基于道路軌跡預(yù)測(cè)模型的遙感影像分類(lèi)方法研究

摘要：本文研究了基于道路軌跡預(yù)測(cè)模型的遙感影像分類(lèi)方法，回顧遙感圖像道路提取的研究背景，分析了影響道路提取的關(guān)鍵因素，包括圖像分辨率和算法的自動(dòng)化程度。文章詳細(xì)闡述了道路要素的遙感影像提取方法，包括快速道路、主干道和次干道的提取策略。在快速道路提取方面，采用面向?qū)ο蠓诸?lèi)思想和規(guī)則集構(gòu)建技術(shù)；在主干道提取中，則利用循環(huán)規(guī)則集構(gòu)建和數(shù)學(xué)形態(tài)學(xué)處理相結(jié)合的方法；對(duì)于次干道提取，文章提出了圖像預(yù)處理和次干道線特征提取的步驟。這些方法為遙感影像中的道路分類(lèi)和提取提供了有效的技術(shù)支撐。

關(guān)鍵詞：高分辨率遙感影像；道路提取；道路軌跡預(yù)測(cè)模型

中圖分類(lèi)號(hào)：P208 文獻(xiàn)標(biāo)識(shí)碼：A doi：10.12128/j.issn.1672-6979.2024.08.006

引文格式：張名華，張洪軍，石建，等.基于道路軌跡預(yù)測(cè)模型的遙感影像分類(lèi)方法研究［J］.山東國(guó)土資源，2024，40（8）：37-41.ZHANG Minghua，ZHANG Hongjun，SHI Jian， et al. Study on Remote Sensing Image Classification Method Based on Road Trajectory Prediction Model［J］.Shandong Land and Resources，2024，40（8）：37-41.

0 引言

城市的發(fā)展與經(jīng)濟(jì)密切相關(guān)，而道路作為重要的地理元素在其中扮演著關(guān)鍵角色。因此，及時(shí)更新和準(zhǔn)確記錄道路信息對(duì)有效的城市規(guī)劃至關(guān)重要。通過(guò)高分辨率遙感影像來(lái)識(shí)別道路要素具有重要意義［1-5］。隨著時(shí)間的推移，高分辨率遙感圖像數(shù)據(jù)的復(fù)雜性逐漸提升。這些數(shù)據(jù)詳盡地呈現(xiàn)了道路和其他目標(biāo)物體，并融合了一系列潛在干擾因素，比如街道兩旁的樹(shù)木、建筑物投射下的陰影、行駛車(chē)輛、交通標(biāo)志以及道路標(biāo)線等各種信息。在當(dāng)今社會(huì)背景下，借助現(xiàn)代科技手段對(duì)高分辨率遙感圖像中的道路進(jìn)行提取具有重要的科學(xué)研究意義。

1 遙感圖像道路提取的研究

1.1 遙感圖像道路提取特征

高分辨率遙感圖像具有以下特征：道路在圖像中呈帶狀分布，并且在一定長(zhǎng)度上，寬度變化不大。通過(guò)顏色或灰度差異可觀察到明顯的邊緣信息突出，道路通常具有相對(duì)較長(zhǎng)的長(zhǎng)度，因此可以與非道路目標(biāo)區(qū)分開(kāi)來(lái)［6］。

1.2 影響道路提取的因素

1.2.1 圖像分辨率

地物在圖像中的表現(xiàn)形式受分辨率直接影響，增加分辨率可以使各種地物的細(xì)節(jié)清晰可見(jiàn)，而低分辨率圖像則可能導(dǎo)致這些細(xì)節(jié)模糊或消失。然而，高分辨率圖像雖然提供了更多道路細(xì)節(jié)信息，但也會(huì)放大各種地物對(duì)道路的干擾，從而對(duì)道路提取產(chǎn)生影響［7-8］。相比之下，在低分辨率圖像中，道路呈線狀結(jié)構(gòu)，以黑色細(xì)線的形式表現(xiàn)出來(lái)，并與背景灰度有明顯差異，它具有一定的方向和長(zhǎng)度，可以簡(jiǎn)單地將其抽象為線［9］。

