张永宏，严 斌，田 伟，王剑庚

1.南京信息工程大学 自动化学院，南京210044

2.南京信息工程大学 计算机与软件学院，南京210044

3.南京信息工程大学 大气科学学院，南京210044

在遥感技术与计算机技术的飞速发展的过程中，获取高分辨率遥感图像已不在是难题，如何快速、智能地从遥感图像中获取目标信息是当今遥感界迫切需要解决的问题，它关系到遥感技术的利用价值及应用的普及程度[1-2]。道路作为基础地理信息至关重要，是遥感图像目标提取研究的关键内容[3]。

如何从遥感图像中识别并提取出道路经过这些年的发展，很多方法陆续被提出。传统的方法有文献[4]提出Otsu阈值法，通过灰度特征将图像分割成背景和目标的二值图，此方法分割时速度较慢且对无关特征的干扰处理也有些许欠缺。文献[5]提出了通过方向模板检测边缘点的方法，将边缘图分为8 个方向的块，再从分块图像中检索出子线段，该方法提取道路的精度还待提高，处理的步骤也较为繁琐。可以看到，传统的方法仅从低层的一些颜色、形状等视觉特征入手，提取到的的特征也较为单一。随着深度学习的发展，文献[6]提出了的卷积神经网络，该网络凭借其自动提取高维特征的功能在图像领域得到了广泛的应用，一些学者已将其迁移到遥感领域。如文献[7]使用CNN 进行像素的分类，将其分为道路与非道路，然后对图像进行孔洞填充，得到较为纯净的道路。文献[8]提出的基于NiN 架构的FCN 模型，通过利用大量的上下文特征信息，保持较快处理时间的同时提取较完整的道路。……