【遥感图像道路提取方法探究11000字（论文）】

遥感图像道路提取方法研究目录TOC\o"1-3"\h\u51521绪论 1321461.1研究背景和意义 1291001.2遥感影像中道路提取的研究现状 1188071.2.1半自动道路提取方法 255031.2.2自动道路提取方法 3102711.3论文主要研究内容 4310422道路提取的理论及技术基础 4254092.1图像分割的基本理论 4255392.1.1基于区域的图像分割方法 5252662.1.2基于阈值的图像分割方法 6288532.2中值滤波的基本理论 7168103自动道路提取的过程及方法分类 8193244面向对象的道路特征提取 9120044.1基于对象特征的道路提取 9238764.1.1最小外接矩形的计算 9304094.1.2矩形度 10289224.1.3形状因子 10205034.1.4对象特征在道路提取中的应用 1091824.2阴影遮挡处理 1116985结论 1328608参考文献 151绪论1.1研究背景和意义遥感技术是一种新型的、综合性的对地观测手段。遥感数据因具有时效性强、覆盖范围广、数据丰富等特点，被广泛应用于工业、军事、农业、气象等领域。高空间分辨率遥感卫星的相继出现，为我们提供了大量清晰度高、实时性强的数据。遥感技术逐渐成为城市规划、环境保护、农业生产等领域获取空间信息的重要手段。然而，虽然遥感影像为我们提供了海量的数据，如何通过这些数据提取出感兴趣目标和挖掘有用的信息一直是遥感图像处理与计算机自动识别领域中研究的热点与难点。随着遥感图像分辨率的提高，影像中地物的细节更加丰富，噪声干扰更加严重，“同物异谱”和“同谱异物”的现象也变得明显。地物特征的复杂化与细节化增加了高分辨率遥感影像目标提取的难度，很多传统的中低分辨率的目标提取技术已经不能适用于高分辨率遥感影像的分析。道路是重要的基础地理信息，是城市中更新最快的基础地理信息之一，在城市规划、交通车辆管理、汽车导航与定位等方面具有重要的作用。因此，及时、准确地更新道路信息具有非常重要的理论和现实意义。当前，高分辨率遥感影像为道路提供了丰富、快捷的数据来源，是获取道路信息的有效手段。但是，目前从遥感影像获取道路数据主要还是靠目视识别，自动化程度不高。同时，道路在高分辨率遥感影像中的表现形式多样，没有固定的形式。例如，由于道路材质和修建年代的不同，道路往往呈现出不同的光谱特征。同时，道路的形状复杂多变，主干道与次干道的宽度也不统一，不能建立比较通用的道路模型。此外，在城市背景环境下，道路两侧的建筑物与树木容易与道路混淆，道路中间的汽车、斑马线、过街天桥等地物使道路的情况更为复杂，这些因素都无疑给高分辨率下道路的自动提取带来了更多的困难。尽管对道路自动提取技术的研究进行了很多年，不少学者从不同角度提出了许多解决方案，但大多数的算法稳健性差、识别精度不高，距离实际的应用还有很大的差距。因此，研究高分辨率下遥感影像城市道路的自动提取具有十分重要的意义。1.2遥感影像中道路提取的研究现状由于遥感影像包含的信息极其丰富，且影像中的道路特征有很大的复杂性，因此对遥感影像进行道路提取涉及的学科比较多，是有关于数学、计算机视觉、模式识别交互的研究。从上世纪七十年代开始，国外的一些学者就开始进行遥感影像道路信息提取的研究，总结出了许多适用于不同区域与类型的道路提取方法，而国内由于卫星遥感发射技术与计算机技术相对比较落后，道路提取研究晚了二十来年。到现阶段，国际上已经有许多针对地物提取的研讨会，国内外也成立了许多从事人工地物提取研究的机构，设立了许多与此相关的研究项目。由此可看出，人工地物提取已受到了广泛的关注与重视，它已处在全球性的研究热潮中。在国内的这几十年研究中，学者们从不同的角度、领域提出了许多有关道路提取的理论与方法，也有了许多可观的研究成果。