基于遥感影像的道路边缘提取方法设计
基于遥感图像的道路提取方法
基于遥感图像的道路提取方法发布时间：2021-10-08T06:40:09.917Z 来源：《科学与技术》2021年5月第15期作者：王晓茜[导读] 在城市规划、交通管理、道路监控等方面，遥感图像的道路提取技术是一个热门的研究课题。
王晓茜吉林省交通运输综合行政执法局（吉林长春 130012）摘要在城市规划、交通管理、道路监控等方面，遥感图像的道路提取技术是一个热门的研究课题。
本文在分析不同的道路特征和道路模型前提下，总结了道路提取方法。
首先，对道路功能、道路模型、现有的道路提取的困难和干扰因素进行了分析；其次，对道路提取原理、各种方法的优缺点、研究成果进行简要总结；然后，对不同的道路提取算法进行比较；最后，重点对近年来的研究结果进行了总结。
在未来，如何实现完整自动的遥感图像道路提取仍然是一项重要而富有挑战性的研究。
1、引言自从1972年美国第一颗陆地观测卫星发射，各种应用到遥感图像的处理技术得到了迅速的发展。
从遥感图像中提取道路是一个具有挑战性但重要研究课题。
道路是运输的支柱和基本方式，道路提取研究对交通管理、城市规划、道路监控和地图更新等具有重要意义。
2、道路特征从遥感图像中提取道路的困难在于道路的图像特征受到传感器类型、光谱和空间分辨率、天气、光的变化和地面特征等的影响。
在实践中，道路网络太复杂，因此，道路特征的分析是非常重要的。
道路具有带状特征，其宽度不会突然变化，长度比宽度比值大，路口通常可以呈现为“T”、“Y”，或“+”；道路有两条明显的道路边线和边缘，梯度较大。
同时，灰度值或道路颜色相对稳定，变化缓慢，但与相邻的非道路地区有很大差异，例如树木和建筑物等；一般情况下，道路有交叉口，道路网不会突然中断；道路在现实世界中具有特定的功能。
在遥感图像道路提取中不同的道路特征具有不同的性质。
几何特征与道路形状有直接性关系。
光度特征靠近道路的灰色等级或颜色。
拓扑特征功能特性相对简单，但很难应用于真正的应用。
基于遥感影像的道路边缘提取方法设计
基于遥感影像的道路边缘提取方法设计作者：刘春江来源：《科技视界》 2015年第28期刘春江（呼和浩特市第二中学，内蒙古呼和浩特 010010）【摘要】从遥感影像中提取道路信息一直是遥感影像数据应用研究的一个重点和难点。
文中采用将阈值分割和Canny边缘检测算子相结合的方法对遥感影像中道路的边缘信息进行提取。
首先采用灰度直方图阈值分割的方法分割遥感影像，得到初始道路信息；其次进行面积阈值滤波处理滤除干扰信息；再次采用Canny算子检测道路的边缘信息；最后将得到的道路边缘叠加到原图像中显示。
【关键词】道路边缘提取；阈值分割；面积滤波；Canny边缘检测算子Method Design of Extract Road Edge Based on Remote Sensing ImageLIU Chun-jiang(Hohhot No.2 High School, Hohhot Inner Mongolia 010010, China)【Abstract】Extract road information from remote sensing image is always one important and difficult point of remote sensing data implication researching. In this paper, combine threshold segmentation with Canny edge detector operator to extract road edge information in remote sensing image. Firstly, use gray level histogram threshold segmentation to segment the remote sensing image, and obtain the initial road information. Secondly, use area threshold filtering to filter interference information. Thirdly, use Canny operator to detect road edge information. At last, overlay the obtained edge with the original image to show.【Key words】Road edge extraction; Threshold segmentation; Area filtering; Canny edge detector operator0 引言随着航空航天和电子科技等水平的发展，获取遥感影像数据的方式变得多样化，获得数据变得越来越容易，同时影像的分辨率也越来越高，影像中的地物信息也越来越丰富，因此对于遥感影像数据的应用研究也越来越多。
