道路提取 文獻(xiàn)翻譯.doc

高分辨率遙感影像的道路半自動(dòng)提?。夯仡櫯c展望沈陽航空工業(yè)學(xué)院沈陽，中國(guó); ; 摘要：道路提取是高分辨率遙感信息提取中的最活躍的研究領(lǐng)域之一，遙感圖像不僅具有重大的理論價(jià)值，而且應(yīng)用前景廣闊 。本文介紹了一般的半自動(dòng)道路提取方法，最新的研究工作和來自世界各地的典型方法，并分析其特點(diǎn)，最后對(duì)半自動(dòng)道路提取研究的研究領(lǐng)域提出建議關(guān)鍵詞：高分辨率、遙感影像、 道路提取;回顧;前景I介紹隨著計(jì)算機(jī)技術(shù)和通信技術(shù)的飛速發(fā)展，快速獲取和更新地理信息系統(tǒng)的要求越來越迫切。道路是非常重要的基礎(chǔ)地理信息，道路提取對(duì)地理信息系統(tǒng)的發(fā)展產(chǎn)生了很大的影響。同時(shí)，隨著傳感器技術(shù)的發(fā)展，商業(yè)的空間高分辨率的衛(wèi)星圖像（IKONOS衛(wèi)星，快鳥）已被廣泛使用。這對(duì)遙感圖像信息提取提供了更大的可能性和更高的精度。道路提取是遙感圖像信息提取的重要組成部分，對(duì)GIS數(shù)據(jù)更新，圖像匹配，目標(biāo)檢測(cè) ，數(shù)字制圖自動(dòng)化等具有重要意義。從目前的研究狀況看，道路自動(dòng)提取非常困難。目前的技術(shù)尚未提供完整性和有效性都令人滿意的結(jié)果，通常需要后處理手段。自動(dòng)提取被限制在一定的范圍內(nèi)，無規(guī)律的輸入，往往會(huì)導(dǎo)致錯(cuò)誤的結(jié)果1。因此，研究人工干預(yù)的半自動(dòng)方法快速，準(zhǔn)確地提取道路，是一個(gè)更實(shí)際的選擇。這使得從遙感影像上半自動(dòng)提取道路成為一個(gè)主要的研究重點(diǎn)。本文從遙感影像的道路特點(diǎn)，給出了有關(guān)目前道路半自動(dòng)提取方法的基本思路和方法的討論。它也分析和總結(jié)了近年來的半自動(dòng)提取的研究結(jié)果，并分析了道路提取進(jìn)一步的發(fā)展前景。II道路檢測(cè)影像特征是由于景物的物理與幾何特性使影像中局部區(qū)域的灰度產(chǎn)生明顯變化而形成的。因而特征的存在意味著在該局部區(qū)域中有較大的信息量， 而在影像中沒有特征的區(qū)域， 應(yīng)當(dāng)只有較小的信息量。A道路的基本特征如下：幾何特征：在高分辨率影像上， 道路呈長(zhǎng)條狀， 其長(zhǎng)度遠(yuǎn)大于其寬度， 道路的寬度變化比較小，曲率有一定的限制；輻射特征：有兩條明顯的邊緣線，內(nèi)部灰度變化比較均勻、與相鄰區(qū)域灰度反差較大；拓?fù)涮卣鳎旱缆肥窍噙B的，并不會(huì)突然中斷，從而形成網(wǎng)絡(luò)狀；上下文特性：上下文特征指的是道路相關(guān)的特征與信息，如道路旁的建筑物和行道樹，還包含如是城市道路還是鄉(xiāng)村道路的全局上下文信息。道路提取結(jié)果不僅依賴于所采用的策略和方法， 而且與圖像的類型有關(guān)。在高分辨率遙感影像，由于路邊樹木，房屋，汽車等影響因素的存在，道路表面形式的復(fù)雜，使得精確地提取道路這個(gè)過程增加了一個(gè)難度。因此，在高分辨率遙感影像，應(yīng)結(jié)合道路特征進(jìn)行道路提取。B道路提取的基本過程影像特征的提取，即從影像中提取有用的信息和視覺特征。按照Marr 視覺理論，視覺從最初的原始數(shù)據(jù)(2維影像數(shù)據(jù)) 到最終對(duì)3維環(huán)境的表達(dá)經(jīng)歷了3 個(gè)層次:要素圖：它包含圖像邊緣點(diǎn)、線段、頂點(diǎn)、紋理等基本幾何特征組成，這個(gè)層次稱為低層次處理。2.5維圖：它是要素圖與3維圖像模型之間中間表示層次，包含物體表面的局部?jī)?nèi)在特征，這個(gè)層次稱為中層次處理。3 維圖：以物體為中心的3 維描述，它是由要素圖與2.5維圖得到的。它包含對(duì)物體的理解、識(shí)別等，這個(gè)層次稱為高層次處理。