道路是遥感图像中,一项重要的地物要素。准确地提取出遥感图像中的道路,能够在城市导航、城市规划、军事测绘、灾害评估等方面起到重要的作用。利用模式识别、图像处理、机器学习算法对遥感图像的道路进行自动化的提取,已经成为当今遥感领域一个重要的研究方向。基于机器学习的道路提取算法虽然在性能上相对其他方法有较大优势,但是,这类算法普遍面临着在样本数据中道路和背景样本之间的不平很问题。而道路和背景样本的不平衡,往往会导致分类器在收敛后,偏向于将样本预测为占据众数的背景类,进而使得道路提取结果图中,道路的路网不够完善,道路的查全率较低。此外,为满足机器学习对于样本的需求,需要对训练样本中每一景的遥感图像逐像素地进行道路、背景二值标注,而标注过程需要消耗大量人力,繁琐而费时。为了解决上述问题,提出了基于全卷积神经网络集成学习的道路提取算法以及基于弱监督深度卷积网络的道路提取算法,并根据道路提取的结果图,提出基于条件随机场的道路中心线提取算法,进一步挖掘遥感图像中的信息。道路提取算法在Massachusat道路数据集上进行了实验,算法有效性得到了验证。本文的主要工作总结如下:1.提出了一种基于集成学习的全卷积神经网络道路提取算法,该方法在原生的全卷积神经网络的基础上,将损失函数改为了加权的交叉熵损失函数,对正样本赋予不同的权值,使得道路像素点错分为背景时,会获得更高的惩罚权值。由于损失函数的权值难以自适应的确定,提出了一种基于空间一致性的集成策略,将不同权值损失函数的全卷积网络得到的结果集成,提高道路提取质量。2.提出了一种基于弱监督的深度卷积网络道路提取算法,该方法仅仅利用场景级的数据标签作为训练样本的监督信息。利用遥感图像和对应的场景标注,训练一个道路分类网络,当分类网络收敛时,利用类激活映射得到每一景遥感图像中的道路热度图,将道路热度图作为监督信息,训练用于道路提取的语义分割网络。弱监督道路提取网络通过设置种子损失、扩展损失、边界约束损失三原则来弥补热度图作为监督信息的不完备性。3.提出了一种基于条件随机场的道路中心线提取算法,该方法对道路提取结果进行核密度估计,得到道路概率密度,用概率的对数值作为条件随机场能量函数的一元势能;同时,将相邻像素的关系作为二元势能;为保证中心线的连贯性,用全局的连通区域作为高阶势能。