道路提取
一种道路面和道路中心线快速构建提取方法及系统
一种道路面和道路中心线快速构建提取方法及系统1. 引言：道路表面和道路中心线的快速构建和提取是实现基于地理信息系统的道路网络分析和应用的重要前提。
我们提出一种新的方法和系统，能够在短时间内准确地构建道路表面和道路中心线。
2. 数据采集：我们需要采集高分辨率的地面影像数据和激光雷达数据。
地面影像数据可通过卫星图像或无人机摄像机获取，而激光雷达数据则可以通过装配在车辆上的激光雷达仪器进行采集。
3. 影像处理：我们使用影像处理算法对采集到的地面影像数据进行预处理。
这包括去除影像中的噪声、校正影像的颜色和亮度差异，并对影像进行几何校正，以确保后续的特征提取过程的准确性。
4. 点云处理：将采集到的激光雷达数据转化为点云数据。
我们使用点云处理算法对点云数据进行滤波和配准，以去除噪声和提高点云数据的准确性。
5. 地面提取：我们使用地面提取算法从点云数据中提取出地面点云。
这个过程包括分类算法和分割算法，能够将地面点云和非地面点云分离开来。
6. 点云重建：我们使用点云重建算法将地面点云重建为地面模型。
这个过程将地面点云转化为平面模型，以便后续的道路中心线提取过程使用。
7. 道路中心线提取：我们使用道路中心线提取算法从重建的地面模型中提取出道路中心线。
这一过程使用了曲线拟合和最短路径算法，能够准确地提取出道路的中心线。
8. 道路表面构建：根据道路中心线，我们使用道路表面构建算法构建出道路表面。
这个过程考虑了道路的宽度和曲率等因素，能够生成符合实际道路形状的道路表面模型。
9. 系统实现：我们将上述的方法整合到一个系统中。
这个系统能够自动完成数据预处理、点云处理、地面提取、道路中心线提取和道路表面构建等步骤，实现快速的道路面和道路中心线的构建和提取。
10. 实验与结果：我们对提出的方法和系统进行了实验验证，并与传统的道路提取方法进行了比较。
实验结果表明，我们的方法能够在短时间内完成道路面和道路中心线的提取，并且具有较高的准确性和效率。
第四讲 城市道路的提取
– （3）允许提取结果的回退操作
－城市遥感 ·第三章－
3.2 道路提取现状和流程
二、道路半自动提取策略
具体策略：
（1）在依次输入的人工点形成的各段内，以快速 的模板匹配和基于神经网络的优化计算快速提 取出道路特征的初始值； （2）基于平差模型的自适应模板匹配对每段进行 相对独立的提取，即提取各段的二次曲线； （3） 最后，由上述提取的结果作为初值，基于最 小二乘样条曲线提取算法对其进行精确定位。
平行线段不一定都是道路段，符合下列两个条件的平行线段才 是候选的道路段： 几何特征，宽度要在一定的范围之内 灰度特征，平行线段内的平均灰度应满足一定的范围限值
3.3 城市主要道路的提取方法
一、基于结构信息的侯选道路段提取
道路段的编组
在提取的过程中对每一道路段记录了如下参数： 道路段对象标识 平行线组的标识 标明是单平行线对（一对一的平行线对）还是多平行线 组 左平行线的个数 左平行线的集合 与左平行线的集合一一对应的平行距离集合 右平行线的个数 右平行线的集合 与右平行线的集合一一对应的平行距离集合 组织的标志，标明该道路段是否已被组织过
数 字 铁 路
数 字 校 园
3.1 城市道路特性
二、城市道路提取的作用
基于移动终端的空间信息服务
3.1 城市道路特性－难度
三、城市道路提取的难度 由于太阳光线被遮挡
航空、遥感影像上有阴 影是不可避免的
阴影
－城市遥感 ·第三章－
3.1 城市道路特性－难度
三、城市道路提取的难度
－城市遥感 ·第三章－
－城市遥感 ·第三章－
3.2 道路提取现状和流程
二、道路半自动提取策略
arcgis道路面中心线提取
arcgis道路面中心线提取道路面中心线提取是地理信息系统（GIS）中的一个重要功能，可以帮助我们更好地理解和分析道路网络。
在本文中，我们将探讨如何利用ArcGIS软件来提取道路面中心线，并讨论该过程的重要性和应用。
让我们了解一下什么是道路面中心线。
道路面中心线是指道路的中心轴线，即道路两侧边线的中间位置。
提取道路面中心线可以帮助我们分析道路网络的拓扑结构、交通流量分布以及道路规划等问题。
在城市规划、交通管理和环境评估等领域，道路面中心线的提取都具有重要的应用价值。
在ArcGIS中，提取道路面中心线可以通过多种方法实现。
一种常用的方法是基于道路面的几何特征进行提取。
首先，我们需要将道路面图层导入到ArcGIS软件中，并进行必要的预处理工作，例如清理和修复道路面的几何错误。
然后，我们可以利用ArcGIS的工具和功能来提取道路面的中心线。