與其他特征提取一樣，道路特征提取同樣遵循Marr視覺理論。道路特征提取應(yīng)該在低、中、高三個(gè)層次上進(jìn)行。道路特征提取一般方法主要分以下階段， 如圖1 所示。高級(jí)識(shí)別（知識(shí)等）低層次的加工（二值，格雷等）中級(jí)處理（特征等）道路輸出（標(biāo)識(shí)等） 預(yù)處理（校準(zhǔn)等）圖1一般道路提取階段從不同的角度分析圖像，并采取適當(dāng)?shù)乃惴?，每個(gè)級(jí)別可以得到不同的特征提取方法。根據(jù)自動(dòng)化程度，可分為自動(dòng)提取和半自動(dòng)提取。本文側(cè)重于人工干預(yù)的半自動(dòng)道路提取方法。III.半自動(dòng)道路提取研究半自動(dòng)道路特征提取即利用人機(jī)交互的形式進(jìn)行特征提取和識(shí)別。道路提取的常用方法包括：根據(jù)道路的特征進(jìn)行道路中心線提取和道路區(qū)域特征提取。道路中心線提取的基本思想是：用戶提供初始道路點(diǎn)(種子點(diǎn))，有時(shí)還提供初始方向，然后再由計(jì)算機(jī)進(jìn)行處理識(shí)別， 同時(shí)適當(dāng)進(jìn)行人機(jī)交互。道路區(qū)域特征提取是基于圖像頻譜和線性特征結(jié)合分類和數(shù)學(xué)模式提取道路的一種方法。半自動(dòng)道路提取的研究已經(jīng)取得了很多的好成績(jī)。A道路中心線提取道路中心線，可以被看作是周圍亮度模式的線性特性。這種線性特征消失在路的交叉口，有時(shí)它可以涵蓋大型建筑物，車輛或其他障礙物的陰影。此外，道路中心線的亮度模式將保持相似。我們可以看到，道路中心線是由許多短直線鏈接而成的曲線，因?yàn)榇蠖鄶?shù)的道路是平坦的，方向不能突然改變。然后，我們將道路中心線提取轉(zhuǎn)換成直線提取，降低了難度。中心線提取可分為兩類：一類是通過跟蹤給定的初始點(diǎn)和方向取得3-12。這種方法有模板匹配法3-8主動(dòng)測(cè)試模式的方法9-12。另一種提取中心線是給予一系列種子點(diǎn)14-25。這種方法具有動(dòng)態(tài)規(guī)劃14-17主動(dòng)模板模型18-25和在曲線擬合。1給定初始點(diǎn)和方向的提取方法模板匹配的基本思想是根據(jù)初始點(diǎn)和方向，定義一個(gè)模板，通過匹配尋找下一個(gè)中心點(diǎn)，完成的道路中心線提取，從而找到道路。Vosselman3（1995）提出了基于最小二乘模板匹配和卡爾曼濾波跟蹤算法檢測(cè)道路。這種方法是根據(jù)道路幾何特征提取道路。在遙感圖像中，道路長(zhǎng)度長(zhǎng)于寬度而且其曲率的變化是不明顯的。因此，垂直的橫截面沿著一條道路的方向是相似的。針對(duì)這一特點(diǎn)，利用適當(dāng)?shù)那€常數(shù)，可以讓我們?nèi)〉玫缆分行亩蔚闹行?，同時(shí)預(yù)測(cè)寬度和方向。根據(jù)指定的路段，初步估計(jì)描述道路的位置和形狀的參數(shù)。這一估計(jì)是用來預(yù)測(cè)指示段毗鄰的道路模板的位置。在預(yù)測(cè)位置與模型進(jìn)行模板匹配。匹配的結(jié)果是兩個(gè)剖面之間的轉(zhuǎn)變。這種轉(zhuǎn)變是由卡爾曼濾波更新參數(shù)來描述道路的位置和形狀。在下面的迭代，下一個(gè)輪廓的位置可以預(yù)測(cè)，當(dāng)輪廓與模型模板匹配時(shí)，我們可以檢查它并更新道路參數(shù)。道路的追蹤會(huì)一直繼續(xù)直到到達(dá)標(biāo)準(zhǔn)。這種方法的優(yōu)點(diǎn)是，盡管由于道路口，出口和汽車等臨時(shí)障礙造成道路與模版不匹配，道路追蹤劑也能夠繼續(xù)追蹤下面的道路。缺點(diǎn)是分割，因?yàn)槭褂眠B續(xù)的曲線，真正的形狀和它的模型之間的偏差被稱為系統(tǒng)的噪音。使得最后結(jié)果不理想。公園4（2001）從1米分辨率的IKONOS衛(wèi)星圖像成功地提取道路中心線，采用自適應(yīng)最小區(qū)域模板匹配方法。該算法產(chǎn)品模板由用戶給定種子點(diǎn)。