在高分辨率圖像中，道路通常呈現(xiàn)為亮度變化明顯且被雙側(cè)邊緣包圍的暗長(zhǎng)條狀區(qū)域，同時(shí)還存在各種干擾因素，如圖像中天然的斑點(diǎn)噪聲、道路旁邊樹(shù)木和建筑物的遮擋，以及道路上車(chē)輛、護(hù)欄和天橋等金屬物體的強(qiáng)反射等。這些干擾因素會(huì)破壞道路在圖像中的連續(xù)性，并增加道路提取的難度［10］。在高分辨率圖像中，道路具有明顯且平行的雙側(cè)邊緣特征，并且其寬度基本保持恒定，這是進(jìn)行道路提取時(shí)可以利用的先驗(yàn)信息之一［11-12］。

1.2.2 算法的自動(dòng)化程度

道路提取可以根據(jù)算法的自動(dòng)化程度分為半自動(dòng)道路提取和自動(dòng)道路提取兩類(lèi)［13］。半自動(dòng)算法主要基于圖像中線狀地物的形狀特征和灰度特征進(jìn)行整體優(yōu)化設(shè)計(jì)。道路的自動(dòng)定位提取是通過(guò)局部或全局方法對(duì)圖像中道路特征進(jìn)行分析實(shí)現(xiàn)的［14-16］。國(guó)內(nèi)外許多專(zhuān)家和學(xué)者在自動(dòng)道路提取算法上進(jìn)行了大量研究和探索，并取得了一定成果，例如HeiPte提出的分級(jí)式多分辨率方法［17］、Barozhar和Cooper提出的結(jié)合最大后驗(yàn)估計(jì)和動(dòng)態(tài)規(guī)劃的提取算法，以及基于窗口模型特征的提取算法等［18］。

2 道路要素的遙感影像提取方法

城市道路分4個(gè)等級(jí)，快速路（城市快速路）、主干道、次干道、支路，主要的區(qū)別是速度，以及涉及的車(chē)速和斷面的布置。設(shè)計(jì)車(chē)速：快速路60 km/h到100 km/h，城市主干道60 km/h到80 km/h，次干道40 km/h［19］。不同道路的遙感影像表現(xiàn)也不相同，快速路、主干道、次干道在圖像上規(guī)律性更加明顯。

本文主要對(duì)快速路、主干道、次干道展開(kāi)研究。

2.1 快速道路提取方法

2.1.1 面向?qū)ο蠓诸?lèi)思想

在分類(lèi)影像時(shí)，面向?qū)ο蟮姆椒ㄅc傳統(tǒng)的影像分析方式明顯不同。它通過(guò)詳細(xì)劃分圖像、將噪聲區(qū)域整合到特定圖像對(duì)象中，并利用目標(biāo)物體獨(dú)特特征消除這些干擾。典型的面向?qū)ο笥跋穹诸?lèi)流程包括2個(gè)關(guān)鍵步驟：對(duì)象生成和要素提?。?0］。

利用異質(zhì)性最小的區(qū)域合并算法，多尺度影像分割方法對(duì)影像進(jìn)行有效切割。分割尺度直接影響多邊形對(duì)象的大小，根據(jù)具體情況靈活選擇不同的分割尺度數(shù)值來(lái)完成多尺度影像分割任務(wù)，這些值直接決定了生成對(duì)象層內(nèi)多邊形面積和數(shù)量［21］，決定其質(zhì)量的均值性因子包括顏色因子和形狀因子2個(gè)屬性因子。

