道路作为交通运输中的主干以及基本方式,在交通系统的发展中起着关键的作用,进行道路信息提取研究在交通管理中具有十分重要的意义,包括自动道路导航、城市规划、道路监控、无人驾驶车辆、地图更新等,这些在工业和日常生活中都十分重要。道路提取是现代交通系统最重要的任务之一,完成这一任务存在许多困难,因为复杂的背景,如农村道路,具有异质外观与大的同类和低的类间变化;城市道路,覆盖的车辆、行人和周围的树木或建筑物的阴影也增大了这一任务的困难程度。进行高分影像的道路信息提取虽然是一个具有极大挑战性的研究方向,但是它同样还具有非常大的研究意义。本文在借鉴和吸收其他研究学者研究成果的基础上,做了如下几方面的研究,有效地实现了道路信息的提取:(1)对遥感技术以及高分影像中道路的特征进行了概述,介绍了笔画宽度变换算法、卷积神经网络和数学形态学的相关理论知识,奠定了本文道路信息提取方法研究的理论基础。(2)考虑影像中道路的宽度具有较强一致性这一特点,提出利用笔画宽度变换算法来进行道路信息提取。然而影像中道路周围其他地物对该算法的提取精度有较大影响,导致想要获得高精度的道路提取结果非常困难,鉴于此提出一种改进的笔画宽度变换算法,改进算法结合了均值漂移和笔画宽度变换的优点:首先,为了减少笔画宽度变换算法容易出现的错提取现象,对预处理后的影像进行均值漂移分割;其次,利用笔画宽度变换算法将分割图像中的像素分为两类,即道路类与非道路类,实现道路信息的提取,得到道路图像;最后,利用数学形态学的运算对道路图像做后处理优化,进而使获得的道路信息更加精确。并通过实验证明:改进算法能够从高分影像中准确地提取道路信息,并且精度相比于单独使用均值漂移和笔画宽度变换算法的表现更优。(3)通过学习卷积神经网络的相关理论,分析其在道路提取应用中的优势:其结构具有层次化的特性,学习和表达能力也很强,在海量的实验数据中可以自动地提取道路特征,对于提取复杂场景下的道路也能够很好适用,这能够解决笔画宽度变换算法在道路背景复杂的条件下提取精度较差的问题。因此引入卷积神经网络到本文道路提取中,提出一种U-Net网络结合笔画宽度变换的方法进行道路提取。该方法首先是对进行数据增强后的数据集进行U-Net网络的训练,用训练好的网络进行道路信息的初提取;然后借助道路的宽度及边缘信息,利用笔画宽度变换对初提取的道路图像进行处理,更大程度利用道路的浅层特征,去除道路图像中粘连的非道路部分。最后进行形态学处理优化道路提取结果并进行精度评价。该方法可以实现道路信息的提取且提取道路边缘平滑,干扰和毛刺现象更少。