类对象的颜色大体一致。
获得了地图图像中各对象的特征后，如何利用这些特征把各类地理对象有效地用数学语言描述出来是识别地理对象的关键。结合对象的特征和子图像的概念，下文定义了一种道路和区域的数学表示方法。
一般的地图图像都存在多类不同性质的道路和区域；因此，提取的区域或道路的灰度值也有几个不同的数值。数组可以存储多个同类型的数据，故可以用两个数组GrayA(存储提取的区域灰度值)和GrayR（存放提取的道路灰度值）来存放提取到的区域和道路的灰度值。由于像素的灰度值处在0 和255 之间，所以可以该范围之外的任意一个数值初始化这两个数组。接下来，利用定义4.1 提取出地图图像中每类区域的灰度值，并存放在数组GrayA 中。最后，提取地图中各类道路的灰度值，并存放于数组GrayR 中。
在图像的颜色未改变的情况下，上面的实例显示了较好的规范化效果。下面将利用该算法对颜色改变后的地图图像作规范化处理。利用图形编辑软件ACDSee 对图3.13 作曝光处理，处理后的图像参见图4.4，应用自动规范化算法对图4.4 进行规范化处理的效果图参见图4.5。虽然在视觉上图3.13 和图4.4 没有多大的区别，但是图4.4 中各个像素的颜色和图3.13 相比已经发生了变化。此时，在不改变事先提取的各个地图图元的颜色特征值的情况下，利用交互式地图规范化处理方法对图4.4 和图4.13 进行规范化处理，则至少两者之一将达不到预期的地图规范化效果。
4.1 概述
上文构建的道路网络识别与提取系统是否具有很好的鲁棒性？答案是否定的。原因非常简单：当待处理的彩色城市交通地图图像的颜色发生变化时，该系统可能就完全失效。
上文构建的道路网络识别与提取系统之所以能够取得很好的识别效果的主要原因是：地图图像的规范化处理非常有效。试想：如果地图图像的规范化处理的效果很差或完全失效，该系统还能取得好的道路网络识别效果吗？地图图像的规范化处理在道路网络的识别与提取的过程中起着至关重要的作用：它识别出了绝大部分的道路和区域。正是由于这些已经识别的道路和区域，那些噪声分类准则才能基本正确有效地对地图图像中的噪声进行分类。
当待处理的地图图像的颜色发生变化时，地图图像各个图元的颜色特征也随之变化；因此，必须要重新提取地图中各类对象的颜色特征值。否则，地图图像的规范化处理的效果差或完全失效是勿庸置疑的，进而导致整个道路网络识别与提取系统不能识别和提取出道路网络。
那么，怎样才能构建鲁棒的道路网络识别与提取系统呢？文献【41】提出一个闭环的道路网络识别与提取系统（简称为闭环识别系统或闭环系统）。文献【42】对闭环系统做了详细的论述，并指出一些闭环系统无法避免的问题。本文在论述闭环系统的基础上，对闭环系统的可行性作些详细分析；并在对地图图像的道路和区域自动规范化研究的基础上，提出一种构建鲁棒的道路网络识别与提取系统的方法（简称为基于自动规范化的道路识别系统）。
4.2 闭环识别系统
上文提出的道路网络识别与提取系统是一个开环系统，系统不具备自适应性和自我调节能力；而闭环系统具有较强的自适应性和自我调节的能力。下面将对闭环系统构建的基本思想【42】及其可行性作一些论述或分析。
4.2.1 闭环系统构建的基本思想
构建一个闭环系统，称为地图道路信息综合识别系统。把地图中不同类型的层次识别过程作为这个闭环系统中并联的子系统，通过对它们输出区域的比较，使闭环系统的综合输出的道路信息成为可观变量，对每个层次识别子过程进行反馈优化调节，再综合获得改善的道路网络识别率。图4.0 是其示意图。
2) 建立直接识别道路的“道路网络图层模式识别过程系统”（Road 子系统）。研究和试验基于道路的色彩、线状、连通、网络等特征进行综合识别的多种道路网络层模式识别的特定算法。解析出道路识别率与误识别率受其特征评价函数阀值影响的统计模型。识别出的“道路” 记为R。但R 可能只包含部分真实道路（计为R1），R 也可能涵盖了部分不是路的区域（计为A2），故有R = R1∪A2。对选定的算法，找出合适的特征评价函数阀值初始值使R1 较大而A2 极小。
3) 建立排除道路的“非路区域图层模式识别过程系统”（Area 子系统）。基于交通地图源的“非路即区域”特征，研究和试验基于区域的色彩、面状、孤立、闭合等特征进行综合识别的多种非路区域图层模式识别的特定算法。解析出非道路区域识别率与误识别率受其特征评价函数阀值影响的统计规律。识别出的“非路区域”记为A。但A 可能只包含部分非路区域（计为A1），A 也可能涵盖了部分真实道路（计为R2），故有A = A1∪R2。对选定的算法，找出合适的特征评价函数阀值初始值使A1 较大而R2 极小。