在ArcGIS中，有几种工具可以用来提取道路面中心线，例如线性参考工具、最小二乘法等。
其中，线性参考工具可以根据道路面的几何特征来计算道路面中心线的位置。
最小二乘法则是利用统计学方法来拟合道路面的几何形状，从而提取道路面中心线。
除了基于几何特征的方法，还可以利用道路面的属性信息来提取道路面中心线。
例如，我们可以根据道路面的道路等级、交通流量、道路宽度等属性信息来推测道路面中心线的位置。
这种方法可以通过分析和建模道路面的属性信息来实现，可以提高道路面中心线的提取精度和可靠性。
道路面中心线提取的结果可以以多种方式进行展示和应用。
一种常见的方式是将提取的道路面中心线图层与其他地理数据进行叠加分析。
例如，我们可以将道路面中心线与交通流量数据进行叠加，从而分析道路网络的拥堵情况和交通状况。
另外，道路面中心线的提取结果还可以用来进行道路规划、交通导航和城市规划等工作。
道路面中心线的提取是GIS中的一个重要功能，可以帮助我们更好地理解和分析道路网络。
在ArcGIS中，可以利用几何特征和属性信息来提取道路面中心线，并通过叠加分析和应用来实现对道路网络的深入分析和应用。
基于深度学习的高分辨率遥感影像道路自动提取研究
基于深度学习的高分辨率遥感影像道路自动提取研究1. 引言1.1 研究背景和意义随着遥感技术的飞速发展，高分辨率遥感影像已经成为地理空间信息获取的主要手段。
从高分辨率遥感影像中自动提取道路信息，对于城市规划、交通管理、灾害监测等领域具有重要的应用价值。
然而，传统的基于图像处理的方法在道路提取中往往受到噪声、阴影、光谱变异等因素的干扰，难以实现高精度、高效率的自动提取。
深度学习技术的兴起为遥感影像道路自动提取提供了新的解决方案。
通过深度学习模型的学习和优化，可以从复杂的遥感影像中准确地提取出道路信息，大大提高了道路提取的精度和效率。
1.2 国内外研究现状国内外学者在基于深度学习的遥感影像道路提取方面进行了大量的研究。
早期的研究主要集中在利用卷积神经网络（CNN）进行道路提取，通过设计不同的网络结构和训练策略来提高提取精度。
近年来，随着全卷积网络（FCN）和U-Net等模型的提出，研究者开始尝试利用这些模型进行遥感影像的道路提取，取得了显著的效果。
此外，还有一些研究将深度学习与其他技术相结合，如条件随机场（CRF）、图模型等，以进一步提高道路提取的准确性。
1.3 研究目标和方法本文的研究目标是基于深度学习技术，设计并实现一种高精度、高效率的高分辨率遥感影像道路自动提取方法。
为实现这一目标，本文将采用以下研究方法：首先，对高分辨率遥感影像进行预处理，包括辐射定标、大气校正、正射校正等步骤，以提高影像质量；其次，设计一种基于深度学习的道路提取模型，通过大量的训练数据对模型进行训练和优化；最后，对提取结果进行后处理和优化，以提高道路提取的准确性和完整性。
2. 高分辨率遥感影像数据预处理2.1 数据来源和特性本文所采用的高分辨率遥感影像数据主要来源于卫星遥感平台。
这些数据具有高空间分辨率、多光谱特性和丰富的地物信息。
然而，由于受到大气条件、传感器误差等因素的影响，原始遥感影像往往存在辐射失真、几何变形等问题，需要进行预处理以消除这些影响。
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
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。
基于标值点过程改进的遥感道路提取新算法
Ｃ ｏ ｍ ｐｕ ｔ ｅ ｒ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇａ ｎ ｄＡ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ 计 算机 工程 与应用
基 于 标 值 点 过 程 改进 的遥 感 道 路提 取新 算 法
何 建农 ， 钟 顺虹
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ： ｒ ｏ ａ ｄ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ； ｍａ ｒ ｋ ｅ ｄ ｐ ｏ ｉ ｎ ｔ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ； ｒ ｅ ｖ ｅ ｒ ｓ ｉ ｂ ｌ ｅ ｊ ｕ ｍｐ Ｍａ ｒ ｋ ｏ ｖ ｃ ｈ ａ ｉ ｎ Ｍｏ ｎ ｔ ｅ Ｃ ａ ｒ ｌ ｏ ｍｅ ｔ ｈ ｏ ｄ ； ｐ ｒ ｏ ｐ ｏ ｓ ａ ｌ ｎ ｕ ｃ ｌ ｅ ａ ｒ
ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｇ ｒ ｅ ａ ｔ ｌ ｙ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ ｔ ｈ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｒ ａ ｔ ｅ ， ａ ｎ ｄ ｔ ｈ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｒ ｏ ａ ｄ ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ ａ ｒ ｅ ｍｏ ｒ ｅ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ａ ｎ ｄ ｃ ｏ ｎ ｔ ｉ ｎ ｕ ｏ ｕ ｓ ．
摘
要： 研 究 了标 值点 过程 的道路 提取 算 法 ， 针对 传统 数据 模型 提取 道路 不 够准确 的缺 点 ， 改进 了数据模 型 。提 出了基 于
边 缘检 测的生 灭 转移 核 ， 避 免 了传 统 的生 灭过程 搜 索 的盲 目性 ， 大 大加快 了算 法的收 敛速 度 。针 对传 统转 移核 容 易破 坏 线 段 的连接 性 的缺 点 ， 定 义 了多种新 型 的 Ｒ Ｊ ＭＣ ＭＣ转移 核 ， 重 新设 计 了 基 于邻域 的生 灭转 移核 及 线段 参数转 移核 。仿 真 结果表 明 ， 改 进算 法大 大提 高 了收敛 速度 ， 并 且提取 的道 路 网络 更准确 ， 更 连续 。
arcscan提取道路中心线原理
arcscan提取道路中心线原理
ArcScan是ArcGIS桌面软件中的一个工具，用于从栅格图像中提取
矢量特征。
它主要用于提取道路、河流等线性特征的中心线。
下面将详细
介绍ArcScan提取道路中心线的原理。
首先，ArcScan利用栅格图像识别道路特征。
它会对图像进行预处理，包括去噪、图像增强等步骤，以提高道路特征的识别效果。
然后，ArcScan通过一系列图像分析算法，如边缘检测、线段追踪等，从图像中
提取出潜在的道路特征。
这些特征将以像素形式表示，构成一个二进制图像。
接下来，ArcScan将二进制图像转换为矢量线要素。
它通过应用一种
名为“跟踪算法”的方法，沿着道路特征的像素路径进行跟踪，将其转换
为线要素。
跟踪算法根据像素颜色、颜色变化、连续像素等特征，将相邻
的像素归类为道路或非道路。
这样，一条矢量线要素就代表了道路的中心线。
在跟踪过程中，ArcScan采用一些策略来处理细节，例如去除小封闭环、合并断开线段等。
这样可以提高中心线的准确性，并减少干扰因素的
影响。
最后，ArcScan将提取的中心线输出为矢量线要素类或特征类，可以
与其他GIS数据进行叠加分析和空间查询。
这样，用户可以利用提取的道
路中心线进行交通分析、路径规划等任务。
- 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)。
道路信息自动化和半自动提取研究综述姓名：******学号：******专业：地图学与地理信息系统学院：*******道路信息自动化和半自动提取研究综述摘要:道路信息作为一种重要的基础地理信息，可以作为提取其他地物目标的线索和参考系，具有很强的现实意义。
从遥感影像自动提取人工地物,特别是线状地物(主要是道路),不仅是摄影测量与遥感领域的难题,也是计算机视觉与图像理解研究的重点之一。
本文首先阐述了道路提取的基本思想以及与道路提取有关的背景知识，然后介绍了国内外比较成熟的理论与技术，最后总结并展望了道路提取的发展趋势。
关键词：道路提取，自动化道路提取，半自动道路提取Abstract：Road information as a kind of important basic geographic information, and other features can be extracted the clues and reference of the target has a strong practical significance. Automatic extraction of artificial from remote sensing image features, especially linear feature (mainly road), not only is a difficult problem in the field of photogrammetry and remote sensing, is also the emphasis of research in computer vision and image understanding. Firstly, this paper expounds the basic ideas and road extraction road extraction related background knowledge, and then more mature theory and technology at home and abroad is introduced, finally summarized and prospected the development trend of road extraction.Key words: road feature extraction; automatic road extraction; semi-automatic road extraction随着实时、全天候、大面积获得地面高分辨率、高精度、多时相、多光谱的数字影像成为可能。
而又作为获得地面几何与物理信息的主要信息源,遥感影像解译或者说信息的自动提取是摄影测量与遥感以及计算机视觉等领域的热门课题,有着十分重要的理论和意义。
道路不仅是一种重要的基础地理信息，而且可以作为提取其他地物目标的线索和参考系。
影像上的道路虽然比其他地物更突出，但实现起来却很困难[1]。
这主要是因为目前计算机人工智能还远未达到完全自动地从数字影像中理解与提取地物信息的水平[2]。
但是在道路提取方面，国内外还是涌现出了许多重要理论与技术。
这里主要是对道路信息提取做了一个总体概述，并展望了其发展趋势。
1 道路特征及提取思想1.1道路的基本特征影像特征是由于景物的物理与几何特性使影像中局部区域的灰度产生明显变化而形成的[3]。
在高分辨率遥感图像上,图像分辨率的提高使得图像细节特征越来越丰富。
欲得到理想的道路提取效果,必须充分了解道路在遥感影像上的基本特征。
有关道路的影像特征描述很多,Vosselman和Kneeht等将道路描述为几何(Geometries)特性、辐射度(photometries)特性、拓扑(Topologies)特性、功能(Functional)特性和关联(Contextual)特性,其中几何特性、辐射度特性和拓扑特性属于中低级知识,功能特性和关联特性属于高级知识,具体描述如下:[6]1)几何特征道路呈长条状(一定的长度,大的长宽比);宽度较窄且变化比较小;方向变换比较慢;曲率有一定的限制;连接处形成“T”字型或“十”型等几何模式:2)辐射度(光度)特性:道路内部灰度比较均匀;与其相邻区域灰度反差较大:一般有两条明显的边缘线(边缘梯度较大);3)拓扑特征道路存在相交和交叉;有“T”型、“Y”型、“十”型或“X”型等:连成网络;很少突然中断;4）功能特性:作为交通网络的一部分,道路起着运输通道的作用;一般都有指向,与村庄、城镇等居民地或人工设施相连接;5）关联(上下文)特性:周边区域内存在与道路相关的影像特征。
如:高架道路产生的阴影,可能遮断道路表面的树木,路边的行树,邻近的道路、道路目的地等。
1.2 提取思想对道路进行特征分析后，就可以综合利用各种所得信息进行下一步的工作，进入提取过程。
影像特征的提取，即从影像中提取有用的信息和视觉特征。
与其他特征提取一样，道路特征提取同样遵循 Marr 视觉理论，应该在低、中、高三个层次上进行。
一般方法主要分以下阶段，如图 1 所示。
在低层次处理中，利用各种不同提取要素的方法提取各种要素，如特征点、边缘、纹理等，在这个层次没有用到与道路有关的知识，所提取的点、线、面都没有结构化；中层次处理是对低层次处理的结果进行分析、选择、重组和综合，在这个层次利用了一些有关道路的几何假设；在高层次处理中，利用要素的结构和关系、道路模型和与道路有关的规则与知识理解和识别道路。
图1道路提取流程1.3道路提取中知识的表达与应用知识是人工智能(Artificial Intelligence)的核心问题之一。
遥感影像理解作为影像智能处理,不可避免要涉及到知识的表达与运用。
由于道路自动提取的复杂性,它对知识的表达与运用又有其自身的特殊性。
知识表示是为描述世界所作的一组约定,是知识的符号化过程。
它将关于世界的事实、关系、过程等编码成为一种合适的数据结构。
