下载文档原格式
SAR在道路监测中的应用一、引言随着交通运输业的快速发展，道路安全问题日益突出。
道路监测作为保障道路安全的重要手段，对于及时发现和解决道路安全隐患具有重要意义。
传统的道路监测方法主要依赖于人工巡查和光学遥感技术，但这些方法受到天气、光照等条件的限制，难以实现全天时、全天候的监测。
而合成孔径雷达（SAR）技术以其独特的成像原理，不受光照和时间限制，因此在道路监测领域具有广阔的应用前景。
二、SAR技术基本原理及特点SAR是一种主动式微波遥感技术，通过发射微波信号并接收地面反射回来的信号来获取地面信息。
SAR系统通常搭载在飞机或卫星上，以一定的速度和角度沿飞行轨迹移动，同时发射和接收微波信号。
由于SAR系统采用合成孔径的原理，可以获得高分辨率的地面图像。
SAR技术的主要特点包括：1. 穿透性强：微波信号能够穿透云层和天气条件，不受光照和时间限制，因此SAR图像具有全天时、全天候的成像能力。
2. 高分辨率：通过合成孔径的原理，SAR系统可以获得高分辨率的地面图像，能够捕捉到更多的细节和信息。
3. 安全性高：SAR系统可以在远离地面的高空进行监测，避免了人工巡查可能面临的安全风险。
4. 可靠性高：SAR系统不易受到地面反光、阴影等因素的影响，因此能够提供更可靠的目标识别和场景感知。
三、SAR在道路监测中的具体应用（一）道路形变监测道路形变是道路安全的重要隐患之一。
SAR技术可以通过对同一区域不同时间的SAR图像进行比较和分析，精确地捕捉到道路的微小形变。
这种形变监测对于及时发现和解决道路沉降、滑坡等安全隐患具有重要意义。
在实际应用中，可以利用差分干涉SAR（D-InSAR）技术来提取道路的形变信息。
D-InSAR技术通过比较两个或多个不同时间的SAR图像相位信息，可以获取到地面高程的微小变化，从而精确监测道路的形变情况。
（二）道路病害检测道路病害如裂缝、坑槽等是影响道路使用寿命和安全性的重要因素。
SAR技术可以通过其高分辨率的成像能力，清晰地捕捉到道路表面的细微变化，从而实现对道路病害的准确检测。
您的论文得到两院院士关注文章编号：１００８－０５７０（２００８）０８－３－０２９３－０２图像处理基于数学形态学的ＳＡＲ图像道路提取ＲｏａｄＥｘｔｒａｃｔｉｏｎｆｒｏｍＳＡＲＩｍａｇｅＢａｓｅｄｏｎＭａｔｈｅｍａｔｉｃＭｏｒｐｈｏｌｏｇｙ（福州大学）郑玉燕何建农ＺＨＥＮＧＹｕ－ｙａｎＨＥＪｉａｎ－ｎｏｎｇ摘要：针对低分辨率ＳＡＲ图像道路目标的各种特性，利用数学形态学的方法对道路提取进行了研究．首先利用Ｆｒｏｓｔ算法对图像进行相干斑抑制；然后采用改进的最大类间方差选取阈值进行分割，得到一个包含道路信息的二值图像；再利用开运算和区域选取除去非道路孤立图斑；接着，利用形态学的闭运算连接断点以及对凹凸不平的道路边缘进行平滑；最后经细化和数次剪枝得到道路。
实验结果表明，该方法抗噪性好，效率高，识别道路的效果良好。
关键词：图像分割；数学形态学；道路提取文献标识码：Ａ中图分类号：ＴＰ７５１Ａｂｓｔｒａｃｔ：Ｉｎｔｈｉｓｐａｐｅｒ，ｒｏａｄｃｈａｒａｃｔｅｒｓｉｎｔｈｅｌｏｗｒｅｓｏｌｕｔｉｏｎＳＡＲｉｍａｇｅｓａｎｄａｌｇｏｒｉｔｈｍｓｏｆｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙａｒｅａｐｐｌｉｅｄｔｏｅｘ－ｔｒａｃｔｒｏａｄｎｅｔｗｏｒｋｓｆｒｏｍＳＡＲｉｍａｇｅｓｓｕｃｃｅｓｓｆｕｌｌｙ．