高分辨率遙感影像中提取道路網(wǎng)方法文獻綜述

1、<p>　　高分辨率遙感影像中提取道路網(wǎng)方法綜述</p><p>　　摘要：高分辨率遙感影像中道路網(wǎng)的提取是智能地物提取和分析的重要方面。針對其特點，介紹了高分辨率遙感影像上道路網(wǎng)提取的基本思想和步驟，從提取要素層次的角度對現(xiàn)有的道路網(wǎng)提取方法進行了分析和綜述，并指出當前高分辨率遙感影像道路網(wǎng)提取方法需要進一步解決的遮擋、地物特征類似、地物復雜等問題。展望了未來利用高層次知識、圖像融合技術、三維信息等高

2、效提取道路網(wǎng)的可行性。</p><p>　　關鍵詞：高分辨率；遙感影像；道路網(wǎng)提取</p><p><b>　　1引言</b></p><p>　　隨著遙感技術的高速發(fā)展，遙感影像的地面分辨率越來越高，已達到亞米級。高分遙感影像為地理信息系統(tǒng)的數(shù)據(jù)更新和應用提供了便利的條件，而如何快速、準確地從遙感影像中提取所需信息成為重要的研究方向。道路信息

3、是GIS的基礎，因此從高分辨率遙感影像中提取道路網(wǎng)是研究的一個熱點。由于高分辨率遙感影像中地物類型眾多，空間結(jié)構復雜，而道路更是受到路面上地物、陰影及圖像噪音的影響，所以從高分辨率遙感影像中提取道路網(wǎng)，一直都是一項富有挑戰(zhàn)性的工作，目前研究人員已經(jīng)提出了多種道路網(wǎng)提取方法，得到了一些重要的成果并有一定的適用范圍。</p><p><b>　　2基本方法</b></p><

4、p>　　2.1道路網(wǎng)提取的基本定義</p><p>　　道路網(wǎng)指在一定區(qū)域內(nèi)，由各種道路組成的相互聯(lián)絡、交織成網(wǎng)狀分布的道路系統(tǒng)。其中，全部由各級公路組成的稱為公路網(wǎng)，在城市范圍內(nèi)由各種道路組成的稱為城市道路網(wǎng)。道路網(wǎng)提取是指輸入高分辨率遙感影像，利用計算機通過一定的規(guī)則進行識別，從而提取道路網(wǎng)?，F(xiàn)實中的道路通常有多種類型，這使得道路網(wǎng)提取難以形成一種標準的方法。實際應用中，通常需要根據(jù)道路類別選擇合適的提

5、取思路，因此，根據(jù)道路網(wǎng)的圖像特性對其進行適當分類，是提取方法研究中的必要環(huán)節(jié)。高分辨率遙感影像中，道路網(wǎng)的成像更加清晰，道路上的分道線、交通管理線、車道線都可以較清晰的呈現(xiàn)在圖像中，高分辨率遙感影像中的道路可概括為兩類：</p><p>　　(1)主要道路。即主干道，特點是路面上有許多對相互平行的直線，如在主干道路面上有許多分道線、交通管理線、車道線，它們使得路面上灰度分布不均勻。主要道路在高分辨率影像上一般呈

6、具有一定的寬度的面狀長條帶。</p><p>　　(2)一般道路。主要指鄉(xiāng)村道路和城市中的小街道，一般認為這種道路路面灰度分布比較均勻，在高分辨率影像中呈細長的線或條帶。</p><p>　　2.2 高分變率遙感影像中道路的基本特征</p><p>　　在中低分辨率下道路主要表現(xiàn)為線狀結(jié)構，提取道路網(wǎng)就是提取線形網(wǎng)絡結(jié)構的過程。而高分辨率遙感影像中道路的特征與中低分

7、辨率影像中的道路有明顯不同，主要有以下４種：</p><p>　　(1)幾何特征。在高分辨率遙感圖中，道路具有一定的寬度和長度，其形狀為一個長而窄的矩形或條帶形，道路具有一定的長度，具有明顯的方向性，其指向不會突然變化；具有緩慢的坡度變化。</p><p>　　(2)輻射特征。道路區(qū)域內(nèi)部灰度較為均勻，梯度較??；道路與其相鄰區(qū)域灰度有一定差異；受道路兩側(cè)的樹木、房屋的陰影、路面上的汽車等物

