遥感图像中道路提取方法的探讨
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。
高分辨率遥感影像道路提取方法综述
高分辨率遥感影像道路提取方法综述随着遥感技术的不断发展，高分辨率遥感影像已经成为获取地表信息的重要手段之一。
在城市规划、交通规划、环境监测等方面，道路信息是其中非常重要的一部分。
因此，高精度的道路提取方法在这些领域中具有重要的应用价值。
本文将综述当前常见的高分辨率遥感影像道路提取方法。
1. 基于像素的方法基于像素的方法是最基础的道路提取方法，它通过分析像素的灰度值和纹理来识别道路。
常见的像素级道路提取方法包括阈值分割、边缘检测和纹理分析等。
这些方法简单易懂，但是对于复杂的道路环境，其精度和鲁棒性会受到影响。
2. 基于特征的方法基于特征的方法是在像素级道路提取方法的基础上发展而来的。
它不仅考虑像素的灰度值和纹理，还考虑道路的形状、方向、宽度等特征。
常见的基于特征的道路提取方法包括形态学滤波、直线检测、区域生长等。
这些方法能够提高道路提取的精度和鲁棒性，但是需要进行大量的参数调整和图像前处理。
3. 基于深度学习的方法近年来，随着深度学习技术的发展，基于深度学习的道路提取方法也逐渐成为研究热点。
它不需要复杂的图像前处理和参数调整，只需要通过大量的训练数据进行模型训练即可。
常见的基于深度学习的道路提取方法包括卷积神经网络、循环神经网络、条件随机场等。
这些方法在道路提取方面取得了很好的效果，但是需要大量的训练数据和计算资源。
综上所述，高分辨率遥感影像道路提取方法包括基于像素的方法、基于特征的方法和基于深度学习的方法。
不同的方法有不同的适用范围和优缺点，需要根据实际情况选择合适的方法。
在未来的研究中，应该结合多种方法，以达到更高的精度和鲁棒性。
遥感影像中道路自动提取方法研究的开题报告
遥感影像中道路自动提取方法研究的开题报告一、选题背景随着城市化进程的加快，道路建设已成为城市规划和交通建设的重要组成部分。
道路网络的快速发展对道路信息的快速获取、处理与建立更为迫切的需求。
传统的道路调查方法需要耗费大量的人力、物力与财力，效率低下，成本高昂。
遥感技术因其具有广覆盖面、空间信息的连续性、全天候观测等优点成为道路自动提取的有效手段。
因此，在遥感遥感影像中道路自动提取方法研究领域具有重要的应用价值。
二、选题意义1.促进城市规划与管理。
通过遥感遥感影像中道路自动提取方法的研究，可以提高道路信息的获取效率和准确性，促进城市规划与管理的科学化和现代化。
2.优化交通规划与建设。
道路信息的准确性和全面性对交通规划与建设至关重要。
通过道路自动提取方法的研究，可以提高道路信息的准确性和全面性，为交通规划与建设提供重要的支持。
3.加速智慧交通建设。
随着智慧交通建设的不断推进，道路信息的精确性会对智慧交通的运营产生重大影响。
因此，发展道路自动提取技术，将为智慧交通的建设提供有利的支持。
三、研究内容本文主要研究遥感遥感影像中道路自动提取方法，包括以下内容：1.遥感遥感影像预处理。
对遥感遥感影像进行预处理，包括影像的读取、图像增强、噪声去除等操作。
2.道路特征提取。
利用较好的特征描述方法，提取道路的边缘、纹理、颜色等特征。
3.道路区域分割。
根据道路特征和图像分割技术进行道路区域的分割。
4.道路细化与结构化。
道路提取完毕后，为了去除噪声和细节，进行道路的细化和结构化处理。
5.实验数据与结果分析。
进行实验数据的采集和处理，并对实验结果进行分析和总结。
四、研究方法本文主要采用图像处理、机器学习、计算机视觉等方法进行道路自动提取方法的研究。
