高分辨遥感影像中道路的识别是当前研究的热点之一。伴随着经济的高速发展,城市人口快速增加,交通拥堵逐渐成为现代都市的难题之一,通过对遥感影像的道路提取可以有效地了解某段道路的拥堵情况,这使得道路提取变得意义重大。本文首先采用FCN进行道路提取,将结果抽象成的若干道路块作为起始种子,然后应用到文中提出的类种子填充道路提取算法中,并用美国Massachusett的卫星影像测试。结果表明,该方法对城市、乡镇、立交等复杂环境下道路提取的完整度、准确性都有很好的效果。本文研究的主要内容及创新:本文详细阐述了深度学习在图像语义分割方面的原理方法,并在传统网络CNN的基础上结合反卷积的思想,对深度学习的网络模型进行了调整,应用到道路的提取中。其一,文中采用FCN语义分割的思想处理遥感影像,提取出道路和房屋的大致位置,作为本文道路提取算法的前提条件。在一幅图像中存在多条不连接道路的情况下,当只采用深度学习思想FCN对图像语义分割提取道路时,其提取道路的准确率不高且存在大量隔断道路的现象,从而不能单独用于道路的提取。但是,由于FCN语义分割提取的道路区域在每一条不连接道路段上都有分布,且该方法存在很强的泛化能力。所以,利用该优点解决了目前半自动道路提取算法中存在的起始种子需要人工输入、泛化能力较差的问题。将FCN语义分割提取的道路和房屋作为本文道路提取算法的前提条件,用于对遥感影像的进一步处理。其二,本文提出类种子填充的算法实现遥感影像的道路提取过程。针对目前FCN算法进行道路提取结果中存在连通道路被多次隔断且路宽不准确的问题,本文基于种子填充思想,以逐步驱动搜索的方式,提取精确的路宽及道路方向,解决了部分不连通问题。类种子填充道路提取算法主要方式为,提出了代替种子填充中搜索、判断过程的算法思想。将连通区域的种子填充思想应用到本文对道路的提取过程中,通过判断的方式确定连通区域的位置,代替种子填充算法中已知的连通区域。按照方向性的思想,采用一定角度内搜索若干图像块的方式,代替四连通种子填充算法中上下左右四个方向的搜索。整体来说,把道路的边界看作种子填充算法中的边界,把一段连续道路看作一个连通区,根据文中一系列的判断方式,提取出精确路宽的道路。在采用类种子填充算法的思想进行道路提取时,为了提高搜索的效率,缩小搜索的范围,根据道路有一定方向性的特点,提出了方向性搜索的方法,并获得较为满意的结果。