从高分辨率遥感影像中提取城市道路的新方法

合集下载

引入多尺度几何分析的高分辨率遥感影像城市道路信息提取方法研究的开题报告

引入多尺度几何分析的高分辨率遥感影像城市道路信息提取方法研究的开题报告一、研究背景和意义：高分辨率遥感影像是目前城市道路信息提取的一种主要数据源。

因为城市道路是城市基础设施中最基本的组成部分，因此准确提取城市道路信息对于城市规划、交通管理等方面具有重要的意义。

然而，由于城市道路的复杂性和多样性，传统的城市道路信息提取方法存在提取精度低、漏检率高等问题。

为解决这些问题，研究者们提出了多种基于遥感影像的城市道路信息提取方法，并且取得了一定的效果。

但是，由于城市道路的几何形态的多尺度特征，单一尺度的分析容易忽略道路表现出不同关键点之间的变化，从而导致在提取精度方面存在一定的局限性。

因此，以多尺度几何分析为理论基础，结合高分辨率遥感影像技术，对城市道路信息提取方法进行研究，对提高城市道路信息提取精度、减少漏检率具有重要的理论和实际意义。

二、研究内容和方法：1. 研究城市道路的多尺度几何特征，并建立相应的多尺度模型。

为了将不同尺度的信息进行有效的整合，研究者将采用基于不同滤波器的多尺度分层编码方法。

2. 借助高分辨率遥感影像技术，探究多尺度几何分析在城市道路信息提取中的应用。

研究者将根据建立的多尺度模型，设计基于遥感影像的城市道路信息提取算法。

3. 对算法进行实验验证。

研究者将选择城市道路信息提取中常见的遥感数据集对算法进行测试，并对比分析本算法与其他常用算法的优劣。

三、预期的研究成果：1. 建立城市道路的几何多尺度模型，用于分析城市道路的形态特征；2. 设计基于多尺度分层编码的高分辨率遥感影像城市道路信息提取算法，有效提高道路信息的提取精度；3. 验证算法的有效性，表明本算法在城市道路信息提取方面的优势。

四、研究难点和可行性：研究难点主要在于多尺度几何分析的建模和算法设计的复杂性，以及高分辨率遥感影像处理的难度。

这需要对几何分析和遥感影像数据处理技术有很高的认识和能力。

研究可行性在于目前城市道路信息提取的数据源主要是高分辨率遥感影像，而遥感影像技术已经相当成熟，同时在计算机视觉和模式识别方面也有很多成熟的算法可供借鉴，可以为本研究提供可靠的技术支持。

从高分辨率遥感影像中提取城市道路的新方法

从高分辨率遥感影像中提取城市道路的新方法周绍光;刘娟娟;陈仁喜【摘要】在综合几种现有算法优点的基础上,提出一种新的道路提取策略.首先以角度纹理特性法分割原始影像;接着利用直线匹配原理剔除初始分割结果中的非道路地物,得到更为规则的道路条带;然后通过形态学手段获得道路中心线,并将每条中心线拆分为多段直线;结合上下文知识的马尔可夫模型被用于组织道路段的中心线,从而恢复完整道路网.实验结果表明:新方法具有良好的性能,可以从高分辨IKONOS 遥感影像中提取出复杂的城市道路.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)032【总页数】4页(P216-219)【关键词】道路提取;角度纹理特性;直线匹配;马尔可夫随机场【作者】周绍光;刘娟娟;陈仁喜【作者单位】河海大学测绘工程系,南京,210098;河海大学测绘工程系,南京,210098;河海大学测绘工程系,南京,210098【正文语种】中文【中图分类】TP391.411 引言对道路提取方法的研究，已经有30多年的历史。

早期的研究主要是针对低、中分辨率影像，通常的方法都是假定道路为宽度等于一个到几个像素的线状特征。

这种类型的道路提取研究方法很多，如经典的Hough变换及各种改进方法[1-2]；基于幅度和梯度的相位编组方法[3]；还有需要先获取种子点的动态规划方法及蛇模型道路提取方法[4-5]等。

随着高分辨率卫星的不断发射升空，高分辨率遥感影像成为一种重要的数据源。

从高分辨率遥感影像中提取道路以更新GIS数据，成为新的研究热点。

Yongguan Xiao[6]等人提出基于边缘平行线的提取方法。

贾承丽等人[7]提出了一种在SAR图像中自动提取道路的方法。

该方法首先对图像进行相干斑抑制，然后提取图像上的线特征；继而利用遗传算法进行连接；最后用蛇模型调整候选道路段的位置，并根据线特征幅度图对候选道路段进行鉴别，并试验验证了算法的有效性。

不过，更多的研究者则希望先将道路从背景中分割出来，再对分割后的粗糙道路条带进行处理来获取完整道路。

如何利用卫星影像进行城市绿地面积提取与分析

如何利用卫星影像进行城市绿地面积提取与分析城市绿地面积的提取和分析是一项重要的任务，可以帮助城市规划者和决策者了解城市绿地的分布和规模，从而制定相应的环境保护和城市发展政策。