8、體遮擋，道路在影像上有斷裂的情況。</p><p>　　(3)拓撲特征。道路不會獨立存在，道路之間通常相互連接成網(wǎng)絡。每一道路段的兩端只有兩種情況，一種是與另一道路段相交，另一種是延伸到圖像的邊界外。</p><p>　　(4)上下文特征。居民區(qū)中的道路一般鄰接房屋，綠化帶，廣場通道；從高分辨率遙感影像中提取道路網(wǎng)時，道路上的車輛、道路標示線以及道路兩旁的行道樹是道路重要的上下文信息。&l

9、t;/p><p>　　2.3道路網(wǎng)提取的一般步驟</p><p>　　針對道路網(wǎng)提取，已根據(jù)不同影像類型（航空和遙感影像）、不同比例尺、不同區(qū)域的影像（城區(qū)和鄉(xiāng)村區(qū)等）和不同道路類型（鄉(xiāng)村路、街道、等級公路和高速公路等）發(fā)展了不同的提取方法，道路網(wǎng)提取遵循Marr視覺理論，按照Marr視覺理論【1】，有學者將這些方法總結(jié)為４個主要步驟【2】（圖１）：① 對輸入的影像預處理，包括圖像增強、濾波、

10、道路特征的增強；② 進行低層次處理，利用二值化、邊緣提取等方法在圖像中提取各種要素，包括點、線、面，提取出初始道路段；③ 進行中層次處理，利用有關道路的幾何假設對低層次處理的結(jié)果進行分析、選擇、重組和綜合；④ 進行高層次處理，利用道路網(wǎng)模型以及與道路網(wǎng)有關的規(guī)則和知識提取道路網(wǎng)。</p><p>　　道路網(wǎng)提取的步驟:1、預處理（校正、濾波）2、低層次處理（二值化、灰度、邊緣、頂點、方向）3、中層次處理（特征選擇

11、、分析、綜合等）4、高層次處理（知識、智能、規(guī)則、學習、理解、識別等）5、道路網(wǎng)（標識、表示、應用等）</p><p>　　3 高分辨率遙感影像中道路網(wǎng)提取的研究現(xiàn)狀</p><p>　　高分辨率遙感影像中道路網(wǎng)提取的方法，按照提取的自動化程度，一般分為半自動道路提取和全自動道路提取。半自動道路提取是利用人機交互的方式進行，其思路是人工提供道路的初始點和道路方向，然后讓計算機按照一定規(guī)則進

12、行提取，期間還夾雜著人機交互，保證識別的準確性。而自動道路提取的方法則是利用道路的影像特征，完全使用計算機自動從影像中提取出道路。</p><p>　　近些年針對高分辨率遙感影像中道路網(wǎng)提取方法的綜述很多，這些文獻大多是按照提取方法的自動化程度進行方法分類，而道路網(wǎng)提取是一個非常復雜的問題，目前還沒有一套完全成熟的解決方法，在進行道路網(wǎng)提取時，首先要思考如何能提高道路網(wǎng)提取的準確率，因此按照道路網(wǎng)提取的自動化程度

13、進行方法分類時易于分類，但不能揭示道路網(wǎng)提取的特點，不利于啟發(fā)道路網(wǎng)提取的新思路，為了能夠更好地揭示道路網(wǎng)提取的本質(zhì)，本文從新的角度出發(fā)，按照提取的要素層次進行分類，將從高分辨率遙感影像中提取道路網(wǎng)的方法分為兩大類：①基于邊緣特征的道路網(wǎng)提?。虎诿嫦?qū)ο蟮牡缆肪W(wǎng)提取。</p><p>　　3.1 基于邊緣特征的道路網(wǎng)提取</p><p>　　高分辨率遙感影像中道路的一個重要特點是具有對稱的

14、邊緣線，因此提取邊緣特征是道路網(wǎng)提取的一種重要途徑?；谶吘壧卣鞯牡缆诽崛》椒ǎP鍵環(huán)節(jié)是利用道路的線特征，使用計算機提取道路的邊緣信息。</p><p>　　3.1.1 平行線法</p><p>　　道路從邊緣上看可以認為是一組平行線，蔡濤等【3】提出一種從多波段遙感影像上提取道路網(wǎng)的方法，該方法以直線段和平行線段為基本符號，融合各個波段圖像中的直線段，利用多波段圖像的互補性、冗余性提高

