基于先驗知識的甘肅省積石山震后損毀道路提取

關鍵詞：道路損毀提??；變化檢測；先驗知識；地震；遙感中圖分類號：P315.9；TP79 文獻標志碼：A doi：10.3969/j.issn.1000-1379.2025.07.010引用格式：李佳欣，吳吉東，吳瑋，等.基于先驗知識的甘肅省積石山震后損毀道路提取[J].人民黃河，2025，47（7）：59-65

Post-Earthquake Road Damage Information Extraction in Jishishan， Gansu Province Based on Prior Knowledge

LI Jiaxin ^1，2，3 ，WU Jidong12，WU Wei4，MA Daqing§，XU Yingjun ^1，2 ， PENG Ruyi ^{1，2，3}

（1.International Cooperation JointLaboratory for Catastrophe Simulationand Systemic Risk Response，Ministryof Education， Beijing Normal Universityat Zhuhai，Zhuhai 519087，China;2.School of National Safetyand Emergency Management， Beijig NoralUniversity，Beijing00875，China；3.ScholofSystesScien，BeijingNoalUniversityBeijing0875，China; 4.National Disaster Reduction Center of China，Ministry of Emergency Management，Beijing 1O0124， China; 5.China Academy of Safety Science and Technology，Beijing 1Oo012，China）

Abstract：Chinaisacountrywithsevereearthquakedisasters，withawiderangeoffectedareas，ighfrequencyofoccuenceandhigh intensityofearthquakeactivityRoads，aste\"lifeline\"，playanimportantroleinthetransporationofmateralsandpersoelfteran earthquakedisasterocus，quicklyandcuratelybtainingtelcationofroaddamageisfgreatgificancefotielydedgingoflif andcaryingoutpostdisasterrescue.Inresponsetotheissuesoftrongshadowinterference，ighfaultmissddetectionrate，andsevere fragmentationinremotessingidenificationofroaddamageafterarthquakes，thispperproposdaoaddamagelayerextractionfraeork thatintegratedpriorknowledgeofOpenStreeap（OSM）.Theefectivenessofthemethodwasverifiedbyusingthe2O23JishshanM6. earthquaeasatypicalcase.Byuldigafourlayertecicalsstemof\"vectorostraint-agsegmentatioopologepaidagdete tion\"，rapidlcalizationofaddmageinomplexteinareashadncheved，providingaistaceiniproingresespdd ducing personnel and property losses.

Key words：road damage extraction；change detection；prior knowledge；earthquake； remote sensing

0 引言

地震是地殼運動引發劇烈震動的一種自然現象，由于其具有突發性，因此劇烈的地震會給人類帶來巨大的災難。尤其在社會經濟高速發展、城市化進程發展迅速的今天，地震會造成生命財產安全的巨大損失。我國位于環太平洋地震帶與歐亞地震帶之間，地殼活動頻繁，地震活動影響區域廣、發生頻次多、發生強度大，是一個地震災害嚴重的國家，全國大約有 60% 的國土面積 50% 的城市 67% 的大城市位于7度及以上地震烈度帶，而且地震區域內大中城市居多[1]。我國地震呈現西強東弱、西多東少的分布特點，主要分布于東經 110^° 以西。2021年國務院發布《“十四五”現代綜合交通運輸體系發展規劃》，強調“交通運輸是構建新發展格局的重要支撐”，在災后應急響應、抗震救災過程中，道路作為“生命線”起著物資輸送、人員運送的重要作用。地震發生后往往會伴隨崩塌、滑坡、泥石流等次生地質災害，導致道路掩埋、中斷，較強地震會導致房屋坍塌而掩埋路面，甚至路面直接發生斷裂，例如：1976年唐山地震造成 228km 公路受到損壞[2]2008年汶川地震導致 244.27km 的公路損毀[3]，2013年雅安市廬山地震損毀道路達 18.5km^[4] ，2014年云南省魯甸地震受損公路里程達到 2595km^[5] 。道路損毀會影響交通運輸，進而影響應急救援的效率。傳統獲取道路損毀信息主要依靠人工實地勘察，信息獲取時間長、投入人力物力大且具有危險性。因此，減少獲取損毀道路精確位置的時間對于及時疏通生命線、展開災后救援具有重要意義