這種方法使用自適應(yīng)最小二乘模型評(píng)估與目標(biāo)模板匹配程度。更好地獲取任何方向、適當(dāng)曲率的道路中心線。這種算法的缺點(diǎn)是，給定的種子點(diǎn)不能離開道路中心太遠(yuǎn)，同時(shí)，種子點(diǎn)無法判斷道路上覆蓋的陰影。Baumgartner 5（2002）采用卡爾曼濾波和模板匹配的方法給出了半自動(dòng)道路提取的人機(jī)界面。當(dāng)在提取過程中發(fā)生錯(cuò)誤時(shí)，它可以由人工干預(yù)來方便地糾正。這是一個(gè)很好的提高道路提取準(zhǔn)確率和精度的方式。Vandana 6（2002年）通過使用最小化和路徑跟蹤方法提高模板匹配，對(duì)未1 m 的IKONOS圖像，有效地提取道路中心線。該算法不選擇道路中心線和模板上的種子點(diǎn)。種子點(diǎn)可以自動(dòng)調(diào)整位置，使在道路中心線上，這大大降低了種子選擇的要求，提高了算法的利用率。F.DellAcqua7（2005）提出的方法，結(jié)合自適應(yīng)定向過濾器和模板匹配來提取道路，收到很好的效果。主動(dòng)測(cè)試模式是由德國(guó)9（1996）提出的，基本思路是：首先，確定道路使用的初始點(diǎn)和方向，采取主動(dòng)設(shè)立規(guī)則的樹結(jié)構(gòu)的試驗(yàn)和統(tǒng)計(jì)的統(tǒng)計(jì)模型，同時(shí)建立基于模型的結(jié)果：第二，跟蹤道路。 起初這種方法只適用于低分辨率圖像。Dal Poz10（2002）改變它，把它用于高分辨率的圖像。他們用矩形來模擬主動(dòng)測(cè)試化的戰(zhàn)略提取道路，檢測(cè)的道路中心線已被提取。不完整的道路邊緣或道路寬度改變，使這種方法提取的道路中心線位置不太準(zhǔn)確。楊云11（2007）提出基于活動(dòng)窗口，綜合利用上述的優(yōu)點(diǎn)和缺點(diǎn)線的特點(diǎn)匹配新算法。該方法的基本思路是：道路中心線的點(diǎn)定義為中央窗口模板，尋找下一個(gè)目標(biāo)窗口，匹配沿線一定范圍內(nèi)的窗口。為了有效抵擋中心線兩側(cè)的路面噪音，提取唯一的“興趣”窗口“，不需要其他部分的中心線。模板匹配找到目標(biāo)窗口后，該算法認(rèn)為，道路中心這個(gè)新的窗口，成為模板窗口。重復(fù)上述過程的匹配，將是一個(gè)系列，在位于該行的中心道路提取道路中心線。Sara Atarchi12（2008）提出了以下的方法：他們結(jié)合中值濾波和最低成本的道路提取，并收到良好的效果。第一步篩選中值濾波的圖像。第二個(gè)步驟是，用戶提供了種子的方向。然后，他可以計(jì)算在每一個(gè)方向的成本。我們可以遵循Whith的成本處理，如在不同的道路長(zhǎng)度和道路方向上，以像素為單位的變化的概率，采取的各種成本。選擇最小成本的方向和道路，其原來的方向行進(jìn)，圖像的清晰度的概率高于其他方向上，因此該算法使原來的方向，以最高的重量。成本計(jì)算公式：成本值=（方差）2/最佳常數(shù)長(zhǎng)度從該算法的結(jié)果來看優(yōu)點(diǎn)是快速準(zhǔn)確的提取道路。缺點(diǎn)是，該算法的計(jì)算更復(fù)雜。2通過一系列種子點(diǎn)的提取方法動(dòng)態(tài)規(guī)劃確定總體參數(shù)模型。模型成為表達(dá)種子點(diǎn)之間成本和主動(dòng)模板的計(jì)算工具。Williams 14（1992）使用貪心算法來計(jì)算特征的成本。這種方法比Kass算法的結(jié)果更迅速。Gruen 15-16（1995）提出簡(jiǎn)單方法用在低清晰度的圖像，然后結(jié)合主動(dòng)模板和模板編程處理低分辨率和中分辨率圖像。Dal Poz17（2003）Gruen成本函數(shù)的方法，增加了道路條件的邊緣。動(dòng)態(tài)規(guī)劃算法是一種有效提取道路的方法，但積分算法需要手動(dòng)選擇選擇種子，同時(shí)需要很大的存儲(chǔ)容量。主動(dòng)模板模型在圖像區(qū)域內(nèi)定義為光滑曲線的能量函數(shù)。