No processo de extração de estradas a partir de imagens ópticas de sensoriamento remoto, existem problemas como fraca conectividade, omissão de ramos finos e inconsistência topológica entre a rede rodoviária prevista e a real. Este artigo propõe uma rede de extração de estradas guiada por direção e consciente da topologia. Primeiro, foi projetado um módulo de orientação multipath que se concentra nas relações de conectividade multidirecionais, separando e aprendendo de forma independente as características de conectividade em diferentes direções, fortalecendo a conexão entre os ramos da estrada e melhorando a continuidade da segmentação; em seguida, por meio de um módulo de fusão de características complementares de granularidade total, são integradas informações complementares de características finas e grossas, reforçando os detalhes e a expressão semântica das estradas e aumentando a capacidade da rede de capturar ramos finos; por fim, foi projetada uma função de perda consciente da topologia que visa explorar as diferenças estruturais geométricas na perspectiva topológica, aumentando a sensibilidade do modelo às mudanças topológicas e restringindo a coerência topológica entre a rede rodoviária prevista e a real. O modelo proposto obteve valores F1 de 81,95% e 79,98% nos conjuntos de dados DeepGlobe e Massachusetts, respectivamente, melhorando 0,73% e 1,5% em relação aos melhores métodos existentes, com IoU de 69,35% e 66,38%, melhorias de 0,98% e 0,66%. Os resultados experimentais indicam que RDTA-Net supera outros métodos principais em precisão e integridade da extração de estradas. Além disso, mantém excelente desempenho em cenários complexos como oclusão, ruído e iluminação.

extração de estradas;relações de conectividade;orientação direcional;fusão de características de granularidade total;consciência topológica