利用图像采集器如相机等拍摄道路图像，通过计算机的算法实现道路图像特征的提取，其中分为“识别”和“量测”两个部分。“识别”对于人类来说是很简单就能识别出道路的，但是对于计算机而言则实现起来分厂的困难。而“量测”对于人而言是需要大量的精力和物力的，但对于计算机而言则是非常的简单方便。道路图像的特征提取，现在主要是半自动的特征提取和自动特征提取两种模式并存的趋势。从目前的研究的发展来看，自计算机的自动化特征提取是非常困难的，因为计算机提取道路的使用功能不仅只有量测，也包括部分测量的鉴定。其中“识别”对于计算机实现起来也是非常的困难，而对人来说则十分简单。而“量测”对计算机处理则恰好相反。因此，利用人和计算机的各自优点进行半自动特征提取和识别在目前来说更易于现实[2]。35666
1    道路特征自动提取的方法
道路特征的自动识别与道路几何信息自动定位是道路特征自动提取的两种主要方法，目前有很多种的道路图像特征提取方法可以供选择和参考，分别有局部提取和全局提取。人工智能的计算机视觉，图像模式识别，数学模型等，这些方法都能在道路图像中分割出的其他的数据信息，实现道路图像甚至可以区分道路类型。以下介绍几个具有代表性的方法：论文网
基于平行线对的方法。道路的基本特征是我们可以从道路的边缘能够看到一组与道路平行的直线，从而产生多种道路提取算法。关键在于平行线表示链接好道路边缘的路径，和识别平行线是否为道路的识别方法。P. Dal Poz 等(2006年)提出了在中等分辨率和高分辨率图像中自动提取道路的方法。该方法主要分为两个步骤，首先检测感兴趣区域并且提取道路种子。在检测过程中，寻找符合几何学和辐射线测定要求的局部道路属性, 例如道路通常是平和的并且更加明亮的背景表面，通过canny边缘检测及边缘连接与融合法提取出代表图像边缘的多边形[3]。这些图像边缘通过很多很多的多边形整合在一块，最后可以得到一个比较笔直道路图像出来，将这些类似的路段或者是多边形放在一起，可以组成一个完整的道路出来。接下来，道路种子连接和重建是道路，整个道路网络。在完成路网改造过程中，两种策略的使用。我们把连续的从道路种子种提取出来的信息放到道路的中心线上面，将这个中心线上的信息数据作为参考，近似的在这个设置参考点，大致的将道路的轮廓提取出来，并且根据这些数据重新构建道路。通过研究表明，这种方法具有很好的效果。
（1）    标点随机过程方法。X. Descombes， J. Zerubia等提出了将标点随机过程理论应用于图像分析中，这样来提取出道路信息的方法。对标点符号的主要目的是利用随机框架对目标问题进行建造模型。要分析的目标可以是任何数字，任意位置和任意参数[4]。对提取道路信息的算法不同，和标点符号的随机过程的方法，标志着路。出发点它被定义为一个泊松分布密度函数，称为标签（商标）与每一点相关的任何参数的。在图像分析中，该参数用于确定目标的一些几何性质。在进行道路信息提取的过程中,将RJMCMC (Reversible Jump Monte Carlo Markov Chain)嵌入模拟算法中来优化得到一个更完整的模型。
（2）    多分辨率提取算法。使用两个相同分辨率的航拍影像。粗糙分辨率的道路是明亮的，和局部和全局阈值提取。精细的分辨率是从边缘提取，且边缘聚集形成的平行线对和别的的区域。由一些标准提取对两分辨率图像进行融合。 道路图像特征的提取识别分割国内外研究现状:http://www.youerw.com/yanjiu/lunwen_33709.html