在引進(jìn)的高層次的機(jī)制中，能量帶動(dòng)特征，動(dòng)態(tài)地減少特征的能量，不斷的變換初始位置，最終真實(shí)的獲取邊緣目標(biāo)。主動(dòng)模板早些時(shí)候是Kass提出的18（1998），它看起來參數(shù)的曲線，如對(duì)象的邊界或圖像特征，表現(xiàn)為能量函數(shù)和曲線的相關(guān)參數(shù)。它將邊界問題轉(zhuǎn)換成最低能量函數(shù)的問題。Gruen 19（1997）提出的LSB-Snake模型。其基本思路是：第一，用戶提供了一系列的種子點(diǎn)，然后用這些點(diǎn)產(chǎn)生B樣條曲線的最小二乘結(jié)構(gòu)，并收到一定的原道寬度，同時(shí)設(shè)置適當(dāng)?shù)膶挾?。第二，從圖像匹配，控制活動(dòng)，模板匹配的，地理信息系統(tǒng)的數(shù)據(jù)支持，獲得道路曲線，最后，提取道路中心線。研究人員不斷改變了Snake模型來提取道路中心線，構(gòu)造如Ziplok Snake20（1998）雙蛇21-23等模型。這些新方法，收到了良好的效果。Ramesh Marikhu 24（2007）提出了一個(gè)家庭合作的Snake模型，它能夠分裂，合并，并在必要時(shí)消失。他們還提出了一種基于面向?yàn)V波，閾值，Canny邊緣檢測(cè)，梯度矢量流（GVF的）能量的預(yù)處理方法。他們?cè)u(píng)估了該方法在精度方面的性能，并在地面比較真實(shí)數(shù)據(jù)。合作蛇家族一貫優(yōu)于單蛇在各種道路提取任務(wù)。從算法的結(jié)果來看，取得了良好的效果。王珉25也改變了蛇模型，并收到良好的效果。主動(dòng)模板最不利的是，低噪音，魯棒性并不好，難以適應(yīng)在高分辨率影像中復(fù)雜的道路，更容易導(dǎo)致模型匹配失敗。B.區(qū)域提取 道路區(qū)域的特征提取是通過數(shù)學(xué)形態(tài)學(xué)和光譜特征相結(jié)合提取道路區(qū)域和中心線的特征方法。目前，道路的輻射特征道路內(nèi)部的灰度是均勻的，它與鄰近地區(qū)的灰度有一個(gè)很大的反差。因此，我們建立以圖像灰度特征和幾何特征為基礎(chǔ)的道路幾何統(tǒng)計(jì)模型。道路區(qū)域提取有兩種主要方法。其一是基于光譜特征和形狀特征26-28，另一種是基于數(shù)學(xué)形態(tài)學(xué)29-32。1.用道路光譜特征和形狀特征提取區(qū)域信息劉玉芳 26（2005）使用紋理特征提取城鎮(zhèn)土地的信息。本質(zhì)上是利用城市土地信息提取紋理特征的過程。首先，必須提取各類表面特征，紋理特征的算法。該算法的實(shí)驗(yàn)區(qū)，主要是土地植被和建設(shè)。在本次測(cè)試提取建設(shè)和植被的土地樣本，然后對(duì)比，熵，二階矩角，計(jì)算圖像的紋理特征向量?？梢园l(fā)現(xiàn)這些紋理值的統(tǒng)計(jì)特點(diǎn)，最大程度地區(qū)別建設(shè)用地和其他類別?？梢钥闯?，這些紋理價(jià)值在于圖像的特征分類。施工現(xiàn)場(chǎng)信息提?。何覀兛梢酝ㄟ^利用這些施工現(xiàn)場(chǎng)信息處理城市的土地信息，最后驗(yàn)證了此方法的準(zhǔn)確性。羅青州 27 結(jié)合道路的光譜特征與形狀特征識(shí)別排除了混淆道路信息的“異物同譜”。我們可以得到兩個(gè)區(qū)的道路和道路中心線。本文提出基于光譜特征和形狀特征識(shí)別道路的方法。它使用形狀特征以避免不同的對(duì)象具有相同頻譜的問題。道路通常是長(zhǎng)條狀，其寬度的變化在很小的空間?，F(xiàn)實(shí)中的道路構(gòu)成連接網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。他們通常中斷在圖像分類。本文提出一個(gè)擴(kuò)展方向的方式，通過這種方式，中斷的道路可以連接成網(wǎng)絡(luò)。因此，道路的識(shí)別率增加。此方法使圖像合并記錄后，濾波，以消除圖像噪聲，此時(shí)的道路圖像是有 “同義詞譜”圖斑。