隨著遙感影像分辨率的提升與地物類型復雜性的增加，基于像素或對象的傳統方法逐漸暴露出對數據質量依賴性強、特征表達不足等問題。針對高分辨率遙感影像中道路提取的研究始于啟發式算法，如基于邊緣檢測、基于紋理和形狀特征的方法。這些方法對噪聲與陰影敏感，易產生斷裂和遺漏[6]。地震災后道路往往伴隨破裂、塌陷及覆被物遮擋，單純依賴影像分割的方法難以準確區分真實斷裂和噪聲斷裂，且后續拓撲修復算法多使用固定緩沖區半徑，難以適應道路寬度和地形變化，導致誤檢和漏檢顯著[7]。此外，陰影、云霧等影像干擾會進一步降低提取精度，傳統的陰影抑制算法效果有限。在此背景下，引入先驗知識成為優化地物提取精度與魯棒性的重要途徑。先驗知識能夠通過整合地物的空間分布規律、光譜特征關聯性及語義邏輯關系，有效彌補遙感影像中因遮擋、陰影或噪聲導致的信息缺失，道路矢量信息是道路提取的重要先驗知識。崇乾鵬[8]指出，知識驅動學習可通過構建地物拓撲關系網絡，約束分割邊界的不確定性，顯著提升復雜場景下的分割性能。吳曉燕等[嘗試用新的小比例尺遙感影像和已有的道路網矢量數據自動或半自動地進行道路網提取及變化檢測。程效猛等[10]提出基于矢量路網輔助的道路提取方法，實現了對高分辨率遙感影像道路快速精確的自動提取。這些研究充分證明了道路矢量信息在提高道路識別精度中的有效性，且具有拓撲結構完整的優勢。道路提取依賴形態學特征與拓撲規則，先驗知識的融合顯著提升了復雜環境下的提取魯棒性。例如：Liu等[提出方向性數學形態學算子，結合VGI數據中的道路網絡密度先驗，有效抑制了建筑物邊緣的干擾?？傋兎趾托螒B學分析方法，根據鄰域總變分和直方圖得到分割道路所需的合適閾值并從圖像中分割出道路區域，結果證明能穩定提取道路信息[12。這些研究發現形態學算法能夠有效提高影像分割的穩定性。

綜上，本研究將OSM道路矢量作為先驗知識引入道路提取流程，在影像分割前進行矢量約束，并在輸出結果前進行拓撲修復，形成“三位一體”的連貫框架

1 數據與方法

1.1 研究區概況

本文研究區為積石山保安族東鄉族撒拉族自治縣，該縣屬甘肅省臨夏回族自治州，地處黃土高原與青藏高原過渡帶的黃河上游河谷區。研究區地貌類型豐富，地勢以山地和河谷為主，地形起伏較大，地質條件相對復雜。該縣作為連接甘青兩省的交通要沖，G310國道、S309省道穿境而過，是臨夏回族自治州通往青海省循化縣的核心走廊。

2023年12月18日23時59分，該縣發生6.2級地震，震源深度 10km ，地震最大烈度達V度。截至12月22日，地震造成甘肅省117人、青海省31人遇難。

1.2 研究數據來源及預處理

1.2.1 遙感數據源

本研究采用多源異構遙感數據協同分析的技術路線，針對2023年12月18日積石山地震，選取高分二號（GF-2）衛星遙感影像與吉林一號（JL-1）衛星遙感影像構建災前災后對比數據集。在數據選取中，選擇云量小于 30% 的遙感影像，且災前成像時間距災害發生不大于30d，災后成像時間距災害發生不大于 ^72h 。

災前數據為2023年11月18日獲取的高分二號衛星遙感影像數據，距地震發生日期為30d，可以有效規避道路施工、改道等常態道路變化對災后道路損毀識別帶來的影響。高分二號衛星搭載的全色多光譜傳感器（PMS）提供 0.81m 分辨率全色數據與 3.24m 分辨率多光譜融合數據。經 融合算法處理后的高分二號遙感影像空間分辨率達 0.85m ，能夠清晰辨識超過 3m 寬度的道路結構特征。災后數據為2023年12月19日獲取的吉林一號衛星遙感影像數據，距離災害發生僅 24h ，可以及時識別震后道路損傷。吉林一號衛星遙感影像的空間分辨率為 0.72m ！分辨率高，可以清晰識別道路結構特征。