Ｆｉｒｓｔｌｙｒｅｄｕｃｅｔｈｅｓｐｅｃｋｌｅｎｏｉｓｅｉｎｔｈｅｉｍａｇｅ；ｔｈｅｎｔｈｅｉｍｐｒｏｖｅｄＭｅｔｈｏｄｏｆＭａｘｉｍｕｍＣｌａｓｓｅｓＳｑｕａｒｅＥｒｒｏｒ（ｍｅｔｈｏｄｏｆｏｓｔｕ）ｉｓｕｓｅｄｔｏｇｅｔｔｈｅｒｏａｄｉｍａｇｅｂｉｎａｒｙｉｍａｇｅｉｎｃｌｕｄｉｎｇｒｏａｄｉｎｆｏｒｍａｔｉｏｎ；ｓｅｃｏｎｄｌｙｒｅｍｏｖｅｉｓｏｌａｔｅｄｓｍａｌｌａｒｅａｓｗｉｔｈｍｏｒｐｈｏｌｏｇｉｃａｌｏｐｅｎｉｎｇａｎｄａｒｅａｓｅｌｅｃｔｉｎｇ，ｔｈｉｒｄｌｙｃｏｎｎｅｃｔｂｒｅａｋ－ｌｉｎｅａｎｄｓｍｏｏｔｈｔｈｅｅｄｇｅｏｆｒｏａｄｗｉｔｈｍｏｒｐｈｏｌｏｇｉｃａｌｃｌｏｓｉｎｇ．Ｆｉｎａｌｌｙ，ｄｅｔｅｒｍｉｎｅｔｈｅｃｅｎｔｅｒｌｉｎｅｏｆｔｈｅｒｏａｄｎｅｔｗｏｒｋｂｙＭｏｒｐｈｏｌｏｇｉｃａｌｔｈｉｎｎｉｎｇａｎｄｃｒｏｐｐｉｎｇ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｎｅｗＭｅｔｈｏｄｆｏｒｄｅｔｅｃｔｉｎｇｒｏａｄｉｓｖｅｒｙｅｆｆｅｃｔｉｖｅｗｉｔｈｏｕｔｔｈｅｉｎｆｌｕｅｎｃｅｏｆｎｏｉｓｅ．Ｋｅｙｗｏｒｄｓ：ｓｅｇｍｅｎｔａｔｉｏｎ；ｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙ；ｒｏａｄｅｘｔｒａｃｔｉｏｎ技术创新１引言合成孔径雷达（ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ—ＳＡＲ）是一种具有强穿透力以及全天候观测的遥感检测工具，ＳＡＲ图像中道路目标不仅在军事上具有战略意义，而且对国民经济发展也具有重要意义．对地图更新、目标识别、影响匹配等方面具有重要的辅助意义，是图像目标检测的一个重要内容。
1、国内外研究现状：早在20世纪70年代，就开始了基于光学遥感图像的道路提取研究[8]。
开展基于SAR图像各类道路提取方法的研究晚于光学遥感图像，且与SAR成像技术的发展息息相关。
在20世纪，SAR成像以中低分辨率为主，道路呈现为线特征，道路提取通常分为先边缘检测得到边缘像素点，后边缘编组得到线特征，最后再将线连接成网络这3个阶段。
按照中低分辨率图像道路提取的阶段流程，在20世纪90年代之前，严格来讲没有真正意义上SAR图像道路提取方法出现，大多数研究还处于边缘提取和边缘编组阶段。
在边缘提取研究方面，Frost等人[9]提出的似然比边缘检测器，首开了恒虚警边缘检测研究的先河。
Touzi等人[10]提出的均值比(ROA)检测算子具有一定的代表性，在此后几年里，涌现出多个改进型ROA边缘检测算子。
在边缘编组研究方面，广泛使用的直线提取算子(Hough、相位编组等)在SAR图像中皆有应用。
1990年，Samadani等人[11]报道了先局部边缘检测后全局道路连接的方法，被认为是第一次提出的真正意义上的SAR图像道路提取方法。
嗣后，随着SAR图像应用向深度和广度发展，大量的道路提取方法涌现出来。
值得一提的是，Tupin等人[12]开创性提出的基于Markov随机场模型道路网连接方法，对后续研究影响很大，后来出现的几篇有影响力的文章[4-13-14]皆是该方法的延伸。
到了21世纪，随着SAR成像技术的进一步发展，对地成像观测中图像的空间分辨率得到进一步提高，多颗高分辨率SAR卫星相继发射并成功获取数据。
2005年，美国成功发射雷达侦察卫星Lacrosse-5，最好分辨率达0.3 m;2007年，德国发射商业卫星TerraSAR-X聚束成像模式下分辨率可达1 m;同年，加拿大成功发射Radarsat-2，可提供全极化、超精细以及3 m分辨率波束等新的成像模式;2010年，德国将另一颗与TerraSAR-X基本相同的卫星TanDEM-X送上太空。
sar影像海岸线提取方法
SAR影像海岸线提取方法是利用合成孔径雷达(SAR)影像来提取海岸线的一种方法。