如圖2是用擴(kuò)展的方法移出小面積斑塊的結(jié)果。圖2去除小區(qū)域斑塊擴(kuò)展方法去除噪聲后，二進(jìn)制圖像細(xì)化，中心的網(wǎng)格載體，腐蝕，基于矢量的連接，如后處理，構(gòu)成道路網(wǎng)絡(luò)的載體。最終的測(cè)試結(jié)果如圖3所示，結(jié)果顯示疊加的效果，提取SPOT衛(wèi)星影像融合的道路中心線。 圖3根據(jù)光譜特征和形狀特征方法的道路提取結(jié)果Stefan Kicherer28（2008）提出了一種交互式的圖像特征，從空中和空間的圖像中提取的技術(shù)。該方法本質(zhì)上是基于像素的灰度和紋理信息互動(dòng)的圖像種子區(qū)域分割的方法。標(biāo)準(zhǔn)是基于兩個(gè)紋理和灰度級(jí)，利用共生矩陣紋理量化。利用共生矩陣的Kullback距離以描述圖像的紋理，然后證據(jù)理論應(yīng)用于信息的合并，從RGB圖像、紋理和灰度圖像的得到幾個(gè)結(jié)果。傳統(tǒng)分割是指支持圖像分割成子集，其中質(zhì)地均勻，這可以通過閾值取得。由于陰影，非均勻的照明，噪聲等因素的存在，全局閾值一般不能令人滿意。這激發(fā)了數(shù)以百計(jì)的圖像分割方法的發(fā)展。在閾值分割時(shí)，試圖得到一套閾值T1，T2，T3.，TK像素的灰度Ti，Ti+1系列，其中i =0，1，2，.，k，在區(qū)域產(chǎn)生模式，而T 0和T1表示分別表示最小灰色和最大灰色?？苫谥狈綀D信息或空間信息檢測(cè)閾值。結(jié)果表明，此算法在圖像特征提取方面具有良好的效果，但其計(jì)算量更大，算法也更復(fù)雜。2基于形態(tài)學(xué)提取道路區(qū)域信息 JetStream 29（2001年）是一種基于模板提取方法的概率算法。它采用的Monte Carlo方法是基于連續(xù)重要性抽樣計(jì)算樣本后面的近似分布。因?yàn)樗械牟蓸雍竺娣植嫉幕A(chǔ)上，因此，不同的標(biāo)準(zhǔn)判斷（如地圖）可以決定最終估計(jì)的輪廓。該算法的基本思想是，提取部分被定義為一條曲線的點(diǎn)，然后用兩個(gè)模型來控制曲線的增長(zhǎng)。第一種模式是先驗(yàn)?zāi)Ｐ偷尿?qū)動(dòng)力，它是用來保存曲線已被提取的性質(zhì)，另一種模式是數(shù)據(jù)模型，用來驗(yàn)證是否是這點(diǎn)真實(shí)的輪廓。該算法的基本過程是：（1）預(yù)測(cè)：根據(jù)先前選定的點(diǎn)，預(yù)計(jì)下一個(gè)點(diǎn)的道路上可能的位置（2）重量的測(cè)定：確定每個(gè)候選點(diǎn)的重要性（3）選擇：根據(jù)重要性測(cè)定結(jié)果，選擇重要性最大的候選點(diǎn)，同時(shí)，我們假設(shè)它位于路邊，然后迭代，直到算法停止30。張刀兵31提出了一種從高分辨率遙感圖像的基礎(chǔ)上來提取和代表主要路段的平行主動(dòng)模板模型方法。主動(dòng)模板模型的能量正在重新定義如下：采用一個(gè)主要路段的兩邊作為平行線模型，加入平行線能量，并采用梯度在多尺度幀作為外部能量。主動(dòng)模板模型的能量重新定義如下：利用道路段的兩個(gè)邊緣平行線模型，雙方事先加入平行能量，并采用梯度在多尺度幀作為外部能量。在道路的兩個(gè)邊緣位置，優(yōu)化了模型結(jié)果。實(shí)驗(yàn)結(jié)果表明該算法的有效性，在高分辨率圖像中，從彎曲的道路和視圖處理能力受阻的情況下能夠提取主要路段，此外，謝鋒32（2007）提出小波和數(shù)學(xué)形態(tài)學(xué)的方法提取道路信息，獲得了良好的效果。IV半自動(dòng)的道路特征提取前景 半自動(dòng)道路特征提取，雖然已經(jīng)取得了很多研究成果，但它們從實(shí)際應(yīng)用的要求來看自動(dòng)化程度，提取算法的速度，適用性，準(zhǔn)確性等仍有許多工作有待解決和提高。道路特征的進(jìn)一步研究道路提取的效果在于選擇的道路特征。目前的方法只針對(duì)一個(gè)或多個(gè)基本特征和模型，相對(duì)簡(jiǎn)單。