这项工作过去主要依靠人工测量和调查，但随着卫星遥感技术的发展，利用卫星影像进行城市绿地面积提取和分析变得更加高效和准确。

卫星遥感技术通过获取遥感影像数据，可以对地球表面进行广泛、连续和定量的观测。

对于城市绿地面积的提取和分析，除了高分辨率的遥感影像数据外，还需要进行一系列的图像处理和分析步骤。

首先，需要获取高分辨率的遥感影像数据。

卫星拍摄的遥感影像往往包含多个波段，例如红、绿、蓝和近红外波段，这些波段可以提供丰富的信息用于绿地分类和提取。

常用的卫星有Landsat、Sentinel等，它们具有不同的空间分辨率和数据更新频率，选择适合的卫星影像数据是进行城市绿地面积提取和分析的第一步。

其次，需要进行预处理和校正。

卫星影像在采集和传输过程中可能会受到大气、地表反射率和传感器等因素的影响，因此需要对影像数据进行预处理和校正，以消除这些干扰因素。

预处理包括影像的辐射校正和几何校正，可以提高影像的准确性和比较性。

然后，需要进行绿地分类和提取。

绿地分类是将遥感影像中的像素划分为不同的类别，如建筑物、道路和植被等。

通常采用的方法包括基于光谱特征、纹理特征和形状特征的分类方法。

在绿地提取中，主要关注植被类别，可以采用阈值法、像元反射率法和基于纹理和形状特征的方法进行提取。

除了绿地面积的提取，还可以进行绿地面积的分析和评估。

通过统计和分析绿地的分布、规模和变化等信息，可以评估城市绿化水平和绿地供给能力。

例如，可以计算绿地的面积比例、密度和紧凑度等指标，以及绿地的空间分布格局。

这些信息可以帮助城市规划者和决策者制定合理的绿地规划和管理措施，以提高城市的生态环境质量和居民的生活质量。

此外，利用卫星影像还可以进行绿地变化检测和监测。

城市绿地的变化往往是一个动态过程，了解和监测绿地的变化情况对于城市的可持续发展和环境保护至关重要。

基于形态学的高分辨率遥感影像道路自动提取

图１道路自动提取流程图
２１图像预处理．
由于摄影时光照强度和天气的影像．获影像的灰度动所
态范围较小，即反差较小。此时影像中道路与其他地物的区别很小，不利于道路提取，可采用指数变换对图像进行拉伸，增大图像反差。２２自动二值化．在高分辨率遥感影像中，道路、区、民建筑物等人工街居
果。但该方法需要获取测区内多尺度、多分辨率的遥感影像。
道路的半自动提取方法依赖于人机交互，据交互的方式不根
同，以分为两大类：可给定初始点和道路延伸方向的跟踪提取法；给定一系列分散点，利用动态规划Ｈ模拟退火、ｎｋ、Ｓａｅ
ｔｅｍｅｈｄｕｅｎｔｉａｅａｅｔｉｒｃｉａｉ．ｈｔｏｓｄｉｈｓｐｐｒｈｓａｃｒａｎｐａｔｌｙｃｔ
【ｅｏｄ］ｏｄｅｒｔｎＨｇｓｌｉａｅＭｒｏｇＫｙｗｒｓＲａｔｃｏ；ｉｒｏｔｎｉｇｓｏｈｌｙｘａｉｈｅｕｏｍ；ｐｏ
ｔｅｐｏｅｓｆｈｕｏａｉｅｔｃｏｆｏｄｗｉｈｉｅｐｒｅｔｙｕｉｇｔｅＱｉｂｄｉｇｓＥｐｒｎａｒｓｌｈｗｔａｈｒｃｓｅａｔｍｔｘｒｔｎｏａ，ｈｃｘｅｍｎｅｂｓｕｅｉｏｔｃａｉｒｓｉｄｎｈｋｒｍａｅ．ｘｅｍｅｔｌｅｕｔｓｏｔｉｓｈ
Ｏ引言
道路与人们生活休戚相关，为满足地理信息系统（Ｉ）ＧＳ

一种基于高分辨率遥感影像的道路提取方法

维普资讯
一
种基于高分辨率遥感影像的道路提取方法
谢谦礼ｔ程承旗１马廷２
（北京大学遥感所，北京１０７）０８１（国科学院地理科学与资源研究所资源与环境信息国家重点实验室北京ｌｏｏ）中ｏｌ１
．
Ｅ—ｍａｌｘｉ：ｑｌｑａ＠ｐｕｅｕｃｉｎｋ．ｄ．ｎ
—
摘要道路等线性地物的自动提取一直是高分辨率遥感影像研究所关注的内容
，
论文在分析现有的各种提取方法的基础上，合城市道路在高分辨率遥感影像上的特点提出一种半自动的道路提取法。该：法先对遥感影像中的道路点结５－－
ＸｅＱｉｎｉＣｅｇＣｅｇｉＭａＴｎ￣ｉａｌｈｎｈｎｑｉｇ
（ｓｔｔｏｅｔｅｓｇＰｋｎｎｖｒｉ，ｅｉｇ１０７）ＩｔｕｅｆＲｍｏｅＳｎｉ，ｅｉｇＵｉｓｙＢｉｎ０８１ｎｉｎｅｔｊ
ｉｔｈｖａｌｄｓｍｅｐｘｌｎｋｎｓａｉｉｌｃｌｕａｉｆｔｅｒｐｃｒＴｅａｅｓｔｎｏｇｎｐｘｌｆｓａｅｓｍｐｅｏｉｅｓａｄｍａｅｔｔｔａａｃｌｔｎｏｈｉｓｅｔｍ、ｈｎｗｅｈｖｅａｒｉａｉｅｎｒｓｃｏｕｉｌｉ
（ｔｅＫｙＬｂｏｅｏｒｅｎｎｉｎｎｎｏｍｔｎＳｓｍ．ｓｔｔｏｅｇａｈｃｅｃ＆Ｓａｅａ．ｆＲｓｕｃｓａｄＥｖｒｍｅｔＩｆｒａｉｙｔＩｔｕｅｆＧｏｒｐｙＳｉｅｔｏｏｅｎｉｎ

基于高分辨率遥感影像的城市绿地信息提取方法研究进展

米级亚米级分辨率带来了清晰的图像，目标物的形状
依稀可见。影像中的地物尺寸、形状、结构和邻域关系得到更好的反映，人们感兴趣的大多数地物特征可以直接探测。高空间分辨率同时使得地物类型更加多样，纹理类型和纹理区域明显增多，纹理特征更具变异性，同一地物内部组成
１００７ — ５７３９（２０１３）０１ — ０１５１ — ０１
关键词高分辨率遥感；影像；城市绿地；信息提取中图分类号ＴＰ７５１文献标识码Ａ文章编号
近十几年来高分辨率遥感卫星的成功发射，标志着地
数据和ＳＰＯＴ数据对上海市环线内城市绿地景观进行了分
类研究。郭成轩等也对广州市的绿地状况进行了研究，从
丰富的地表景观信息。高分辨率遥感影像已成为城市绿地信息快速提取的主要数据源。如何充分应用高空间分辨率
化城市的申报过程中，建成区绿地现状的调查采用了真彩
色航空遥感影像技术，提出了航空影像绿地专题提取的一
球空间数据获取与处理技术新纪元的来临，它扩大了遥感
的应用范围，提高了地理数据的更新速度，尤其是１ｍ空间

高分辨率遥感影像提取道路方法研究进展

法一般分为四步：第一步，增强影像特征；第二步，确定道路
种子点；第三步，对种子点进行跟踪和扩展，并形成道路段；第四步，将道路段连接起来，组成道路网络．下面介绍几种目
征信息进行获取和辨别的方式．这个方法中最重要的一步是
需要人提供道路的种子点，有时还需要知道初始的方向，然后．特征区域越大也就说明包含的信息量就越
大，特征区域小的区域意味着有较小的信息量．人眼很容易
数据的速度慢，周期长，工作量大，工作人员对收集工作产生厌倦，导致工作人员一味的收集信息而不去解决更高层
次的问题和应用研究．在此背景下，很多学者开始探索自动
的道路信息提取方法，一方面使工作人员从大量繁重的数
来进行，要从低到中再到高的步骤进行．首先是低层次的处理，在处理过程中使用不同的采集方法对不同要素提取信
第２９卷第１０期（上）
２０１３年１０月
赤峰学院学报（自然科学版）
ＪｏｕｎａｒｌｏｆＣｈｉｆｅｎｇＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）
路的基本现状．传统的道路信息获取的方法存在很多漏洞，
比如需要大量的人力和物力来进行完成，并且还存在收集
（４）上下文特征．这一特征包含和道路所处的环境有牵
连的信息、和道路现实特征相关的信息、道路与地面建筑物

