城市道路信息提取方法探讨
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。
IKONOS1m城市图像中道路信息提取方法研究
收稿日期:2002-10-10作者简介:刘军生(1976-),男,吉林长春市人,硕士,主要从事卫星遥感图像处理与数字化的研究;刘吉平(1957-),男,湖南安化人,博士、副教授,主要从事遥感图像处理,模式识别和遥感地质研究。
文章编号:1004-051X (2003)02-0030-02I KONOS 1m 城市图像中道路信息提取方法研究刘军生,刘吉平(华中科技大学水电与数字化工程学院仿真中心,湖北 武汉 430074)摘 要:自从1999年1m 分辨率IKONOS 卫星发射以来,空间图像制图就成为计算机视觉领域的热门话题,主要是因为地面大部分人造目标可以被识别出来,其中道路就是可识别目标中很重要的一个。
针对大量来自建筑物的边缘因素会在边缘探测器中产生,边缘检测方法识别道路困难的情况,介绍IKONOS 1m 分辨率的城市图像中道路信息的半自动提取方法。
关键词:IKONOS 1m 分辨率城市图像;计算机视觉领域;半自动提取;方法中图分类号:TP39119;U41215 文献标识码:AA Study on the Approaches of Extracting R oad Inform ation from IK ON OS 1m -R esolution U rban Im agesL I U J un -sheng ,L I U Ji -pi ng(College of Hydrop owe r &I nf or mation En gi nee ri ng Si mulation Ce nte r ,Huaz hong U nive rsit y of Scie nce &Tec h nolo gy ,Wuha n Hubei ,430047,Chi na )Abstract :Si nce t he launc hi n g of t he I KONOS satellite wit h 1m resolution ca me ra i n 1999,ma ppi ngaccordi ng t o sp ace -bor ne i ma ges has become a hot t opic i n t he f ield of comp ute r vision.This is mai nly because most of ma n -ma de objects on t he ground a re ide ntif ia ble a nd roa d is quite a n i m 2p orta nt object a mong t he m.It is diff icult t o ide ntif y roa ds wit h e dge detecti ng app roac hes si nce most of t he e dge f act ors f rom buildi n gs ma y ge ne rate i n e dge detect or.This p ap e r i nt roduces t he se 2mi -aut omatic app roac h of ext racti n g roa d i nf or mation f rom I KO NOS 1m resolution urba n i ma ges.K ey w ords :I KONOS 1m 2resolution urba n i ma ge ;f ield of comp ute r vision ;se mi -aut omatic ex 2t racti ng ;app roac h 随着城市的日益繁荣,城市交通成为制约城市发展的一个重要方面。
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
基于点云局部最优邻域多特征估算的市区道路边界线提取方法研究
1 引言道路边界是划定车辆行驶范围的重要结构，边界信息精确提取可为高精度地图导航、辅助无人驾驶车辆自动定位、感知与行驶规划提供重要信息。