在高分辨率遙感影像，道路具有豐富的紋理特征，可應(yīng)用紋理信息，以提高該算法的準(zhǔn)確性。因?yàn)橘|(zhì)地是一個(gè)重要的對(duì)象表面特征，這反映了空間灰色像素的變化。這是一個(gè)位于整個(gè)圖像或區(qū)域圖像的規(guī)則圖像。當(dāng)目標(biāo)的光譜特性比較接近，紋理特征區(qū)分目標(biāo)將起到積極的作用。在高分辨率遙感影像，道路具有豐富的紋理特征，可應(yīng)用于提高算法的精度和紋理信息。全局模型的建立 使用二維圖像的方式來表達(dá)三維的現(xiàn)實(shí)世界，從而不可避免地失去了大量的信息。使用一定數(shù)量的圖像來建立三維模型的道路，同時(shí)考慮道路和背景物體，如建筑物，樹木和汽車等之間的關(guān)系，建立一個(gè)全局性的模型。這種模式可以整合各種道路相關(guān)知識(shí)，使3個(gè)層次很好結(jié)合，這是道路提取的發(fā)展方向。多種方法的整合 現(xiàn)有的研究大多集中在不同地區(qū)的圖像（如市區(qū)，郊區(qū)或農(nóng)村）和不同類型的道路，限制了這些方法的使用。因此，多種方法，應(yīng)很好地結(jié)合。當(dāng)一個(gè)方法不起作用，采取另一個(gè)不同的，從而使提取方法更有用。使用多種特征的大量證據(jù)，以整合框架目前，大部分的道路提取算法只使用一個(gè)或多個(gè)道路的基本特征，該模型是相對(duì)簡(jiǎn)單。在未來，道路提取過程中，不僅考慮到不確定性進(jìn)行各種特征的分類，同時(shí)產(chǎn)生集合多種特征的框架。這種方法是優(yōu)于根據(jù)一個(gè)特征進(jìn)行識(shí)別，因而具有較好的實(shí)用性和健全性。目前，這種方法已取得了一些成功，如D-S證明理論33。同時(shí)，這種方法也有良好的可擴(kuò)展性。如果有道路的新特征，我們可以直接形成新的憑證，并與其他特征一起工作，以提高鑒定的準(zhǔn)確性。此外，熵和互信息理論也可以被用來建立框架的一體化，它是獨(dú)立的特征。評(píng)價(jià)方法 由于道路網(wǎng)的波動(dòng)，有一些普遍有效的道路提取評(píng)價(jià)標(biāo)準(zhǔn)。目前的評(píng)價(jià)方法，半自動(dòng)方法也很少，幾乎沒有。完全基于全局已經(jīng)存在的評(píng)價(jià)是遠(yuǎn)遠(yuǎn)不夠的，應(yīng)該是有一些非整體評(píng)價(jià)方法。多個(gè)學(xué)科相結(jié)合 道路提取是一個(gè)非常復(fù)雜的過程，涉及許多學(xué)科，如數(shù)學(xué)，計(jì)算機(jī)圖形學(xué)，計(jì)算機(jī)視覺，和其他學(xué)科。因此，在道路提取方法的研究中，我們應(yīng)該充分利用一些新興學(xué)科的最新方法和研究成果，并開展多層次知識(shí)和方法的整合，以促進(jìn)道路提取方法的發(fā)展。參考文獻(xiàn)1 Wen-zhong SHI, Chang-qing ZHU, Yu WANG,“Road FeatureExtraction from Remotely Sensed Image Review and Prospects,”Science of Surveying and Mapping,2001.pp.257-2622 Hihz S,Baumgartner A,“Automatic extraction of urban road networks from multi-view aerial imagery,”ISPRS Journal of Photo grammetry and Remote Sensing,2003,pp.83 983 Vosselman, G, de Knecht, J, “Road Tracing by Profile Matching and Kalman Filtering,”.In Proceedings Workshop on Automatic Extraction of Man-Made Objects from Aerial and