遥感影像中道路的提取方法研究

遥感影像中道路的提取方法研究随着城市化进程的加速，道路的规模和数量不断增加，道路网络的建设和维护对城市的发展至关重要。

然而，传统的道路提取方法需要大量的人力和时间，效率低下。

近年来，随着遥感技术的快速发展，利用遥感影像进行道路提取成为一种高效且准确的方法。

遥感影像是通过卫星或无人机等载体获取的地球表面的图像，具有全面、连续和高分辨率的特点，因此成为道路提取的理想数据源。

研究人员通过分析遥感影像中道路的特征和纹理等信息，提出了多种道路提取方法。

首先，基于阈值分割的方法是最简单且常用的道路提取方法之一。

该方法通过设定合适的阈值，将遥感影像中的道路和背景区分开来。

然而，由于道路在遥感影像中的亮度和纹理等方面的变化较大，单一的阈值往往难以满足不同场景下的需求。

其次，基于图像特征的方法可以提高道路提取的准确性。

这种方法通过提取遥感影像中道路的纹理、颜色和形状等特征，利用机器学习算法进行分类。

例如，可以使用支持向量机（SVM）或随机森林（Random Forest）等算法进行训练和分类，从而实现自动化的道路提取。

此外，基于深度学习的方法在道路提取中也表现出了良好的效果。

深度学习是一种模拟人脑神经网络的机器学习方法，通过多层次的神经网络结构进行图像特征的学习和提取。

研究人员通过构建卷积神经网络（CNN）等深度学习模型，将遥感影像中的道路和非道路进行准确的分类。

综上所述，遥感影像在道路提取中具有广泛的应用前景。

基于阈值分割、图像特征和深度学习等方法可以提高道路提取的准确性和效率。

随着遥感技术的不断发展，道路提取方法将更加精确和自动化，为城市规划和交通管理等领域提供有力支持。

从高分辨率遥感影像中提取道路信息的方法综述及展望

０引言
随着遥感技术的不断发展，遥感影像的空间分辨率也越来越高，已经达到亚米级，这些高分辨率的遥感影像逐渐成为遥感技术应用的主要数据来源，为ＧＩＳ数据的更新、目标检测、数字测图及自动化提供了有利的条件。如何准确、快速地从高分辨率遥感影像中提取出感兴趣的目标特征信息已成为一个重要的研究方向，而道路特征信息的提取是其中的一个热点。然而，至今没有一套完
ＨｉｇｈＲｅｓｏｌｕｔｉｏｎＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅｓ
ＸＩＡＮＧＨａｏ—ｄｏｎｇ
（ＳｃｈｏｏｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇａｎｄＩｎｆｏｒｍａｉｔｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ４３００７９，Ｃｈｉｎａ）
第３６卷第８期
２０１３年８月
测绘与空间地理信息
ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬｌＮＦｏＲＭＡＴｌｏＮＴＥＣＨＮＯＬＯＧＹ
Ｖ０１．３６．Ｎｏ．８
Ａｕｇ．，２０１３
从高分辨率遥感影像中提取道路信息的方法综述及展望
ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｈａｓａｌｒｅａｄｙｂｅｃｏｍｅａｒｅｓｅａｒｃｈｈｏｔｓｐｏｔａｎｄｄｉｆｆｉｃｕｌｔｙ．Ｉｎｔｈｉｓｐａｐｅｒ，ｉｔｉｆｒｓｔｉｎｔｒｏｄｕｃｅｄｔｈｅｉｄｅａａｎｄｍｅｔｈｏｄｓｏｆｒｏａｄｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｎｉｔｅｎｕｍｅｒａｔｅｄａｎｄａｎｌｙａｚｅｄｓｅｖｅｒａｌｒｅｐｒｅｓｅｎｔａｔｉｖｅｍｅｔｈｏｄｓｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ，ａｎｄｐｏｉｎｔｅｄｏｕｔｔｈｅｅｘｉｓｔｉｎｇｐｒｏｂ —

基于高分辨率遥感影像的城市绿地信息提取方法分析

基于高分辨率遥感影像的城市绿地信息提取方法分析发布时间：2022-06-14T07:16:26.286Z 来源：《新型城镇化》2022年12期作者：梁亚敏王瑞[导读] 保证城市绿地分类的科学性、有效性，且做到合理规划与积极建设，能够使城市绿化覆盖率持续提升，强化城市绿地规划的整体效果。

天津东晟图地理信息技术有限公司天津市 300000摘要：保证城市绿地分类的科学性、有效性，且做到合理规划与积极建设，能够使城市绿化覆盖率持续提升，强化城市绿地规划的整体效果。

故此，文章将围绕高分辨率遥感影像提取城市绿地信息的方法展开以下分析，希望展现高分辨率遥感影像技术的优势，提高城市绿地信息提取的效率。

关键词：高分辨率；遥感影像；城市绿地；信息提取随着高分辨率遥感卫星的成功发射，象征着地球空间数据获得和处理技术进一步发展，使遥感运用范围持续扩大，强化地理数据的更新速度，特别是1米空间分辨率IKONOS卫星影像可支持商用，有助于推动遥感技术的发展。

城市绿化水平作为评价城市生态环境的重要指标，进行城市绿化信息的采集十分关键。

在高分辨率传感器技术完善发展的今天，运用遥感技术能获取更多地表景观信息，为城市化建设提供可靠依据。

一、高分辨率遥感影像提取城市绿地信息的有效性（一）高分辨率遥感影像技术的基本概述遥感技术主要是信息技术、航天技术快速发展的产物[1]，具体指通过人造卫星、飞机或者其他飞行设备上获得地物目标的电磁辐射信息，从而对地球环境与资源进行有效判定的技术。

高分辨率遥感技术是在较远距离对目标反射或者自身辐射的电磁波、可见光、红外线进行感知，准确探测与识别目标的技术手段。

（二）高分辨率遥感影像的基本特点 1.空间分辨率比较高米级亚米分辨率所展现的图像十分清晰[2]，目标物形状可以准确看到，影像中地物尺寸、形状、结构与相邻关系能够充分体现出来。

空间分辨率较高的基础上，能够让地物类型更加多变，纹理类型与纹理区域有明显变异性特点，相同地物内部构成要素丰富多元的细节信息都能得以体现，促使地物光谱统计特点稳定性降低。