通过SAR影像，可以获得海洋表面的反射信号，从而提取出海岸线的位置。
其中，主要有以下几种方法：
1. 基于灰度阈值的方法：根据SAR影像灰度值的变化来确定海岸线的位置，灰度值高的地方往往代表陆地，而灰度值低的地方则是海洋。
通过设置合适的阈值，可以将海岸线提取出来。
2. 基于边缘检测的方法：利用SAR影像中的边缘信息来提取海岸线。
常用的边缘检测算法包括Sobel算子、Canny算子等。
通过对SAR影像进行边缘检测，可以将海岸线的位置提取出来。
3. 基于水平梯度的方法：利用SAR影像中的水平梯度信息来提取海岸线。
可以通过计算SAR影像中每个像素点的水平梯度值，然后选取一定的阈值来确定海岸线的位置。
4. 基于小波变换的方法：利用小波变换来提取SAR影像中的边缘信息，然后根据边缘信息来确定海岸线的位置。
小波变换可以提高海岸线提取的准确度和稳定性。
以上是常见的SAR影像海岸线提取方法，不同的方法适用于不同的情况。
在实际应用中，可以根据具体的场景选择适合的方法进行海岸线提取。
- 1 -。
SAR遥感图像解析与地物提取技术SAR (Synthetic Aperture Radar) 是一种通过雷达信号获取地面反射回波数据的遥感技术。
与光学遥感相比，SAR具有天气无关性、全天候性和云覆盖下的观测能力。
由于这些优势，SAR遥感图像在地物提取、土地利用监测、环境变化研究等领域具有广泛应用。
本文将介绍SAR遥感图像解析与地物提取技术的基本原理和主要方法。
一、SAR遥感图像解析基本原理SAR遥感图像解析是指通过对SAR图像中的数据进行处理和分析，揭示出隐藏在图像中的地物信息的过程。
SAR图像的基本原理是利用雷达脉冲信号与地面目标发生相互反射形成回波信号，通过处理回波信号的幅度、相位和极化等信息，获取地物的特征和位置。
SAR遥感图像的解析过程涉及信号去噪、几何校正、辐射校正、数据配准和特征提取等多个步骤。
首先，对原始SAR图像进行预处理，去除噪声和伪迹，以提高图像质量。
然后，进行几何校正和辐射校正，确保图像具有准确的位置和亮度信息。
接下来，对图像进行配准，将SAR图像与其他遥感数据或地理信息系统(GIS) 数据进行对比和分析。
最后，通过特征提取算法，将图像中的地物信息提取出来。
二、SAR地物提取技术SAR地物提取技术是指利用SAR图像的特征信息，将地物从图像中分割或分类出来。
常用的SAR地物提取方法包括基于像素的技术和基于目标的技术。
1. 基于像素的地物提取技术基于像素的地物提取技术是指利用SAR图像中每个像素点的信息进行分类。
常见的方法包括阈值分割、聚类分析和机器学习。
阈值分割是根据图像灰度值与预先设定的阈值进行分类。
聚类分析是将图像中的像素点划分为不同的类别，使得同一类别内的像素点具有相似的特征。
机器学习方法是通过训练样本，建立分类模型，对SAR图像进行分类。
2. 基于目标的地物提取技术基于目标的地物提取技术是指将SAR图像中的地物进行分割，形成具有独立目标特征的图像，以方便后续分析和应用。
滤波器组实现SAR图像中主要道路提取
胡平广;张名成
【期刊名称】《计算机仿真》
【年(卷),期】2007(24)3
【摘要】合成孔径雷达(SAR)图像中道路目标自动提取既是当前遥感技术应用中的热点又是急待解决的难点.着眼SAR图像中道路目标的自动提取,在分析SAR图像特征的基础上,绕开常见的利用边缘检测算子提取图像中道路线段的作法,通过适当选择滤波窗口在去噪的同时尽量保持道路边缘,再通过二次二维方向性滤波、去枝滤波准确高效地提取了SAR图像中的道路目标.实验证明该方法在提取SAR图像中主要道路目标时几乎不需要调整参数,人工干预少,自动化程度高.