隸屬度函數(shù)是一種模糊函數(shù)，用于準(zhǔn)確定義影像對(duì)象與特定類(lèi)別之間的歸屬程度。通過(guò)利用邏輯運(yùn)算符的簡(jiǎn)單組合，可以計(jì)算隸屬度值，實(shí)現(xiàn)類(lèi)變量分配。隸屬度函數(shù)的引入使得處理不同向量空間和取值范圍的特征變得可能；進(jìn)而，它們將更容易地組織和編輯每個(gè)特定類(lèi)別中的特征［22］。利用隸屬度函數(shù)的方法可以有效地組合不同特征范圍之間的信息，為分類(lèi)任務(wù)提供有益的輔助工具。

2.1.2 規(guī)則集構(gòu)建

在易康環(huán)境中，運(yùn)用基于面向?qū)ο蟮姆诸?lèi)理念結(jié)合多尺度分割技術(shù)來(lái)處理快速路所在區(qū)域影像。由于快速道與周邊地物在光譜方面具有顯著差異，利用這種差異性能夠有效地進(jìn)行道路分割。觀察和分析快速路的長(zhǎng)寬比、長(zhǎng)度以及光譜特征等屬性，并建立起知識(shí)庫(kù)，從而更全面地提取出快速路信息?？紤]到快速路與其周?chē)h(huán)境具有規(guī)則形狀和明顯光譜對(duì)比的特點(diǎn)，在圖像分割過(guò)程中，能夠更準(zhǔn)確地將快速路與其他區(qū)域加以區(qū)別。

通過(guò)分割技術(shù)，可以根據(jù)道路的幾何特征，如長(zhǎng)寬比和長(zhǎng)度，進(jìn)行識(shí)別，并借助光譜特征來(lái)區(qū)分道路與其他地物對(duì)象。除了考慮長(zhǎng)度、寬長(zhǎng)比、NDVI指數(shù)等基本參數(shù)之外，在結(jié)合相似性特征設(shè)定適當(dāng)閾值的基礎(chǔ)上，建立高效快速的道路元素提取解譯專(zhuān)庫(kù)，實(shí)現(xiàn)更精確的道路信息提取和解譯。

2.2 主干道提取方法

2.2.1 循環(huán)規(guī)則集構(gòu)建

在遙感影像中，元素物體的內(nèi)部同質(zhì)性常導(dǎo)致邊界不連續(xù)。為解決這一問(wèn)題，通常將整個(gè)影像劃分為多個(gè)特定含義的子區(qū)域，有助于影像分割。在進(jìn)行道路要素分類(lèi)提取之前，必須確定適用的分割參數(shù)用于處理選定的影像，以確保最終分割結(jié)果中道路要素各自獨(dú)立，這樣可有效促進(jìn)后續(xù)道路提取工作的準(zhǔn)確性和高效性。

在易康環(huán)境下，運(yùn)用整合相鄰要素和標(biāo)準(zhǔn)化植被指數(shù)等重要因素的方法來(lái)建立一個(gè)循環(huán)式知識(shí)儲(chǔ)備體系。該體系的目標(biāo)是實(shí)現(xiàn)道路起點(diǎn)和終點(diǎn)之間的無(wú)縫連接，并推動(dòng)道路地區(qū)提取任務(wù)的有序進(jìn)行。

在圖1中呈現(xiàn)的是初步提取出的道路。在這一階段，識(shí)別道路面臨著周?chē)邩墙ㄖ锿渡涑龅挠白右约斑吔缤癸@部分干擾等光譜異質(zhì)物體的挑戰(zhàn)，利用形態(tài)學(xué)膨脹腐蝕運(yùn)算對(duì)初步提取的道路進(jìn)行毛刺去除及填補(bǔ)缺失部分，在ArcGIS中利用編輯工具對(duì)剩余的凸出進(jìn)行處理，達(dá)到道路邊界的平滑效果，最終完成道路要素的提取。