15、對道路描述的準確性。首先識別圖像中突出的路段，再利用道路網(wǎng)的連接性約束，識別其他符合所定義的道路模型的不突出的路段，形成整個圖像的道路網(wǎng)。。Ｈｕ 等【4】提出一種基于“橋接”（Bridge-Link）模型的算法，該算法利用多權重算法提取邊緣，并根據(jù)道路的寬度變化較小這一幾何特征，利用道路邊緣構成的平行線間的寬度來構建“橋接”模型，進而提取出道路網(wǎng)。這種算法能有效減少因為道路被遮擋致使道路提取不完整的現(xiàn)象。文貢堅等【5】根據(jù)城市主要道路在

16、圖像中的特性進行了模型化處理，進而提出了一種基于直線的自動提取方法。算法首先將影像進行分塊，在子塊中提取道路段，再將從子塊中提取的道路段進行編組、連接，最終形成道路網(wǎng)。算法重點考慮到成像過程中必然引入的各種噪聲，用高斯分布函數(shù)模糊化直線參數(shù)，使提取具有良好的穩(wěn)健性。算法中的參數(shù)選擇都是通過理論分析所得，算法過程實現(xiàn)了自動化。缺點是只考慮邊緣信息，對于道路邊緣信息不清晰</p><p><b>　　3.1

17、.2 輻度法</b></p><p>　　輻度法是利用道路在高分辨率遙感影像上的輻度特征（包括光譜特征）來提取道路。Shao等【6】基于影像中道路段中心線位置的像素灰度比其周圍像素的灰度更明亮這一特征，提出一種快速提取道路網(wǎng)中心線的方法。Charistophe等【7】提出了一種基于波譜角（Spectral Angle）和梯度法提取邊緣的從高分辨率遙感影像中提取道路網(wǎng)的算法。該算法需要選定道路樣本像素作

18、為參考像素，首先計算各個像素與參考像素的波譜角，得到一幅表示波譜角大小的影像，再根據(jù)梯度法進行邊緣檢測來提取道路段，最后對得到的道路簡化、連接、刪減、得到道路網(wǎng)。算法的優(yōu)點是充分利用了道路的輻度特征，采用波譜角使得算法適用于多波段的影像，速度快，需要參數(shù)較少，缺點是需要選擇參考像素，并且受到“異物同譜”的影響，提取的道路網(wǎng)不夠準確。</p><p>　　3.1.3 　模型法</p><p>

19、;　　Snakes模型【8】一經(jīng)提出，便在計算機視覺等領域獲得了眾多應用。Snakes模型假設對于擬合目標有一個待選曲線集，并定義一個能量函數(shù)與待選集中每一條曲線相關聯(lián)，影響到的各種特征（包括影像強度和梯度）及連續(xù)性與平滑性都約束在這個能量函數(shù)里，通過自動自適應計算能量函數(shù)的最小值，以達到提取目標的目的?；赟nakes模型提取道路網(wǎng)的過程大致如下：①圖像預處理，如使用中值濾波抑制噪聲【9】；②人工選擇初始種子點，構成初始Snakes曲

20、線，設定相應的參數(shù)以及分段內(nèi)插的間距、高斯濾波的參數(shù)、坐標累計修正量的閾值；③求能量函數(shù)最小值，使Snakes初始曲線收斂到邊緣，分段提取道路網(wǎng)，并保存結(jié)果；④提取道路交叉點，形成完整道路網(wǎng)。這種方法需要人機交互，設定的閾值需要根據(jù)待提取道路的長短及初始輪廓離道路的遠近來適當調(diào)整，閾值太小會使初始輪廓無法收斂到路邊緣，太大則使初始輪廓無法收斂到道路邊緣【10-11】。</p><p>　　除此外，還有濾波法：濾波

21、法是通過設計某種濾波器，對遙感影像進行濾波處理，從而在影像上提取線特征，進而進行連接等操作，完成道路網(wǎng)的提取。程承旗等【12】提出一種半自動提取道路的方法，設計一個高通濾波器和統(tǒng)計濾波器，完成道路信息的檢測與識別，其中高通濾波突出地物的線性特征，統(tǒng)計濾波則用來消除高通濾波后產(chǎn)生的噪音，最后進行矢量化跟蹤，完成提取道路信息。</p><p>　　3.1.4 水平集函數(shù)方法</p><p>　

22、　首先，提出了一種基于主成分分析的彩色區(qū)域生長算法，該方法能夠充分利用道路的顏色特征且自適地確定生長準則闊值，并利用該區(qū)域生長算法進行道路預分割;然后利用預分割的結(jié)果構造初始水平集函數(shù)，進一步利用LI Chun-Ming 等人【13】提出的消除重新初始化操作的水平集方法進行道路邊緣演化;最后，提出了一種不用反復初始化的水平集局部邊緣修正算法，并利用該方法完成了對道路的局部邊緣修正，使局部凹陷的邊緣向外擴張，局部凸出的邊界向內(nèi)收縮，從而使

