李怡靜，胡翔云，張劍清，江萬(wàn)壽，張永軍

1.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079；2.南昌大學(xué) 建筑工程學(xué)院，江西 南昌 330031；3.武漢大學(xué) 測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079

1 引 言

道路與人們?nèi)粘Ｉ蠲芮邢嚓P(guān)，是GIS數(shù)據(jù)的重要組成部分之一，準(zhǔn)確、高精度的道路信息對(duì)于城市規(guī)劃、交通控制以及應(yīng)急響應(yīng)等很多行業(yè)具有重要的作用?；谟跋竦牡缆诽崛⊙芯恳恢笔墙?0年遙感領(lǐng)域的重要研究課題，許多策略和算法亦取得了不同程度上的成功。早期的研究多針對(duì)中低分辨率遙感影像，道路特征明顯，并出現(xiàn)了一些經(jīng)典的提取算法，如動(dòng)態(tài)規(guī)劃算法［1－2］、snake及其擴(kuò)展模型［3－4］等。隨著高分辨率遙感影像的廣泛應(yīng)用，加上其提供的豐富信息給提取工作帶來(lái)的挑戰(zhàn)性，使得從高分辨率影像中提取道路成為研究的熱點(diǎn)和難點(diǎn)。文獻(xiàn)［5］通過(guò)面狀道路和道路邊緣邏輯互運(yùn)算，利用形狀指數(shù)獲取道路區(qū)域；文獻(xiàn)［6］同樣利用形狀特征，結(jié)合局部灰度一致性的圖像分割進(jìn)行道路中線提??；文獻(xiàn)［7］結(jié)合相位編組原理及動(dòng)態(tài)規(guī)劃法提取道路線段；文獻(xiàn)［8—9］利用角度紋理特征提取道路中線；文獻(xiàn)［10—11］將形態(tài)學(xué)用于道路線的提取。但是對(duì)于高分辨率影像中的復(fù)雜場(chǎng)景，存在大面積的陰影遮擋及細(xì)節(jié)干擾，僅利用道路的幾何和光譜信息提取正確完整的結(jié)果異常困難。

LiDAR作為一種高效的空間數(shù)據(jù)采集技術(shù)，其應(yīng)用在近幾年發(fā)展迅猛，這使得LiDAR點(diǎn)云的處理和分類研究受到了廣泛關(guān)注。目前，已有不少學(xué)者提出基于LiDAR數(shù)據(jù)的道路提取策略。如文獻(xiàn)［12］提出基于特征約束的道路激光點(diǎn)提取方法，以高程、強(qiáng)度約束道路點(diǎn)云、點(diǎn)密度和區(qū)域面積優(yōu)化結(jié)果。文獻(xiàn)［13］針對(duì)道路路面掃描點(diǎn)特征，結(jié)合點(diǎn)云法向量分布特點(diǎn)，提出一種基于法向量模糊聚類的道路點(diǎn)云數(shù)據(jù)濾波算法。LiDAR技術(shù)可以避免陰影和部分遮擋對(duì)道路提取的影響，但大量不規(guī)則不連續(xù)點(diǎn)云卻缺乏影像的光譜和語(yǔ)義信息。文獻(xiàn)［14］結(jié)合LiDAR和高分辨率遙感影像利用hough變換檢測(cè)帶狀道路基元，對(duì)城區(qū)道路中線進(jìn)行提取，但該方法受限于格網(wǎng)分布的道路；文獻(xiàn)［15］在動(dòng)態(tài)規(guī)劃代價(jià)函數(shù)中引入LiDAR數(shù)據(jù)的高程信息，并結(jié)合影像提取道路中線，但該方法需人工輸入控制點(diǎn)。

相對(duì)于地物稀少且道路特征明顯的鄉(xiāng)村地區(qū)，復(fù)雜場(chǎng)景多指城市區(qū)域，道路周圍地物種類、形狀繁多，高樓、樹木對(duì)路面產(chǎn)生遮擋和大面積陰影，這些因素嚴(yán)重影響了提取工作，且高分辨率影像中的城市道路含有豐富的細(xì)節(jié)信息，如汽車、分道線等，加大了道路建模的難度。越來(lái)越多的道路提取方法在向多信息、多策略相結(jié)合的方向發(fā)展，但對(duì)于高分辨率影像中的復(fù)雜場(chǎng)景，目前少有有效的方法提取道路線。