【总页数】4页(P187-190)
【作者】胡平广;张名成
【作者单位】中国科学技术大学电子工程与信息科学系,安徽,合肥,230027;中国科学技术大学电子工程与信息科学系,安徽,合肥,230027
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于GA的SAR图像中主干道路提取 [J], 肖志强;鲍光淑
2.一种新的高分辨率SAR图像道路提取算法 [J], 肖红光;文俊;陈立福;史长琼
3.高分辨率SAR图像主干道路提取方法研究 [J], 赵凡;陈庆良;刘洪;张旭;王延亭
4.高分辨率SAR图像道路提取综述 [J], 周岳勇; 程江华; 刘通; 王洋; 陈明辉
5.基于Multi-Path RefineNet的多特征高分辨率SAR图像道路提取算法 [J], 陈立福; 刘燕芝; 张鹏; 袁志辉; 邢学敏
因版权原因，仅展示原文概要，查看原文内容请购买。
1、国内外研究现状：早在20世纪70年代，就开始了基于光学遥感图像的道路提取研究[8]。
开展基于SAR图像各类道路提取方法的研究晚于光学遥感图像，且与SAR成像技术的发展息息相关。
在20世纪，SAR成像以中低分辨率为主，道路呈现为线特征，道路提取通常分为先边缘检测得到边缘像素点，后边缘编组得到线特征，最后再将线连接成网络这3个阶段。
按照中低分辨率图像道路提取的阶段流程，在20世纪90年代之前，严格来讲没有真正意义上SAR图像道路提取方法出现，大多数研究还处于边缘提取和边缘编组阶段。
在边缘提取研究方面，Frost等人[9]提出的似然比边缘检测器，首开了恒虚警边缘检测研究的先河。
Touzi等人[10]提出的均值比(ROA)检测算子具有一定的代表性，在此后几年里，涌现出多个改进型ROA边缘检测算子。
在边缘编组研究方面，广泛使用的直线提取算子(Hough、相位编组等)在SAR图像中皆有应用。
1990年，Samadani等人[11]报道了先局部边缘检测后全局道路连接的方法，被认为是第一次提出的真正意义上的SAR图像道路提取方法。
嗣后，随着SAR图像应用向深度和广度发展，大量的道路提取方法涌现出来。
值得一提的是，Tupin等人[12]开创性提出的基于Markov随机场模型道路网连接方法，对后续研究影响很大，后来出现的几篇有影响力的文章[4-13-14]皆是该方法的延伸。
到了21世纪，随着SAR成像技术的进一步发展，对地成像观测中图像的空间分辨率得到进一步提高，多颗高分辨率SAR卫星相继发射并成功获取数据。
2005年，美国成功发射雷达侦察卫星Lacrosse-5，最好分辨率达0.3 m;2007年，德国发射商业卫星TerraSAR-X聚束成像模式下分辨率可达1 m;同年，加拿大成功发射Radarsat-2，可提供全极化、超精细以及3 m分辨率波束等新的成像模式;2010年，德国将另一颗与TerraSAR-X基本相同的卫星TanDEM-X送上太空。
相对于星载SAR系统，机载SAR飞行高度一般在10 km以下，成像分辨率更高，‘全球鹰”和“捕食者”等美国无人机载SAR传感器对地观测分辨率可达0.3 m。
在高分辨率SAR图像中，道路呈现为区域特征，且能表示更多的道路类型和地物细节。
但是，高分辨率使得图像中的干扰被放大，环境背景变得更复杂，给道路提取带来很大的困难。
充分利用高分辨率SAR图像道路的几何(平行双边缘)及辐射(灰度)特征，采用平行双边缘检测[15]、分类分割[1 6]、多尺度分析[4]以及道路剖面分析[17]等自动或半自动方法检测出道路区域，然后再连接成网络，是当前的研究现状。
总的来说，国内外开展从SAR图像中提取道路的研究己有20多年的历史。