1.图像处理。
图像预处理是道路自动提取的基础，通过预处理对图像的清晰度、对比度等进行优化，为道路自动提取提供更好的基础。
2.机器学习。
利用机器学习的方法，识别道路特征集，包括颜色、形态和纹理等，以实现道路自动提取的目标。
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
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GF-2遥感影像的城市道路提取研究》范文
《基于GF-2遥感影像的城市道路提取研究》篇一一、引言随着遥感技术的不断发展，利用遥感影像进行城市道路提取已成为现代城市规划、交通管理和土地利用监测等领域的热点研究问题。
其中，GF-2（高分辨率对地观测系统重大专项第二期卫星）因其高分辨率和高几何精度等特点，在城市道路提取方面发挥着越来越重要的作用。
本文将重点研究基于GF-2遥感影像的城市道路提取技术及其应用。
二、GF-2遥感影像简介GF-2卫星作为我国高分辨率对地观测系统的重要组成部分，具有高分辨率、高几何精度和宽覆盖范围等特点。
其影像数据在城市规划、交通管理、土地利用监测等领域具有广泛的应用价值。
在城市道路提取方面，GF-2遥感影像能够提供丰富的纹理信息和几何信息，为道路提取提供了可靠的数据支持。
三、基于GF-2遥感影像的城市道路提取技术（一）预处理技术在道路提取前，需要对GF-2遥感影像进行预处理，包括辐射定标、大气校正、图像融合等步骤。
这些预处理技术能够提高影像的信噪比和几何精度，为后续的道路提取提供良好的数据基础。
（二）特征提取技术在特征提取阶段，常用的方法包括基于阈值分割的边缘检测算法、基于形态学的图像处理方法等。
这些方法能够有效地提取出道路的几何特征和纹理特征，为后续的道路识别和分类提供基础数据。
（三）分类与识别技术在分类与识别阶段，常用的方法包括基于机器学习的分类算法和基于深度学习的识别算法等。
这些算法能够根据道路的几何特征和纹理特征，对道路进行分类和识别，并提取出道路的详细信息。
四、实验与分析本文采用GF-2遥感影像进行城市道路提取实验，并采用基于深度学习的识别算法进行道路分类和识别。
实验结果表明，该算法能够有效地提取出城市道路的几何特征和纹理特征，并实现高精度的道路分类和识别。
同时，本文还对不同算法的优缺点进行了分析和比较，为后续研究提供了参考依据。
五、应用与展望基于GF-2遥感影像的城市道路提取技术具有广泛的应用价值。
在城市规划方面，可以用于城市交通网络的构建和优化；在交通管理方面，可以用于实时监测交通拥堵和交通事故；在土地利用监测方面，可以用于监测土地利用变化和城市扩张情况等。
高分辨率遥感图像中道路提取方法研究的开题报告
高分辨率遥感图像中道路提取方法研究的开题报告一、选题背景及意义随着遥感技术的不断发展，高分辨率遥感图像得到了越来越广泛的应用，其中包括道路交通建设规划、城市规划、交通监控等方面。
然而，高分辨率遥感图像中道路的自动提取一直是一个难题。
传统的人工判读方法工作量大且效率低，且计算机自动提取算法复杂，提取精度不够高，这为道路的信息获取和道路网络的建立造成了困难。
因此，研究高分辨率遥感图像中道路的自动提取方法，对于提高道路的自动化提取效率、优化城市规划和交通管理具有重要意义。
二、研究目标本课题旨在研究有效的适应高分辨率遥感图像中道路特征的自动提取算法，以提高道路信息的获取效率和提取精度。
三、研究内容及技术路线3.1 高分辨率遥感图像中的道路特征分析通过对高分辨率遥感图像中道路特征和非道路特征的分析，提取出道路特征的关键指标，在道路自动提取过程中起到指导作用。