针对影像类别的不同（遥感卫星影像或航摄影像等）、分辨率的不同（高、中、低）、影像所属区域的不同（城市或乡村）、道路类型的不同（如高速公路、主干道、次干道、小路），有许多不同的道路提取算法，不同的算法在提取不同的遥感影像道路有其各自的优缺点。但是针对全要素模型道路的提取算法仍很难实现。根据目前道路提取的研究现状来看，一般情况下，我们可以根据提取的自动化程度，将道路信息提取的方法分为半自动道路提取方法和自动道路提取方法这两种类型。由于影像上的地物均可以分为点、线、面这三种要素，所以对影像上的地物进行特征提取时可基于点特征、线特征、面特征来提取。近些年来许多提取遥感影像中道路的算法都着重于从道路的线状特征或面状特征入手，或者将线特征和面特征结合起来构成相关的算法进行提取。下图1.1总结了几种主要的基于线状特征、面状特征的道路提取方法。图1.1道路提取方法总结1.2.1半自动道路提取方法人类视觉系统来判别遥感影像中的道路有着相对较高的准确度，而计算机有着强大的计算能力。半自动道路提取方法就是将这两者的优点结合起来，是目前比较实用、应用较多的方法。主要思路是通过人事先给定计算机一些先验知识，比如初始的种子点及方向等，再由计算机自动化完成剩下的步骤。半自动化道路提取的详细过程为：1）首先对遥感影像进行道路信息增强；2）人工选择初始道路种子点；3）再由计算机根据特定生长标准并且跟踪种子点以得到初始道路；4）最后将初始道路进行优化拓扑，形成道路网。半自动道路提取方法中比较有代表性的主要有以下几种：snakes模型法、动态规划法、最小二乘模板匹配法、区域生长法、基于边缘跟踪方法。Barzohar和Cooper曾共同建立了道路的宽度、边缘与中心线等模型，根据该模型对整幅图像进行最大后验估计，然后利用动态规划法求解全局的最优估计；Dal.Poz曾经用改进的动态规划算法来追踪道路的中心线；周绍光曾经利用相位编组与动态规划相结合的方法来提取遥感影像中的道路，这种方法的优点是能够较好地提取没有清晰连续边缘线的道路，缺点是对于非道路的部分容易误判误提。边缘跟踪法是由Heipke于1995年提出的。这种方法首先要设定一个初始点与初始方向，然后对图像边缘进行自动追踪。在无边缘的地方停止追踪并将该点设为新的起始点，该点就是新获取的种子点，两个种子点连接起来就是一段道路边线。Long[15]曾经提出了一种用于提取道路信息的道路检测方法，这种方法的主要思路为：首先对图像进行滤波处理，然后采用MeanShift算法对图像进行图像分割处理，接着对分割后的图像进行二值化处理来提取出图像中的道路区域。这种方法适合提取背景较为复杂的影像中路面噪声较少且路面灰度较为均匀的道路。1.2.2自动道路提取方法道路的自动提取技术主要包括道路信息的自动识别和自动定位技术。自动识别是指计算机能够自动区分道路与非道路区域，自动定位是指计算机能够在识别道路之后进行道路中心线或边界线的定位。但是这种道路自动提取方法由于缺少人工辅助识别，而计算机自动识别能力有限，虽然已经取得了一定的研究成果，但目前仍处于实验研究阶段，仍处于探索中，所以还没有完全成熟完善的道路自动识别方法。道路的自动提取一般分为如下三步：1）首先获取道路的基本特征；2）然后根据其特征制定相关的准则来获取道路的种子点；3）根据影像特征制定相关判别准则，由计算机根据判别规则，自动将种子点扩展为道路段，最后将道路段连接形成道路网并删除错误的道路段。目前应用较多的自动道路提取方法有平行线法、光谱分类法、数学形态学方法、网状模型法等。Trinder曾提出了基于平行线对的道路提取方法。这种方法是从人类视觉理论出发，根据道路一般是由两条平行的边缘线所构成的这一影像特征，来实现道路的提取。首先完成低层次道路的边缘检测并进行断线连接，接着进行中层次道路的特征提取，以实现最终的道路特征识别。但是平行线法只考虑道路的边缘信息，当道路边缘由于受到噪声干扰或其他影响时，这种方法就有很大的缺陷。Hossain等人提出了一种基于数学形态学的道路提取方法，具体思路为先将遥感影像转换成灰度影像图，再将其转化成二值化影像，并进行去噪处理，最后利用形态学提取道路特征，并对道路进行填充、细化，形成道路网。