国外著名的研究机构和个人，如:法国国立布列塔尼高等电信学院(ENST)Tupin[12-13]，意大利帕维亚(Pavia)大学Gamba [18-20]、Lisin[14,21]、Negri[4,22]. 和Dell[16,23,25]等人，加拿大Sherbooke大学Bentabet，德国慕尼黑工业大学Hedman [27]等人，在此方面做了许多创新性工作，引领着该领域研究的前进方向。
国内的中国科学院电子所、清华大学、武汉大学、国防科学技术大学、中国测绘科学研究院等研究院所在此方面做了大量工作，并取得了一定的成果。
国际有影响力的杂志:《地理科学和遥感学报》( IEEE Transactions on Geoscience and Remote Sensing、《国际遥感杂志》( International Journal of Remote Sensing ) ,((IEEE地球科学与遥感快报》(IEEE Geoscience and Remote Sensing Letters) ,《摄影测量工程与遥感》(Photogrammetric Engineering and Remote Sensing )等，以及一些知名的国际会议:地理科学和遥感研讨会(IEEE International Symposium on Geoscience and Remote Sensing)和SPIE组织的一些会议，收录了关于SAR图像道路提取发表的文章上百篇，与道路提取相关的SAR图像降噪、边缘检测、线特征提取以及连接等文章更是不胜枚举。
瑞士的Amobe项目、意法等国针对多遥感图像应用的OTB ( Orfeo Tool-box)以及我国重大专项—高分辨率对地观测系统等均涉及道路这种典型的地物要素提取。
2、SAR道路提取存在问题及发展趋势：SAR图像道路提取己取得了不少研究成果，但由于实际道路背景环境复杂多变，现有算法在自动化程度、速度、普适性及准确性等方面还有诸多问题有待解决。
归纳起来，现有的道路提取方法存在的主要问题及发展趋势是:1)针对高分辨率SAR图像道路提取开展的研究较少。
随着成像技术的发展，SAR图像分辨率不断得到提高，应用优于0.5 m分辨率的卫星SAR图像己成为现实，高分辨率多通道、全极化SAR图像得到广泛应用是当前现状和发展趋势。
然而，现有算法多数是针对中低分辨率SAR图像和高分辨率的光学遥感图像，当前研究现状阻碍了高分辨率SAR图像的广泛应用，需要针对高分辨率SAR图像出现的新情况，充分利用多极化通道信息之间的冗余互补性，通过多极化通道信息之间的融合[58]以及SAR图像与其他遥感图像之间的融合[59]，提高道路特征提取的精度，实现道路网快速、完整、精确地提取必然是SAR图像道路网提取今后重点研究内容。
2)道路提取算法的鲁棒性不强。
目前提取算法设置的参数偏多，依赖于经验值，且多是针对某一类来源的图像。
将其应用到其他异源图像道路提取时，需人工手动调整大量的参数，方能有所适应。
另外，提取算法的设计一般针对某一种道路类型。
然而，实际上道路类型(高速公路、城区主干道、次干道、一般街道、乡村道路等)多种多样，采用一种提取方法显然不能同时满足要求。
解决此问题可借鉴光学遥感图像道路提取中采用的人工智能思想，让算法在不同的图像类型以及不同的路况背景环境下进行在线学习[60]。
另外，借鉴多尺度、多分辨率分析的思想[61]，采用合适的尺度对不同宽度的道路进行抽象描述，并对多分辨率分析结果进行融合处理，是一项不错的选择。
3)道路边缘检测及线特征提取虚警率偏高。
由于SAR图像中存在建筑物、树木、河流等其他地物干扰影响，现有的边缘检测算子提取出的虚假信息偏多，将道路边缘淹没在这些信息中;另外，线特征提取算子(Hough, Radon及其改进型等)仍存在多个极值点以及极值点定位不准确等问题。
一种可行的思路便是根据高分辨率SAR图像道路的平行双边缘性、方向性和灰度等特征，采用多个特征检测工具，并将提取出来的特征信息进行融合，充分利用不同检测工具之间的互补性，降低边缘检测和线特征提取的虚警率。