Space Images,1995,pp.265-274.4 Park S R, Kim T “Semi,Automatic road Extraction algorithm from IKONOS images using template matching,”22nd Asian Confere neeon remote Sensing,2001,pp.1209-12135 Baumgartner, A., Hinz, S., and Wiedemann,C,“Efficient methods Andinter aces for road tracking. International Archives of Photo grammetry and Remote Sensing,” 2002, pp. 28-316 Vandana Shukla R.Chandra KanthR.Rama chandran, “Semi-Automatic Road Extraction Algorithm For High Resolution Images Using Path Following Approach,” ICVGIP02,2002,pp.201-2077 F. DellAcqua, P. Gamba, G. Lisini, “Road extraction aided by adaptive by adaptive directional filtering and template matching,” Proc. Of URBAN 2005, Tempe AZ, USA 14-16 March 2005, unformatted CDROM8 P. prez,A.Blake,M.Gangnet, “Jetstream . Probabilistic contour extraction with particles” Proc. Intl Conf. Computer Vision, July 20019 German D B.Jedynak, “An active testing model for tracking roads in satellite images,” IEEE Tram,PAMI,1996.pp.l-l410 Dal Poz, A.P.,Silva, M.A.O,“Active testing and edge analysis for road centerline extraction. In: ISPRS Photogrammet,” Comput.,Vision 9-13,2002 September,Graz, Austria B-44p.11 Yun Yang, Chang-qing Zhu, De Zhang, “Semi-automatic Road Centerline Extraction from High Spatial Resolution Remote Sensing Images, journal of computer-aided design&computer graphics, 2007,pp.781-78512 Sara Atarchi,Abbas,Alimobammadi,Afshin Navabi, “Semi-Automatic Road Extraction from High Resolution Satellite Imagery,” The 7 International Workshop of Geographical Information System.200813 Wei Li, “Road Extraction from Remote Sensing Images,” Automation Expo, 2006,pp.20-2314 Williams, D. J., Shah, M. “A fast algorithm for active contours and curvature estimation,”. CVGIP: Image Understanding, 1992,5pp.14-26.15 Gruen,A.,Li,H, “Semi-automatic road extraction by dynamic programming”, ISPRS