信息融合是指為完成決策和估計(jì)任務(wù)而利用計(jì)算機(jī)技術(shù)對(duì)按時(shí)序獲得的若干傳感器的觀測(cè)信息在一定準(zhǔn)則下加以自動(dòng)分析、綜合的信息處理過(guò)程。基于該思想，本文將LiDAR數(shù)據(jù)和遙感影像信息融合，自動(dòng)提取高分辨率影像中復(fù)雜場(chǎng)景的道路。具體流程見圖1。

圖1 結(jié)合兩種數(shù)據(jù)的道路提取流程Fig.1 Flow chart of road extraction

2 結(jié)合LiDAR和影像的道路模型

道路作為城市中不可缺少的人工地物有其自身特點(diǎn)，主要表現(xiàn)在：道路高程基本等于或略大于地面高程，且表面平坦；道路表面灰度差別小，而道路與周邊區(qū)域灰度差異較大；道路表面材料均勻，對(duì)激光的反射率基本一致；道路都有一定的長(zhǎng)度，不會(huì)很短且形狀平滑等。

這些道路特征分別在LiDAR數(shù)據(jù)與高分辨率遙感影像上有不同體現(xiàn)：道路高程近似等于地面高程，而高于地表面的建筑物和樹木可以通過(guò)點(diǎn)云濾波區(qū)分，尤其是部分光譜特性與道路極為相似的建筑物屋頂，在遙感影像上會(huì)產(chǎn)生異物同譜現(xiàn)象，而在LiDAR數(shù)據(jù)中表現(xiàn)為高程差異較大的點(diǎn)云，可較好地分離；道路路面平坦連續(xù)，打在路面的激光點(diǎn)云高程變化率較小近似平面；LiDAR數(shù)據(jù)的多次回波，可獲取部分被遮擋路面點(diǎn)云，強(qiáng)度信息亦是區(qū)分植被、路面等不同材質(zhì)地物的有效途徑，且不受復(fù)雜場(chǎng)景中陰影的干擾；高分辨率遙感影像含有道路的豐富光譜信息和細(xì)節(jié)變化，相對(duì)于噪聲較大的強(qiáng)度數(shù)據(jù)，其精度更高，利于道路模型的優(yōu)化計(jì)算。但正因?yàn)槠湄S富的細(xì)節(jié)，如汽車、分道線、陰影、隔離帶等，使得直接在高分辨遙感影像上提取道路困難重重。因此采用分級(jí)的思想，以精度不高的點(diǎn)云強(qiáng)度信息獲取初級(jí)的道路線和關(guān)鍵點(diǎn)，再引入高分辨率遙感影像的光譜信息與點(diǎn)云強(qiáng)度和離散度融合，進(jìn)行道路關(guān)鍵點(diǎn)和道路線的優(yōu)化，可自動(dòng)獲取比較可靠的結(jié)果。

2.1 基于點(diǎn)云強(qiáng)度的初始道路中線提取

2.1.1 生成地面點(diǎn)強(qiáng)度影像

機(jī)載激光掃描數(shù)據(jù)濾波算法有數(shù)學(xué)形態(tài)學(xué)濾波、移動(dòng)窗口濾波、迭代線性最小二乘濾波、基于坡度的濾波、啟發(fā)式濾波和移動(dòng)曲面濾波［13］等。本文采用多方向地面點(diǎn)濾波法［16］，該算法在去除了局外點(diǎn)并進(jìn)行格網(wǎng)差值后，通過(guò)計(jì)算每個(gè)點(diǎn)與局部最低點(diǎn)和最鄰近點(diǎn)間高差，以及與多個(gè)方向上前一點(diǎn)的坡度來(lái)實(shí)現(xiàn)地面點(diǎn)濾波。