由于不同傳感器之間存在差異，同一衛星拍攝的全色和多光譜影像在分辨率、定位精度上存在差異，因此相同區域的影像往往會出現不同程度的錯位。為了保證前后時相影像的一致性和數據精度，首先對所用遙感影像進行輻射定標、大氣校正和正射校正，然后將多源影像通過融合與重采樣的方法統一到相同分辨率與投影坐標系，并在此基礎上對災前與災后影像實施精確配準。上述預處理流程有效消除了成像條件與傳感器差異的影響，為后續道路提取提供了可靠的數據支撐，見圖1。

圖1遙感影像預處理結果

Fig.1 Preprocessing Results of Remote Sensing Images

在多源遙感數據協同處理中，采用圖2所示技術路線，確保災前災后數據投影、配準、分辨率保持一致。通過人工標志點-自動匹配混合配準法完成異構數據的地理校正，通過統一投影、空間裁剪（裁剪災前災后遙感影像的公共區域）與重采樣3個關鍵步驟實現數據空間一致性，重采樣后災前災后遙感影像分辨率均為 0.72m 。

1.2.2 道路矢量數據

本文采用OpenStreetMap（OSM）開源道路數據集作為先驗知識源，通過OSM官方API下載研究區路網矢量數據。其原始數據集包含7類等級化道路要素，依據OSM的“highway”屬性標簽，將道路劃分為高速公路（motorway）、主干道（trunk）、主要道路（primary）等，見表1。

1.2.3 道路數據集構建

為驗證模型精度，采用“從局部到整體”的思路構建數據集，具體流程如下。

1）局部典型區選取與多時相影像預處理。選取積石山地震中部、北部山谷等具有代表性的典型受損路段，確保這些子區域損毀特征明顯，為模型提供最具挑戰性的局部樣本。收集災前（GF-2）與災后（JL-1）高分辨率遙感影像，對所有原始TIF影像統一進行上述預處理工作，消除不同傳感器、不同時間拍攝導致的畸變與亮度差異。采用基于特征點的亞像素級配準算法與矢量道路圖層（OSM）對齊

2）圖塊裁切與樣本生成。在校正后的影像中，以1 024×1 024 像素為單位滑動裁切，覆蓋中部、北部山谷等典型損毀路段。

3）像素級手工標注?；贚abelMe平臺，結合GoogleMap道路分布與OSM矢量數據，通過矢量勾繪精確標注每條可見道路的邊緣，保證道路邊緣與斷裂、塌陷等損毀細節均被準確覆蓋

4）掩膜優化與格式轉換。將標注JSON導出為二值掩膜，利用平滑處理、Gaussian模糊、開閉運算等形態學優化去除鋸齒與噪聲。將優化后掩膜由JSON轉換為8位PNG，像素值0表示非道路，255表示道路。將影像格式從原始TIF轉換為JPG，以減小訓練輸入體量。

5）數據集劃分與統計最終篩選出1042對“影像-掩膜”樣本。按照 4：1 比例隨機分配，其中訓練集833對，測試集209對。

1.3 研究方法

本文采用先驗知識理論，在多源遙感數據的情況下，構建基于先驗知識的道路損毀提取方法，并對積石山地震后道路損毀情況進行提取，技術路線見圖3。

1）系統分析震后道路損毀遙感識別中存在的關鍵挑戰，指出傳統方法在陰影干擾抑制、道路斷裂漏檢和緩沖區參數固化等方面的不足。2）提出融合OSM先驗知識的道路損毀提取框架。3）以甘肅省積石山地震為試驗區，利用遙感影像數據開展試驗。

1.3.1 基于矢量先驗的道路提取方法

針對震后復雜場景下道路提取的干擾抑制與斷裂修復難題，研究提出一種融合OpenStreetMap（OSM）矢量先驗的三層遞進式技術框架（見圖4），依次為矢量約束層、影像分割層、拓撲修復層。該方法的核心思想是通過地理先驗知識約束處理范圍，結合影像特征自適應分割與拓撲修復，實現高精度、高效率的道路提取。

