道路作为基础地理信息数据,也是城市数据库更新比较频繁的地理信息之一,道路信息的时效性直接影响着地图绘制、交通智能管理、无人驾驶导航等方面的应用。如何快速准确的从海量的遥感图像数据中获得有意义的道路信息是一项挑战工作。当前对于从遥感图像中提取道路的方式主要靠人工目视来完成。由于计算机、理论算法等技术水平的限制,道路提取领域至今没有一套完善的系统可以智能化普适化地提取道路。现在遥感影像分辨率的不断提高,影像中的地物信息特征也逐渐变得复杂。这些信息特征在一定程度上造成了对道路的识别的干扰,进而又增加了道路提取的难度。因此,遥感图像道路提取的研究具有重要的意义。本文在基于道路的各项基本特征的基础上,探究了遥感图像中道路的自动化提取技术,提出了两种道路提取的可行的方法,主要是以下内容:第一:根据道路的辐射特征,利用图像灰度值的差异性,提出了一种改进的基于遗传算法的最大类间方差的阈值分割方法,对遥感图像进行二值化分割。遗传算法可以使得最大类间方差法快速准确的寻找最优解,以达到最佳分割的目的。之后经过中值滤波处理,然后用数学形态学的基本运算(腐蚀、膨胀、开运算、闭运算)的操作去除二值图像中非道路区域,再用边缘检测“Sobel”算子把提取的道路放到原图的灰度图上进行比对,证明方法的可行性。最后将改进分割算法得到的提取结果与原分割方法结果对比,进行定性、定量分析,得出改进算法提取效果更好。第二:提出了基于SVM结合模糊C均值聚类的道路提取方法。由于SVM本身算法对样本在极小区域容易被错误分类的缺陷,采用模糊C-均值聚类的方法对SVM不足之处进行改进。首先,用模糊C-均值聚类对遥感图像进行非监督聚类,它可以依据隶属度扩大不同类群之间的距离,对图像中似道路聚类和其他聚类进行分离。然后再用SVM对分离出的道路聚类图像进行进一步分类,之后用数学形态学处理仍存在的块状斑点噪声,最终实现了道路的提取。对结果精度定量分析,证明方法的可行性。