知识表示主要是选择合适的形式表示知识.即寻找知识与表示之间的映射[6]。
知识表示的两大类方法是符号表示法和连接机制表示法。
符号表示法是由符号以不同方式和组合来表示逻辑性知识的方法。
而连接机制表示法则是利用人工神经网络技术将各种物理对象以不同的方式及次序连接起来,并在其间传递及加工各种包含具体意义的信息的,以此来表示相关的概念及知识的相对符号的表示法,是一种隐式表达[7]。
迄今，已经提出了许多只是表示的方法：（1）自然语言表示；（2）谓词逻辑表示；（3）语义网络表示；（4）框架表示；（5）产生式系统表示；（6）过程表示；（7）脚本表示；（8）面向对象的知识表示；（9）神经网络表示从遥感影像中自动提取道路所涉及到的知识表达与运用有它自身的特殊性。
因此对特定道路类型的提取选择合适的方法或几种方法结合起来进行知识表达是非常重要的。
学习和自适应能力是最终智能化和自动化的进行道路提取的关键。
目前的许多系统都比较依赖于特定的约束甚至某些参数,提取系统要达到真正的智能化,必须能自动地适应不同的影像条件,在处理中系统能不断的进行学习以获得新的知识,处理新的情况,这是道路自动提取达到实用化必须解决的一个重要问题。
2 研究现状利用计算机提取道路特征,包括“识别”和“量测”两部分。
其中“识别”对于计算机来说是十分困难的,而对于人来说则相对简单。
而“量测”即精确的定位,对于计算机来说,则要相对简单[5]。
道路特征提取现今主要为半自动特征提取和自动特征提取两种格局并存。
从目前的研究进展来看，自动特征提取存在很多困难，因为利用计算机提取道路特征，包括“识别”和“量测”两个部分。
其中“识别”对于计算机处理来说是十分困难的，而对人来说则比较简单。
而“量测”对计算机处理则刚好相反。
因此，利用计算机和人的各自优点进行半自动特征提取和识别在目前来说更为现实[2]。
2.1 自动道路特征提取道路特征自动提取包括道路特征的自动识别和几何特征的自动定位，道路影像特征提取已有各种各样的方法，有局部的、全局的，有人工智能、计算机视觉、模型识别、数学模等，已经能够做到把道路影像从其他地物影像中分割出来甚至能区分道路类型。
若干有代表性的方法介绍如下。
1) 基于平行线对的方法。
道路的本质特征从边缘上看是一组平行线，由此特征，产生许多相关的道路提取算法。
其关键在于在链接好的边缘中产生表示道路的平行线对这一特征，以及识别平行线对是否为道路的识别策略[8]。
P. Dal Poz等(2006)提出了在中等分辨率和高分辨率图像中自动提取道路的方法[7]。
该方法主要分为两步,首先检测整个感兴趣的区域并提取出道路种子。
在检测过程中,寻找符合几何学和辐射线测定要求的局部道路属性,如道路通常是平坦的并且比背景更明亮的表面,通过canny边缘检测及边缘连接与融合法提取出代表图像边缘的多边形。
将所有描述相关图像边缘的多边形结合起来,即可表示一段大致笔直的道路,一系列邻近的路段即组成了一个道路种子。
接下来,将道路种子连接起来并重建出道路交叉,即完成了整个道路网络。
在完成道路网络重建的过程中主要用到两种策略。
一是从连续的道路种子中提取出道路中心线，二是利用道路中心线来寻找道路交叉处参考点的大致位置，提取出代表道路交叉轮廓的多边形，并重建道路的交叉[9]。
研究表明，这种方法具有较好的效果。
2）标点随机过程方法。
X. Descombes, J. Zerubia等(2002)提出了将标点随机过程(MPP, Marked Point Process)理论应用于图像分析,提取出道路信息的方法[12]。
标点随机过程的主旨在于采用随机框架对目标问题进行建模。
待分析的目标可以是任意数量、处于任意位置、用任意参数来定义。
和许多提取道路信息的算法不同,标点随机过程的方法不需要标记道路的起始点。
它被定义为关于泊松的一个密度函数,被称作标记(marks)的任意参数与每一个点相关联。
在图像分析中,这些参数用来定义目标的一些几何特性。
进行道路信息提取的过程中,将RJMCMC (Reversible Jump Monte Carlo Markov Chain)嵌入模拟退火算法中,以取得最优化的模型。
3) 多分辨率提取算法。
同一航拍图像使用两种分辨率。
粗糙分辨率中道路表现为明亮的线，利用局部和全局阈值化提取[10]。
精细分辨率中提取边缘，边缘被聚合形成平行线对和其间的区域。
通过一定的准则将两个分辨率图像中提取的结果进行融合。
Baumgar-tner 等[12]、Hinz 等[13]以及其他一些研究者对这种方法进行了扩展。
4) 数学形态学方法。