1.3论文主要研究内容论文主要通过分析当前遥感影像中道路提取的研究现状，对比不同的道路提取方法之间的优缺点及适用对象的不同，再结合论文所用的遥感影像的特点，采用一些改进的算法对高分辨率遥感影像中的道路进行提取实验。主要研究内容包括：通过对比分析不同的影像分割方法，结合不同分割方法的优缺点，依次进行相关实验并根据实验结果确定最适用于本次论文的遥感影像道路提取实验的分割方法。再次通过中值滤波去除图像分割后图像中的噪声点。论文着重研究本此实验所要采用的两种道路提取方法：1）研究不同图像分割算法的基本理论与算法原理，并分析其优缺点。2）研究数学形态学的相关理论，并根据数学形态学的算法特点及算法最适用的提取对象，采用数学形态学道路区域的分割与提取方法来进行遥感影像道路提取的实验研究。2道路提取的理论及技术基础2.1图像分割的基本理论针对一幅遥感影像，人们往往只对其中的部分信息感兴趣，这种部分信息称为目标信息，其余信息则为背景信息。图像处理通常就是将这种目标信息从背景信息中分离提取出来再进行相关的分析研究，而图像分割是从图像处理到最终的图像分析的关键步骤。图像分割是一种依照某种准则把图像分割成一些互不重叠的区域，并从中提取出感兴趣信息的技术，这些区域互相之间不交叉重叠，每个区域都有一定的共性并且满足特定区域的一致性。例如，我们可以将一幅遥感影像图像内容分割成居民地、植被、水系、道路等区域，进而针对不同类型的区域进行不同的分析。本次论文中，图像分割效果的好坏会直接影响到最终的影像道路提取的准确程度，因此采用何种方法进行图像分割至关重要。本章主要研究不同分割方法的优缺点及其适用性，对论文后期的道路提取选取最适宜的图像分割方法。图像分割有很多种方法，大致可以分为以下三大类：基于边缘的分割方法、基于阈值的分割方法和基于区域的分割方法。每种方法都有不同的算法基础，有其各自的优缺点，具体采用哪种方法进行图像分割，我们应该根据影像的特点和不同方法的适应面来定夺。影像分割在地物提取中占有很重要的地位，通常在进行地物提取之前，都要对图像进行影像分割。如下图2.1所示为道路提取的基本实验流程图，从中可看出影像分割是道路提取中至关重要的一步，会直接影响到道路网的重建，因此，分割方法的选择至关重要。图2.1道路提取基本流程2.1.1基于区域的图像分割方法基于区域的图像分割方法是根据区域内部特征的相似性将图像分割成很多区域，也就是将具有某种相似性质的像素集合起来构成一定的区域。这种相似性度量可以包括灰度值、纹理、颜色、形状等特征。常用的基于区域的图像分割方法主要有区域生长方法和分水岭分割方法。区域生长方法的主要步骤是，先对需要分割的区域给定一个种子像素作为生长起点，然后从给定的初始区域开始，将相邻的具有相似属性的像素归并到当前区域，从而增长区域，以此类推，直到没有相似的像素可以进行合并为止。区域生长是一种串行区域分割的图像分割方法，基于区域的图像分割结果的好坏主要取决于初始种子点的选取、生长准则、终止条件。区域生长是一种较为普遍的方法，该方法在没有先验知识可利用的情况下能够取得较好的效果。它对噪声严重的图像分割效果较好，可以用来分割比较复杂的图像。区域的分裂合并相当于区域生长的逆过程，它首先需要确定一个分裂合并的准则，然后依据分裂准则对整幅影像进行分裂得到许多子区域，当分裂到不能再分的情况下，再依据合并准则，查找邻域内具有特定相似特征的区域进行合并，最终实现图像分割的目的。区域生长算法的优点就是它的核心思想简单，自动化程度较高，只需定义一些起始种子点即可，其余步骤则由计算机根据种子点自动进行计算，并且该算法可以实现多种生长准则并行运行，基本上能够将具有相同特征的区域分割出来，提供较好的边界信息。但这种算法的不足就是由于迭代造成的计算量代价较大，对于图像中的阴影处理效果不太好。分水岭分割方法是将图像看做为拓扑地形图，先对图像做梯度分割处理，以便将图像分割成不同类型的个体，进而分析物体的边缘灰度变化规律。