3.2 高分辨率遥感图像中道路自动提取算法的研究与改进基于图像处理的特征提取方法和计算机视觉方法的道路自动提取算法，提高自动提取算法的准确性和鲁棒性。
针对传统算法的不足，采用深度学习等机器学习方法进行改进。
3.3 高分辨率遥感图像中道路自动提取实验与结果分析建立高分辨率遥感图像数据集，应用上述自动提取算法进行道路自动提取，并对结果进行统计分析和比较，为算法的进一步优化提供指导和参考。
四、研究预期结果设计一种适应高分辨率遥感图像中道路特征的自动提取算法，并通过实验进行验证，在提取精度和效率方面得到显著提升。
五、研究可行性分析高分辨率遥感图像中的道路自动提取算法一直是遥感图像处理中的难点问题，但随着深度学习方法的出现和发展，在这一领域开展的研究已经具备可行性。
本课题的实现需要大量遥感图像数据和算法处理平台，但目前已经有成熟的数据集和相关的处理平台，因此可行。
同时，本课题的研究成果可以在城市规划、道路网络建设等领域得到广泛应用，具有很高的应用前景和市场价值。
- 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)。
遥感图像中道路提取方法的探讨【摘要】道路提取是遥感图像中信息提取的一个研究热点，不仅具有理论价值也具有很广阔的应用前景。
道路与人们生活休戚相关，而手工提取的方法远远不能满足地理信息系统（GIS）数据获取与更新的需要，因此从遥感图像自动提取道路的研究就显得尤为迫切。
本文从遥感图像的道路特征描述出发，对道路提取的基本思想和模式识别的方法进行了探讨，对近年来道路提取的研究状况进行了分析和总结，并对道路提取的进一步发展提出了分析和展望。
【关键词】道路；遥感图像；模式识别；自动提取1 道路提取的基本思想1.1 道路的基本特征道路的特征主要包括物理与几何的，其基本特征主要有以下几种。
（1）几何特征。
道路呈长条状，其长度大于宽度，在较大范围内道路的宽度变化比较小，曲率也有限制；（2）辐射特征。
道路一般有明显的边缘，路面灰度均匀，与相邻区域灰度差比较大；（3）拓扑特征。
道路从拓扑结构看是相连的，可以形成网络状；（4）上下文特征。
上下文特征指的是道路相关的特征与信息，如道路旁的建筑物和树，这是局部上下文，全局上下文提供全局信息，如图像区域是城市还是乡村。
1.2 道路提取的模型与策略常见的道路提取的模型与策略有很多。
线段模型常用在中低分辨率下道路的建模中，对于主干道的检测这个模型是足够的。
在高分辨率下，道路常用平行的边线来建模，相对线段模型来说，阴影或干扰将对道路提取产生很大影响。
道路网络的组成离不开连接点与交叉点，对交叉点的精确检测与建模将有助于道路提取结果的改善。
全局的拓扑性质应该与局部的上下文及几何特征有效的结合。
2 半自动道路提取方法半自动的道路提取与全自动方法不同在于其需要人机交互，按交互的方式不同又可以分为两类。
一类仅给定初始点和初始方向利用跟踪的方法来提取道路；另一类方法则给定一系列分散的种子点，利用主动轮廓模型，模拟退火，和动态规划等方法曲线拟合提取道路中心线。
前者运用的主要是局部的特征，后者往往求的是全局的能量最小。
跟踪的方法会给定初始点和初始道路的方向，要通过跟踪的方法得到道路的中心线和边线。
要解决的问题包括如何通过已检测到信息预测下一点处道路的参数(位置，宽度，曲率，方向)，利用图像信息选择最佳预测点并修正预测模型，确定停机准则(连续出现预测误差很大或是已经检测到的部分道路已经得到验证)。
在文献[4]中，预测利用了卡尔曼滤波方法，修正利用的是截面匹配的方法。