Journal of Photogrammetry and Remote Sensing,1995,pp. 11-2016 Gruen A, Agouris P, Li H, “Linear feature extraction with dynamic programming and globally enforced least squares matching,Proceedings of Automatic Extraction of ManMade Objects from Aerial and Space Image Basel, Birkhaeuser Verlag ,1995,pp. 83 9417 Dal Poz AP,Do Vale G M, “Dynamic Programming for Semi-Automated Road Extraction From Medium-And High-Resolution Images,”International Archives of the Photo grammetry,Remote Sensing and Spatial Information Sciences, 2003,34:Part 3/W818 Kass M , Witkin A , Terzopoulos D, “Snakes : active contour model,” International Journal of Computer Vision , 1988 , pp.321 33119 Gruen, A., Li, H,” Semi-automatic linear feature extraction by dynamic programming and LSB-Snakes,” Photogrammetric Engineering &Remote Sensing,1997 ,pp. 985-99520 Helmut Mayer, Ivan Laptev, Albert Baumgartner “Multi-Scale and Snakes for Automatic Road Extraction,” Proc. Fifth European Conference on Computer Vision, Freiburg, Germany, Volume 1406 of Springer Verlag Lecture Notes in Computer Science, pp.720-733. 199821 Renaud PJulien C, “Detection and extraction of road networks from high resolution satellite” Proceedings of the IEEE International Conference on Image Processing.2003.pp.301- 30422 Renaud P,Thierry R, “Multi-resolution snakes for urban road extraction from Ikonos and Quickbird Images,”Proceedings of the 23rd EARSeL Symposium.2003.pp.69-7623 German D B.Jedynak, “An active testing model for tracking roads in satellite images,”IEEE Tram,PAMI,1996,pp. l-l424 Ramesh Marikhu, Matthew N, Dailey, Stanislav S, Makhanov, Kiyoshi Honda“A Family of Quadratic Snakes for Road Extraction”ACCV (1) 2007,pp. 85-9425 Min Jiang, Xiao-mei Yang, Guo-nian Yan, “A Semi-automatic Road Extracting Method for High Spatial Resolution Remotely Sensed Imagery,” 2008.pp.1322-13282