在分水岭分割算法中，图像中每一像素点的灰度值f(x,y)均代表了该点所处地形的高度，每一个局部极小值及其它所影响的区域可称作为集盆，而集水盆的边界线则构成了分水岭。分水岭分割方法可以对灰度梯度图像进行分割，形成一些互不重叠的区域，并得到不同区域之间连续的边界。以灰度图像dome.png为例，利用基于区域的自动种子区域生长法的图像分割算法来分割图像。具体过程为：首先通过手动给定一个初始种子点，再由程序根据该点灰度值进行计算，得到分割成果图如下所示。这种基于区域的自动种子区域生长法的图像分割算法的优点是操作简单，但是图像分割结果的好坏与给定的初始种子点的选取有很大的关系。图2.2原图图2.3基于自动种子区域生长法分割后的图像2.1.2基于阈值的图像分割方法阈值分割法是一种较为常见并且应用较广的分割方法，该算法的思想是：首先利用一个或多个阈值将图像的灰度分为几个等级，同一等级内的像素为同一种物体，以此达到图像分割的目的。阈值分割的主要步骤为：对于一幅灰度值范围在gmin到gmax的图像，首先确定一个灰度阈值T，将图像中每个像素点的灰度值与灰度阈值T进行比较，然后将比较结果划分为两类，即大于阈值T的像素为一类，小于阈值T的像素为另一类。阈值分割方法依据的原理是图像上所要提取的目标信息与背景信息在灰度特性上存在差异，所以它适用于分割目标地物与背景信息灰度差异较大的影像。阈值分割算法的优势在于算法原理简单，数据计算量小，易于运行，但是用这种方法分割图像效果的好坏不稳定，主要取决于图像灰度的差值大小与阈值T的取值。阈值分割所采用的函数如下所示：(2.1)采用多个阈值进行影像分割的方法称为多阈值技术，如下列公式所示，其中T1，T2，……，TK代表一系列分割阈值，K表示阈值分割后的图像各区域的不同编号。多阈值分割的定义可表示为：（2.2）无论单阈值分割还是多阈值分割，若T值取值过大，就会过多的提取影像，造成冗余，若T值取值较小，则会造成信息提取不全面不完整。因此，T值的选取对影像分割的结果有很大影响。基于阈值的影像分割算法原理比较简单，运算速度快，但是由于它只考虑了影像的灰度变化，没有考虑影像的其他空间特征，并且对噪声比较敏感，所以这种方法适用于分割地形地物较为简单的影像。同样，以灰度图像dome.png为例，利用最大类间方差算法求解自适应阈值，对图像进行分割，得到的分割成果图如下图所示：图2.4原图图2.5阈值分割后的图像2.2中值滤波的基本理论影响图像质量的噪声有很多种，针对不同的噪声，人们提出了不同的去噪方法。图像在生产传输过程中很容易产生脉冲噪声，造成脉冲噪声的原因有多种，它对图像处理结果有很大的影响。脉冲噪声主要分为椒盐噪声与随机值脉冲噪声两种，而消除这种脉冲噪声的方法可以分为线性滤波和非线性滤波。但是由于线性滤波具有低通性，不易保存图像的细节和边缘信息，因此没有非线性滤波的处理效果好。目前对一般的非线性滤波的研究应用较多，其中比较常见的有：极大值滤波、极小值滤波、中值滤波、加权中值滤波（中值滤波的改进）、中点滤波等。中值滤波的核心理论简单，易于运行，它的优势主要体现在两方面：（1）能够较为完善的保存图像的细节信息；（2）具有很好的鲁棒性。中值滤波的具体思想为：将图像中某一像素点的灰度值用该点某邻域窗口中所有像素灰度值的中值来代替，进而消除孤立的噪声点。中值滤波主要依赖于快速排序算法，它是利用某种结构的二维模板，在图像中移动该模板，将所有像素按照像素值的大小进行排序，生成一个单调上升或单调下降的二维数据序列，然后将序列中位于中间位置的像素的灰度值即灰度值序列的中值作为最终的滤波结果输出。如下图2.6所示为中值滤波的流程图：图2.6中值滤波流程图模板的形状有线状、矩形、圆形、圆环形、十字形等。不同的模板有不同的处理效果，模板形状与大小的选择对最终的滤波结果有很大的影响，如随着滤波窗口依次变大，图像中的噪声消除的比较彻底，但是图像轮廓也会逐渐变的模糊，细节信息损失的较为严重，图像会有很大的失真。