高程濾波難以區(qū)分的道路表面和植被具有較大的強(qiáng)度差異，將濾波后地面點(diǎn)強(qiáng)度量化至0～255區(qū)間，生成地面點(diǎn)強(qiáng)度影像，利于去除植被的干擾，提取初始道路。為突出道路區(qū)域，非地面點(diǎn)強(qiáng)度被設(shè)置為零，并將量化后的強(qiáng)度像素值取反，則生成的影像中道路表現(xiàn)為較為明亮的帶狀區(qū)域，植被表現(xiàn)為較暗的灰色區(qū)域（見圖2（b）），這樣利于后續(xù)初始道路的提取工作。

2.1.2 提取初始道路中線及關(guān)鍵點(diǎn)

首先采用一種線性探測(cè)器［17］探測(cè)地面點(diǎn)強(qiáng)度影像中道路的中心區(qū)域。該影像中的道路表現(xiàn)為較周圍明亮的帶狀區(qū)域，算法利用此特征建立一維探測(cè)窗口沿影像水平方向移動(dòng)，將窗口內(nèi)像素灰度值排序，通過(guò)計(jì)算窗口中心點(diǎn)的排名順序判斷該點(diǎn)是否為道路中心點(diǎn)。

將道路中心區(qū)域進(jìn)行Hilditch細(xì)化并曲線跟蹤，由于強(qiáng)度噪聲較大，且有停車場(chǎng)、空地等與道路相聯(lián)通區(qū)域的干擾，會(huì)出現(xiàn)提取的中線被斷開，以及產(chǎn)生錯(cuò)誤的短線。結(jié)合道路的幾何特征，對(duì)跟蹤后的結(jié)果進(jìn)行篩選，去除較短和曲率較大的錯(cuò)誤線段。對(duì)余下的道路基元進(jìn)行共線鏈編組［18］，將斷裂部分連接形成初始道路中線（見圖2（c））。道路關(guān)鍵點(diǎn)必須是道路中線點(diǎn)，將其初定為每條道路線的幾何特征點(diǎn)。利用道格拉斯算法壓縮初始道路線，保留的形狀特征點(diǎn)即為初始關(guān)鍵點(diǎn)（見圖2（c））。

圖2 Fig.2

2.2 多重信息融合的最優(yōu)道路提取

2.2.1 多重信息的融合

道路邊緣灰度的階躍性及道路內(nèi)部灰度的一致性是最為常見的提取線索，但對(duì)于高分辨率影像中較為復(fù)雜的場(chǎng)景，單憑這些線索可靠性不高。如道路中的隔離帶、斑馬線等易產(chǎn)生影像灰度跳躍，而嚴(yán)重的陰影和遮擋使道路失去了明顯的邊緣特性。

為進(jìn)一步獲取更加可靠及完整的道路中線，將遙感影像的灰度和LiDAR的點(diǎn)云離散度、強(qiáng)度值進(jìn)行多重信息的融合，為道路的優(yōu)化提供多條線索。

LiDAR數(shù)據(jù)中，區(qū)域點(diǎn)云分布越近似平面，點(diǎn)云的離散程度越小。道路表面平坦連續(xù)，對(duì)于濾波后的地面點(diǎn)，離散度越小的點(diǎn)云是路面點(diǎn)的可能性就越大。離散度反映了點(diǎn)云的高程變化情況，因此，將點(diǎn)云鄰近范圍內(nèi)的高差均方差作為該點(diǎn)離散度指標(biāo)，用于多重信息的融合穩(wěn)定可靠。

將地面點(diǎn)離散度值量化，并與量化后的地面點(diǎn)的強(qiáng)度值及對(duì)應(yīng)的高分辨率遙感影像的灰度值融合成一張三通道的融合影像。融合方法如以下公式所示

式中

式中，hij為i點(diǎn)一定鄰近范圍的激光點(diǎn)高程；hi為該范圍所有點(diǎn)高程平均值；Ii和L分別表示點(diǎn)強(qiáng)度及灰度，R、G、B分別表示融合影像三通道值。融合影像如圖3（a）所示。