另外，从初步研究成果[62]来看，虽然道路上的车辆、路旁的建设物以及道路附近裸露的土壤、植被区、阴影等地物干扰造成道路提取的断裂，但这些上下文知识恰恰证实了道路的存在，利用道路上下文知识降低提取虚警率具有很大的研究空间。
4)道路网全局连接的速度不快。
由于前级(边缘检测和线特征提取)虚警率偏高，输入给道路网全局迭代连接的线基元数目过多，造成迭代过程耗时较长;此外，当前常用的自动全局连接算法(MRF, GA)建模时，最优求解的策略也导致耗时较长，不能满足实时性的要求。
有人工引导的道路种子点跟踪的策略(模板匹配、粒子滤波)不失为当前较好的选择，但存在的问题是跟踪经常中断，人机交互次数偏多。
因此，为了提高连接速度，道路网自动全局连接需要研究一种方案，减少输入虚假线基元的数量，改进最优迭代求解策略;道路网半自动全局连接需提高种子点跟踪算法的稳健性，提高自动化程度;另外，将外部GIS数据作为先验信息，指导道路局部检测及全局连接[26]，提高道路网提取的置信度，值得深入开展研究。
SAR图像道路网提取在遥感应用领域具有不可替代的地位。
经过20多年广泛研究，SAR图像道路网提取己经取得了很大的进展，但由于SAR图像背景复杂、噪声干扰较大、道路类型繁多，导致当前仍然很难直接从SAR图像中提取道路网。
随着SAR图像成像技术的发展、雷达回波电磁散射机理研究的深入、其他遥感图像解译技术的进步以及数学理论的推陈出新，必将给SAR图像道路网提取带来新的研究途径。
3、SAR影像道路提取算法的发展：SAR图像中道路目标同机场、桥梁、大坝、河流等地面目标一样,不仅在军事上具有战略意义,而且对国民经济发展也具有重要意义。
SAR图像道路提取对地图更新、目标识别、影像匹配等方面具有重要的辅助意义,是图像目标检测的一个重要内容。
国内外利用计算机从SAR图像中提取道路之类的线性地物信息的研究大概有30年的历史,取得了一定的成果,提出了一些实用的算法,但是与实际应用的要求还有一定的距离。
回顾这几十年SAR图像道路提取技术的发展历程,最早的道路检测方法可以追溯到Fischler提出来的对于低分辨率的航空图像的道路目标提取算法:首先将两种局部检测算子结合起来进行检测,然后在一个全局的步骤上,通过图搜索或动态规划将道路网提取出来。
这种方法在1990年被Samadani和Vesecky应用到SAR图像上。
对于高分辨率图像，McKeown和Denlinger等构造了一个道路模型，用于道路跟踪算法。
Bazohar和Cooper定义马尔可夫随机场将这种方法用于自动道路目标提取，通过检测局部最大后验概率得到道路。
近几年来发展了一种基于知识的自动道路提取方法。
这种包括使用现有的GIS数据库或者地图及基于规则的系统，分别对图像解译进行指导。
在Vosselman 等的方法中，旧数据库不仅用来验证也用来检测新的道路。
目前己经存在许多种道路模型，例如，Gruen andLi定义了道路的一般模型，主要包括辐射度属性和几何属性;Heipke定义了一个不同尺度上的道路模型，也包括辐射度属性和几何属性。
道路段在图像上的表现形式依赖于传感器的敏感性以及分辨率，上述研究者的方法都限于分辨率为lm的高分辨率强度图像。
高分辨SAR图像上的道路是一条黑色的、连续的具有一定宽度的均匀区域，表面的灰度层通常变化不大，但与周围环境的对比度较大。
道路通常具有常数值宽度，但其宽度随道路的类型的变化而变化，例如，主要道路大于一般小路。
在真实世界和图像域，道路形成一个网，这就说明在检测道路时，应该将道路的拓扑特性考虑在内。
检测到的道路可以作为种子点，来减少自动道路提取的搜索域。
从另一个角度来分析目前存在的算法，都包括局部检测和全局检测两大步骤。
其中不管是自动还是半自动的，其中绝大部分方法，局部检测是根据目标像素小邻域的辐射特性来检测边缘或线段，在光学图像处理中，边缘检测通常都是基于加性高斯噪声假设提出来的。