基于遥感影像的道路边缘提取方法设计
基于遥感影像的道路边缘提取方法设计遥感影像道路边缘提取方法是地理信息系统和计算机视觉领域中的一个重要问题。
道路边缘提取方法可以应用于交通规划、智能驾驶、城市规划等领域。
在这篇文章中，我们将介绍一种基于遥感影像的道路边缘提取方法设计。
首先，我们需要获取高分辨率的遥感影像数据。
可以使用卫星图像、无人机图像或者航空影像等不同的遥感数据源。
这些数据应当包含大量的道路图像，以便我们能够从中提取道路边缘信息。
接下来，图像预处理是道路边缘提取的重要步骤。
主要包括去噪、灰度化、图像增强等操作。
去噪操作可以通过应用高斯滤波器或者中值滤波器来实现。
灰度化操作将彩色图像转换为灰度图像，简化了后续算法的计算复杂度。
图像增强可以通过直方图均衡化或者对比度增强等方法来增强图像的可见性。
在预处理之后，我们可以使用边缘检测算法来提取道路边缘。
常用的边缘检测算法有Canny算法、Sobel算法和Laplacian算法等。
这些算法可以通过对图像梯度或者二阶导数进行计算，来检测出像素值发生剧烈变化的位置，从而找到道路的边缘。
然而，传统的边缘检测算法通常会受到光照、噪声等因素的干扰，容易产生边缘断裂、无关边缘等问题。
因此，我们可以结合机器学习算法来提高道路边缘的准确性和稳定性。
可以训练一个基于深度学习的神经网络模型，使用标注好的道路边缘数据来进行模型训练，并通过该模型来对未知图像进行道路边缘的推断。
常用的深度学习模型有卷积神经网络（CNN）、循环神经网络（RNN）等。
另外，为了提高道路边缘提取的效果，我们还可以加入其他信息来辅助边缘提取，例如地理信息、交通标志等。
通过将这些信息与遥感影像数据进行融合，可以提高道路边缘的定位和精度。
最后，在道路边缘提取完成之后，我们还需要进行边缘的后处理。
常用的后处理方法有边缘连接、边缘平滑等。
边缘连接可以将离散的边缘点连接成边缘线，边缘平滑可以通过滤波或者插值等方法来去除不连续性和噪声。
总结起来，基于遥感影像的道路边缘提取方法设计主要包括图像预处理、边缘检测、机器学习算法、辅助信息融合和后处理等步骤。
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在过去的几十年里，高分辨率遥感影像已经成为了城市规划和管理的重要工具。
通过分析这些影像，可以提取出城市道路的位置和特征，为城市交通规划和交通状况监测提供数据支持。
然而，由于城市道路的复杂性和多样性，现有的方法在提取精度、处理速度和适应性方面仍然存在一些局限性。
因此，本文提出了一种新的方法，旨在解决这些问题。
首先，本方法采用了一种基于深度学习的图像分割算法。
该算法通过训练一个深度卷积神经网络，将道路区域和非道路区域分割开来。
为了训练网络，我们使用了大量的标记数据，其中包括城市道路和非道路的遥感影像样本。
通过训练，网络可以学习到道路的特征，并能够准确地提取出道路区域。
其次，本方法利用了多尺度处理技术。
由于遥感影像中的道路尺度各异，为了提高提取精度，我们采用了多尺度处理技术。
具体而言，我们首先将原始遥感影像进行分割，得到一系列不同尺度的子图像。
然后，针对每个子图像，我们分别使用图像分割算法提取道路区域。
最后，将得到的道路区域进行合并和优化，以得到最终的道路提取结果。
此外，本方法还引入了半监督学习的思想。
传统的道路提取方法通常需要大量的标记数据，这在实际应用中往往是难以获得的。
为了克服这个问题，我们使用了一种半监督学习的方法。
具体而言，我们首先用少量的标记数据训练网络，然后使用网络提取道路区域，并将提取结果与原始影像进行比较。
通过比较结果，我们可以发现一些错误的提取区域，并将其标记为非道路区域。
然后，我们使用这些新的标记数据重新训练网络，以提高提取精度。
最后，我们对我们的方法进行了大量的实验证明了其有效性和准确性。
通过与传统的道路提取方法进行比较，我们的方法在准确度和处理速度方面都取得了显著的改进。
我们还对不同尺度的影像进行了实验，结果表明我们的方法对于不同尺度的道路都具有很好的提取能力。
综上所述，我们提出的新方法在高分辨率遥感影像中提取城市道路方面有着显著的优势。
遥感图像道路提取方法综述
结论与展望