高分辨率遥感影像在城市绿地信息提取中的应用研究

ｃｔｎｍｔｏａｂｉｓｉｐｏｅｎ，ｎＤＩａｅｈｈｓａｃｒｙＳＤＩｏｌ￣ｉｎｉｒｉａｅｅ＆ｔｎｅｅｔｅ．ａｏｅｄｈｄｏｖｕｒｖｍｔａｄＮＶｄｔｉｅｔｃｕａ．ｏＮＶｕｄｃｆａｄｄｃｍｎｔｔｇａｏｃｖｌｉｈｏｍｅｈｈｇｃｃｌｙｓｉｅｈｖｉｆｉｙ
Ｋｅｏｄ：ｕｋｉ；ｒａｒｎｓａｅｓｒｅｉ；ｕｅｖｅａｓｉｔｎｖｇｔｏｄｘｙｗｒｓＱｉＢｒｕｎｇｅｃｖｙｇｓｐｒｓｃｓｆａｏ；ｅｅｔｎｉｅｅｄｂｅｐｕｎｉｄｌｉｃｉａｉｎ
１前言
面、实地反映城区绿化现状，真为绿地的生态结构调整和空间上的合理布局提供依据和建议。
ＸＵＪｎ—ｈ，ｒｅｐｃｕｖｙｎａｅｎｌ口Ｒｅｏｕｉｎ］ｎｇｓｏｍｏｅＳｎｈｔｄｆＵｒａｅｎＳａｅＳｒｅｉｇＢｓｄｏ｜ｓｌｔｏｉＲｅｆＲｅｔｅｓ￣
ｒｃＴｅｒｓｌｓｏｅａｔｅｓｐｒｉｄｃａｓｆａｉｎｍｅｈｄｃｕｄｒｔｅｅｓｔｆｃｏｙｒｓｌ，ｔｈａｅｔ，ｓｎｅｅｔｎｉｄｘｃａｓ — ａｙ．ｈｅｕｔｈｗｄｔｔｈｕｅｖｅｌｓｉｃｔｔｏｏｌｏｇｔｈａｓｔｒｅｕｔａｅｓｍｍｅｕｉｇｖｇｔｉｎｅｌｉｈｓｉｏｉｔｉａｓｔｉａｏｓｆｉ
绿地信息进行提取，并对分类精度作了比对分析。研究结果表明，监督分类方法不能得到令人满意的结果，运用植被指数分类方法则有明显改善，中归一化植被指数（Ｄ精度最高，其ＮＷ）因此ＮＶ能有效地对植被进行分类与识别。ＤＩ

从高分辨率遥感影像中提取城市道路的新方法

从高分辨率遥感影像中提取城市道路的新方法摘要：道路是城市交通的重要组成部分，如何高效地从遥感影像中提取道路信息一直是遥感图像处理中的研究热点。

本文提出了一种基于卷积神经网络和局部特征的新方法，实现了对高分辨率遥感影像中道路的自动提取和识别。

该方法在多个数据集上进行了测试和验证，结果表明其具有较高的准确性和鲁棒性，可为城市规划和交通管理等领域提供有效的支持。

关键词：遥感影像，道路提取，卷积神经网络，局部特征，城市规划一、引言随着城市化进程的不断推进，城市交通问题日益突出，道路建设和交通管理也成为城市规划和管理的重要任务。

遥感技术作为一种非接触式、高效率的信息获取方式，已被广泛用于城市规划和交通管理中。

而道路作为城市交通的重要组成部分，如何高效地从遥感影像中提取道路信息一直是遥感图像处理中的研究热点。

传统的道路提取方法主要基于图像处理和计算机视觉技术，如边缘检测、形态学变换、区域生长等。

然而，这些方法往往受到遥感影像本身的特点、光照条件、遮挡等因素的影响，容易出现漏检、误检等问题。

因此，如何提高道路提取的准确性和鲁棒性，成为当前道路提取研究的重要方向。

近年来，深度学习技术的发展为道路提取带来了新的思路和方法。

卷积神经网络（CNN）是深度学习的重要组成部分，其具有自动特征提取、端到端训练等优势，已被广泛用于图像分类、目标检测等领域。

在道路提取方面，CNN也被应用于道路提取模型的设计和训练中，取得了不错的效果。

然而，基于CNN的道路提取方法仍存在一些问题。

一方面，CNN需要大量的训练样本和计算资源，训练过程复杂，容易出现过拟合等问题。

另一方面，遥感影像中的道路具有多样性、复杂性和不规则性，对于CNN的特征提取和分类能力提出了更高的要求。

因此，如何进一步提高CNN在道路提取中的性能，成为当前道路提取研究的重要问题。

本文提出了一种基于卷积神经网络和局部特征的新方法，实现了对高分辨率遥感影像中道路的自动提取和识别。

从高分辨率遥感影像中提取城市道路的新方法

从高分辨率遥感影像中提取城市道路的新方
法
高分辨率遥感影像在城市规划和交通管理中发挥了至关重要的作用。

然而，在这些影像中提取城市道路依然是一项具有挑战性的任务。

本
文将介绍一种新方法，该方法可以在高分辨率遥感影像中准确地提取
城市道路。

第一步：影像预处理
首先，需要对影像进行预处理，以减少噪音和消除不必要的信息。

这
涉及到影像增强和过滤。

影像增强可以提高影像中的对比度和清晰度，使道路更加明显。

过滤可以去除不相关的信息，如树木和建筑。

第二步：图像分割
图像分割是将图像划分为多个区域的过程。

通过对影像进行图像分割，可以更好地识别道路区域。

目前，常用的图像分割算法包括基于边缘
检测的方法、阈值化方法和区域生长方法等。

第三步：提取道路特征
提取道路特征是指在分割后的图像中标记和提取道路的像素，以求得
道路的几何和拓扑特征。

这可以通过多种方法实现，如基于形态学操
作的方法、基于纹理的方法等。

第四步：道路拟合和重建
最后，需要对提取的道路特征进行拟合和重建。

道路拟合是基于检测
到的道路特征生成道路中心线的过程。

道路重建是基于检测到的道路
特征重建整条道路的过程。

这可以通过多种数学模型来实现，如三次
B样条曲线等。

总结：
该新方法以高分辨率遥感影像为主要数据来源，采用图像处理、图像
分割、道路特征提取、道路拟合和重建等技术手段，实现了准确地提
取城市道路。

该方法在城市规划和交通管理等领域具有重要应用价值。

基于ＨＲＮｅｔ的高分辨率遥感影像道路提取方法

第４６卷　第４期２０２４年４月系统工程与电子技术ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４６　Ｎｏ．４Ａｐｒｉｌ２０２４文章编号：１００１５０６Ｘ（２０２４）０４１１６７０７　网址：ｗｗｗ．ｓｙｓｅｌｅ．ｃｏｍ收稿日期：２０２３０１１９；修回日期：２０２３０４０７；网络优先出版日期：２０２３０５１９。