1）矢量約束層：動態緩沖區生成與候選區掩膜。

傳統道路提取方法常受非道路區域（如建筑物、植被）干擾導致誤檢率高且計算效率低。利用OSM中道路中心線，依據道路類型（主干道、次干道、支路）和當地路網屬性，可以動態計算對應的緩沖區寬度，替代固定半徑，達到匹配影像實際分辨率和道路寬度差異的目的[13]。因此，本研究基于OpenStreetMap 開源地理數據庫，獲取研究區OSM道路矢量數據，通過屬性-空間關聯建模生成等級化動態緩沖區解決上述問題，關鍵過程包括屬性空間映射和高斯軟邊界過渡。

屬性-空間關聯建模是一種將地理要素的語義屬性（如道路等級、類型）轉化為空間處理參數的關鍵技術，旨在實現基于先驗知識的自適應計算。本研究利用OSM道路矢量數據中的屬性標簽信息，依照屬性-空間關聯建模建立道路等級與物理特征的映射關系。該方法可以使緩沖區寬度與道路等級進行動態適配，將道路提取搜索范圍從遙感影像的全圖縮小至緩沖區，避免固定閾值導致的過分割或欠分割問題[14-15] 。

依照道路等級與緩沖區參數建立的映射關系為

式中： T 為OSM道路數據中highway屬性標簽，參數依據《公路工程技術標準》（JTGB01—2014）與影像分辨率綜合確定。

高斯軟邊界過渡是一種基于高斯衰減函數的緩沖區邊緣平滑技術。該方法通過概率權重衰減實現緩沖區邊緣的自然過渡，提升后續影像分割與拓撲修復的魯棒性，避免提取結果出現鋸齒效應。高斯軟邊界過渡的目標函數為

式中： d（x，y） 為像素點 Φ（x，y） 至道路中心線的歐氏距離； σ 為高斯函數的標準差，控制衰減的速率，取 σ= 0.5W （ W 為道路等級對應的基礎緩沖區寬度）。

若為中心線附近（ d≈0 ），權重 B（x，y）≈1 ，保留完整道路特征;若為緩沖區邊緣（ d≈W） ，權重 B（x，y） ，弱化邊緣像素的貢獻；若為超出緩沖區（ （dgt;W） ，權重趨近于0，完全抑制非道路區域干擾。

2）影像分割層：自適應閾值分割與形態學優化。震區影像常因云層、煙霧的影響而局部對比度下降，固定閾值難以適應不同區域的光照差異，同時建筑物倒塌后容易與道路光譜相混淆，影響識別結果。影像分割層主要包括自適應閾值分割[16-17]和橢圓核閉運算兩個關鍵步驟，實現對遙感影像的道路識別。

Otsu自適應閾值分割是一種基于圖像直方圖的自適應二值化方法，通過最大化類間方差自動確定最佳分割閾值，適用于光照不均或對比度變化的場景。針對震區影像中局部對比度下降及光譜混淆問題，本研究在傳統Otsu算法基礎上引人局部對比度權重因子，提升陰影區域道路的識別能力。Otsu自適應閾值分割的函數為

式中： w₀（T）_?w₁（T） 為閾值分割后的前景（道路）/背景像素占比 為前景/背景區域的平均灰度值， C_local（x，y） 為以像素 （x，y） 為中心的局部對比度。

式中： ：μ_local 為窗口內灰度均值， μ_global 為全圖灰度均值。

橢圓核閉運算是一種基于數學形態學的后處理方法，通過設計方向性結構元素與多步驟形態學運算組合，解決道路提取中常見的斷裂填充、噪聲去除與邊緣平滑問題。相較于傳統矩形核，橢圓核因其各向異性特征更適配道路線性結構，在保護拓撲連通性的同時提升形態學操作的有效性，