图2.7原图图2.8中值滤波后的图像如上图所示，其中图2.7是中值滤波的实验原图，首先我们在matlab软件中通过语句f=imnoise(I,'salt&pepper',0.1)为原始图像加入方差为0.1的椒盐噪声，图2.8是采用二维模板为矩形形状、5×5大小的中值滤波处理后的图像。从处理结果可以看出，中值滤波能够有效的去除噪声点，并且保证图像的边缘信息不会损失。3自动道路提取的过程及方法分类文献[1]分析了大量自动道路提取文献,认为道路提取过程可分为图像预处理、边缘提取、道路跟踪和道路连接四个过程。考虑到预处理可作为特征提取过程的一个环节,而道路跟踪和道路连接之间的界限模糊,因此,本文将道路提取分为特征提取和道路连接两个过程。特征提取过程利用辐射和几何特征寻找可能的道路点、线或区域,它们被称为道路种子;道路连接过程则依据几何、拓扑和背景特征,利用假设、证实、最小化代价函数等策略,连接道路种子构成道路网络。对道路提取方法进行细致分类是较困难的,其原因是道路提取应用条件的多样决定了方法的多样.图像分辨率、是否有人工参与、图像的成像方式等因素,都不同程度地影响着道路提取方法.首先,图像分辨率决定道路呈现的图像特征。单个像素大于地面实际距离2米的图像为低分辨率图像,此时道路呈现约1到3个像素宽度的线特征.基于线特征检测的方法适用于该分辨率下道路提取。高分辨率图像中道路细节明显,因此平行边缘检测、条带检测和道路截面分析成为道路提取的重要手段。文献[12]在回顾道路提取方法时,按照适于低分辨率图像和高分辨率图像的原则进行分类.低分辨率图像下适用的方法包括模板匹配、动态规划、图像梯度方法;高分辨率下适用的方法包括道路跟踪和Snake方法。是否有人工参与道路提取也是分类的重要依据.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。人工参与的道路提取被称为半自动道路提取,全自动道路提取无需人工干预。综述文献依据该原则将道路提取方法分为自动和半自动两类.道路图像的成像方式除了光学成像外,还有红外成像、合成孔径雷达成像、激光雷达成像等。成像方式影响着特征提取算法。光学图像中噪声是加性的,SAR图像中噪声是乘性的,两类图像的中的边缘提取算法也不相同。更多的学者还是依据所涉及的图像处理方法对道路提取进行分类.如文献[3]将道路提取方法分为道路跟踪方法、形态学和滤波方法、Snake和动态规划方法、聚类和区域分割方法、多尺度和多分辨方法。4面向对象的道路特征提取分水岭变换将图像分割为影像对象后可以得到比较完整的影像对象，但由于“异物同谱”现象的存在道路对象还不能提取出来。但是，道路影像对象在几何特征、辐射特征等方面与其他影像对象有很大的区别。本文基于道路对象的辐射特征、几何特征和上下文特征，采用面向对象方法，对影像对象的特征因子做定量描述，进而提取道路信息。4.1基于对象特征的道路提取本文提取道路对象采用的特征指标有光谱均值、面积、长度、长宽比、矩形度和形状因子等。光谱均值、面积等特征指标比较直观，这里不再赘述。下面对部分特征指标进行说明，并通过实验说明各指标在道路对象提取中的效果。4.1.1最小外接矩形的计算由于道路影像对象的长度、长宽比和矩形度都是通过影像对象最小外接矩形的长度和宽度计算得到的，因此本文首先对最小外接矩形的计算方法进行说明。影像对象的外接矩形有两种：水平外接矩形和最小外接矩形。水平外接矩形的计算非常简单。对于任意影像对象P，设其上的像素点为其左上角点和右下角点坐标的计算公式为：（4-1）（4-2）水平外接矩形的范围往往大大超出空间实体的实际范围，不能准确地描述影像对象的几何性质，所以用最小外接矩形描述影像对象的几何特征。基于面积最小原则，以影像对象的初始水平外接矩形的中心点为轴，旋转影像对象并计算不同旋转角度下影像对象水平外接矩形的面积。当水平外接矩形的面积最小时，记录下旋转角度；最后将影像对象以角度进行反转就可以得到影像对象的最小外接矩形。