网络优先出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２３０５１９．１３３６．００６．ｈｔｍｌ基金项目：自然资源部矿山地质灾害成灾机理与防控重点实验室项目（２０２２０８）；陕西省自然科学基础研究计划（２０２３ＪＣＱＮ０２９９）；中央高校基本科研业务费（ＸＪＳ２２１３０７）资助课题通讯作者．引用格式：陈雪梅，刘志恒，周绥平，等．基于ＨＲＮｅｔ的高分辨率遥感影像道路提取方法［Ｊ］．系统工程与电子技术，２０２４，４６（４）：１１６７１１７３．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＣＨＥＮＸＭ，ＬＩＵＺＨ，ＺＨＯＵＳＰ，ｅｔａｌ．ＲｏａｄｅｘｔｒａｃｔｉｏｎｆｒｏｍｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｂａｓｅｄｏｎＨＲＮｅｔ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２４，４６（４）：１１６７１１７３．基于犎犚犖犲狋的高分辨率遥感影像道路提取方法陈雪梅１，２，刘志恒１，２，，周绥平１，余　航１，刘彦明１（１．西安电子科技大学空间科学与技术学院，陕西西安７１０１２６；２．自然资源部矿山地质灾害成灾机理与防控重点实验室，陕西西安７１００５４）摘　要：高分辨率遥感影像中，传统的道路提取方法存在着精度低、鲁棒性低的问题，提出基于高分辨率网络（ｈｉｇｈｒｅｓｏｌｕｔｉｏｎｎｅｔ，ＨＲＮｅｔ）实现高分辨率遥感影像道路分割。

对ＨＲＮｅｔ进行改进，将相同分辨率的ＨＲＮｅｔ子网的输出与输出层结果进行拼接并输入非局部块，两个损失函数ＣｒｏｓｓｅｎｔｒｏｐｙＬｏｓｓ和ＤｉｃｅＬｏｓｓ用来解决道路数据集样本不平衡问题。

一种基于水平集方法提取高分辨率遥感影像中主要道路信息的算法

至今已有３Ｏ多年的历史，已经成为计算机视觉与并
遥感领域的研究热点之一。早期道路提取方法主要
域竞争的算法扩展道路。但这两种方法仅适用
于全色图像。针对ＬｎｓｔＴａｄａＥＭ＋多光谱影像，广曹
关键词：遥感；主要道路提取；水平集方法；ＩＯＯ影像ＫＮＳ
中图分类号：Ｔ７３Ｐ５文献标识码：Ａ文章编号：１０ —３８２１０ —４５０００１２（００）５１９ —８
ＤＯＩ：０．８３ｉｉｓ１００１２２１０５．３１３７／．ｓｎ．０ — ３８．００．０８
特征的提取。随着影像空间分辨率的提高，些Ｊ一
道路提取方法将道路模型简化为具有一定宽度的连
续均质条带Ｊ。而实际上，路使用的建筑材料道
不同，同一幅影像中往往呈现明显的亮度差异。在因此这些将道路假设为“ 质条带 ” 均的方法仅适用于
真等使用快速行进水平集方法进行道路种子点扩
展¨＿Ｉ。但其设计的速度函数，要有雷达影像的参需与，适用于仅有多光谱光学影像的情况。不
针对中分辨率的遥感影像，路往往被抽象为连续道平滑的曲线，提取方法也基本等同于图上线性其
矢量图像梯度算法获取道路的边缘。然后，过分析各类地物在ＩＯＯ通ＫＮＳ多光谱波段中的光谱特征，现绿光与近发

高分辨率遥感影像道路信息提取方法研究

［6 ］
三、道路信息提取方法研究
1．理论基础目前对于道路提取的方法主要分为自动和半自动两大类。自动道路提取方法是通过认识和理解道路影像特征，自动准确定位道路的位置；半自动道路提取利用人机交互式进行，其主要思路是人工提供道路的初始（种子点），有时还需提供初始方然后计算机再根据一定的规则进行处理识别，向，有时还需要进行适当的交互，保证识别的准确性。半自动道路提取一般可以分解成 4 个步骤： ① 道路影像特征增强； ② 确定道路的种子点； ③ 跟踪和扩展种子点，形成道路段； ④ 连接道路段，形成道路网
图5
开运算结果影像
3 ）经过上述处理仍然存在难以去除的噪声以及道路的断线现象。如果再多次进行开运算可以去除孤立的噪声，但也会出现道路的断线更加严重的现象。基于此，本文利用面积阈值以及形状指数对噪声作进一步消除。计算形状指数的表达式为 sqrt （［ AREA］ / ［ PERIMETER ］）。经过多次试验
图1
纠正后的研究区影像
该影像 IKONOS 的参数为：成像波段：波段（单波 0． 64 ～ 0． 72 μm，段） 3（红色），空间分辨率： 4 m；成
0525 收稿日期： 2011作者简介：胡张武（ 1976 —），男，安徽桐城人，工程师，研究方向为 GIS 原理与应用。
16
测
绘
通
报
2011 年
第8 期
选择得到的表达式为“zhishu ” ＞ 0． 08 AND “zhishu” ＜ 0． 1 ，从而利用其表达式进行除噪。将选择的数据导出，结果发现仍然有部分块状图斑无法除主要是图斑过于不规则使形状指数过小。而辅去，以面积阈值进行剔除效果则较好。经过上述处理，对与道路相连的，面积较大、难以去除的部分，则采然后经过面积形用手工编辑的方法分割成多边形，状指数处理得到矢量图，如图 6 所示。