4) 构建“地图道路信息综合识别系统”如图4.0。通过两个并联子过程（即“道路网络图层模式识别过程系统”与“非路区域图层模式识别过程系统”）对输入的彩色栅格交通地图各自处理，分别获得道路网络图层输出R 与非路区域图层输出A。我们希望两图层（R、A）既不重合（即其交R∩A=0）又能完全覆盖整图总区域M（即其并R∪A = M）。注意到R∩A > 0 时则并联子过程至少有一个存在误判，而R∪A < M 时则并联子过程至少有一个存在漏判，因此我们取R∩A 与R∪A 作为综合识别系统的输出误差量测函数，并在此基础上，对两个并联子过程同时进行反馈决策控制。设计的一组反馈控制策略，分别用以调整Road、Area 两子过程系统中的特征评价函数中的阀值矢量，使得道路网络图层Road、非路区域图层Area 的识别输出R 与A 能够向我们希望的方向发展。也就是说，地图道路信息综合识别系统的优化目标数学表达式可表示为：R∩A → 0 （误判率→ 0）与 R∪A → M（漏判率→ 0）。这组反馈控制策略选择得当，可望同时实现R1 → R → 全部道路，同时Area 子系统输出A1 → A → 全部非路区域。
5) 以上构建的地图道路信息综合识别系统（含Road、Area 两个受控过程子系统）优化目标（R∩A → 0 与R∪A → M）的实现过程，采用的反馈控制策略（道路识别阀值调整策略与非路区域阀值调整策略）应使得两个子系统分别获得输出R1 → R 与 A1 → A （即A2→ 0，R2 → 0），并且R∪A → M，从而有R1∪A1 → M（也即R → 全部道路网络，A → 全部非路区域）。
4.2.2 闭环系统的可行性分析
虽然闭环系统的构建思想非常新颖，然而它的可行性还需要进一步分析。就上文构建的闭环系统来说，它至少存在以下问题尚待解决：
1. 图像预处理能否达到预期的效果以及其预期目标是否合理。能否通过消噪、清除孤立点、清除文字图标、色调亮度反差调整等处理，使常规预处理后的栅格图像基本清晰地由两类（道路网络与非路区域）图层所覆盖？只有在确定了地图中哪些图元或像素是噪声，我们才能选取合理的方法来消除噪声。在没有确定道路网络与非路区域两类图层之前，如何定义噪声？文字和图标是纸质地图图像的重要组成部分，也是影响纸质地图图像道路网络识别的主要因素。道路上的噪声主要是文字噪声，合理地消除道路上的文字噪声是道路网络识别的关键所在。如何确定哪些像素是构成文字的像素？由文字笔划构成的封闭块显然不属于孤立块噪声；由文字笔划之间的细线条段的颜色显然也不能用文字的颜色替代。那么，如何确定孤立块和细线条段？ 如果常规预处理后的栅格图像基本清晰地由两类（道路网络与非路区域）图层所覆盖，那么还需要构建闭环系统吗？总之，图像预处理的预期效果的可达性及预期目标的合理性还有待于进一步研究。
2. 特征评价函数如何确定及其应用是否合理。在Road 子系统中，没有准确完整的道路网络作为参考，如何确定道路的识别率与误识别率？同样，在Area 子系统中，没有准确完整的非路区域作为参考，如何确定非路区域的识别率与误识别率？就目前而言，道路和非路区域的识别率与误识别率及受其特征评价函数阀值影响的解析的数学模型或统计模型还没有建立。对于已经识别出来的非路区域和道路，如何判别其中误识别的部分？如果不能判断出误识别的部分，还能找出合适的特征评价函数阀值初始值使A1 较大而R2 极小（或R1 较大而A2 极小）吗？如果能判别出误识别的部分，选取或研究合适的算法消除误识别的部分不是更好吗？故而，特征评价函数的存在性及其应用的合理性的问题尚待解决。
3. 优化目标是否合理及其实现思路是否可行。地图道路信息综合识别系统的优化目标数学表达式为：R∩A → 0 （误判率→ 0）与 R∪A → M（漏判率→ 0）。优化目标实现的思路是：设计一组反馈控制策略，分别用以调整Road、Area 两子过程系统中的特征评价函数中的阀值矢量，使得道路网络图层Road、非
路区域图层Area 的识别输出R 与A 能够向我们希望的方向发展。这种思路的关键在于设计出一组反馈控制策略；但是，这组反馈控制策略是否存在？即使这组反馈控制策略存在，如何找出这组反馈控制策略？即使设计出这组反馈控制策略并且达到了优化目标，怎样才能判断出R1 → R → 全部道路、 A1 → A → 全部非路区域？因此，地图道路信息综合识别系统的优化目标的合理行及其实现思路的可行性还要进一步论证。