圖3 Fig.3

2.2.2 關(guān)鍵點(diǎn)驗(yàn)證與優(yōu)化

關(guān)鍵點(diǎn)是后續(xù)道路模型最優(yōu)計(jì)算的種子點(diǎn)，必須是道路點(diǎn)。每條道路線含有若干個(gè)初始關(guān)鍵點(diǎn)，這些點(diǎn)是由地面點(diǎn)強(qiáng)度信息提取的初始道路線的形狀特征點(diǎn)，將多重信息融合來(lái)驗(yàn)證這些點(diǎn)是否為道路點(diǎn)，并對(duì)部分進(jìn)行優(yōu)化。對(duì)每個(gè)初始關(guān)鍵點(diǎn)進(jìn)行驗(yàn)證，綜合評(píng)價(jià)該點(diǎn)鄰近范圍內(nèi)點(diǎn)云強(qiáng)度，離散度及對(duì)應(yīng)遙感影像灰度的變化率。如圖4所示，k是初始道路線L的初始關(guān)鍵點(diǎn)，為驗(yàn)證該點(diǎn)是道路點(diǎn)，以該點(diǎn)為中心，取半徑為最小道路寬度的臨近范圍內(nèi)所有像素進(jìn)行驗(yàn)證。步驟如下：

（2）滿足條件，則k為關(guān)鍵點(diǎn)，并進(jìn)行下個(gè)初始點(diǎn)的驗(yàn)證；

（3）不滿足條件，則沿關(guān)鍵點(diǎn)所在道路線方向前進(jìn)一個(gè)步長(zhǎng)（見圖4），重新選取該道路線上點(diǎn)k1重復(fù)步驟1、2，直到找到滿足條件的關(guān)鍵點(diǎn)；

（4）當(dāng)?shù)竭_(dá)道路線終點(diǎn)仍未找到滿足條件關(guān)鍵點(diǎn)，則去除此條初始道路線，再驗(yàn)證下一條道路線的初始關(guān)鍵點(diǎn)。

圖4 關(guān)鍵點(diǎn)驗(yàn)證與優(yōu)化Fig.4 Verification and optimization of key points

2.2.3 建立代價(jià)函數(shù)與最優(yōu)計(jì)算

將道路中心線的提取轉(zhuǎn)化為一個(gè)多路徑?jīng)Q策優(yōu)化問(wèn)題，并利用點(diǎn)云強(qiáng)度、離散度及影像灰度建立代價(jià)函數(shù)，通過(guò)動(dòng)態(tài)規(guī)劃算法將多重信息融合計(jì)算各階段多路徑最優(yōu)解，從而實(shí)現(xiàn)道路的優(yōu)化（見圖3（b））。

依據(jù)主要道路特征建立道路模型的代價(jià)函數(shù)：

（1）小范圍內(nèi)道路平坦，高程變化小，對(duì)應(yīng)融合影像中高程均方差通道，則有

式中，f（s）為道路線函數(shù)；Δsi為討論的某一段道路；hSD為融合影像的高程均方差通道值。

（2）道路面材質(zhì)相同，對(duì)激光反射率小，對(duì)應(yīng)融合影像中強(qiáng)度通道，則有

式中，I為融合影像的強(qiáng)度通道值。

（3）道路灰度應(yīng)有一定的連續(xù)性，局部變化量小，則有

式中，g為融合影像的灰度通道值。

（4）道路方向不會(huì)扭曲且變化緩慢，所以有

綜合上述特征，道路模型的代價(jià)函數(shù)可表示為：E＝aE1＋bE2＋cE3＋E4，其中，a、b、c為權(quán)重系數(shù)。

每條道路的相鄰關(guān)鍵點(diǎn)分別作為動(dòng)態(tài)規(guī)劃計(jì)算的起點(diǎn)和終點(diǎn)，如圖5所示，兩點(diǎn)間劃為n個(gè)階段，每個(gè)階段上沿垂直于初始道路方向一定寬度的所有像素與始末關(guān)鍵點(diǎn)共同構(gòu)成了候選多路徑，依據(jù)上述代價(jià)函數(shù)最小進(jìn)行優(yōu)化計(jì)算。

