西工大新闻网4月25日电（张丁中 方一帆）4月23日晚上7点，软件学院启翔云沙龙学术讲座第五期在腾讯课堂准时进行。本期启翔云沙龙由软件学院研究生第五党支部承办，邀请了软件学院高利鹏老师为大家带来了《面向高分辨率遥感影像道路提取的空-谱特征增强方法研究》专题讲座。来自软件学院各年级的本科生、研究生以及其他专业对本课题感兴趣的师生纷纷进入课堂，讲座全程300余人参加。

首先，高利鹏老师介绍了面向高分辨率遥感影像道理提取的研究背景，即当今物理传感器多样化，影像的分辨率提高，而传统的地图测绘需求的时间成本高，人力成本高，在智慧城市的建设、数字城市基础设施建设的飞速发展下，产生了面向高分辨率遥感影像道路提取的需求，高利鹏老师所做的空-谱特征增强方法较之前的各类方法有更高效，更准确的优点。

随后，高利鹏老师介绍了一般的道路提取中所用到的方法。在研究过程中，常常将多种方法融合使用。道路提取一般经过三次处理。低层处理：对数据进行预处理，包括配准、纠正、滤波等，以及低层特征提取。中层处理：对形状、灰度、纹理等特征进行编组，并进行多尺度和多分辨率的空间分析。高层处理：特征组与目标匹配，通过知识规则等手段得到目标道路。

接着，高利鹏老师介绍了和谱增强方法和空间特征增强方法。光谱特征方面，由于阴影遮挡、材料变化等需要针对性提出基于边缘约束的多特征融合模型，报告介绍了模型在直线道路、U型道路和复杂道路情况下通过多特征进行道路提取的方法。空间特征方面，高分影像中的道路中的空间形态存在明显不同和尺寸不确定性会对我们的道路绘制带来影响，提出了拓展道路形状指数特征方法。

对于遥感影像中道路材料变化导致的道路光谱异质性问题，将影像的RGB颜色空间变化到HSV颜色空间模型下提取道路，可以得到较好的结果。

高利鹏老师还介绍了当下流行的基于深度学习的道路提取方法，RoadTracer方法和DeepRoadMapper方法。DeepRoadMapper方法的思路是：基于分割—道路细化—道路连接得到结果。RoadTracer的思路是：当前道路点—下一个点—迭代图构建，深度学习主要用于寻找下一个点上。深度学习方法较传统的方法有着更加高效的优点，但需要更大的样本量来训练。

空-谱特征增强方法应用在融合多源数据的三维道路提取和建模方面，并提出针对三维道路数据的质量评价因子用于高精度地图的三维道路模型构建，也应用于对城镇扩张驱动力分析方面，在城市未来建设方面发挥效能。

高利鹏老师的本次讲座从生产生活中的场景入手，让同学们了解了面向高分辨率遥感影像道路提取的空-谱特征增强方法，高老师的讲解由浅入深，层次分明，从基础知识到算法原理到应用场景，都做了系统的阐述，给各位同学的科研路线和方法打开了思路。

至此，软件学院启翔云沙龙系列学术讲座活动第五期圆满结束。请同学们及时关注相关信息，期待启翔云沙龙后续活动的到来。

（审稿：张琨）