2.2.2 數(shù)學(xué)形態(tài)學(xué)處理

圖像的質(zhì)量可通過(guò)形態(tài)學(xué)操作進(jìn)行預(yù)處理來(lái)提升，這一過(guò)程包括消除小黑色間隙、平滑邊界毛刺以及清除白色亮點(diǎn)噪聲等方法。此外，還能對(duì)圖像特征和幾何參數(shù)進(jìn)行詳細(xì)描述和定義，例如周長(zhǎng)、面積、方向和骨架結(jié)構(gòu)等內(nèi)容進(jìn)行完善分析。

A是待處理的原圖像，B是定義的結(jié)構(gòu)元素，Z是膨脹操作后新圖像中的像素點(diǎn)。則B對(duì)A進(jìn)行的膨脹運(yùn)算定義為：

在對(duì)A進(jìn)行B的擴(kuò)展過(guò)程中，首先需要將B的坐標(biāo)原點(diǎn)旋轉(zhuǎn)90度以得到-B，然后再將圖像平移X。根據(jù)這個(gè)背景設(shè)定，可以描述A和B之間的圖像聯(lián)系是存在非零集合。換言之，通過(guò)基本結(jié)構(gòu)的4個(gè)元素B快速展開(kāi)邏輯運(yùn)算所顯示出來(lái)的圖像A集合，在滿(mǎn)足以下條件時(shí)成立：當(dāng)A、B的位移與至少一個(gè)非交點(diǎn)相交時(shí)，可以獲得一個(gè)非零四元素集合，在其中B的坐標(biāo)原點(diǎn)包含著重要意義。

2.2.3 數(shù)學(xué)形態(tài)學(xué)處理腐蝕運(yùn)算

A為待處理圖像，B為結(jié)構(gòu)元素，Z為腐蝕操作后新圖像中的像素點(diǎn)。A被B腐獨(dú)，定義為：

在公式2中，（B）x指的是將模板B進(jìn)行X距離的平移。腐蝕運(yùn)算的終點(diǎn)是關(guān)于線性距離X所有可能平行移動(dòng)操作的集合。必須確保通過(guò)對(duì)模板B進(jìn)行平行移動(dòng)后，依然能夠讓B完全包含在A內(nèi)部。如果模板B是用戶(hù)自定義的，則集合AB包含了在模板移動(dòng)過(guò)程中可以填充到A外部各個(gè)模板坐標(biāo)原點(diǎn)的位置信息。

在道路要素的初步提取過(guò)程中，面臨著多方面挑戰(zhàn)。這些挑戰(zhàn)包括選擇分割參數(shù)、周?chē)械罉?shù)和建筑物陰影的干擾等因素，導(dǎo)致了初步提取的道路要素邊界顯示出不夠平滑的情況（圖1）。為了解決這一問(wèn)題，借鑒了形態(tài)學(xué)領(lǐng)域中膨脹和腐蝕運(yùn)算原理，并采用了膨脹運(yùn)算來(lái)將區(qū)域外部邊界轉(zhuǎn)換為實(shí)體對(duì)象，并對(duì)邊界進(jìn)行向外拓展處理。透過(guò)綜合利用膨脹和腐蝕操作，成功地消除了道路要素邊緣毛刺并填補(bǔ)了缺失部分，在處理上取得顯著效果。最后，在ArcGIS軟件中手動(dòng)編輯，進(jìn)一步消除了道路要素邊緣的突出部分，實(shí)現(xiàn)對(duì)道路邊界的平滑處理以達(dá)到更精確的結(jié)果。

首先，處理原始道路要素時(shí)，采用了一個(gè)尺寸為5×5的全1矩陣作為結(jié)構(gòu)元素進(jìn)行循環(huán)膨脹操作（圖2）。然后，利用半徑為3的圓形結(jié)構(gòu)元素對(duì)象對(duì)膨脹后的結(jié)果進(jìn)行循環(huán)腐蝕操作（圖3）。總體而言，腐蝕是一個(gè)逐步進(jìn)行的過(guò)程，它通過(guò)消除邊界點(diǎn)并使邊界逐漸向內(nèi)部收縮來(lái)實(shí)現(xiàn)改善，在ArcGIS中人工編輯去除這些凸出部分，使道路邊界達(dá)到平滑的效果。