圖5 多路徑優(yōu)化Fig.5 Multi－path optimization

3 試 驗(yàn)

試驗(yàn)1中的LiDAR數(shù)據(jù)由Leica ALS50系統(tǒng)獲取，點(diǎn)密度為4pts／m2。遙感影像由高分辨率DMC面陣相機(jī)采集，8cm分辨率，分近紅外、紅、綠3個(gè)波段。該組數(shù)據(jù)所含場(chǎng)景位于德國(guó)斯圖加特市內(nèi)Vaihingen鎮(zhèn)，其復(fù)雜程度主要表現(xiàn)為：地物繁多且密集，如高矮樹木、綠地、房屋和停車場(chǎng)等；道路模式變化多樣，縱橫交錯(cuò)；較多路面被樹木和房屋的陰影遮蓋；道路寬度不一，路邊沒有明顯邊緣。由于植物對(duì)近紅外波段十分敏感，為充分利用此特征，影像融合的第3通道取值由原始遙感影像的近紅外比值取反代替（見圖3（c）），即

利用該融合影像對(duì)道路線進(jìn)行多路徑優(yōu)化可提高復(fù)雜場(chǎng)景下提取結(jié)果的可靠性。圖6為未使用和使用多信息融合的動(dòng)態(tài)規(guī)劃提取結(jié)果的比較，未使用多信息融合時(shí)誤提取的部分道路（見圖6（a）），在使用多信息融合時(shí)就能夠被正確提取出來(lái)（見圖6（b））。圖7（a）為本方法自動(dòng)提取的結(jié)果，其中，矩形框標(biāo)注范圍放大顯示后為圖7（b），這兩塊區(qū)域存在大面積的陰影遮擋，道路基本沒有邊緣，但利用本方法得到了較好的提取結(jié)果。依據(jù)文獻(xiàn)［20］定義的道路提取的完整度和準(zhǔn)確度計(jì)算公式

試驗(yàn)1的完整度為82.0%，準(zhǔn)確度為88.3%，比未使用多信息融合時(shí)提高了22.1%。

圖6 Fig.6

試驗(yàn)數(shù)據(jù)2的LiDAR數(shù)據(jù)由Optech ALTM系統(tǒng)獲取，點(diǎn)云密度為6pts／m2。遙感影像由UltraCam－D相機(jī)采集，15cm分辨率。該組數(shù)據(jù)所含場(chǎng)景位于加拿大多倫多市，場(chǎng)景復(fù)雜情況主要表現(xiàn)在：高樓密集、遮擋嚴(yán)重；大面積的陰影覆蓋路面；沒有明顯道路邊緣。圖8為該區(qū)域的提取結(jié)果，相對(duì)于人工提取，其完整度為91.8%，準(zhǔn)確度為92.4%。筆者將該組數(shù)據(jù)與文獻(xiàn)［14］的提取結(jié)果相比較，圖9兩處橢圓框標(biāo)注了兩種方法所得結(jié)果的差異。一處標(biāo)注內(nèi)道路出現(xiàn)拐角，文獻(xiàn)［14］沒有提取出；另一處標(biāo)注內(nèi)沒有道路，文獻(xiàn)［14］將其誤提取，而本方法均得到了正確的結(jié)果。

圖7 Fig.7

圖8 試驗(yàn)2提取結(jié)果Fig.8 Automatic extraction result of experiment 2

圖9 Fig.9

4 結(jié) 論

本文將LiDAR數(shù)據(jù)和高分辨率遙感影像相結(jié)合，先利用激光點(diǎn)的高程和強(qiáng)度信息提取初始的道路線和關(guān)鍵點(diǎn)，可避免陰影和部分遮擋的影響，再利用多重信息驗(yàn)證和優(yōu)化關(guān)鍵點(diǎn)，將道路提取轉(zhuǎn)換為多路徑優(yōu)化問(wèn)題，將點(diǎn)云強(qiáng)度、離散度和影像灰度融合在代價(jià)函數(shù)中，并以關(guān)鍵點(diǎn)為種子點(diǎn)利用動(dòng)態(tài)規(guī)劃算法對(duì)道路線進(jìn)行優(yōu)化。最后通過(guò)試驗(yàn)驗(yàn)證了該方法對(duì)大面積陰影遮擋的復(fù)雜場(chǎng)景提取道路的可行性，但對(duì)于沒有強(qiáng)度信息的LiDAR數(shù)據(jù)，則限制了它的應(yīng)用。