基于高分辨率遥感影像的地物提取方法

基于高分辨率遥感影像的地物提取方法地物提取是遥感技术在GIS领域中非常重要的应用之一。

基于高分辨率遥感影像的地物提取方法，通过对地物特征进行分析和分类，可以准确地提取出影像中的不同地物类型，为城市规划、环境监测、资源管理等提供有力的支持和指导。

本文将探讨几种常见的基于高分辨率遥感影像的地物提取方法，分别是数学形态学方法、目标检测方法和深度学习方法。

1. 数学形态学方法数学形态学是一种基于形状和结构的图像处理方法。

在地物提取中，数学形态学方法可以通过对图像进行形态学滤波、重建和形态学变换来实现地物的提取。

其中，形态学滤波可以去除噪声和平滑图像，形态学重建可以将图像中的目标进行填充和重建，形态学变换则可以将地物与背景进行分离。

数学形态学方法在处理遥感影像时，能够有效地提取出不同颜色、形状和大小的地物，具有较好的鲁棒性和稳定性。

2. 目标检测方法目标检测是一种通过分析图像中的目标特征，将其与背景区分开的方法。

在地物提取中，目标检测方法可以根据地物的纹理、形状、颜色等特征，通过采用阈值分割、边缘检测等算法来提取地物。

常见的目标检测方法包括K-means聚类算法、SVM分类器、随机森林等。

这些方法能够对遥感影像中的不同地物类型进行分类和提取，但对于复杂的地物类型和背景干扰较多的情况，提取效果有一定的限制。

3. 深度学习方法深度学习是一种基于神经网络的机器学习方法，近年来在遥感影像处理中得到广泛应用。

深度学习方法可以通过构建卷积神经网络（CNN）来实现地物的提取。

通过训练大量的遥感影像数据，使得神经网络能够自动学习地物的特征和规律，从而实现地物的准确提取。

相比于传统的方法，深度学习方法具有更高的准确率和鲁棒性，可以提取出更复杂、细节更丰富的地物。

综上所述，基于高分辨率遥感影像的地物提取方法包括数学形态学方法、目标检测方法和深度学习方法。

在实际应用中，可以根据具体的需求和数据特点选择适合的方法进行地物提取。

数学形态学方法具有较好的鲁棒性和稳定性，在处理简单地物时效果较好。

测绘技术中的路网提取方法

测绘技术中的路网提取方法在现代社会，随着城市化的迅速发展和交通需求的不断增加，准确地提取和分析路网数据变得尤为重要。

测绘技术作为一种获取地理空间信息的方法，为我们提供了有效的手段来实现路网的提取。

本文将介绍测绘技术中常用的路网提取方法，并进一步探讨其应用和局限性。

一、遥感影像分析遥感影像是一种获取地表信息的重要工具，通过对高分辨率遥感影像的分析，可以提取出城市路网的关键特征，如道路边缘、拓扑结构和道路属性等。

主要的影像分析方法包括图像分类、边缘检测和目标识别。

其中，图像分类是最常用的方法之一，通过将影像像元分配到事先定义好的道路和非道路类别，来实现路网的提取。

边缘检测则可以识别出道路的形状和边界，从而对路网进行拓扑结构分析。

目标识别则可以识别出影像中的道路网格，方便后续的路网提取和分析。

然而，遥感影像在路网提取中也存在一些限制。

首先，遥感影像的分辨率和清晰度会对结果产生一定影响。

低分辨率的影像可能无法准确表示道路的细节信息，从而造成路网提取的不准确性。

其次，遥感影像在某些特殊环境下，如多云天气或繁密的建筑群中，可能会受到遮挡的影响，使得路网的提取变得困难。

因此，在使用遥感影像进行路网提取时，需要综合考虑影像质量、环境条件和算法的适应性。

二、全球定位系统（GPS）全球定位系统（GPS）是一种基于卫星信号的导航和定位技术，广泛应用于地理测量和地理信息系统中。

借助GPS设备，我们可以采集到大量准确的地理坐标数据，从而实现路网的提取和分析。

在车辆导航和地理信息系统中，GPS技术被广泛应用于道路网络的导航和路径规划。

然而，GPS在路网提取中也存在一些限制。

首先，GPS定位存在误差，特别是在高建筑物、山谷和树木繁茂的地区，信号的反射和遮挡可能会导致定位结果的不准确性。

其次，GPS技术对室内和深度峡谷等环境的适应性较差，无法提供准确的定位信息。

因此，在使用GPS技术进行路网提取时，需要综合考虑定位精度、环境条件和数据处理方法。

面向对象的高分辨率遥感影像道路提取算法

面向对象的高分辨率遥感影像道路提取算法金静;党建武;王阳萍;翟凤文【摘要】针对高分辨率遥感影像的特点,提出了一种基于面向对象思想的自动道路提取方法.首先对遥感影像进行双边滤波,平滑细节信息并保留道路边缘信息;然后使用模糊C均值算法分割图像以得到独立的地物对象,并结合道路几何特征对各对象滤波得到候选道路段;使用区域增长算法形成道路网,最后使用形态学方法实现道路网的修整和细化.实验表明,该方法无需人工选取道路种子点,就可以在不同场景的遥感影像中有效地提取出道路目标.%An automatic object oriented method of road extraction is proposed for high-resolution remote sensing image.At first,the bilateral filter is used in image to smooth the detail information and retain road edge.Then the image is segmented to independent ground objects by FCM algorithm and each object is filtered combining geometric feature to obtain candidate road segments.The region growing algorithm is used for road segment connection to get network.Finally,the road network is repaired and thinned by the morphology method in post processes.The experiments show that the method can extract the road target efficiently from the high resolution image in different scenes without selecting road seeds artificially.