（3）    数学形态学方法。T. Geraud介绍了一种用数学形态和马尔可夫随机过程方法，该方法是从卫星影像中快速提取道路图像的方法。利用灰度图像数学形态变换转换成二值化的图像，通过降低图像的复杂性，以及图像中的像素分为道路和周边环境两种。对边缘的线性特征进行跟踪，再对知识规则的线性特征来识别道路。最后处理细节，如连接道路边缘或优化环境特征。这种方法的优点是，骨架可以提取，但边缘的道路很容易受到噪声的影响，不光滑、不平行。
（4）    基于小波理论提取道路的方法。Zhang和Couloigner(2004)描述了一种基于小波理论提取道路的方法。在图像的小波域上，小波系数的最大值可以用来检测路交叉口，然后根据道路交叉口形成跟踪组件到路中心线的检测，通常这些点的小波系数的近似路径超过一定阈值，然后根据删除伪结点并生成一个新的节点的道路，最后用DAUGLAS-PEUCKER算法用来简化线的描述。
（5）    网状模型的方法。该方法首先利用各种直线和曲线的特征，给提取算法得到的候选道路段，但通常候选道路段太过离散，并且实际的道路中，它们往往交错连接，更像是渔网状。该方法利用道路网络的拓扑特性，设置道路连接的评价函数，并将候选路段的网络[5]。自动提取无疑是从遥感图像中提取道路的终极目标，道路提取算法有自己的特点，缺点，可以实现全自动化，但由于诸多因素的影响，有一定距离的实际应用。此外，越来越多的学者为获取更多的知识，出于好奇或者是挑战创新，都纷纷的加入了道路提取的研究之中，在其它的领域中，也介绍了很多有关道路提取的有效算法，比如人工神经网络等等。随着科学技术的发展进步，理论知识体系的成熟，道路自动提取已经可以慢慢的成为现实。
道路图像的自动提取无疑可以看作是道路提取图像的终极目标，不同的道路提取算法有自己的优点，当然也有它们的不足之处，如果想要实现道路图像提取的全自动化，在现实知识的局限和诸多因素的影响下，实现起来还是需要我们再努力很研究，将理论一步一步的实际化，这样全自动化的目标将不再是距离。
2    计算机辨别道路的方法
在这个计算机数据网络的大时代里，计算机应用与开发都得到了充分的应用，但是对于计算机自动识别这方面的能力还有待我们去开发。在我们人类看来，视觉上很容易就能识别的道路图像，但是放在计算机上就有点困难了，计算机识别应用识别起来十分的艰巨，可是计算机也有其自身的优点，那就是计算能力强，能够很快的读取和分析数据的特征。通过强大的计算能力，再结合半自动提取方法，这样的优势很可能让我们取得进一步的突破和成效，对目前而言，也是非常实用而简介的方法。半自动的方法一般是指计算机通过一定的先验信息的交互，如种子初始点和初始方向，然后由计算机自动完成其余步骤，一般可以分为以下几类：
（1）    基于边缘跟踪的方法。基于初始的特征点和给定的方向特征开始进行边缘数据的探测，当探测到的边缘数据点成为了新的起始点，那么这个路径成为了一条候选的路段。
（2）    最小二乘模板匹配方法。基于初始条件所给定的特征点，利用最小二乘法估计模板和图像几何图形参数之间的关系，并通过图像的变化曲线来确定该图像的具体参数，由此来获得道路的数学表达式，这种方法可以获得较高的精确度。
（3）     动态规划方法。这种方法首先是将道路看成是一个参数的模型，在这个模型上我们沿线设置一系列的模型种子，这个模型与种子之间的关系则可以理解为是“代价”函数之间的联系，再通过对动态规划法逐步找出这些种子之间的存在的捷径，我们称之为最优路径，也可以叫做候选路段。 道路图像特征的提取识别分割国内外研究现状(2):http://www.youerw.com/yanjiu/lunwen_33709.html