方法實(shí)現(xiàn)參數(shù)較多，閾值的選擇會(huì)影響提取結(jié)果。后續(xù)的研究工作將針對(duì)目前的方法作如下改進(jìn)：① 降低方法對(duì)參數(shù)閾值的依賴，如利用基于機(jī)器學(xué)習(xí)的方法自適應(yīng)確定參數(shù)閾值，以提高方法的實(shí)用性；②利用更多高分影像上的信息尋找關(guān)鍵點(diǎn)存在的線索，如上下文信息等，以提高方法的可靠性。

［1］ GRUEN A，LI H H.Road Extraction from Aerial and Satellite Images by Dynamic Programming［J］.ISPRS Journal of Photogrammetry and Remote Sensing，1995，50（4）：11－20.

［2］ GRUEN A，LI H H.Semi－automatic Linear Feature Extraction by Dynamic Programming and LSB－Snakes［J］.Photogrammetric Engineering and Remote Sensing，1997，63（8）：985－995.

［3］ HONG Richang，WU Xiuqing，LIU Yuan，et al.Research on Roads Automatic Extraction from Low Resolution Remote Sensing Image［J］.Journal of Remote Sensing，2008，12（1）：37－44（洪日昌，吳秀清，劉媛，等.低分辨率遙感影像中道路的全自動(dòng)提取方法研究［J］.遙感學(xué)報(bào)，2008，12（1）：37－44.）

［4］ AGOURIS P，STEFANIDIS A，GYFTAKIS S.Differential Snakes for Change Detection in Road Segments［J］.Photogrammetric Engineering ＆ Remote Sensing，2001，67（12）：1391－1399.

［5］ LI Xiaofeng，ZHANG Shuqing，HAN Fuwei，et al.Road Extraction from High－Resolution Remote Sensing Images Based on Multiple Information Fusion［J］.Acta Geodaetica et Cartographica Sinica，2008，35（2）：179－183（李曉峰，張樹清，韓富偉，等.基于多重信息融合的高分辨率遙感影像道路信息提取［J］.測(cè)繪學(xué)報(bào)，2008，35（2）：179－183.）

［6］ LEI Xiaoqi，WANG Weixing，LAI Jun.A Method of Road Extraction from High－Resolution Remote Sensing Images Based on Shape Features［J］.Acta Geodaetica et Cartographica Sinica，2009，38（5）：457－464.（雷小奇，王衛(wèi)星，賴均.一種基于形狀特征進(jìn)行高分辨率遙感影像道路提取方法［J］.測(cè)繪學(xué)報(bào)，2009，38（5）：457－464.）

［7］ ZHOU Shaoguang，XU Yong.To Extract Roads with No Clear and Continuous Boundaries in RS Images［J］.Acta Geodaetica et Cartographica Sinica，2008，37（3）：301－307.（周紹光，徐勇.在高分辨率遙感影像中提取無(wú)清晰連續(xù)邊緣線的道路［J］.測(cè)繪學(xué)報(bào)，2008，37（3）：301－307.）

［8］ ZHOU Shaoguang，LIU Juanjuan，CHEN Renxi.New Method to Extract Roads in Urban Area from High－Resolution Remote Sensing Imagery［J］.Computer Engineering and Applications，2010，46（32）：216－219.（周紹光，劉娟娟，陳仁喜.從高分辨率遙感影像中提取城市道路的新方法［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46（32）：216－219.）