如图4-1所示，虚线部分为原始影像对象及其水平外接矩形，实线及灰色的部分为经旋转得到的影像对象及其水平外接矩形。在实际计算过程中，本文用依次逆时针旋转1°、共旋转180次的方法来寻找影像对象的最小外接矩形。图4-1旋转影像对象求最小外接矩形4.1.2矩形度矩形度为影像对象面积与其最小外接矩形面积之比，体现了影像对象与矩形的相似程度。4.1.3形状因子形状因子描述影像对象形状的复杂性，即区域边界的曲折或区域凹凸的多变性。一个比较简单的边界往往有比较小的周长/面积，而一个相同面积的复杂区域会有较长的边界。因此，形状因子定义为（4-3）其中，p为影像对象的周长，A为面积。形状因子是一个相对抽象的概念，因此本文将形状因子作为道路提取的一个辅助工具，在适当的情况下使用，不起决定性作用。4.1.4对象特征在道路提取中的应用图4-2为分别采用六个不同的影像对象描述算子对图4-2（a）中主干道路的提取结果。通过实验观察可以发现，长度因子、矩形度因子和形状因子对主干道路的提取效果比较好。这是由于主干道路通常连接成网络，形成大面积的、分叉型的影像对象产生的结果。而面积特征和灰度特征可以进一步辅助道路影像对象的提取。（a）图像分割结果图4-2道路特征提取实验分析4.2阴影遮挡处理在城市地区的遥感影像中，道路常常会受到建筑物和树木阴影的遮挡。这些阴影对地物的辐射特征产生很大的干扰，使提取出的道路信息形状不完整或者出现断裂。因此，必须设计相应的方法对阴影进行消除和处理。在图像处理领域有一些直接消除图像阴影的方法(L.Huietal.，2009;K.L.Chungetal.，2009;刘宏等，2007)，但是大部分的方法不能完全去除阴影。特别是高分辨率城市遥感影像地物信息复杂，要在保留原图道路信息的同时完全去除阴影的干扰是比较困难的。因此，本文没有去除遥感影像中的阴影，而是在利用灰度特征提取出阴影信息之后，借助阴影与道路之间的联系对断开的道路进行连接和填充。阴影在全色影像中的灰度相对统一(灰度接近于0)，但其形态多样。根据其对道路提取过程造成的影响，概括为以下三种情况(图4-3)(1)阴影将道路完全覆盖，造成道路中断；(2)道路两旁建筑的阴影遮挡了部分道路使道路形状不完整，破坏了道路的平行性。(3)阴影面积较小，造成道路小范围内连接的中断。(a)阴影遮盖(b)阴影遮挡(c)小面积阴影中断图4-3阴影与道路关系通常情况下，宽度较小、长度较短的阴影对道路的影响不大(图4-3(c)),可以采用形态学运算对道路进行连接。对于面积大较大、基本覆盖整体路面、对道路连通性破坏较强的阴影(图4-3(a))。本节主要介绍与道路有一定邻接关系的阴影(图4-3(b))处理方法，该方法可以有效地将阴影填充到道路中，补充道路缺失的边缘。朱晓玲、乌仔群勇(2009)曾经针对此类问题提出了一种处理道路沿线遮挡物的方法。其模型如图4-4所示。阴影等遮挡物通常与道路呈现出相互包含或邻接的关系，其边界与道路影像对象具有相同的公共边。朱晓玲、乌仔群勇将那些与道路对象具有相同公共边、并且公共边占阴影对象边界比例大于0.5的对象当作道路，从而修补缺失的道路信息。这种方法虽然能够对阴影遮挡的道路进行补充，但是该方法将与道路邻接的整个遮挡对象都当作道路信息来填补，在一定程度上影响了道路形状的规整性。因此，本文对此方法做了改进。图4-4遮挡处理原理与把整个阴影遮挡物视为道路不同的是，本文先检测阴影遮挡目标对象与道路对象邻接的所有像元(图4-4红色部分)，计算出包含这些像元的最小外接矩形，将此最小外接矩形作为道路填充到先前提取的道路中。图4-4表示的是一种理想化模型，由于阴影的范围并不是很大，在道路弯曲程度不大的情况下该方法的应用效果比较好(图4-5(b))。同时，该方法可以不依赖公共边界占遮挡对象边界的比例，将缺失的道路信息进行填补。(a)原始影像(b)阴影遮挡处理前(c)阴影遮挡处理图4-5阴影处理该方法除了可以处理阴影遮挡对道路的影响，道路两旁的行道树对道路造成的遮挡(图4-6)也可以采用此方法来处理，具有一定的通用性和适用性。