目前，遥感图像道路提取已经得到了广泛的应用和发展，但仍存在一些挑战 和问题需要进一步研究和改进，例如如何提高道路提取的精度和自动化程度、如 何处理复杂和动态的遥感图像等。未来的研究方向可以包括开发更加快速、准确 和智能的遥感图像道路提取方法和技术；研究更加精细和全面的遥感图像道路信 息表达和处理方式；探索遥感图像道路提取与其他相关领域（如自动驾驶、城市 规划等）的融合和应用等。
结论与展望
结论与展望
本次演示综述了遥感图像道路提取的方法和技术，介绍了图像处理和特征提 取方法、机器学习算法和应用、深度学习和神经网络技术以及其他方法和技术在 遥感图像道路提取中的应用效果及优劣。通过实验设计和数据集的准备，可以进 行不同方法和技术在遥感图像道路提取方面的精度、准确性和可靠性等方面的对 比和分析。
方法与技术
1、图像处理和特征提取方法
1、图像处理和特征提取方法
图像处理和特征提取是遥感图像道路提取的基本步骤之一。常用的图像处理 方法包括滤波、边缘检测、二值化、形态学处理等，能够去除噪声、突出道路特 征、提取道路边界等。常用的特征提取方法包括纹理分析、颜色特征提取、形状 特征提取等，能够提取出反映道路特征的多种特征向量。通过这些方法和技术的 综合应用，可以提高道路提取的精度和自动化程度。
2、机器学习算法和应用
ቤተ መጻሕፍቲ ባይዱ
2、机器学习算法和应用
机器学习算法是一种基于数据驱动的方法，通过对大量数据进行学习，能够 自动识别和提取道路信息。在遥感图像道路提取中，常用的机器学习算法包括决 策树、支持向量机、神经网络等。这些算法能够根据图像的特征自动分类和识别 道路和非道路区域，并且可以对提取的道路信息进行优化和改进。
3、深度学习和神经网络技术
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。
基于深度学习的遥感影像道路提取
基于深度学习的遥感影像道路提取摘要：针对现有道路提取方法精度较差、一体化与智能化较低的问题，本文基于国产多源遥感卫星影像，基于大数据量采用U-Net、DeepLabV3、MultiTaskRoadExtractor模型进行道路模型的训练与测试，并对测试结果进行对比分析；基于小数据量采用MultiTaskRoadExtractor模型进行道路的训练与测试，并与大数据量MultiTaskRoadExtractor模型提取的道路进行对比分析。
实验结果表明：①MultiTaskRoadExtractor模型提取的道路优于U-Net、DeepLabV3模型，且提取道路所用的时间最短；②平坦的道路，不涉及复杂相交关系的道路，U-Net、DeepLabV3、MultiTaskRoadExtractor三个模型提取的道路完整性较好，差别不大；③F382影像基于MultiTaskRoadExtractor模型采用小数据量训练的道路模型提取该影像道路的效果较好，优于大数据量MultiTaskRoadExtractor模型提取的道路。
关键词：道路；U-Net；DeepLabV3；MultiTaskRoadExtractor；精度Road extraction from remote sensing images based on depth learning YANG Zhen（Engineering University of CAPF, Xi’an ,710086,China;）Abstract: In view of the problems of poor accuracy, integrationand intelligence of existing road extraction methods, domestic multi-source remote sensing satellite images were used. Based on large amounts of data, U-Net, DeepLabV3, MultiTaskRoadExtractor models were used to train and test road models, and the test results were compared and analyzed; Based on the small amount of data, the MultiTaskRoadExtractor model was used for road training and testing, and compared with the roads extracted from the large amount of data MultiTaskRoadExtractor