23、水平集曲線能夠越過車輛、行人、路旁樹木等障礙物的干擾，最終收斂到真實的道路邊界。</p><p>　　3.1.5 數(shù)學形態(tài)學方法</p><p>　　數(shù)學形態(tài)學用于遙感影像道路提取是一種很有效的方法，有不少學者進行了研究【14】數(shù)學形態(tài)學對圖像的分析處理主要依據(jù)于特定的形狀變換，而形狀變換的特性由具體的運算和結(jié)構元素的幾何特征決定，并且形狀變換的復雜度直接依賴于結(jié)構元素的形狀、大小，因此運

24、用數(shù)學形態(tài)學進行圖像處理的關鍵在于結(jié)構元素的選擇.隨著城市的發(fā)展以及遙感影像空間分辨率的提升，地物的形狀結(jié)構和紋理信息變得十分豐富，使得結(jié)構元素的選擇更加困難。</p><p>　　3.2 變換系數(shù)非抽樣方法</p><p>　　一種基于非抽樣變換的遙感影像道路提取算法. 該算法首先對圖像進行非抽樣變換得到不同尺度不同方向上的變換系數(shù),再通過給定窗口大小分別計算各個尺度各個方向上的變換系數(shù)

25、模在窗口內(nèi)的局部最大值,然后比較各尺度在同一方向和同一窗口位置上系數(shù)模的最大值,取值最大的點作為特征點;同時利用自適應閾值對各個尺度各個方向上的系數(shù)模值進行二值化,消除小于一定面積的區(qū)域,篩選出特征點位于提取區(qū)域內(nèi)的點;最后以篩選出的特征點為種子點,對道路進行Snake 跟蹤。</p><p>　　3.2.1 基于二值化圖像的方法</p><p>　　此類方法通過設定閾值進行圖像二值化，并

26、配合使用濾波器直接獲得初始面狀道路的信息，再使用形態(tài)學工具對面狀道路進行細化，提取中心線。首先對遙感影像進行灰值化、二值化操作，去掉背景像素，接著進行中值濾波消除隨機噪聲，最后通過數(shù)學形態(tài)學的方法，進行道路段的連接，填補空洞，得到面狀道路后再使用擊中擊不中變換細化道路網(wǎng)。</p><p>　　3.2.2 基于形態(tài)學的方法</p><p>　　高分辨率遙感影像上，道路的面狀特征較為明顯，綜合

27、考慮道路的幾何、輻射特征，可以用圖像分割的方法提取道路這一特殊地物。數(shù)學形態(tài)學的基本思想是用具有一定形態(tài)的結(jié)構元素去度量和提取圖像中的對應形狀以達到對圖像分析和識別的目的，在道路網(wǎng)提取時，經(jīng)常使用數(shù)學形態(tài)學工具來細化、連接、修改初始提取的道路網(wǎng)。得到每一目標像素點所在局部形狀特征信息，然后通過幾何特征信息將影像上具有相似輻射特征不同幾何特征的地物目標區(qū)分開來，如高分辨率影像上的道路和建筑物。這種方法簡單方便，但是其中一些參數(shù)的智能化確定

28、、相鄰地物的影響仍需研究。</p><p>　　3.2.3基于支持向量機的方法</p><p>　　支持向量機SVM(Support Vector Machine)是一種進行復雜分類任務的有效工具，SVM具有學習速度快、自適應映射能力強等特點，在學習、分類效率、可表達性等方面要優(yōu)于神經(jīng)網(wǎng)絡。汪閩等【15】等提出一種高分辨率遙感影響上自動提取道路的方法。該方法利用高斯馬爾可夫隨機場紋理模型提

29、取遙感影像的基本特征，并利用支持向量機非線性映射模型進行圖像分類得到道路塊，接著對道路塊細化得到道路軸線，并登記寬度信息，最后通過啟發(fā)式規(guī)則進行軸線連接得到道路網(wǎng)。該方法的不足之處是提取出的道路的位置不是很準確，在道路網(wǎng)空間分布較為復雜的區(qū)域有道路偏移、丟失、錯分、粘連。</p><p>　　3.2.4基于規(guī)則或知識的方法</p><p>　　基于規(guī)則或知識從高分辨率遙感影像中提取道路網(wǎng)利