车载激光扫描技术能有效获取大范围内目标物的高精度、高密度三维空间信息，详细描述目标形态，对专题提取道路信息具有明显优势，可有效构建道路各部件形态特征、空间特征，为道路边界信息提取提供数据支撑[1-3]。
目前，已有相关学者开展三维激光点云道路结构信息提取研究，如文献[3]通过计算点云邻域内的高程突变特征提取边界；文献[4]将激光扫描数据分割为扫描线形式，采用移动窗口方法计算邻域内点云高程差、点密度与坡度值等指标，分析点云分布特征，构建路肩模型，提取道路边界信息。
文献[5]利用回波强度信息构建强度图，采用LSD 直线检测提取道路边界。
本文提出一种基于点云局部最优邻域多特征估算的市区道路边界线提取方法，利用高精度车载激光扫描技术获取研究区道路高精度三维点云数据，通过分析点云数据，综合考虑点云的特征信息，采用渐进加密三角网进行点云滤波，实现地面与地物点分离，并以实地数据为例进行算法精度检验，证明了该方法的可行性。
2 研究方法城市道路环境较为复杂，车载激光扫描技术在数据获取过程中无区别获取大范围目标物或非目标物三基于点云局部最优邻域多特征估算的市区道路边界线提取方法研究孙闻谦1 周正2,3（1.中国地质大学土地科学技术学院，北京 100083；2.河南大学地理与环境学院，河南 郑州 451460；3.河南省时空大数据应用产业技术研究院，河南 郑州451460）摘 要：车载激光扫描技术可有效获取大范围目标的高精度三维信息，为道路结构分析、道路部件提取提供数据支撑。
基于车载激光扫描系统获取市区某街道点云数据，提出一种基于点云局部最优邻域多特征估算的市区道路边界线提取方法，首先通过地面滤波，分析局部最优邻域估算采样点维度特征，联合多维度特征实现道路边界信息提取。
结果表明，该方法在直行道路、曲弯、直弯等代表性道路环境中均取得了较好的结果，对扩展研究车载激光扫描技术在道路场景中的应用具有重要价值。
无人机遥感数据处理中的道路提取技术
无人机遥感数据处理中的道路提取技术道路是城市基础设施的重要组成部分，具有交通运输、信息传递和社会经济发展的重要作用。
在城市规划、土地利用、环境评估等领域，道路信息是不可或缺的。
传统的道路提取方法需要耗费大量的时间和人力，并且准确性无法保证。
而随着无人机技术的发展，遥感数据得到了广泛应用，成为道路提取的新路径。
本文将探讨无人机遥感数据处理中的道路提取技术。
一、道路提取方法在无人机遥感数据处理中，道路提取方法主要有两种：基于分类的图像分割和基于特征的图像分割。
基于分类的图像分割是将图像根据像素属性分成不同的类别，再根据类别进行分割。
基于特征的图像分割是根据图像的特征进行分割，如边缘、纹理等。
在道路提取中，基于分类的图像分割方法侧重于对道路和非道路区域进行分类，而基于特征的图像分割方法侧重于提取道路的特征信息，再进行分割。
二、基于分类的图像分割方法基于分类的图像分割方法主要包括分水岭算法、K-means算法和支持向量机(SVM)等。
1. 分水岭算法分水岭算法是一种基于数学形态学原理的图像分割算法。
其基本思想是将图像看成一个地形地貌，其中山峰代表目标物，山谷代表背景。
通过计算水流路径和流量，将图像分为多个部分。
在道路提取中，分水岭算法通常将图像中的强边缘、梯度较大的位置作为道路边界来提取。
2. K-means算法K-means算法是一种基于聚类的图像分割算法。
该算法利用数据点之间的相似度进行聚类分组，并对每个聚类分组分配一个质心。
在道路提取中，K-means算法首先通过像素点的RGB颜色空间进行聚类分组，并将道路像素点判别为另一个聚类分组。
3. 支持向量机(SVM)支持向量机是一种常用的分类算法，其核心思想是通过找到一个最大的判定面，将训练数据分成不同的类别。
在道路提取中，SVM需要通过训练数据来确定道路和非道路像素点之间的判别面，并将道路像素点判别到道路类别中。
三、基于特征的图像分割方法基于特征的图像分割方法主要包括边缘检测、形态学分析和纹理分析等。
arcgis道路中心线提取
arcgis道路中心线提取一、背景在GIS领域中，道路中心线提取是一个非常重要的任务。
道路中心线是道路要素的核心部分，它可以用来进行交通规划、道路设计、交通管理等方面的工作。
因此，如何快速、准确地提取道路中心线成为了GIS领域中一个重要的研究课题。