【期刊名称】《兰州交通大学学报》【年(卷),期】2017(036)001【总页数】5页(P57-61)【关键词】高分辨率遥感影像;道路提取;面向对象;模糊C均值聚类;形状滤波【作者】金静;党建武;王阳萍;翟凤文【作者单位】兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070【正文语种】中文【中图分类】TP391.4利用遥感影像提取各类地物目标是构建及更新地理空间数据库的重要手段之一[1].道路作为现代交通体系的主要人造地物，是地图和地理信息系统中重要的标识对象，道路的准确提取对于GIS数据库更新、城市观测与规划等具有重要意义.高分辨率遥感影像虽然含有丰富的地物空间细节信息，但是其目标提取通常会伴随更多噪声与干扰.道路提取方法可划分为半自动和自动两大类.半自动道路提取以人工交互方式获取种子点、道路方向等参数[2]，典型方法有Ribbon snake模型[3]、ZiplockSnake[4]模型.此类方法同时利用了道路几何和辐射特征，例如,文献[5]提出一种基于均值漂移算法的半自动道路提取算法，能较准确地提取道路中心线，但道路种子点须人工选定.半自动道路提取过程中的人工操作增加了提取复杂度，因而降低了方法的处理能力与适用性.自动道路提取通过引入机器学习算法、智能算法来实现道路提取的智能化、自动化，是目前道路提取的主要研究方向，主要分为基于分类的方法、基于知识的方法、基于数学形态学的方法和基于动态规划的方法等[6].例如,文献[7]使用模糊推理实现遥感图像的道路网提取，在包含立交桥的立体交通网中获得了较好效果，但模糊推理过程需要很高的时间代价；文献[8]提出基于扩展卡尔曼滤波和粒子滤波的道路检测模型，能够追踪到所有道路分叉路口，但其效果依赖于模型参数的选择.因道路所处环境的复杂性和差异性，以及阴影、道路物体等遮挡的干扰，使得遥感影像的自动、准确、快速地提取道路仍是一个很有挑战性的工作.既有算法可以归类为面向像元的道路检测方法，这些算法均以像元作为独立个体单独考虑，忽略了像元间的关系.面向对象法认为影像由包含重要语义信息的影像对象以及对象间的相互关系构成，影像对象由同质的、连续的像元组成.与中低分辨率遥感图像不同，高分辨遥感图像除了光谱特征外还具有更为丰富的空间结构和纹理信息，因此可充分利用对象的光谱特征、纹理特征、形状特征等实现道路提取.本文提出一种基于面向对象的高分辨率遥感影像自动道路提取方法.首先对影像进行双边滤波实现保边去噪，然后用模糊C均值算法进行影像分割，以得到的地物对象作为目标，并使用形状滤波提取道路段作为道路种子，最后应用区域增长算法连接道路种子、用数学形态学方法修整和提取道路中心线，最后得到道路网络. 道路提取的难点在于遥感图像中的道路特征会受传感器的类型、光谱分辨率、空间分辨率、天气以及地面特征的影响.但总的来说，道路都具备有明显区别于其他地物的几何特征、辐射特征、拓扑特性和上下文特征[9].本文利用辐射特征使用聚类算法对影像进行分割得到对象，再利用道路的几何特征进行形状滤波，再以拓扑特征为依据进行道路的连接.算法的流程如图1所示.高分辨率遥感影像提供了更为丰富的地物细节信息，但道路上的行人、车辆、交通线等这些地物会成为道路提取时的噪声干扰，降低道路提取的精度.因此，需要对遥感影像进行噪声平滑的预处理，而在平滑去噪的同时，又希望能充分保留在道路提取中十分重要的道路边缘信息.基于此，使用双边滤波器(bilateral filter)[10]对遥感影像进行预处理.双边滤波器和高斯滤波器一样利用了局部加权平均，不同的是双边滤波器在二维邻域内的加权系数由空间邻近度因子ωs和亮度像似度因子ωr的乘积组合而成.即对于中心点f(x,y)，其邻域Nx,y中的像素点f(i,j)的权值ω(i,j) 的计算方法为ω(i,j)=ωs(i,j)ωr(i,j).道路的辐射特征包括:道路的两个边缘处有较大的梯度；道路区域的灰度值基本一致；道路表面与树、建筑等非道路区域有十分明显的区别.因此，本文针对于道路辐射特征的特点，使用模糊C均值 (Fuzzy C-Means，FCM )聚类算法[11-12]对影像进行分割，以得到各个不同的对象.模糊C均值聚类是一种非监督分类的算法，它将模糊集的概念应用到聚类分析中，以隶属度来说明样本属于各个组的程度，而不是简单绝对的“属于”或者“不属于”某一分组.这种模糊思想的应用，使得FCM聚类算法相比传统的“硬分类”方法可以得到更好的分类结果.FCM聚类算法的目标函数为‖xk-vi‖2 .n.c.在图像分割中，使用像素3个通道的颜色值作为样本点的特征进行聚类，初始聚类中心可通过随机方式得到.道路相比于其他地物具备一些明显的几何特征，例如道路的总面积不会太小，道路基本呈现出细长的形态等.因此，可使用特定的形状特征对1.2节分割后得到的各个对象进行筛选滤波，以得到候选的道路段区域.一般可使用以下特征进行滤波：1)面积S：计算分割得到的各个对象区域内像素的个数，设置面积阈值Ts去除分割后面积很小的干扰物体.可根据影像分辨率的高低和提取目标的大小来确定Ts. 2)长宽比R：通过计算分割对象最小边界矩形的长宽比得到R，即R=Lext/Wext.其中：Lext、Wext分别为最小外接矩形的长与宽.3)填充度F：指同时在对象区域和其最小边界矩形中的像素比例，即F=S/Sext.4)形状因子e：其计算公式为e=L2/S.它描述了对象区域单位面积的周长大小，e值越大，表明单位面积的周长大，即为复杂形状；反之则为简单形状.圆形的e值为12.6，正方形的e值为16，三角形的e值为20.8.5)长度L和宽度W：分别指对象区域最小边界矩形的长度和宽度.这两个特征可以用来滤除河流、扁长的建筑物屋顶等地物.道路拓扑特性的含义是指道路会构成连通的道路网，不会发生突然的中断.因此，需要对形状滤波后得到的若干候选道路段进行连接以便生成道路网.在此，使用区域增长算法[13]来生成道路网.首先从候选道路段的边缘部分随机选择若干个种子点，从每一个已提取的种子点开始搜索其4邻域范围的像素，如其中有满足灰度差小于阈值T的像素，则将该像素作为增长后的区域，并将其作为新的种子点继续按照上述方法搜索，直至所有种子点不满足条件为止.该方法可以最大限度地将相似区域进行归并，较理想地实现候选道路段的连接.得到道路网后要对提取的道路信息进行细线化，以获取道路中心线.为了避免提取的道路表面中由于光谱差异造成的空洞导致细化后存在闭路的问题，首先利用形态学的闭合和膨胀操作进行空洞填充，然后再进行细化，以得到较理想的细化效果.对于细线化后可能存在部分的短线条(毛刺)，通过迭代去除端点方式去除[14].首先，选择World View卫星2012年浙江某一城镇地区的0.3 m高分辨率遥感影像作为第一个实验数据，图像的大小为280×430像素，在Matlab下对算法进行仿真实验.