张永宏，何 静，阚 希，夏广浩，朱灵龙，葛涛涛

南京信息工程大学 信息与控制学院，南京 210044

1 引言

遥感图像道路提取是许多应用的必要步骤，如车辆导航[1]、城市规划[2]、智能交通[1]、图像注册[3]、地理信息系统更新[4]、土地利用检测[5]等。道路提取的精度不仅显著影响到车辆、建筑物等其他地物的识别效果，也是自然灾害预警[5]、军事打击[2]、无人车路径规划[3]等研究领域的关键技术之一。

国内外对道路的研究已有几十年的历史，众多学者针对不同的应用领域和数据源，提出了自己的方法和研究成果。其中面向对象的方法，包括最近邻[6]、支持向量机[7]、隶属度函数[8]、知识模型[9]等；数学形态学的方法，包括形态学滤波[10]、矢量化[11]、形态学修复[12]等；这些都是以往道路提取中常用到的一些方法，而人工智能与机器学习的方法则是近些年发展的方向，越来越受到国内外学者的重视，研究如何将深度学习的方法运用到遥感图像道路提取中具有重大的价值。

遥感图像按其像素的空间分辨率大小可以分为低分辨率、中分辨率和高分辨率图像。通常将地面空间分辨率为米级的遥感图像定义为高分辨率，10 m级的定义为中等分辨率，100 m级的定义为低分辨率。中低分辨率图像的光谱分辨率较好，适合进行宏观的地物监测；而高分辨率图像中所含地物信息十分丰富，对小尺度目标的成像更加清晰，但同时也增加了道路提取的难度，一方面，车辆、绿化带和建筑物的阴影与遮挡对道路提取形成干扰；……