model. The experimental results showed that: firstly, the road extracted by MultiTaskRoadExtractor model was better than U-Net and DeepLabV3 models, and it took the shortest time to extract the road; secondly, flat roads did not involve roads with complex intersection relationships. The integrity of roads extractedby U-Net, DeepLabV3 and MultiTaskRoadExtractor was good, and thedifference was little; thirdly, F382 image was based on the MultiTaskRoadExtractor model, and the road model with small data volume training was better than the road extracted by the MultiTaskRoadExtractor model with large data volume.Key words: road; U-Net; DeepLabV3; MultiTaskRoadExtractor; accuracy0 引言近年来，国产高分辨率遥感影像来源更丰富，时效性更强，分辨率更高，深度学习技术因其强大的鲁棒性和自学习能力在图像处理领域大放异彩。
基于高分辨率遥感影像的道路特征信息提取方法
Ｗ Ｅ Ｓ Ｔ Ｒ Ｎ Ｒ Ｅ Ｓ ０ Ｕ Ｒ Ｃ Ｅ Ｓ 部鸳
基于高分辨率遥感影像的道路特征信息提取方法
傅 刚
内蒙古 自治区测绘产品质量监督检验站
呼和浩特
０ １ ０ ０ ２ ０
摘要 ： 高分辨率遥感影像越来越丰富 ， 使得 高分辨率影像的信息提取要求也越来越 高， 特别是对道路这种特殊的地物 而言 ， 其提取的准确性对后续应用有很大影响。本文总结了高空间分辨率遥感影像中道路的物理和几何特征 、 已有道路 提取方法及未来的发展方 向。
刊 物上发表 多篇 专业论文 ， 具有扎 实的理 论基 础和丰富的工作经验。
Ｒ Ｅ Ｓ ＯＵ Ｒ Ｃ Ｅ Ｓ｜ １ ５ １
西鄙 鸳 Ｗ Ｅ Ｓ Ｔ Ｒ Ｎ Ｒ Ｅ Ｓ ０ Ｕ Ｒ Ｃ Ｅ Ｓ
遥感测绘 ２ ０ １ ６ 年 第 六期
的起 始 点 和起 始 方 向 ； 第三 ， 扩展 和 跟 踪 起始 点 ， 提 取道 路 取道路轮廓 ； 三是根据上一步骤提取 的道路轮廓线 ， 从第一 段； 第四 ， 将 各个 道 路段 连接 ， 从 而形成 道路 网 。
１ ． 道路 特征 提 取 的原理
道路在高空间分辨率 的遥感影像上 ， 通过人工解译 是
很 容 易被 识 别 和 提 取 出来 的 ， 这 主要 是 因 为道 路 的物 理 和
几何特性与其他地物有明显 的区别 ， 因此 ， 只有 明确道路的 人工选取道路 的起始点和起始方 向， 然后设置规则 ， 由计算
作 者 简介 ： 傅刚， 男， 高级工程 师， 武 汉大学测绘工程 专业本科毕 业 ， 工 学学士。长期从 事测绘地理信 息产品检 查验收和测绘仪 器计量检
基于遥感影像的道路提取方法研究
基于遥感影像的道路提取方法研究基于遥感影像的道路提取方法研究摘要：道路提取是遥感图像处理中的重要任务，对于城市规划、交通管理和环境评估等方面具有重要意义。
本文对基于遥感影像的道路提取方法进行了研究与总结。
首先，介绍了遥感影像道路提取的背景和意义；然后，详细讨论了主要的道路提取算法，并进行了比较与评估；最后，给出了未来研究方向和存在的挑战。
1. 引言道路是城市交通系统的重要组成部分，准确提取道路信息对于城市规划、交通管理和环境评估等具有重要意义。
传统的道路提取方法通常需要耗费大量的人力和时间，并且对于大范围遥感影像的处理效果有限。
随着遥感技术的发展，基于遥感影像的道路提取方法逐渐成为研究热点。
2. 遥感影像道路提取方法2.1 基于阈值分割的方法阈值分割是最简单和直观的图像分割方法之一，它将图像中的像素根据其灰度值与预先设定的阈值进行分类。
在道路提取中，可以通过选择合适的阈值来将道路和其他背景区分开来。
但是，由于道路和背景在不同遥感影像中的灰度分布存在较大差异，单一阈值分割方法的适用性有限。
2.2 基于边缘检测的方法边缘检测是一种通过寻找图像中亮度变化的位置来检测目标边缘的方法。
