袁伟，许文波，周甜

1. 成都大学 建筑与土木工程学院，成都 610106 2. 电子科技大学 资源与环境学院，成都 610097

1 引言

道路在人们生产和生活中是不可缺少的要素，如导航、电子地图、城市规划等。在测绘领域中，道路是地理信息数据的主要内容之一。虽然从遥感图像上采集道路信息，已经可以满足大多数应用的需求，但道路的数据采集工作非常繁重，于是不少学者尝试从遥感影像上自动提取道路。之前的分割算法，多是利用光谱的特征，辅以形态学算法，再选取适当的阈值来分割道路。如Ribbon Snake算法在遥感影像上分割道路[1]，文献[2-3]利用形态学算法分割遥感影像上的道路。文献[4]利用归一化水指数(NDWI)和归一化差分植被指数(DNVI)获得道路潜在区域，再依据道路光谱特征分割，以形态学开、闭运算进行优化。文献[5]提出一种融合马尔可夫随机场分割与数学形态学处理的高分辨率SAR图像道路提取算法。这些方法普遍存在分割精度低、阈值难以确定的缺点。

随着深度学习技术的出现和发展，不少研究将深度学习技术应用到遥感影像道路分割上，取得了一定的进展。文献[6]基于SegNet网络和ELU激活单元，提升了道路分割效果。文献[7]将样本标签附近的像素在交叉熵中的权重加强，以提高道路的识别正确率。文献[8]将UNet网络预测的图像用条件随机场进行后处理来提高精度。文献[9]针对道路特征较简单的特点，简化了UNet，并针对道路与背景比例相差大的问题，在交叉熵损失函数中附加权重系统来平衡。……