自动与半自动道路提取方法

根据道路提取的自动化程度，道路提取方法一般分为全自动道路提取和半自动道路提取。全自动道路提取无疑是遥感图像目标识别的发展方向和最终目标。

全自动道路提取无须人工干预，包括道路的自动定位和理解两个阶段。自动定位利用局部或全局的方法分析出图像中的道路特征，其结果直接影响后续过程的理解;理解过程包括人工智能、计算机视觉、模式识别及数学建模等内容。可将道路自动提取归纳为四个主要步骤:①道路特征的增强；②道路“种子点(seed)” 确定，确定可能的道路点；③将种子点扩展成段；④道路段的确认，并自动连接形成道路网。目前自动道路提取方法离实际应用还有定距离，但是自动识别某一特定类型道路取得了一定的成功，也出现了不少有推广价值的算法。

1)基于平行线对的道路提取

道路的本质特征从边缘上看是一组平行线。根据这一特征，产生许多相关的道路提取算法。Trinder等针对高分辨率遥感图像，基于Marr视觉理论，研究了基于人工智能的自动识别道路的方法，主要包括基于低层次的边缘检测和链接、基于中层次的特征信息处理、基于高层次的特征识别处理等三个主要步骤。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。

2)基于二值化和知识的方法

道路提取的难度在于遥感图像的复杂性，若能将图像简化(如二值图)，则算法能得到大大简化。Wang 和New Kirlc研究了基于二值化和知识的道路网络自动识别方法，主要由低层次的图像处理和高层次的模式识别两大过程组成。其具体步骤是：①利用离散拉普拉斯变换进行低通滤波以消除噪声；②在平滑图像上进行聚类得到二值化图像；③确定道路跟踪规则以设计搜索过程，建立线形模型；④对线形模型利用知识构建识别模型进行处理与分析，标识道路。

基于二值化和知识的方法具有较大的实用性，利用数学形态学等数学工具也会产生较好的效果。

3) 基于窗口模型的道路提取

道路在遥感图像中呈一定概率分布规律，此性质在道路提取中有重要意义。Barzo-har和Cooper在道路符合宽度变化小、方向变化缓、局部灰度变化小、道路与背景差异大、道路较长等假设条件的基础上，研究了道路几何性质和道路模型;基于Gibbs分布和Gauss分布等概率模型，建立道路检测窗口。该方法能够自动准确识别遥感图像主要道路特征。

4)针对GIS空间数据库更新的道路提取

针对GIS空间数据库更新的道路提取，即指通过提取更高分辨率的遥感图像道路信息，识别和变化检测对原GIS数据库中存在的不精确的或过时的道路信息进行更新。例如，Mena和Malpica针对农村或半城区高分辨率遥感图像，提出了一种辅以已有矢量信息的自动道路信息提取的方法，主要由四大步骤构成:①数据预处理，包括原始GIS数据库中已有道路信息的获取和IKONOS高分辨率遥感图像预处理；②图像分割，采用部分已存在的道路信息作为训练样本，基于证据理论的TPA (textureprogressive analysis)技术获得分割二值图像；③道路网络提取，主要基于骨架提取算法和图理论进行；④结果评价和GIS系统更新。Peng 等以北京城区QuickBird全色图像为示例数据，基于多尺度统计数学模型，结合来自GIS数据库的部分道路信息作为先验知识进行道路提取。

5)其他道路提取方法

自动提取道路的方法还有很多，如Gianni等提出一种结合马尔可夫分类和线探测的道路提取方法；Zhang和Isabelle利用Radon变换成功提取了IKO-NOS多光谱图像中道路中心线，并估算了道路宽度；Mirnalinee基于多尺度高斯混合模型遥感图像中提取曲线段以完成道路目标检测；Shao等提出了一种基于分选的快速线形特征探测算子，较准确地提取了航空图像中的道路信息，并与多方向非最大抑制(muliple dectional non maximum sppeson, MDNMS)算法进行了比较。此外还有基于Beamlet等多尺度变换、模糊推理等算法。

半自动道路提取也称为人工参与的道路提取。人工参与道路提取的方式包括标记道路点、交叉点和典型道路区域等。半自动道路提取是利用人机交互的形式进行目标提取和识别，其主要思想是首先人工提供初始点(种子点)，或同时提供初始方向，然后进行计算机处理和识别，同时适当进行人机交互。这方面已有很多研究，并取得了较好的效果，有些成熟运用于某种特定区域的半自动化提取算法已实现了商业化应用。道路半自动提取算法一般由以下几步骤组成：①对遥感图像进行增强处理，确定道路点；②根据上一步骤结果，进- -步发现一些道路“种子点”；③跟踪、扩展“种子点”，形成道路段；④连接、显示道路。

例如，Geman和Jedynak提出的基于树结构的特征判别模型的道路提取方法，其主要过程是:利用起始点和起始方向获得道路的统计模型特征，建立主动试验的树结构的试验规则和统计模型，并建立“决策树”，然后基于决策树进行道路跟踪。该算法需要大量的道路先验知识，对中、低分辨率遥感图像的应用效果良好，但对高分辨率图像中的道路网络提取则存在较大困难，这是因为树结构形成的判决法则较难确定。半自动道路提取算法大多是基于对遥感影像线状地物的灰度特征和几何约束的整体优化加以设计，其区别在于优化计算手段有所不同。