道路信息是人们日常生活中必不可少的重要信息之一,近年来,随着科技的发展和人们生活水平的提高,各种与道路信息相关的应用,如车辆导航系统、交通管理系统等都对更加高效准确的道路提取技术有着迫切的需求。同时,卫星技术的发展使得遥感道路图像的分辨率不断提高,也促进了道路提取技术成为目前计算机视觉界的研究热点之一。本文致力于遥感图像道路提取算法的研究,提出了一种基于可形变部件模型（Deformable Part Based Model,DPM）和水平集的自动道路提取算法,重点研究了如何实现水平集道路提取的自动化处理,并通过一系列改进策略来提高所提出算法的整体计算效率,主要工作如下:1)在深入研究传统方向梯度直方图（Histogram of Oriented Gradient,HOG）的基础上,提出了一种可以随着目标物角度的旋转而有规律变化的HOG_{Ro t}特征,并进一步提出了一种基于HOG_{Ro t}特征的目标物旋转角度判断方法,该方法通过分别计算两幅图像的HOG_{Ro t}特征,判断当前图像中的主要目标物相对于参考图像中主要目标物的平面旋转角度。利用该方法,本文在DPM训练过程中,仅提供横向道路片段作为训练样本,同时在测试过程中将所有测试样本中的道路片段统一旋转为横向即可完成道路片段的识别。如果不利用该方法,在DPM道路片段识别过程中,就需要将道路片段分成大致的几个方向,并对每一个方向分别进行训练和测试,整体算法的计算复杂度就会提高。所以,这一改进方案大大减少了DPM的训练时间,提高了本文提出算法的整体效率。2)针对水平集方法需要手动对零水平集曲线进行初始化的问题,引入DPM方法替代了传统水平集方法的手动初始化过程,实现了道路提取的自动化,该方法将整幅遥感道路图像裁剪成小尺寸图像块,并利用训练好的DPM模型识别小尺寸图像块中的道路部分,称之为道路片段,并用一个矩形框标识检测到的道路片段的大致位置,而后将该矩形检测框作为粗略零水平集初始曲线,并利用灰度统计数据剔除错误的检测结果,得到最终的零水平集初始曲线。该方法替代了传统的手工过程,实现了遥感图像道路提取的自动化。为了验证上述方法的有效性,在真实的遥感道路图像进行了实验,选取5类共75幅不同道路片段作为测试集,利用基于HOG_{Ro t}特征的目标物旋转角度判断方法,成功地将其中71幅道路片段图像复原到了横向,正确率达到了94.7%。同时给出两幅遥感道路图像的直观道路检测结果图,实验结果表明本文提出的算法迭代次数更少、耗时更短,后采用总体质量、完全率、准确率三个评价指标,结果表明,所提出的算法不仅实现了道路提取的自动化,还保证了高效性和准确性。