图4-6道路邻接遮挡物5结论道路是GIS系统中重要的基础地理数据，高分辨率遥感影像为道路信息的获取与更新提供了丰富的数据来源。但目前从高分辨率影像中提取道路还是以人工目视解译为主，自动化程度不高。从遥感影像中快速准确地提取与识别地物信息是遥感领域关注的热点问题。特别是随着高分辨率遥感技术的快速发展，遥感图像的分辨率越来越高，图像中的细节信息更为突出，这些都给传统的道路自动提取算法提出了更高的要求。目前虽然有不少学者对高分辨率遥感影像道路的自动提取技术提出了很多解决方案，但是还没有比较完善、成熟的算法。因此，研究高分辨率影像的道路自动提取技术具有重要的意义。本文基于城市道路在高分辨率影像中的特点，在认真学习现有道路提取算法的基础上，对道路的自动提取技术进行了研究，提出了一种道路自动提取的思路。具体工作内容概括如下：（1）总结了国内外高分辨率遥感图像道路自动提取技术的研究现状，对道路自动提取的难点进行了描述，提出了道路提取中主要的研究方向。（2）介绍了高分辨率遥感图像城市道路的特点、图像分割技术、面向对象的影像分析方法以及数学形态学等相关概念。（3）详细分析了分水岭图像分割算法的原理及其存在的问题，结合该算法在道路提取中的应用特点，提出了局域同质性阈值选取、剔除局部极小值小面积区域、去除小斑块和区域合并的改进方法。改进后的分水岭算法能够有效缓解过分割现象、提高影像分割运行速度，为后续的道路提取和影像分析提供了基础。（4）利用面向对象的影像分析方法，结合道路光谱特征、几何特征和上下文特征，运用几何形状因子和阴影遮挡处理算法对道路影像对象进行提取。该方法不仅能有效地解决高分辨率影像中“同谱异物”的问题，还可以充分利用影像对象之间的邻接关系和空间关系辅助道路信息的提取。参考文献蔡红玥.高分辨率遥感图像城市道路自动提取方法研究[D].中国地质大学(北京),2015.顾剑华,孙鑫,李红.基于地理国情普查高分辨率遥感影像的道路提取方法研究[J].测绘与空间地理信息,2014,06:145-146.胥亚.中高分辨率遥感影像道路提取技术研究[D].解放军信息工程大学,2012.姚琴风.多尺度城市道路高分辨率遥感影像提取方法研究[D].太原理工大学,2015.靳彩娇.高分辨率遥感影像道路提取方法研究[D].解放军信息工程大学,2013.周安发.高分辨率遥感影像城区道路提取方法研究[D].中南大学,2012.李卫东,陈永枫,杨阳,李润生.国内外遥感影像道路网提取方法研究现状[J].影像技术,2016,02:44-45.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,2015,01:90-94.KassM,WitkinA.TerzopoulosD.Snakes:ActiveContourModels[J].InternationalJournalofcomputerVision,1987,1(4):321-331BarzoharM,andCooPerD.B.AutomaticfindingofmainroadsinaerialImagesbyusinggeometricstochasticmodelsandestimation[J].IEEEtransactiononPatternAnalysisandMachineIntelligence,1996,18(7):707-721PozD,ValeAP.Dynamicprogrammingforsemi-automatedroadextractionfrommediumandhigh-resolutionimages,internationalarchivesofthephotogrametry[J].RemoteSensingandSpatialInformationSciences,2003(34):3-8G.Vosselman,J.Knecht