随着摄影测量与遥感技术快速发展,高分辨率遥感影像已经成为一种获取基础地理信息数据的重要渠道。道路作为一种重要的通行基础设施,快速、准确地从高分辨率遥感数据中提取对地图制图、地理国情监测以及交通导航等具有极其重要的作用。针对现有影像道路提取方法自动化程度低的问题,本文利用遗传算法、脉冲耦合神经网络、模糊集理论以及数学形态方法,基于视觉理论对高分辨遥感影像的道路信息提取技术进行了研究,实现了道路信息的自动、快速、准确提取,并将提取结果矢量化后应用于道路网更新。主要的研究内容和创新点如下:(1)简要分析了高分辨遥感影像道路提取的意义、高分辨率遥感影像的特点以及影像的道路特征,介绍了现阶段国内外遥感影像道路提取的研究现状并分析了发展趋势,并根据视觉理论设计了一套高分辨率遥感影像道路的提取技术。(2)改进了一种基于遗传算法改进的模糊集影像增强的方法。针对模糊集影响因子及隶属度阈值难以选取的问题,研究了一种基于遗传算法的阈值选取方法,使选择的阈值更加接近道路的灰度特征。实验结果表明该算法在增强道路影像的效果优于对比度增强算法、直方图均衡化算法和Ostu改进的模糊集增强方法。(3)提出了一种基于参数自动化选取的脉冲耦合神经网络(PCNN)和K-means结合的影像分割方法。针对PCNN参数选取的问题,提出以反距离权重法进行内部链接系数的选取,以每次激活点火的像素个数累计是否达到影像总像素个数作为终止迭代条件,并以遗传算法的KSW双阈值选取作为PCNN的内部活动限制条件,最后结合K-means算法进一步改善分割效果,实验结果表明,改进的方法改善了影像分割的效果,同时能够提高效率。(4)提出了一种结合道路特征的多结构、多尺度形态学的道路提取方法。根据道路的形态特征决定数学形态学的结构算子,采用多结构、多尺度的结构算子进行道路区域二值图像的形态学处理,避免了单一结构元素进行形态学处理的抗噪能力弱和边缘信息的损失的问题,并保证了提取的道路区域的完整性与准确性。最后对提取出的道路信息进行数学形态学细化,提取出道路的中心线。实验结果表明基于道路特征的多结构、多尺度形态学方法提取的道路效果较为理想。(5)将提取的道路线矢量化,采用Douglas–Peucker对矢量化数据进行压缩,减少数据存储量,利用MappingStar数字测图系统编辑修改提取的道路线,将提取的结果应用于道路线采集,并与传统人工采集方法相比较,实验结果表明本文算法的道路线采集方法能够提高采集效率,减少人工编辑工作量。最后,将道路提取的方法应用于道路网的更新。