二、arcgis道路中心线提取方法1.数据准备在进行arcgis道路中心线提取之前，需要先准备好相关数据。
这些数据包括：影像数据、DEM数据、道路矢量数据等。
其中，影像数据和DEM数据用于提取地形特征，而道路矢量数据则用于辅助确定道路位置。
2.影像预处理在进行影像预处理时，需要对原始影像进行一系列的处理操作。
首先，需要对影像进行大气校正和辐射校正，以消除大气和辐射对影像质量的影响。
其次，在进行图像分割时，需要选择合适的分割算法，并设置合适的参数值。
3.DEM处理DEM是数字高程模型（Digital Elevation Model）的缩写。
在进行DEM处理时，需要对原始DEM进行滤波去噪和填洼操作。
这样可以使得DEM更加平滑，并且填补DEM中的洼地。
4.道路提取在进行道路提取时，可以利用多种算法来实现。
其中，常用的算法包括：边缘检测算法、模板匹配算法、基于区域生长的算法等。
在选择算法时，需要根据具体情况进行选择，并设置合适的参数值。
5.道路中心线提取在进行道路中心线提取时，可以利用多种方法来实现。
其中，常用的方法包括：基于几何特征的方法、基于图像分析的方法、基于拓扑关系的方法等。
在选择方法时，需要根据具体情况进行选择，并设置合适的参数值。
6.结果评估在进行arcgis道路中心线提取之后，需要对结果进行评估。
评估指标包括：精度、召回率、F1值等。
通过对结果进行评估，可以得到提取结果的质量，并对后续工作做出相应调整。
三、arcgis道路中心线提取案例以某城市为例，在arcgis平台上实现了道路中心线提取。
具体步骤如下：1.数据准备首先收集了该城市影像数据、DEM数据和道路矢量数据，并将其导入到arcgis平台中。
城市道路识别方法研究与实现
城市道路识别方法研究与实现随着城市化进程的不断加快，城市道路的规模和复杂程度也在不断增加。
在城市交通管理和智能驾驶等领域，对城市道路的准确识别和分类成为了一个重要的问题。
本文将介绍一种基于图像处理和机器学习的城市道路识别方法。
城市道路的识别首先需要获取道路的图像数据。
可以利用无人机或者摄像头等设备采集道路的图像，并将其存储为数字图像。
接下来，利用图像处理的方法对图像进行预处理，以便更好地提取道路的特征。
预处理的步骤包括图像去噪、图像增强和图像分割等。
在图像预处理完成后，需要提取道路的特征以供后续的分类和识别。
常用的特征包括颜色、纹理、形状和边缘等。
可以利用颜色直方图、纹理特征提取算法、形状描述算法和边缘检测算法等方法，对道路的特征进行提取和表示。
提取道路特征后，需要利用机器学习模型进行分类和识别。
常用的机器学习算法包括支持向量机（SVM）、决策树和深度学习等。
可以利用已标注的训练数据对机器学习模型进行训练，以得到一个准确的道路识别模型。
在实际应用中，可以利用交叉验证的方法对模型进行评估和选择，以保证模型的鲁棒性和泛化能力。
最后，将训练好的道路识别模型应用于实际的道路图像。
通过将图像输入到模型中，可以得到道路的分类和识别结果。
可以将结果以可视化的方式展示，或者将结果与其他交通数据进行关联，以提供更多的交通管理和决策支持。
总之，城市道路识别方法的研究和实现是一个复杂而重要的任务。
通过图像处理和机器学习的方法，可以有效地识别和分类城市道路。
这对于提高城市交通管理的智能化水平、实现智能驾驶等都具有重要意义。
未来，随着技术的不断发展和进步，城市道路识别方法将会更加准确和高效。
- 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)。
第35卷第2期2019年6月
测绘标准化
Standardization of Surveying and Mapping
Vol. 35No.2
Jun.2019城市道路信息提取方法探讨
马婵1马润霞2
（1•西安科技大学测绘科学与技术学院陕西西安710054；2,自然资源部大地测量数据处理中心陕西西安710054）On the Methods for Urban Road Information Extraction
MA Chan MA Runxia
摘要:利用高分辨率遥感影像的高空间分辨率、高时间分辨率的特点，可较好地满足路线信息提取成果的需求。