3）拓撲修復層：端點檢測與區域生長。地震災害發生后，真實的損毀往往伴隨著灰度突變、形態不規則等。傳統道路提取方法受建筑物、粉塵、背景等因素影響導致識別出的錯誤損毀信息增加，拓撲結構不完整，這類損毀信息往往灰度相對連續且幾何形態規則。因此，拓撲修復層在動態緩沖區生成的候選區掩膜內，通過端點檢測和區域生長[18-20]兩個關鍵算法，為損毀檢測提供完整的災前基準道路網絡，修復非損毀性斷裂（如分割誤差、臨時遮擋），使得真實損毀（塌陷、裂縫）在修復后的完整路網中更易凸顯。

端點檢測是拓撲修復層的核心步驟，可以定位道路掩膜中的斷裂端點，為后續區域生長提供種子點。

區域生長算法在拓撲修復層中用于連接因分割誤差或臨時遮擋導致的道路斷裂，通過端點引導-灰度驅動-掩膜約束三重機制，在動態緩沖區內實現精準修復。其核心在于灰度相似性與空間約束的協同作用，確保生長過程僅填充真實道路區域，避免誤連至建筑物或損毀區域

1.3.2 道路損毀識別方法

道路損毀識別主要依賴光譜特征分析與深度學習語義分割兩類方法。光譜特征分析存在受環境干擾導致誤檢率高、數據時序依賴性強、結果碎片化等問題，深度學習對訓練數據需求量較大，數據獲取難。本研究采用二值掩膜變化檢測[21-22]的方法，通過對比災前災后的道路掩膜，規避光譜噪聲的干擾，提高計算效率。道路損毀識別主要基于基礎差異檢測和連通區域過濾兩個關鍵算法得以實現，見圖5。

二值掩膜變化檢測是一種基于圖像分割結果的差異分析方法，通過對比不同時相的二值化道路掩膜，快速識別道路損毀區域。其核心思想是將復雜的遙感影像變化檢測問題轉化為二值邏輯運算問題，通過像素級比對凸顯道路損毀的空間分布與形態特征。二值掩膜變化檢測的數學公式為

D_raw（x，y）=M_pre（x，y）[1-M_post（x，y）]

式中： M_pre 為災前道路二值掩膜， M_post 為重采樣對齊后的災后道路掩膜

連通區域過濾是圖像處理中用于分離獨立對象并篩選有效區域的關鍵技術。在道路損毀檢測中，其作用為去除小面積噪聲、提取連續損毀區域、統計損毀區域幾何特征。

1.3.3 道路提取模型精度驗證

為了進行對模型精度的驗證，構建了一個高質量的像素級手工標注數據集，以確保精度驗證的可靠性與全面性。該數據集包含1042對道路影像及其對應的二值掩膜，標注工作基于LabelMe平臺展開，在OpenStreetMap提供的道路中心線與Google地圖實際道路分布的雙重參考下，沿道路邊緣逐幀勾繪多邊形，獲得精準的道路區域邊界。為了消除多邊形折線帶來的尖角和噪點，對標注結果先后采用了平滑處理、高斯模糊以及形態學的膨脹與腐蝕操作，有效填補了微小孔洞并抑制了邊緣噪聲。所有JSON標注文件通過批量轉換生成了與原始影像分辨率完全一致的二值TIF掩膜，保證了模型輸出與地物標注在像素級上的對齊。

混淆矩陣也叫誤差矩陣，是一種直觀展示分類模型預測結果與真實標簽結果之間關系的工具，通過二維表格直觀展示預測結果與真實標簽的對應關系，見表2?；煜仃嚨膬烖c在于直觀展示分類錯誤的具體情況，為后續計算各類評價指標提供基礎數據，

注： TP 為被準確識別為道路的像素數量， FP 為將非道路區域誤判為道路的像素數量， FN 為未能識別出的真實道路像素數量， TN 為被正確識別為背景的像素數量。

準確率（ （A_ccuracy） ）使用了混淆矩陣中的所有元素，可以整體衡量模型分類正確的比例，反映模型預測的總體準確性，其計算公式及計算結果如下：

2 結果分析

2.1 道路提取結果

基于OMS道路矢量先驗的道路提取方法準確率為 95.03% ，表明模型在超過九成的像素上均能實現正確分類，矢量提取結果如圖6所示。該模型能很好地提取道路，結果較為精準，尤其在主干道提取上表現優秀，充分驗證了融合OpenStreetMap（OSM）矢量先驗的三層遞進式道路提取模型可以得到很好的應用