对于道路提取，可以通过应用边缘检测算法来较好地提取道路轮廓。
边缘检测方法对于噪声敏感，因此在应用前需要对图像进行滤波预处理。
2.3 基于纹理特征的方法道路具有一定的纹理特征，如灰度分布、纹理方向和纹理密度等。
通过提取遥感影像的局部纹理特征，可以较好地将道路从其他区域中提取出来。
基于纹理特征的方法需要运用纹理描述子和机器学习等技术，对图像进行分类和判别。
3. 方法比较与评估针对道路提取方法，本文选择了一些代表性的算法进行了比较与评估。
实验结果显示，基于纹理特征的方法在提取道路时具有较好的准确性和鲁棒性，但是对于大规模遥感影像的处理速度较慢；基于阈值分割的方法简单有效，但在阈值选择上存在一定难度；基于边缘检测的方法对于噪声敏感，需要进行滤波预处理。
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：１００１ ５０６Ｘ（２０２４）０４ １１６７ ０７ 网址：ｗｗｗ．ｓｙｓ ｅｌｅ．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（２０２２ ０８）；陕西省自然科学基础研究计划（２０２３ ＪＣ ＱＮ ０２９９）；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）：１１６７ １１７３．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＣＨＥＮＸＭ，ＬＩＵＺＨ，ＺＨＯＵＳＰ，ｅｔａｌ．Ｒｏａｄｅｘｔｒａｃｔｉｏｎｆｒｏｍｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｂａｓｅｄｏｎＨＲＮｅｔ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２４，４６（４）：１１６７ １１７３．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（ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎｎｅｔ，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Ｃｒｏｓｓ ｅｎｔｒｏｐｙＬｏｓｓ和ＤｉｃｅＬｏｓｓ用来解决道路数据集样本不平衡问题。
- 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)。
基于遥感影像的道路边缘提取方法设计作者：刘春江来源：《科技视界》2015年第28期【摘要】从遥感影像中提取道路信息一直是遥感影像数据应用研究的一个重点和难点。
文中采用将阈值分割和Canny边缘检测算子相结合的方法对遥感影像中道路的边缘信息进行提取。
首先采用灰度直方图阈值分割的方法分割遥感影像，得到初始道路信息；其次进行面积阈值滤波处理滤除干扰信息；再次采用Canny算子检测道路的边缘信息；最后将得到的道路边缘叠加到原图像中显示。
【关键词】道路边缘提取；阈值分割；面积滤波；Canny边缘检测算子【Abstract】Extract road information from remote sensing image is always one important and difficult point of remote sensing data implication researching. In this paper， combine threshold segmentation with Canny edge detector operator to extract road edge information in remote sensing image. Firstly， use gray level histogram threshold segmentation to segment the remote sensing image， and obtain the initial road information. Secondly， use area threshold filtering to filter interference information. Thirdly， use Canny operator to detect road edge information. At last，overlay the obtained edge with the original image to show.【Key words】Road edge extraction； Threshold segmentation； Area filtering； Canny edge detector operator0 引言随着航空航天和电子科技等水平的发展，获取遥感影像数据的方式变得多样化，获得数据变得越来越容易，同时影像的分辨率也越来越高，影像中的地物信息也越来越丰富，因此对于遥感影像数据的应用研究也越来越多。