截面匹配是指道路为狭长区域，在垂直于道路方向的相近的截面具有极大的相似性，根据这一特点，可以在预测到道路中心点后找到下一截面的位置，从而确定道路宽度和方向。
卡尔曼滤波中假设系统是线性的，系统的观察也是固有状态的线性函数，系统和测量中的噪声是高斯白噪声。
文章中把道路的曲率当成常量，真实的形状与模型的偏差被认为是系统噪声。
模型的状态变量有道路的位置(两个参量)，道路的方向，曲率。
方法优点是当截面匹配由于暂时的干扰(如阴影)失败时能继续迭代，而不离开道路。
连续的截面匹配的失败也可以当成是道路交叉点或道路终点的标志。
缺点是方法把噪声当成是高斯分布的，与实际情况有偏差。
文献[2]也运用卡尔曼滤波和截面匹配的方法做道路提取，而且提供了用户在半自动道路提取过程中人机交互的接口。
文献[5]中提出了一种Jetstream的方法认为跟踪道路的边线可以看成是随机过程，随机过程由内部的动力和统计数据模型驱动。
先验动力模型用来保存已提取的曲线的属性并依此求出下一候选点的位置，数据模型用来验证预测点是否在边线上，以此选择最佳的候选点。
动力模型用来预测下一点位置，有两个参数，步长和转角。
数据模型给出点在边缘和点不在边缘上观值概率分布情况，这里主要利用统计的手段。
非边缘点和边缘点分别采用了与梯度幅值和角度相关的统计量。
确定了模型后计算中采用了连续重要性采样的蒙特卡罗方法。
边缘跟踪可以用于图像分割中，用在道路提取时要增加一个宽度变量，同时跟踪两条边线。
Jetstream方法很有特色的地方在于它对边缘的描述是用统计的办法，另一方面粒子滤波处理非正态分布比卡尔曼滤波更有优势，在监控中做人体和车辆的跟踪技术已经应用比较成熟，在道路提取方面用的还较少。
文献[6]中运用了与Vosselman的卡尔曼滤波中用的模型也使用了道路截面信息，主要不同点就是使用粒子滤波代替卡尔曼滤波做预测。
半自动方法中的第二类主要有动态规划和Snake 模型方法。
动态规划方法导出了道路的一般参数模型，将其表达成种子点之间的代价函数，以动态规划作为确定种子点之间最优路径的计算工具。
比较早的有Gruen and Li 的文章，主要用在低分辨率图像道路提取方法中。
Dal Poz 等对Gruen 的方法中的代价函数做了修改，增加了道路边缘梯度反向平行的约束条件，将动态规划的方法拓展到高分辨率图像的道路提取中。
动态规划种子点的选取需要手工，较繁，同时此方法要很大的存储量。
Snake模型方法是一种有效的目标轮廓提取方法，在道路提取中运用非常广泛。
Snake模型方法根据对道路特征的抽象确定不同的道路模型，将道路特征与几何约束用能量函数表示出来，通过求能量函数最小值得到目标轮廓。
Snake 模型的形式有很多，已经运用到道路提取中的有LSB-Snake,ziplok snake,Ribbon snake,multi-resolutionsnake。
3 全自动道路提取方法前面提出的方法是以局部特性为基础，文献[3]提出了一种全局的办法，主要利用道路的拓扑特全自动提取无疑是遥感图像中道路提取的最终目标，但是由于遥感图像的复杂性和多样性，道路的自动提取涉及到计算机视觉、人工智能、模式识别等诸多领域。
全自动提取方法因其复杂性，往往是多种方法的综合运用，主要有多尺度多分辨率、统计学习及几何概率模型方法。
Hinz 等报道了一种全自动基于多尺度，Snake模型和上下文信息的道路提取方法。
该方法应用于农村道路的自动提取中效果很好。
农村道路的提取分成了三部分，显著道路，不显著道路和交叉口的提取。