30、用了道路的多種特征，如形狀、灰度、上下文特征等。利用光譜特征來區(qū)別與道路形狀相似的地物，利用幾何特征來區(qū)別與道路光譜特征相似的地物。首先將影像分塊得到一系列子圖像，在子圖像中依據(jù)道路的幾何特征（長條狀、寬度變化緩慢、灰度較均勻）以及上下文特征（車輛、行道樹等）提取道路，最后連接子圖像中的道路形成道路網(wǎng)。另外一種基于知識的高分辨率遙感影像道路網(wǎng)提取方法，依據(jù)面狀道路提取的思路，首先使用改進的分等級多尺度梯度分水嶺變換算法對圖像進行分割，然

31、后利用道路信息（狹長度、灰度、連通性）提取出初始道路段，最后基于方向信息連接道路段，得到道路網(wǎng)。</p><p><b>　　結(jié)　語</b></p><p>　　4.1 需要進一步解決的問題</p><p>　　高分辨率衛(wèi)星遙感影像的發(fā)展，使得遙感影像成為道路提取的重要圖源。因此利用覆蓋度很廣的高精度遙感影像進行道路提取具有實際意義。目前已有的

32、方法大多針對某種類型的道路，還難以滿足實際應用的需要，歸納上述方法，得出目前從高分辨率遙感影像中提取道路網(wǎng)主要存在以下問題：</p><p>　　（1）遮擋問題。圖像的邊緣包含圖像中大量的有用信息，然而在邊緣檢測時，易受局部噪聲或者受到周圍建筑、樹木等地物遮擋的影響而產(chǎn)生虛假邊緣，或者是間斷邊緣，因此，提取出的道路網(wǎng)無法保證是完整、連續(xù)的。</p><p>　?。?）地物特征類似問題。影像

33、上的線狀地物種類繁多，不同屬性的線狀地物可能有相同的，這使得道路提取的準確性往往不夠高。并且由于現(xiàn)代城市建造道路和建筑物的原料大致相同，這也使得這兩種地物具有類似的光譜特征，在影像分割時，經(jīng)常有把道路旁的建筑物錯分成道路的情況，使得道路提取產(chǎn)生錯分的現(xiàn)象。</p><p>　?。?）地物復雜問題。高分辨率下的城區(qū)道路場景異常復雜，道路區(qū)域受到交通線、汽車以及陰影等的影響，使得路面多樣復雜，局部道路段的灰度具有近似

34、的一致性，但是各道路段的灰度不一定具有相似性，這使得在城區(qū)影像中提取道路特別困難。</p><p>　　4.2 研究方法展望</p><p>　　（１）利用高層次知識。目前道路網(wǎng)提取的方法，大多是針對某種特定類型的道路，缺少總體技術模型指導，尤其是在復雜目標提取和識別上，目標的確認和高層匹配計算能力弱，高層次知識利用程度不高。在今后做道路網(wǎng)提取時，可以考慮在面向?qū)ο蟮幕A上，將不同類型的知

35、識層次化的加入到高層的影像分析理解和目標匹配。</p><p>　?。ǎ玻┥钊胙芯康缆诽卣?。相比于中、低分辨率遙感影像中的道路，高分辨率遙感影像中的道路有了許多新的可以利用的特征，如明顯的紋理特征。在高分辨率影像中，道路的成像更加清晰，所以使得道路上的分道線、交通管理線、車道線都可以較清晰地呈現(xiàn)在圖像中，使得道路具有豐富的紋理特征，利用這些信息，那么在提取道路時可以幫助區(qū)分光譜特征相近的目標；例如城區(qū)影像上，車輛

36、、道路標示線是道路提取中重要的上下文信息，可以為道路提取提供種子點，還能提供道路的方向信息。</p><p>　　（３）利用圖像融合技術。一個傳感器的遙感影像包含的信息量是有限的，因此利用高分辨率遙感影像融合技術，對多個傳感器得到的影像進行融合。目前已經(jīng)有一種基于多重信息融合的高分辨率遙感影像道路信息提取方法：利用QuickBird全色影像進行邊緣檢測，利用全色影像和多光譜影像融合后的影像提取面狀道路信息，分別從