从遥感影像中提取道路信息是遥感影像数据应用研究的一个热点和难点，已产生的方法大多是针对某种特定区域的道路进行提取。
从遥感影像中提取道路信息的方法主要分为半自动和自动两种方法，且以半自动的提取方法居多，自动化程度较高的方法的研究相对较滞后，但是也产生了一些较优秀的算法[1]。
最近一年国内产生的道路提取方法主要有：阙昊懿等[2]提出了基于双阈值的序贯相似性检测算法（SSDA）的模板匹配算法来提取道路的边缘信息。
谭仁龙等[3]提出一种基于圆形模板的半自动道路提取方法，采用圆形模板来搜索道路的中心点，再结合形态学梯度和道路中心点夹角得到道路中心线。
周绍光等[4]首选对遥感影像进行滤波得到待分割特征矢量，然后采用图割理论从特征矢量中检测道路候选点，再采用直线匹配方法对道路候选点进行处理得到初始道路段，最后集合图割、形状先验和动态外推的方法连接道路段得到道路。
本文采用结合阈值分割和Canny算子边缘检测的方法对遥感影像中道路的边缘信息进行提取。
首先根据遥感影像灰度图像的灰度直方图中灰度值的分布特点，采用直方图阈值分割的方法分割遥感影像，得到道路的初始信息，然后对初始道路信息进行面积统计，根据面积的分布，选择非道路信息的最大面积值，以此为面积阈值滤波处理的阈值，经过面积阈值滤波之后，再采用Canny 算子检测所得道路的边缘，最后将得到的道路边缘叠加到原图像中显示。
1 基本原理1.1 阈值分割直方图阈值分割适用于在图像中目标和背景的灰度级别区别明显的情况下分割图像。
1.2 Canny算子边缘检测边缘是图像最基本的特征，是其周围像素灰度急剧变化的像素集合。
边缘存在于目标、背景和区域之间，是所要提取目标和背景的分界线，是进行分割的重要依据，提取出边缘才能将目标和背景区分开。
边缘一般分为两种：边缘两边像素的灰度值明显不同的阶跃状边缘和边缘处于灰度值由小到大再到小变化的转折点处的屋顶状边缘。
边缘检测的基本思想是先检测图像中的边缘点，然后根据某种策略将边缘点连接成轮廓，得到分割的区域[9]。
常用的边缘检测算子[10]为：一阶微分算子和二阶微分算子。
一阶微分算子也称为梯度边缘检测算子，其利用图像在边缘处的阶跃性，即图像梯度在边缘取得极大值的特性进行边缘检测。
二阶微分算子检测边缘的方法简单，但对噪声较敏感，同时不能提供边缘的方向信息。
为了实现对噪声的抑制，Marr等提出了高斯拉普拉斯（LoG）的方法，首先使用高斯函数对图像进行低通滤波平滑，然后进行过零点检测，通过设定的判断规则产生边缘点。
LoG算子抗噪能力较好，其检测的边缘比较完整，位置较精确。
Canny边缘检测算子是在原一阶微分算子的基础上增加了可以抑制多响应边缘，提高边缘定位精度的非最大值抑制和可以减少边缘漏检率的双阈值。
采用Canny算子进行边缘提取主要分为4个步骤[10]：首先，去除噪声，一般采用高斯函数对图像进行平滑；其次，计算梯度值和方向角，分别计算去除噪声后的图像在x方向和y方向的梯度ΔI和梯度方向角θ。
将0°到360°的梯度方向角归并为0°、45°、90°和135°四个方向θ′。
对于所有边缘，定义方向180°=0°，225°=45°等，这样方向角在[-22.5°～22.5°]和[157.5°～202.5°]范围内的角都被归并到0°方向角，其他的角度归并以此类推；再次，非最大值抑制，将那些在梯度方向具有最大梯度值的像元作为边缘像元保留，将其他像元删除。
梯度最大值一般位于边缘的中心，沿梯度方向随着距离的增加逐渐减小。
最后，滞后阈值化，由于噪声的影响，经常会在本应该连续的边缘出现断裂的问题。
滞后阈值化设定一个高阈值和一个低阈值。
如果任何像素对边缘算子的影响超过高阈值，将标记为边缘；响应位于高、低阈值之间的像素，如果与已经标为边缘的像素1-邻接或8-邻接，则标记为边缘。
这个过程反复迭代，将其余的像素则视为噪声。
具体过程如下：（1）如果像元的梯度值小于低阈值，则为非边缘像元；（2）如果像元的梯度值大于高阈值，则为边缘像元；（3）如果像元的梯度值位于低阈值和高阈值之间，则进一步检查像元的3×3邻域内像元的梯度是否大于高阈值，如果大于高阈值，则为边缘像元；（4）如果在像元的3×3邻域内，没有像元的梯度值大于高阈值，进一步扩大搜索范围，查看在5×5邻域内的像元是否存在梯度值大于高阈值，如果有，则为边缘像元，否则，为非边缘像元。