2.2 道路損毀提取結果

2.2.1基于矢量先驗的道路識別結果

基于OpenStreetMap（OSM）開源地理數據，獲取研究區道路矢量信息，將預處理后的災前災后遙感影像（分辨率為 0.72m ）按照OMS數據中的道路屬性生成道路掩膜并進行裁剪。運用自適應閾值分割方法、區域生長法完成災前災后的道路提取，最終生成災前災后的道路提取二值掩膜結果。圖7、圖8為災前災后道路二值掩膜結果。從圖7提取結果可以看出，依據災前遙感影像能很好地提取道路信息，主干道路連續性好，各級道路拓撲結構完整，道路邊界平滑，盤山公路彎曲路段無明顯鋸齒現象。圖8提取結果表明，依據災后遙感影像能很好地識別細小損毀區域，因此該算法能很好地提取道路信息。

2.2.2 基于變化檢測的損毀識別結果

通過變化檢測方法對災前災后的道路提取二值掩膜結果進行分析，得到研究區道路提取結果（見圖9），其中紅色區域為識別的損毀區域。結合研究區地形地貌特征，可以得出研究區震后道路損毀空間分布特征：1）集聚性分布。損毀路段主要集聚于研究區的中部及中北部地區。2）等級差異性。主干道路如G310國道、S309省道局部出現間斷性損毀，且主要集中在邊坡陡峭路段，而農村公路損毀則呈現連續片狀分布。3）地形關聯性。研究區縣地形復雜，地震發生后河谷地帶沿黃河南岸道路出現道路損毀，山地區也出現滑坡體掩埋道路的現象。

3討論

3.1 方法局限性

1）現有公開OSM數據覆蓋不足。研究區部分村級道路（尤其是山區小路）在OSM數據中缺失，導致動態緩沖區未能完全覆蓋實際路網，提取影像特征時存在漏檢風險。

2）損毀識別能力限制。對于損毀結果的識別停留在是否損毀的尺度，沒有對損毀程度的劃分，無法顯示損毀的嚴重性，且在分辨率上只能提取 1m 以上的損毀信息。

3）先驗知識靜態性影響。OSM數據更新滯后于實際路網改造，新建或改道路段（如震前3月通車的吹麻灘鎮環線）未納入矢量庫，導致動態緩沖區參數適配偏差。

3.2 改進方向

1）先驗知識與深度學習相結合。利用OSM道路矢量生成訓練樣本，通過遷移學習策略（如Domain-AdversarialTraining）提升模型在數據稀缺區域的泛化能力，緩解村級道路標注不足導致的漏檢問題

2）多種先驗知識相結合。集成地震烈度分布圖、斜坡穩定性評估數據，融合手機信令數據或POI分布，構建動態緩沖區寬度調整規則，提升道路信息的提取能力。

3）多源數據相結合。嘗試使用無人機數據提高影像的分辨率，從而提高模型對道路損毀信息的提取能力[18] 。

4結論

針對災后道路損毀信息識別需求，構建了基于先驗知識的多層次道路損毀提取框架，并以積石山6.2級地震為典型案例完成方法驗證，主要結論如下。

1）動態緩沖區的有效性。通過OSM道路屬性生成的等級化動態緩沖區，成功將影像處理范圍約束至道路潛在區域。結合分塊計算策略顯著降低了運算內存壓力，提高了道路識別的能力，避免建筑物等其他要素對識別結果的影響，為后續處理提供高效的空間約束條件。

2）拓撲修復的實用性。端點引導的區域生長算法有效修復了因影像分割誤差導致的道路斷裂，減少了其他因素影響道路連續性，保證了災前道路提取結果的拓撲完整性，修正了災后道路提取結果中非損毀性斷裂信息，滿足后續損毀對比分析需求。

3）損毀分布的空間特征。檢測結果表明，損毀路段在研究區中部及中北部集聚性分布，低等級道路（村級公路）的損毀呈現連續性特征。從數據預處理到損毀識別的全鏈條方法在積石山案例中展現出工程可行性，輸出成果可為應急指揮提供道路中斷位置、損毀聚集區等關鍵信息

參考文獻：

［1]：王龍.基于遙感影像的地震災害損失評估方法研究與實現[D].北京：中國地震局地震預測研究所，2007：31-36.

