高分辨率影像道路提取：方法综述与进展

道路提取是遥感图像处理中的关键技术，具有广泛的应用价值，特别是在地理信息系统（GIS）更新和道路网络分析中。自20世纪80年代起，这一领域就开始受到研究人员的广泛关注。早期的研究主要针对低分辨率和中分辨率的遥感影像，研究方法主要包括基于Hough变换的线检测技术、相位编组方法以及依赖种子点的动态规划和蛇模型等。 随着高分辨率卫星技术的发展，高分辨率遥感影像成为道路提取的新挑战。Yongguan Xiao等人提出了一种基于边缘平行线的提取策略，适用于SAR图像。这种方法首先对图像进行预处理，如相干斑抑制，然后提取线特征，运用遗传算法进行连接，并利用线特征幅度图进行筛选和调整。贾承丽等人则专注于SAR图像中道路的自动化提取，同样注重细节处理和有效性验证。 然而，更多的研究倾向于采用先分割后细化的方法。例如，Shi Wen-zhong通过设置阈值实现道路影像二值化，接着使用直线匹配和形态学操作来提取道路中心线。朱长青等人采用形态学方案进行影像分割，后续处理与Shi的方法相似。Grote等人则结合边缘信息和颜色信息，将影像分割成小区域，通过多种准则合并形成道路条带。 形状信息在道路提取中扮演了关键角色。Tupin等人利用条带窗口检测潜在道路，并利用马尔可夫随机场模型来建立道路网络。Haverkamp通过多波段影像去除植被干扰，然后利用角度纹理特性识别道路。另一些研究者如文献[14]，通过K-均值法对多光谱影像进行初步分类，计算粗分道路类别的二值角度纹理特性和形状系数，再借助模糊聚类方法进一步区分道路和建筑物。 道路提取方法在不断发展和完善，从简单的线检测到复杂的特征融合和机器学习技术的应用，旨在提高精度和鲁棒性，适应不同分辨率和类型遥感数据的需求。随着计算机视觉和深度学习的兴起，未来道路提取技术有望实现更大程度的自动化和智能化。