［9］ ZHANG Rui，ZHANG Jixian，LI Haitao.Semi－automatic Extraction of Ribbon Roads from High Resolution Remotely Sensed Imagery Based on Angular Texture Signature and Profile Match［J］.Journal of Remote Sensing，2008，12（2）：225－232.（張睿，張繼賢，李海濤.基于角度紋理特征及剖面匹配的高分辨率遙感影像帶狀道路半自動(dòng)提取［J］.遙感學(xué)報(bào)，2008，12（2）：225－232.）

［10］ ZHU Changqing，WANG Yaoge，MA Qiuhe，et al.Road Extraction from High－Resolution Remotely Sensed Image Based on Morphological Segmentation［J］.Acta Geodaetica et Cartographica Sinica，2004，33（4）：347－351.（朱長(zhǎng)青，王耀革，馬秋禾，等.基于形態(tài)分割的高分辨率遙感影像道路提?。跩］.測(cè)繪學(xué)報(bào)，2004，33（4）：347－351.）

［11］ LI Liwei，LIU Jiping，YIN Zuowei.Road Extraction from High Resolution Remote Sensing Image Based on Mathematic Morphology［J］.Remote Sensing Information，2005（5）：9－11.（李利偉，劉吉平，尹作為.基于數(shù)學(xué)形態(tài)學(xué)的高分辨率遙感影像道路提取［J］.遙感信息，2005（5）：9－11.）

［12］ XU Jingzhong，WAN Youchuan，LAI Zulong.Multi－scale Method for Extracting Road Centerlines from LiDAR Datasets［J］.Infrared and Laser Engineering，2009，38（6）：1099－1103.（徐景中，萬(wàn)幼川，賴祖龍.機(jī)載激光雷達(dá)數(shù)據(jù)中道路中線的多尺度提取方法［J］.紅外與激光工程，2009，38（6）：1099－1103.）

［13］ YAN Li，ZHANG Yi.Road Points Cloud Filtering Based on Fuzzy Clustering of Normal Vectors［J］.Geomatics and Information Science of Wuhan University，2007，32（12）：1119－1122.（閆利，張毅.基于法向量模糊聚類的道路面點(diǎn)云數(shù)據(jù)濾波［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2007，32（12）：1119－1122.）

［14］ HU Xiangyun，TAO C V，HU Yong.Automatic Road Extraction from Dense Urban Area by Integrated Processing of High Resolution Imagery and LiDAR Data［C］∥International Society for Photogrammetry and Remote Sensing.［s.l.］：ISPRS，2003：388－400.

［15］ LIU Xiaoping，ZHU Xiaoqiang，YU Ye，et al.The Improved Extraction of Urban Roads Based on Dynamic Programming［J］.Journal of Engineering Graphics，2010（4）：183－188.（劉曉平，朱曉強(qiáng)，余燁，等.基于動(dòng)態(tài)規(guī)劃的城市道路提取改進(jìn)算法［J］.工程圖學(xué)學(xué)報(bào)，2010（4）：183－188.）

［16］ MENG Xuelian，WANG Le，SILVAN J L，et al.A Multi－directional Ground Filtering Algorithm for Airborne LiDAR［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2009，64（1）：117－124.

［17］ SHAO Yuanzheng，GUO Bingxuan，HU Xiangyun，et al.Application of a Fast Linear Feature Detector to Road Extraction from Remotely［J］.Applied Earth Observations and Remote Sensing，2011，4（3）：626－631.

［18］ HU Xiangyun.Automatic Extraction of Linear Objects and Houses from Aerial and Remote Sensing Imagery［D］.Wuhan：Wuhan University，2001.（胡翔云.航空遙感影象線狀地物與房屋的自動(dòng)提?。跠］.武漢：武漢大學(xué)，2001.）

［19］ HEIPKE C，MAYER H，WIEDEMANN C.Evaluation of Automatic Road Extraction［J］.International Archives of Photogrammetry and Remote Sensing，1997，32（Part 3－2W3）：47－56.

［20］ CRAMER.M.The DGPF Test on Digital Aerial Camera Evaluation——Overview and Test Design［J］.Photogrammetrie Fernerkundung Geoinformation，2010（2）：73－82.