提出一种基于面向对象分类的城市道路提取方法。
首先，进行面向对象分类并提取道路中心线；然后，利用MATLAB二值化处理及调用MATLAB细化函数等相关操作清除非道路区域，优化道路;最后,通过建立缓冲区提取城市道路信息，提取较理想的初始道路网络。
这种道路提取方法可为基于遥感图像提取道路信息提供借鉴。
关键词:道路提取;面向对象分类;二值化处理;缓冲区分析；MATLAB
中图法分类号:P237.2；P283.2
随着传感器的发展,遥感影像分辨率进一步提高,遥感影像的应用也越来越广，影像中所包含的数据信息已成为研究的热点。
城市道路是遥感影像中的一个重要地物,表现形式非常复杂,主次干道的宽窄不一，道路段间的材质不同,在遥感影像中呈现的光谱特征有所不同。
传感器在成像过程中，因传感器、地理位置等要素,造成道路信息提取不够完整,给路线的自动化获取带来了极大的难题。
目前，提取道路信息采用的方法都存在人工干预过多的情况,且很多算法还不完整，因而对道路提取相关问题进行研究仍有非常重要的意义。
刘俊⑴等提出基于多标准的差异分辨率遥感影像路线提取办法。
施海亮⑵等论述了城市遥感影像中路线提取的特点，以及当今道路特征提取的一些研究成果。
徐天才⑶等采用形态学细化算法，对图像进行二值化操作后,使用栅格数据中的细化操作,提高了线提取精度及计算效率，然后利用模糊Hough变换算法提取遥感图像中的城市道路。
本文在前人研究成果的基础上,提出了一种城市道路提取方法，首先对遥感影像进行了面向对象分类，得到提取道路的矢量文件，然后利用MATLAB 进行二值化处理和调用MATLAB细化函数等相关操作清除非道路区域，从而优化道路。
1基于对象的遥感影像监督分类道路提取具体流程见图1。
1.1数据准备
在ArcGIS中选择面向对象提取工具，进行数据准备，包括设置遥感影像路线提取规则，然后保存提取规则并处理下张影像,不断试验选择最优方法，最后输出保存。
图1道路提取流程
1.2影像预处理
在遥感影像处理软件ArcGIS中加载原始数据,对影像数据进行预处理,包括对影像数据进行分析前的校正、镶嵌、裁剪等一系列操作,消除噪声,提高影像质量,为后续影像分析奠定基础。
影像预处理流程见图2。
1.3面向对象分类
利用高分辨率遥感影像的高空间分辨率、高时间分辨率的特点，可以较好地满足路线信息提取成果需求。
面向对象的分类方法是近几年基于高分辨率影像提出来的,是一种智能化的主动影像提取方法。
道路作为人们通行的基础设施，可以按照不同的道路标志进行分类，按利用的特点可分为城市路线、公路、厂矿路线等。
道路的面向对象分类就是通过对遥感影
54测绘标准化第35卷
像进行分割,得到同质对象；然后根据遥感影像分类或目标地物提取的具体要求，通过检测获得目标地物的许多特征;最后依据特征对影像进行分类或目的地物提取。
面向对象分类结果见图3。
图2图像预处理流程
图3面向对象分类结果
2道路中心线提取和缓冲区建立
2.1中心线提取方法
蒋益娟⑷等使用遥感软件处理技术将轨迹点的栅格数据二值化,使用形态学提取道路骨架,线构路网系统。
蔡雪姣⑸等采用核密度估计(KDE)方法提取路网数据。
艾廷华⑹等利用Delaunay三角网从街道数据中提取街道中心线。
本文根据上述方法，使用ArcGIS软件将面向对象的分类结果转为栅格数据,再通过二值化栅格数据,捕捉栅格像元并跟踪栅格像元提取道路中心线,具体操作步骤如下：
1)在ArcGIS软件中，将面向对象的分类结果转为栅格数据,在二值化栅格数据后,设置最优捕捉参数和提取参数。
二值化处理结果见图4。
2)在面向对象提取分类结果的基础上设定面积阈值，删除独立地物等非道路信息,对面向对象提取分类结果进行二值化处理，得到面向对象分类结果图,然后在MATLAB中进行处理。
处理过程中首先读入原影像并进行影像显示,再基于MATLAB进行二值化处理。
从图3中可以看出，在道路中存在道路极值点和边缘不平滑的现象，需要进一步进行影像平滑处理。
通过调用MATLAB的细化函数代码，使用ap-plylut函数查找表来处理二值图像。
函数为
A=applylut(BW,LUT)(1)通过对影像进行毛刺和粘连地物处理，并对边缘线进行细化处理得到中心线。
细化后道路见图5。
2.2建立缓冲区