[2] 陳丹丹.基于Deeplabv3 ^?+ 的高分遙感影像道路損毀信息提取方法研究［D].北京：中國地震局地震預測研究所，2020：23-36.

[3] 陳世榮，馬海建，范一大，等.基于高分辨率遙感影像的汶川地震道路損毀評估[J].遙感學報，2008，12（6）：949-955.

[4] 劉三超，湯童，高懋芳，等.利用高分辨率遙感數據的蘆山地震道路損毀快速評估[J].航天器工程，2014，23（4）：125-130.

[5] 劉愛文，帥向華，呂紅山，等.魯甸地震生命線工程震害特點及應急搶修[J].震災防御技術，2014，9（3）：359-367.

[6] CHENZY，DENGLA，LUOYH，etal.RoadExtractioninRemote Sensing Data：A Survey[J].International Journal ofApplied Earth Observation and Geoinformation，2022，112：102833.

[7] ZHOU M T，SUI H G，CHEN S X，et al.Large-Scale RoadExtraction from High-Resolution Remote Sensing ImagesBased on a Weakly-Supervised Structural and OrientationalConsistency Constraint Network[J].ISPRS Journal ofPhoto-grammetryand Remote Sensing，2022，193：234-251.

[8] 崇乾鵬.基于知識驅動學習的高性能遙感影像分割方法研究[D].煙臺：煙臺大學，2024：23-35.

[9] 吳曉燕，車登科，戴芬.影像與矢量結合的道路自動提取及變化檢測[J].礦山測量，2010，38（1）：62-64.

[10] 程效猛，鄭浩，眭海剛，等.結合矢量引導的高分辨率遙感影像道路自動提取[J].測繪通報，2018（9）：19-23.

[11]LIU B，WU HY，WANG YD，et al.Main Road Extractionfrom ZY-3 Grayscale Imagery Based on Directional Mathe-matical Morphology and VGI Prior Knowledge in Urban Ar-eas[J].PLoS ONE，2015，10（9） ：e0138071.

［12］李書曉，常紅星.基于總變分和形態學的航空圖像道路檢測算法[J].計算機學報，2007，30（12）：2173-2180.

[13]LOURENCO M，ESTIMA D，OLIVEIRA H，et al.AutomaticRural Road Centerline Detection and Extraction from AerialImages for a Forest Fire Decision Support System[J].Remote Sensing，2023，15（1） ：271.

[14]POULLIS C，YOU S. Delineation and Geometric Modelingof Road Networks[J].ISPRS Journal of Photogrammetryand Remote Sensing，2010，65（2）：165-181.

[15]ZHANG Q P，COULOIGNER I.Accurate Centerline Detectionand Line Width Estimation of Thick Lines Using the RadonTransform[J].IEEE Transactions on Image Processing，2007，16（2） ：310-316.

[16]JUMB V，SOHANI M，SHRIVAS A.Color Image SegmentationUsing K-means Clustering and Otsu’s Adaptive Thresholding[J].International Journal of Innovative Technology and Explo-ring Engineering，2014，3（9） ：72-76.

[17]YANG P，SONG W，ZHAO X B，et al.An Improved OtsuThreshold Segmentation Algorithm[J].International Journalof Computational Science and Engineering，2020，22（1） ：146-153.

[18]HOJJATOLESLAMI S A，KITTLER J.Region Growing：A NewApproach[J].IEEE Transactions on Image Processing，1998，7（7）：1079-1084.

[19]CHANG Y L，LI X B.Adaptive Image Region-Growing[J].IEEE Transactions on Image Processing，1994，3（6） ：868-872.

[20]ZHANG X L，LI X F，FENG Y C.A Medical Image Segmen-tation Algorithm Based on Bi-Directional Region Growing[J].Optik，2015，126（20） ：2398-2404.

[21］沙玉坤，趙榮，沈晶，等.基于矢量數據的道路網變化檢測算法研究[J].測繪通報，2012（9）：29-31，40.

[22］盧昭羿，左小清，黃亮，等.面向對象的投影互分割道路變化檢測[J].國土資源遙感，2012，24（3）：60-64.