如图2a所示，该影像主要包括不同光谱特征的房屋顶、草地、泥土地、道路等地物，同时，影像中间还存在一部分与道路“异物同谱”的狭长地物.一般地，双边滤波器的半宽取N=2，即滤波窗口的大小为5×5.同时，经过反复实验总结，当σs=2,σr=0.1时影像可以得到比较好的保边去噪的效果.通过大致的目视解译，影像的地物基本可以划分为5类，因此，FCM聚类算法的聚类数k=5.实验表明模糊加权指数m<2时趋于硬分割，当m≥2时分类趋于平滑，因此处理中取m=2；形状滤波的各个参数通过反复实验得到较好的阈值，分别为：面积阈值为20，长宽比R=5，填充度F=0.4，形状因子e=18，长度L设置为50，宽度设置为10.对原始影像进行灰度化及双边滤波预处理后可以得到图2b的影像.可见，道路上的车辆、行人等得到了模糊处理，而道路、建筑物顶等边缘信息得到了较好的保留.图2c是使用FCM聚类算法迭代100次以后得到的分割结果，将分割得到的道路类对象提取出并对其二值化后得到图2d；然后，对图2d的各个联通区域进行形状滤波，得到了粗提取的道路段，如图2e所示；应用区域增长算法进行连接，可得到图2f所示的道路网；再对其进行形态学处理和细化，就得到最终的道路中心线，如图2g所示.由于双边滤波器有效的“保边去噪”预处理以及使用FCM算法对地物对象进行的精确有效的分割，然后结合形状滤波剔除了和道路异物同谱的一些地物，算法能够正确提取出主要的道路部分.为了验证算法的普适性，实验2选择包含乡村道路的遥感影像使用本文算法对道路进行提取，原始影像如图3a所示.影像的大小为660×396像素，影像中包括植被覆盖的林地、田地、赤裸的土地和道路等几类地物，道路右下侧有一部分裸地和道路光谱特征类似.双边滤波器的半宽取N=2，即滤波窗口的大小为5×5.经过反复实验的总结取σs=1.5,σr=0.2,；通过大致的目视解译，影像的地物基本可以划分为4类，因此，FCM聚类算法的聚类数k=4，同理取m=2；形状滤波的各个参数通过大量反复实验得到较好的阈值，分别为面积阈值为60，长宽比R=8,，填充度F=0.4，形状因子e=18，长度L设置为80，宽度设置为20.双边滤波后的结果如图3b所示，图3c、图3d是聚类和道路分割结果二值化后的图像.对二值图像形状因子滤波并使用形态学方法填充空洞可以得到提取的道路部分如图3f所示.由于已经得到了连续的道路网，因此没有进行道路网连接的处理.最后细化和消除毛刺后得到道路的中心线如图3g所示，由于该道路网没有分叉口，形态比较规整，所以消除毛刺取得了较好的效果.因此，在乡村道路场景下该算法也可以比较完整地提取出影像中的道路.本文提出的面向对象的高分辨率遥感影像道路自动提取方法，应用FCM聚类算法进行影像分割得到独立地物对应的对象，再结合道路几何特征对其形状滤波得到道路种子，使用区域增长算法连接道路种子，最后通过形态学方法进行道路网的修整和细化.该方法在城镇和乡村场景下都能较清晰完整地从影像中提取道路目标，但仍存在两个有待改进的问题：首先,因仅使用道路光谱信息进行对象的聚类分割，故当路面干扰信息较大、灰度不一致时会影响分割效果;其次,各步骤处理的阈值通过反复实验确定，缺乏灵活性.下一步工作需考虑结合影像的其他特征实现对象的聚类分割，并研究基于机器学习的自适应的阈值选取.。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ｅｍａ：ｈｕｇ９６ａｏ．ｍ． — ｉｚｏｓ１６￣ｙｈｏｏｃｌｔｎ
ＺＵｈｏｇａｇＬＵＪａｄａ，ＨＥｎｘ．ｅｔｏｏｅｔａｔｒａｓｉｒａｒａｆｏｈｇ —ｅｏｕ０ｅＨＯＳａ－ｕｎ，ＩｕｎｕｎＣＮＲｅ —ｉｗｍｅｈｄｔｘｒｃｏｄｎｕｂｎａｅｒｍｉｒｓｌ廿ｎｒ－Ｎｈ
ｉｒａｒａｆｍＪｈｒｓｌｔｎｉｇｓｎｕｂｎａｅｒｏｈｇ —ｅｏｕｉｍａｅ．ｉｏＫｅｒｓｒａｘｒｃｉｎ；ｎｕａｅｔｒｌｅｓｇｎｔｈｎＭａｋｖｒｎｏｆｌｙｗｏｄ：ｏｄｅｔａｔｏａｇｌｒｔｘｕｅ；ｎｅｍｅｔｍａｃｉｇ；ｒｏａｄｍｅｄｉｉ
摘
要：在综合几种现有算法优点的基础上，出一种新的道路提取策略。首先以角度纹理特性法分割原始影像；着利用直线提接
匹配原理剔除初始分割结果中的非道路地物，到更为规则的道路条带；得然后通过形态学手段获得道路中心线，并将每条中心线
拆分为多段直线；结合上下文知识的马尔可夫模型被用于组织道路段的中・，而恢复完整道路网。实验结果表明：方法具心线从新有良好的性能，以从高分辨ＩＯＮ遥感影像中提取出复杂的城市道路。可ＫＯＳ
河海大学测绘工程系，南京２０９１０８
ＤｐｒｅｔｏｕｖｙｎｎｐｉｇＥｇｅｒｇＨｏａＵｉｅｓｙＮａｊｇ２０９，ｈｎｅａｔｎｆＳｒｅｉａｄＭａｐｎｉｅｎ，ｈｉｎｖｒｉ，ｎｉ１０８Ｃｉａｍｇｎｎｉｔｎ
ＭａｋｖａｒｏｉｍｏｅｎｏｔｘｎｗｌｄｅＥｘｅｍｅｔｌｒｓｌｈｗｈｔｔｅｐｏｏｅｔｏｓｆｃｅｔｆｒｅｔａｔｇｒａｓｎｄｌａｄｃｎｅｔｋｏｅｇ．ｐｒｉｎａｅｕｔｓｏｔａｈｒｐｓｄｍｅｈｄｉｉｉｎｏｘｒｃｉｏｄｓｅｎ
ｍｏｅｓｎｉｇｉｇｒ．ｏｕｅｎｉｅｒｎｎｐｉａｉｎ，００４（２：１－１．ｔｅｓｍａｅｙＣｍｐｔｒＥｇｎｅｉｇａｄＡｐｌｔｓ２１，６３）２６２９ｎｃｏ
ＡｂｔａｔＡｅｓｈｍｅｏｅｌｃｏｄｉｕｂｎｒａｓｐｅｅｔｄｙａｉｇｔｅｄａｔｇｓｏｅｅａｅｉｔｇｍｅｈｄ．ｓｒｃ：ｎｗｃｅｔｘｒｔｒａｓｎｒａａｅｉｒｓｎｅｂｔｋｎｈａｖａｅｆｓｖｒｌｘｓｉｔｏｓａｎｎＴｈｒｇｎｌＫＯＮＯＳｉａｅｓｅｍｅｔｄｕｉｇｔｅａｇｌｒｔｘｕｅｉｎｔｒｒｃｐｅＴｈｎｔｅｉｅｅｍｅｔｍａｃｉｇｐｅｏｉａＩｉｍｇｉｓｇｎｅｓｈｎｕａｅｔｒｓｇａｕｅｐｉｉｌ．ｅｈｌｓｇｎｔｈｎａ — ｎｎｎｐｏｃｓｕｉｚｄｔｅｖｎｎｒａａｇｔｒｍｈｓｇｎｅｅｕｔＳｔａｏｄｏｎａｉｓａｐａｒｅｕａ．ｅｒａｈｉｔｉｅｏｒｍｏｅｏ－ｏｄｔｒｅｓｏｔｅｅｍｅｔｄｒｓｌ，ＯｈｔｒａｓｂｕｄｒｅｐｅｒｍｏｅｒｇｌｒｎｔｌｆＩｈｈｒｓｃｎｒｉｓｆａｌｏｄａｅｂａｎｄｗｉｔｅａｄｏｏｒｈｌｇｃｌｌｏｔｍ，ｕｔｒｒｕｖｃｎｒｔｉｔｐｅｔｌｌｅｏｌｒａｓｒｏｔｉｅｔｈｉｆｓｍｅｍｏｐｏｏｉａａｇｒｈｓｆｒｅｍｏｅａｃｒｅｅｔｌｄｅａｎｈｉｈａｌｅｓｂｏｅｉｔｉｃｗｉｅｉｅ．ｉａｌｃｎｒｌｒａｌｅｅｍｅｔａｅｇｏｐｄｏｅｔｒｔｅｉｉｒｋｎｎｏｐｅｅｓｌｓＦｎｌｎｎｙｅｔａｏｄｉｓｇｎｓｒｒｕｅｔｒｓｏｅｈｗｈｌｒａｎｔｒｓｇｎｏｅｏｄ４（２
ＣｍｕｅＥｇｎｅｉｎＡｐｉｔｎ计算机工程与应用ｏｐｔｎｉｅｒｇａｄｐｌａｉｓｒｎｃｏ
从高分辨率遥感影像中提取城市道路的新方法
周绍光，刘娟娟，陈仁喜
ＺＵＳａ・ｕｎ，Ｉｕｎｊａ，ＨＮｅ —ｉＨＯｈｏｇａｇＬＵＪａ－ｎＣＥＲｎｘｕ