综上所述，就目前的研究进展而言，闭环系统的实现尚需时日。那么怎样构建出鲁棒性好的道路网络识别与提取系统？ 这是下文将要解决的主要问题。
4.3 基于自动规范化的道路识别系统
在地图规范化处理的基础上，利用噪声分类准则对地图上的噪声进行合理的、有效的分类；这是第三章中道路网络识别与提取算法的设计思想。地图规范化处理是该算法的基石，它仅仅利用了地图的颜色特征；如果地图图像的颜色发生改变，该规范化处理方法就不能取得良好的规范化效果，从而影响道路网络的识别与提取。因此，设计出对地图图像颜色变化具有良好适应性的规范化算法是实现鲁棒的道路网络识别与提取系统的关键。下文设计并实现的自动规范化算法就属于此类规范化算法。
4.3.1 自动规范化算法
自动规范化算法的基本思想是：分析交通地图图像中道路和区域的一些特征，建立识别区域和道路的测度；根据区域和道路的识别测度，提取出各类区域和道路的灰度值；再利用这些提取的灰度值对原始的地图图像进行规范化处理。自动规范化处理有三个关键步骤：
1） 图像预处理：灰度化和中值滤波处理；
2） 提取图像中各类区域和道路的灰度值；
3） 利用提取的区域和道路灰度值规范化备份的地图图像。自动规范化算法的原理图参见图4.1。
1） 图像预处理
由于图像的灰度化和中值滤波处理对原始地图图像T 具有不可恢复性；因此，在图像预处理之前先要备份原始地图图像并记备份的地图图像为Tb。灰度化处理，就是对地图图像T 中的每个像素做如下处理：
2） 提取各类区域和道路灰度值
对于彩色栅格城市交通地图图像来说：道路一般呈现长条形，其长度和宽度之比较大，并且道路具有方向性；而区域一般呈块状，其长度和宽度之比相对较小。另外，图像中同一类对象的颜色大体一致。
获得了地图图像中各对象的特征后，如何利用这些特征把各类地理对象有效地用数学语言描述出来是识别地理对象的关键。结合对象的特征和子图像的概念，下文定义了一种道路和区域的数学表示方法。
一般的地图图像都存在多类不同性质的道路和区域；因此，提取的区域或道路的灰度值也有几个不同的数值。数组可以存储多个同类型的数据，故可以用两个数组GrayA(存储提取的区域灰度值)和GrayR（存放提取的道路灰度值）来存放提取到的区域和道路的灰度值。由于像素的灰度值处在0 和255 之间，所以可以该范围之外的任意一个数值初始化这两个数组。接下来，利用定义4.1 提取出地图图像中每类区域的灰度值，并存放在数组GrayA 中。最后，提取地图中各类道路的灰度值，并存放于数组GrayR 中。
在图像的颜色未改变的情况下，上面的实例显示了较好的规范化效果。下面将利用该算法对颜色改变后的地图图像作规范化处理。利用图形编辑软件ACDSee 对图3.13 作曝光处理，处理后的图像参见图4.4，应用自动规范化算法对图4.4 进行规范化处理的效果图参见图4.5。虽然在视觉上图3.13 和图4.4 没有多大的区别，但是图4.4 中各个像素的颜色和图3.13 相比已经发生了变化。此时，在不改变事先提取的各个地图图元的颜色特征值的情况下，利用交互式地图规范化处理方法对图4.4 和图4.13 进行规范化处理，则至少两者之一将达不到预期的地图规范化效果。
4.3.2 鲁棒道路网络识别过程
鲁棒的道路识别与提取过程是对第三章论述的道路网络识别与提取过程的改进。我们用自动规范化算法代替第三章论述的道路网络识别与提取过程的交互式规范化处理就得到鲁棒的道路识别与提取过程。之所以称鲁棒道路识别过程的原因是自动规范化算法比交互式规范化算法具有更好的鲁棒性。在地图图像颜色发生变化后，在不改变原有参数的情况下，交互式规范化算法的规范化达不到预期的规范化目标；相反，自动规范化算法却能取得较好的规范化效果。用鲁棒道路网络识别过程对图4.4 处理的结果参见图4.6 和图4.7。图4.6 是结合梯度算子和噪声特征的鲁棒道路网络识别与提取结果；图4.7 是基于噪声特征的鲁棒道路网络识别与提取结果。我们用郑州、南京、杭州等市的城市交通地图对该方法进行了验证，都取得了较好的效果。以郑州市城市交通地图为例，图4.8 是曝光处理后的城市交通图；图4.9 是结合梯度算子和噪声特征的鲁棒道路网络识别与提取结果；图4.10 是基于噪声特征的鲁棒道路网络识别与提取结果。
鲁棒道路网络识别与提取的过程中，由于没有加入鲁棒的消除特殊标志符号的算法，从而导致把特殊标志符号误识别为道路。消除特殊标志符号的鲁棒算法还有待于进一步研究。