显著道路是指道路宽度基本恒定且对应区域灰度均匀的路段；不显著道路是道路网络中受阴影或干扰的路段，或者可以认为是显著道路间的间隔部分；交叉口一般包括十字路口，三叉口等。
对显著道路的提取采取了多尺度的方法：在低分辨率条件下检测线，在高分辨率下检测边缘再利用判决准则进行融合，非显著道路提取运用了Ribbon snake 的方法。
交叉点由于拓扑关系的复杂用简单约束连接肯定会导致错误，故必须对交叉点进行检测。
单纯的道路交叉点的提取是很复杂的，但利用已有的显著道路和非显著道路的知识，可以大大缩小搜索空间。
在低分辨率图像中进行线检测时基于尺度空间分析可以对交叉点进行检测，在非显著道路提取时大多数由交叉点造成的显著道路间的间隔可以由带状蛇方法连接起来。
已知这两点情况下，交叉点位置可以近似获取，交叉点的检测难度大大降低了。
而且所选择的策略不受交叉段的形状与拓扑结构的影响。
前面提出的方法是以局部特性为基础，文献[2]提出了一种全局的办法，主要利用道路的拓扑特性。
性。
这种方法在低层的处理中与《多尺度自动提取道路》中的方法是一致的，都是先找到显著的路段。
不同的地方在之后的分组和连接，建立道路网络的过程。
这种方法主要的思想是把已检测的道路路段用有权无向图表示出来，每一段用一个结点表示，结点之间的权重用模糊数的与运算决定。
这些模糊值由路段间的绝对距离，相对距离，和是否在同一直线上来确定，超过某一阈值取1 ，低于另一阈值取0 。
模糊数定下来后，整个无向图就建立了。
道路的拓扑性质决定道路不是孤立的，应形成网络，而且通常重要的地点间一定是有路可通且有最短路径。
找最短路径的方法可以用迪杰斯特拉算法，重要地点在无向图上也就是重要结点的选取需要从低层处理中得到，比如可以选择较长的路段或者选边界处作为初始点。
最主要的步骤依次为建立无向图，选择重要结点，寻找最短路径，最后是验证。
总的来讲，这类全自动的多尺度多分辨率的方法取得了不错的效果，但是仍然有错误，需要后续的编辑，需要人工方法处理或者其它数字高程模型（DEM）对已经提取的道路进行校正。
4 道路提取新的进展与发展趋势从遥感图像中提取道路已取得很多研究成果，但由于现实中道路的复杂性，已经有的方法与实际应用要求还有差距，在提取的自动化程度、提取算法的准确性方面还有许多工作有待解决，主要有：（1）提取算法的表现关键在于特征的选择。
卫星图像通常有三到四个光谱频段，有较好的辐射特性，但是分辨率稍差，充分利用光谱特性可以弥补在分辨率方面的劣势。
而且在高分辨率图像中，道路具有丰富的纹理特征，纹理信息的应用可以提高算法的准确性。
（2）用多种特征的多证据融合框架。
目前，大部分道路提取算法只利用道路的一种或几种基本特征，模型还比较简单。
（3）评价方法。
由于道路网络的多变性，道路提取的普遍有效的评价准则还不多。
目前的评价方法针对半自动方法的还很少，几乎是没有，已有的完全基于全局的评价是远远不够的，应该有一些非全局的评价方法。
参考文献[1] 胡进刚，张晓东，沈欣，张婵. 一种面向对象的高分辨率影像道路提取方法[J] . 遥感技术与应用，2006，21（3）[2] 朱雷，潘懋，李丽勤，李会军. 高分辨率卫星影像上被行道树遮蔽的主干道的提取. 计算机工程与应用，2005，36[3] 王莉莉，郝爱民，何兵，赵沁平. 基干D-S 证据理论的城市航拍道路提取方法[J]. 软件学报，2005，16（9）[4] 罗军，董鸿雁，沈振康.通过配置文件匹配跟踪公路和卡尔曼滤波.计算机工程与应用.2008，02[5] 陆成，何东健.概率轮廓提取.计算机应用.2008，10[6] 崔武军，张桂林.航拍图片中有效的道路追踪.遥感学报.2004，20。