韩玲，杨朝辉，李良志，刘志恒，黄勃学

(1.长安大学 地质工程与测绘学院，西安 710054；2.陕西省土地整治重点实验室，西安 710054)

0 引言

道路信息是许多应用的必要组成部分，如车辆导航[1]、城市规划[2]、智能交通[3]、地理信息系统更新[4]、土地利用检测[5]等。高分辨率遥感影像具有分辨率高、地物信息丰富、易获取的特点[6-7]，因此，研究如何有效地从高分辨率影像中提取道路信息具有很大的应用价值。遥感影像道路提取是根据遥感影像自身的信息，通过某种算法提取道路独有的各类特征并将其分割为2个互不相交的子空间，进而将符合道路特征的像素划分到道路子空间，其余像素则为非道路。但是由于高分辨率遥感影像的光谱特征非常丰富，“同物异谱”和“异物同谱”现象非常明显[8]，因此传统的基于像元的方法如光谱分析、阈值分析、边缘检测等简单易实现但易产生噪声，导致误判，使得提取准确度较低。传统的面向对象方法如最近邻[9]、支持向量机[10]、隶属度函数[11]、知识模型[12]等直接对对象的信息进行建模，将图像进行初始分割或者聚类成块状的小区域，通过将同质区域合并得到道路对象，需要遍历图像，容易导致过度提取。

近年来计算机技术飞速发展，语义分割算法也得到了很大的改进，卷积神经网络(convolutional neural network，CNN)[13]被广泛应用，张庆辉等[14]利用卷积神经网络进行道路目标检测，但是由于CNN使用了较大的接受域，提取的道路边缘粗糙[15]。Jonathan等[16]提出了全卷积网络(fully convolutional networks，FCN)，使得卷积神经网络无需全连接层即可进行密集的像素预测，可接受任意尺寸的输入。……