在ArcGIS編輯器中，有多種方法可以調(diào)整要素的形狀。除了添加折點(diǎn)和全面編輯外，還可以利用功能如內(nèi)部分割、鏡像、延伸、切割線要素、移動(dòng)以及復(fù)制線要素來(lái)處理多邊形要素。另外，使用裁剪面功能可以消除道路要素邊界的突出部分，達(dá)到使邊界更加平滑的效果。

道路提取效果的最終呈現(xiàn)如圖4所示。采用面向?qū)ο蠓诸?lèi)、形態(tài)學(xué)膨脹與腐蝕運(yùn)算，加上后續(xù)的ArcGIS編輯處理，成功改善了路面要素的識(shí)別準(zhǔn)確率。盡管如此，在某些區(qū)域仍有一些遺漏情況存在，主要源自建筑物陰影造成的影響。此外，在道路上部分位置可能出現(xiàn)邊界錯(cuò)分問(wèn)題，因?yàn)槠涔庾V特征與周?chē)h(huán)境相似導(dǎo)致錯(cuò)判。

2.3 次干道提取方法

2.3.1 圖像預(yù)處理

增強(qiáng)影像對(duì)比度實(shí)際上是增加原始圖像各部分之間反差的程度。在實(shí)際應(yīng)用中要突出顯示某些地物時(shí)，可以采用擴(kuò)大原始圖像中某兩個(gè)灰度級(jí)之間的范圍來(lái)進(jìn)行優(yōu)化來(lái)實(shí)現(xiàn)這一目標(biāo)。

對(duì)于包含此類(lèi)尺度表現(xiàn)形態(tài)的道路影像，進(jìn)行形態(tài)學(xué)預(yù)處理的目的是突出道路輪廓，增強(qiáng)其清晰度和顯著性。這樣識(shí)別道路起點(diǎn)和方向時(shí)會(huì)更加方便，為進(jìn)一步捕捉該類(lèi)道路線特征奠定了牢固基礎(chǔ)［23］。

2.3.2 次干道線特征提取

根據(jù)直線型道路曲率變化較小的特性，在道路起點(diǎn)開(kāi)始，利用道路曲率保持穩(wěn)定屬性的特點(diǎn)來(lái)建立一條連續(xù)性增長(zhǎng)規(guī)則，以此作為搜索符合要求像素點(diǎn)的依據(jù)。逐步按照這一生長(zhǎng)規(guī)則尋找符合條件的像素點(diǎn)，并將它們?nèi)谌肽繕?biāo)道路點(diǎn)中。沿著道路曲率方向重復(fù)這一過(guò)程，直到覆蓋其他端點(diǎn)位置的像素。最后，連接所有目標(biāo)道路點(diǎn)以構(gòu)建提取出的直線型道路輪廓線。

為了計(jì)算道路曲率，需要明確定義圖像區(qū)域內(nèi)3個(gè)種子點(diǎn)的坐標(biāo)位置。首先，選擇道路的一個(gè)端點(diǎn)作為起始種子點(diǎn)，并利用道路曲率作為增長(zhǎng)規(guī)則執(zhí)行區(qū)域生長(zhǎng)算法。在生長(zhǎng)過(guò)程中，根據(jù)這一準(zhǔn)則不斷合并符合條件的像素點(diǎn)來(lái)生成目標(biāo)道路點(diǎn)集。當(dāng)達(dá)到另一個(gè)端點(diǎn)時(shí)停止生長(zhǎng)，并連接所有目標(biāo)點(diǎn)以完成道路線特征提取過(guò)程（圖5）。

3 結(jié)語(yǔ)