37、邊緣和面狀道路兩個方面提高提取效果，然后利用邊緣和面狀道路信息互相驗證，互為補充，使其在提取道路目標時可以將不同地物有效分割開，接著利用有效的形狀指數(shù)（如狹長度、極慣性矩）對目標進行形狀刻畫，提取出線狀道路。這種方法可以從整體和局部上互為補充地把分割后的連通道路分支與其他大部分非道路對象有效地區(qū)分開，從而準確提取道路信息。</p><p>　?。ǎ矗├萌S信息。20世紀以來機載激光掃描技術（Lidar）的迅速發(fā)

38、展，使得遙感影像道路網(wǎng)提取技術也有了新的發(fā)展方向。激光雷達能夠直接獲取地形表面三維信息，并同時具備反映不同地表物體的強度信息，在三維空間中，道路的高程明顯異于其他地物，這使得利用道路的三維信息進行道路網(wǎng)提取變得可行。通過對激光雷達數(shù)據(jù)進行濾波可以獲得初始道路網(wǎng)信息，但是由于受到遮擋和陰影的影響，提取出的道路邊緣不準確，而利用遙感影像進行邊緣提取具有較高的準確度，所以將兩種圖像進行融合提取道路是道路提取的研究重點和發(fā)展趨勢。</p&

39、gt;<p>　?。ǎ担┙Y(jié)合其他領域?；诟叻直媛蔬b感影像道路提取涉及到計算機視覺、人工智能、圖像理解等各個方面，是一個非常復雜的過程。在研究道路提取方法的過程中，應當密切關注相關領域新的研究成果，并嘗試把這些成果應用到道路網(wǎng)提取過程中去。</p><p><b>　　參考文獻</b></p><p>　　[1]史文中，朱長青，王昱．從遙感影像提取道路特

40、征的方法綜述與展望[J].測繪學報,2001,30(3):7-261.</p><p>　　[2] 明冬萍，駱劍承，沈占鋒，等．高分辨率遙感影像信息提取與目標識別技術研究[J].測繪科學，2005,30（3）:8-20.</p><p>　　[3] 蔡濤，王潤生．一個從多波段遙感圖像提取道路網(wǎng)的算法[J].軟件學報，2001，12(6):943-948</p><p&g

41、t;　　[4] Hu H,Liu Y,Wang X,et al.Road Extraction in Remote Sensing Images using a New Algorithm [C]//Proceeds of IEEE International Conference on Intelligent Information Hiding and Multimedia Signal Processing. Harbin,Chi

42、na,2008:779-782.</p><p>　　[5] 文貢堅，王潤生．從航空遙感圖像中自動提取主要道路[J].軟件學報，2001,11（7）：957-964.</p><p>　　[6] Shao Y Z,Guo B X,Hu X Y,et ai.Application of a Fast Linear Feature Detector to Road Extraction fro

43、m Remotely Sensed Imagery [J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2010,4(3):1936-1404.</p><p>　　[7] Christophe E,Inglada J.Robust Road Extraction for High Resolut

44、ion Satellite Images[C]//Proceedings of IEEE International Conference on Image Processing.San Antonio,2007:437-440.</p><p>　　[8] Kass M,Within A,Terzopoulos D.Snakes:Active Contour Models [J].International J

45、ournal of Compputer Vision,1987,1(4):321-331.</p><p>　　[9]Anil P N,Natarajan S.A Novel Approach Using Active Contour Model for Semi-automatic Road Extraction from High Resolution Satellite Imagery[C]//Procee

46、dings of IEEE 2010 Second International Conference on Machine learning and Computing.Bangalore,2010:263-266.</p><p>　　[10] 劉少創(chuàng)，林宗堅．航空遙感影像中道路的半自動提取[J].武漢測繪科技大學學報，1996,21（2）：258-264.</p><p>　　[11]

47、 Mayer H,Laptev I,Baumgartner A,et al.Automatic Road Extraction based on Multi-sca;e Modeling Context and Snakes[J].International Archives of Photogrammetry and Remote Sensing,1997,(30):106-113.</p><p>　　[12

48、] 程承旗，馬廷．高分辨率衛(wèi)星影像上地物線性特征的自動識別[J].遙感學報,2003,7（1）:26-30.</p><p>　　[13] PLAZA A, MARTINEZ P, PLAZA J, et al. Dimensiona1ity reduction and classification of hyperspectra1 image data using sequences of extended m

49、orphologica1 transformations [ J]. IEEE Transactions on Geoscience and Remote 5ensing, 2005 , 43(3): 466 -479.</p><p>　　[14] 潘建平,鄔明權.基于數(shù)學形態(tài)學的道路提取,[J].計算機工程與用,2008,44(11):232-233.</p><p>　　[15] 汪