在地图数字化和地理信息系统中，缓冲区的使用是数据处理的一个重要方法。
缓冲区具有地图信息检索、数据综合处理等功能。
缓冲区分析能保留道路宽度，看出道路的位置和形态。
笔者在进行矢量图像处理中，使用ArcGIS中的拓扑检查，将细化后中断的道路相连接,以保证道路的连通性，然后将细化后的图像栅格数据转为矢量数据中心线，并对中心线建立缓冲区，结果见图6。
图6自动提取中心线后的缓冲区
2.3成果输出
取中心线建立缓冲区与原影像进行叠加，见图7。
从图7可以看出,基于本文方法提取的初始道路网络虽不理想,但关键路段都得以保留，路线清晰，非道路区域基本消除。
图7
自动提取成果
第35卷第2期2019年6月
测绘标准化
Standardization of Surveying and Mapping
Vol.35No.2
Jun.2019 CH/T1040—2018《区域似大地水准面精化
精度检测技术规程》概述
1制定背景
区域似大地水准面精化的精度是精化工作的核心问题。
为了保障区域似大地水准面精化精度检测工作的科学性、正确性和可靠性，规范检测工作流程、检测点选埋、数据采集及处理、检测结果分析、检测报告编制等工作,根据原国家测绘地理信息局科技与国际合作司测科函]2014]41号文的要求制定本标准，标准由四川省测绘产品质量监督检验站主编，国家测绘产品质量检验测试中心等5家单位参与编制。
2使用范围及主要内容
本标准适用于国家、省、城市似大地水准面精化精度检测，主要内容包括：
1)区域似大地水准面精化检测工作的内容包括已有资料收集分析，编制检测方案，项目组织实施和技术协调,检测点选埋或利用点选取,GNSS、水准测量数据采集,数据处理和成果计算，检测点似大地水准面成果获取,检测结果分析评价,编写检测报告O
2)以图表形式结合文字说明，对检测工作的基本流程进行了规定。
3)从检测点布设、数据采集及处理、检测结果分析等方面对区域似大地水准面精化的检测方式、方法进行了系统的规定，有较强的针对性和可操作性。
4)规定了区域似大地水准面精化的检测成果内容，包括区域似大地水准面精化检测方案，检测点分布图、点之记及照片，水准联测检测数据及手簿、水准数据处理报告,GNSS观测数据及手簿、GNSS数据处理报告，检测点高程计算成果表，检测点大地坐标、大地高、正常高和精化高程值，区域似大地水准面精化精度检测报告。
5)提供了适用于检测工作需要的资料性附录,包括检测报告格式与内容,检测点高程检测值与精化高程值比较表，检测点较差区间分布、数值分析表。
3使用注意事项
本标准仅限于区域似大地水准面精化的精度检测，对区域似大地水准面精化项目中所包含的多项测量成果的质量检验并未涉及，建议今后在本标准的基础上进一步制定针对区域似大地水准面精化成果质量检验的相关标准。
3结语
本文提出一种基于遥感影像的城市道路提取方法,在面向对象分类的基础上提取道路中心线，再利用MATLAB二值化处理以及调用MATLAB细化函数等相关操作清除非道路区域，最后利用线缓冲区的原理提取城市道路信息，得到较理想的初始道路网络。
利用本文提出的方法提取的初始道路网络虽然没有达到较完美的结果,破碎道路较多,但关键路段都得以保留。
这是由于采用面向对象分类方法得到的分类结果不理想，今后还需进一步改进算法。
参考文献
[1]刘俊，韩聪，李诚.高分辨率遥感影像城市道路提取方
法研究[J].海洋测绘，2016,36(6):79-82[2]施海亮，周绍光，赵建泉.遥感影像中城市道路的提取
[J].北京测绘,2006,20(2)=29-32
[3]徐天才，杨敏华，姜柱.模糊Hough变换算法在城市道
路提取中的应用[J].测绘地理信息,2012,37(3)：
34-36
[4]蒋益娟，李响，李小杰，等.利用车辆轨迹数据提取道
路网络的几何特征与精度分析[J].地球信息科学学
报,2012,14(2)：165-170
[5]蔡雪娇，吴志峰，程炯.基于核密度估算的路网格局与
景观破碎化分析[J].生态学杂志，2012,31(1)：
158-164
[6]杨伟,艾廷华.基于众源轨迹数据的道路中心线提取
[J].地理与地理信息科学,2016,32(3):1-7
收稿日期：2018-11-14
第一作者简介:马婵,在读研究生，主要研究方向为地图学与地理信息系统。