本研究在遙感影像道路分類(lèi)領(lǐng)域取得了顯著的進(jìn)展。分析遙感圖像道路提取的特征和影響因素，以及詳細(xì)闡述不同道路類(lèi)型的提取方法，為遙感影像的道路自動(dòng)分類(lèi)和提取提供了實(shí)用的技術(shù)路線。特別是，面向?qū)ο蠓诸?lèi)思想、規(guī)則集構(gòu)建技術(shù)、數(shù)學(xué)形態(tài)學(xué)處理以及圖像預(yù)處理等方法的綜合運(yùn)用，有效提高了道路提取的自動(dòng)化程度和精度。未來(lái)，隨著遙感技術(shù)的不斷發(fā)展和算法的不斷優(yōu)化，相信遙感影像在道路分類(lèi)和提取方面的應(yīng)用將更加廣泛和深入。

參考文獻(xiàn)：

［1］張現(xiàn)峰，劉乾忠，宮昌華.基于歷史衛(wèi)星遙感影像對(duì)城區(qū)空間形態(tài)演變的研究［J］.山東國(guó)土資源，2023，39（7）：39-45．

［2］李陽(yáng)，關(guān)純安，劉浩.基于高分遙感影像和矢量數(shù)據(jù)的海域使用現(xiàn)狀調(diào)查與分析［J］.山東國(guó)土資源，2023，39（6）：52-59．

［3］程忠，黃明輝.基于MobileViT輕量化網(wǎng)絡(luò)的遙感圖像分類(lèi)方法研究［J］.南方農(nóng)機(jī)，2023，54（16）：81-83.

［4］顧旭璐，郭中華，閆梓旭，等.基于YOLOv5s 6.0的飛機(jī)遙感圖像分類(lèi)研究［J］.寧夏工程技術(shù)，2023，22（2）：187-192.

［5］李蕾.一種改進(jìn)的SVM遙感圖像分類(lèi)方法［J］.北京測(cè)繪，2023，37（6）：903-907.

［6］梁錦濤，陳超，張自力，等.一種融合指數(shù)與主成分分量的隨機(jī)森林遙感圖像分類(lèi)方法［J］.自然資源遙感，2023，35（3）：35-42.

［7］楊星，宋玲玲，王時(shí)繪.基于改進(jìn)的ResNeXt網(wǎng)絡(luò)結(jié)構(gòu)的遙感圖像分類(lèi)［J］.計(jì)算機(jī)科學(xué)，2023，50（增刊1）：282-287.

［8］張立亭，夏文生，羅亦泳，等.改進(jìn)雙重注意力機(jī)制結(jié)合ResNet50的遙感圖像分類(lèi)［J］.測(cè)繪科學(xué)，2023，48（4）：98-105.

［9］張雷雨，曾毅，李勝輝，等.加權(quán)的判別性協(xié)同表示方法用于高光譜遙感圖像分類(lèi)［J］.無(wú)線電工程，2023，53（6）：1359-1367.

［10］馮甜甜，唐斌.基于面向?qū)ο筮b感圖像分類(lèi)的城市綠地提取及動(dòng)態(tài)分析［J］.測(cè)繪，2023，46（1）：27-31.

［11］范迎迎，張姍姍.基于深度主動(dòng)學(xué)習(xí)的高光譜遙感圖像分類(lèi)方法［J］.東北師大學(xué)報(bào)（自然科學(xué)版），2022，54（4）：64-70.

［12］蔣正鋒，何韜，施艷玲，等.融合卷積注意力機(jī)制與深度殘差網(wǎng)絡(luò)的遙感圖像分類(lèi)［J］.激光雜志，2022，43（4）：76-81.

［13］車(chē)思韜，郭榮佐，李卓陽(yáng)，等.注意力機(jī)制結(jié)合殘差收縮網(wǎng)絡(luò)對(duì)遙感圖像分類(lèi)［J］.計(jì)算機(jī)應(yīng)用研究，2022，39（8）：2532-2537.