在非最大值抑制的基础上，方法的实现将当前像素的梯度方向近似为4个方向，然后将梯度方向对应到以当前点为中心的3×3邻域上，通过比较邻域上对角线方向三个像元梯度值的大小，判断是否为边缘点。
这一近似方法的优点是计算速度快，但精度相对较差。
2 方法流程图3 实验与结果分析实验的软件环境为MATLAB R2012a，所采用的数据1为大小为207×348的光学彩色遥感影像，数据的原始影像及其灰度图像如图2所示：从灰度直方图中可以看出，影像的灰度图像中灰度值的分布呈现一定的特点，即直方图中存在两个较明显的峰，在两个峰之间存在一个较明显的谷，从原始影像中可以看出，影像中的道路与其他地物区别较明显，同时道路的纹理分布相对比较均匀，所以可以推出在直方图中以谷的最低点为分界灰度值的两侧必然有一侧含有的道路信息较多，非道路信息较少。
经过观察分析灰度直方图，选择的分割阈值T=149，其位置如灰度直方图中红色线所标记，进行直方图阈值分割所得的结果如图4所示：从图4（a）中可看出，经过直方图阈值分割处理后得到的二值图像中道路信息丰富，也存在一些与道路同谱异物的干扰，但是面积相对较小，可以采用面积阈值滤波的方法进行去除，对图4（a）图进行面积统计，所得的面积分布结果如图5所示：从图中可以看出，道路的面积比干扰地物的面积要大的多，图中长度最长的矩形线即对应于图中的道路面积，其他一些相对很短的矩形线对应于图中的非道路干扰信息，通过纵向对比，选择一个干扰面积最大的线，其对应的面积大小为116，其位置如图中红色箭头和竖线所标记，因此只要选择大于116且小于道路总面积的阈值进行面积滤波即可去除所有非道路信息的干扰，保留道路信息，本文中选择的面积阈值为117，经过面积阈值滤波处理之后的结果如图4（b）所示，从图中可看出处理后的道路信息完整性较好。
将图6（b）中的道路段采用边缘检测算子进行边缘检测，采用Canny算子，选择的阈值为0.01，其它参数为默认值，进行边缘检测的结果如图6所示。
从结果发现使用Canny算子检测的边缘在保持道路边缘完整度的同时具有较好的平滑性。
方法对于遥感影像中地物分布较简单，同时道路的地物特征明显的情况有较好的边缘检测效果。
4 总结采用结合直方图阈值分割和Canny边缘检测算子结合的方法来提取遥感影像中道路的边缘信息，对于影像的灰度直方图中灰度值的分布特征明显的情况下，可以通过手动选择分割的阈值进行直方图阈值分割得到初始道路信息，然后通过面积阈值滤波去除干扰信息，得到最终的道路，再通过边缘检测得到道路的边缘信息。
但是当影像的灰度直方图中灰度值的分布特征不明显的情况下，由于不能够合理的选择阈值分割的阈值，进而不能够得到相应的初始道路信息，因此方法在这种情况下的适用性不理想。
同时当通过阈值分割得到的初始道路信息所受的干扰信息中存在较严重的对道路的粘连干扰时，仅仅通过面积阈值滤波处理并不能很好的去除粘连干扰信息，因此需要采用其他更多的后处理操作进行处理以得到最终道路信息。
【参考文献】[1]吴亮，胡云安.遥感图像自动道路提取方法综述[J].自动化学报，2010，36（7）：912-922.[2]阙昊懿，黄辉先，徐建闽.基于双阈值SSDA模板匹配的遥感图像道路边缘检测研究[J].国土资源遥感，2014，26（4）：29-33.[3]谭仁龙，万幼川，袁芳，等.基于圆形模板的高分辨率遥感影像道路半自动提取[J].测绘通报，2014（10）：63-66.[4]周绍光，陈超，岳建平.形状先验和图割的高分辨率遥感影像道路段提取[J].测绘学报，2014，43（1）：60-65.[5]张璐璐，何宁，徐成，等.基于K-means聚类的遥感影像半自动提取方法[J].北京联合大学学报，2015，29（1）：47-52.[6]张采芳，田岩，郑毓勇.基于最优尺度的高分辨率遥感影像道路提取[J].测绘通报，2015（1）：90-94.[7]江中亮，杨敏华，杨德地.快速提取城市道路中心线[J].测绘与空间地理信息，2015，38（1）：153-154.[8]Gonzalez R.C.，Woods R.E.，Eddins S.L..数字图像处理（MATLAB版）[M].阮秋琦，等，译.北京：电子工业出版社，2009.[9]Sonka M.，Hlavac V.，Boyle R..图像处理、分析与机器视觉[M].3版.艾海舟，苏延超，等，译.北京：清华大学出版社，2011.[10]赵小川.MATLAB图像处理——能力提高与应用案例[M].北京：北京航空航天大学出版社，2014.[责任编辑：汤静]。