［14］周子涵，倪歡，馬林飛.面向高光譜遙感圖像分類(lèi)的連續(xù)空間依賴(lài)增強(qiáng)型空—譜卷積神經(jīng)網(wǎng)絡(luò)［J］.地理與地理信息科學(xué)，2021，37（6）：32-40.

［15］劉春容，寧芊，雷印杰，等.改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)在遙感圖像分類(lèi)中的應(yīng)用［J］.科學(xué)技術(shù)與工程，2021，21（31）：13421-13429.

［16］李彥甫，范習(xí)健，楊緒兵，等.基于自注意力卷積網(wǎng)絡(luò)的遙感圖像分類(lèi)［J］.北京林業(yè)大學(xué)學(xué)報(bào)，2021，43（10）：81-88.

［17］姜亞楠，張欣，張春雷，等.基于多尺度LBP特征融合的遙感圖像分類(lèi)［J］.自然資源遙感，2021，33（3）：36-44.

［18］楊敏航，陳龍，劉慧，等.基于圖卷積網(wǎng)絡(luò)的多標(biāo)簽遙感圖像分類(lèi)［J］.計(jì)算機(jī)應(yīng)用研究，2021，38（11）：3439-3445.

［19］關(guān)偉，何蜀燕.基于統(tǒng)計(jì)特性的城市快速路交通流狀態(tài)劃分［J］.交通運(yùn)輸系統(tǒng)工程與信息，2007，7（5）：42-49.

［20］葛振強(qiáng).基于改進(jìn)DeepLabv3+的道路分割算法［J］.現(xiàn)代信息科技，2024，8（4）：132-135.

［21］侯建行，陳穎，李翔，等.融合卷積和上下文變壓器的遙感圖像配準(zhǔn)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2024，45（2）：500-507.

［22］張銀勝，單夢(mèng)姣，鐘思遠(yuǎn)，等.基于改進(jìn)DeeplabV3+的遙感圖像道路分割模型［J］.國(guó)外電子測(cè)量技術(shù)，2024，43（1）：189-198.

［23］陳國(guó)軍，朱燕寧，耿潤(rùn)田，等.基于iHDODC-LinkNet網(wǎng)絡(luò)的遙感圖像道路提取方法［J］.光電子·激光，2024，35（1）：51-58.

Study on Remote Sensing Image Classification Method Based on Road Trajectory Prediction Model

ZHANG Minghua1，ZHANG Hongjun2，SHI Jian2，ZHAO Chunli1，ZHENG Weian2，LI Tianhe2

Abstract：In this paper， remote sensing image classification method has been studied based on road trajectory prediction model， research background of remote sensing image road extraction has been reviewed， and key factors affecting road extraction have been analyzed， including image resolution and algorithm automation degree . Remote sensing image extraction methods of road elements， including the extraction strategies of fast road， main road and secondary road. In the aspect of fast path extraction， object-oriented classification and rule set construction technology are adopted. In main road extraction， the method combining the construction of cyclic rule set and mathematical morphology processing has been used. For sub-trunk extraction， the steps of image preprocessing and sub-trunk feature extraction have been proposed. These methods will provide effective technical support for road classification and extraction in remote sensing images.

Key words：High-resolution remote sensing image; road extraction; road trajectory prediction model

收稿日期：2024-04-11；修訂日期：2024-05-29；編輯：王敏

基金項(xiàng)目：山東省自然資源廳2024年省級(jí)基礎(chǔ)測(cè)繪項(xiàng)目（魯自然資字〔2024〕32號(hào)）

作者簡(jiǎn)介：張名華（1974—），女，山東龍口人，高級(jí)工程師，主要從事測(cè)繪地理信息、土地登記等方面工作；E-mail：119932336@qq.com

*通訊作者：張洪軍（1984—），男，山東濟(jì)陽(yáng)人，高級(jí)工程師，主要從事基礎(chǔ)測(cè)繪數(shù)據(jù)生產(chǎn)與項(xiàng)目管理等工作；E-mail：361852524@qq.com