在图2-5给出交通矢量地图的生成的流程图，本章的工作是围绕着流程图中的彩色地图的道路识别而展开的，就是根据一幅彩色交通地图，利用一定的算法，提取出其中的道路、区域信息，形成一幅黑白位图。笔者在本章中针对道路和区域的识别提出两种不同的优化算法，并得出实验结果。算法设计流程图如下：
特征点模板匹配颜色聚类开始水平方向扫描垂直方向扫描是否存在满足条件的连续噪声像素结束平滑，腐蚀图像二值化YesNo开始结束特征点模板匹配颜色聚类贴标签分类算法是否仍有满足条件的像素点平滑，腐蚀图像二值化YesNo图像预处理道路提取优化算法图像后处理
§3.1 栅格地图图像的基本知识
一幅纸质地图经扫描仪输入至计算机后得到的数字图象，是作为位图文件(BMP)在计算机中存储并显示的。位图是一个矩形点阵,上面的每一个点称之为一个象素(pixel)，扫描仪根据所选择的分辨率将原图象分成若干象素点，以象素点为基本单位记录原图象的信息，就得到栅格图象。一幅m×n 大小的图象，就是由m×n 个象素点组成的。
任何一种色彩都可以由红(R)、绿(G)、蓝(B)三种基色组合而成，这一原理被用于在计算机中存储彩色图象。按照这三种基色，彩色图象可以分解成三种单色图象，彩色图象中象素的色彩反映为单色图象中象素的明暗程度，这种明暗程度称为灰度。一般将白色的灰度值定为255，黑色的灰度值定为0，而由黑到白之间的明暗度均匀的划分成256个等级，因此，记录单色图象的一个象素的灰度值需要用一个字节；而在彩色图象中，每个象素至少需要用三个字节来分别记录三种基色的灰度值。
由于具有以上特点，在彩色图象的识别和处理中，通常是通过对其三个单色图像读取进行处理来实现的。
那么在地图中可将象素的RGB值作为识别特征，每个像素点具有三个属性。一幅地图可以用二维矩阵表示如下：
其中
代表图中第i 行第j 列的象素点， M、N 分别为整幅地图象素点阵的行、列数，那么一幅图像就可以看成是一个M×N的矩阵。在以象素的RGB值为属性的矩阵中，是一个三维向量：
§3.2 图像预处理
鉴于在1.3.2节中本文图源的特点――在原始图象中，道路的背景一般都很复杂。我们首先要对图像进行预处理，其目的是为了除强干扰噪声，加强有用的信息，以便后续处理。图像预处理中包括两个步骤：基于特征点的模板匹配以及基于颜色一致性的聚类分析。
§3.2.1 模板匹配及聚类分析的基本概念
1．模板匹配的概念及理论
模式被理解成取自世界有限部分的单一样本的被测量量值的综合；模式识别就是试图确定一个样本的类别属性，即把某一个样本归属于多个类型中的某一个类型。在物理上可以觉察到的世界里，适当地选择某些物体和事件，我们称它们为样本，对它们进行观测。
模板匹配即是模式识别中一个最原始，最基本的方法。本质上是一种统计识别方法。其中，模板可以理解为一个供模仿的、完美无缺的标本。因为一个模板与未知样品匹配的好坏，取决于模板上各单元与样本上各相应单元的匹配与否。若处于模板与样品上的绝大多数单元均相匹配，则称该模板与样品“匹配得好” ；反之则称“匹配不好” 。其中统计分类方法是用已知所属类别的样本，设计出判别函数，再用此函数来对未知样品分类的方法。这些已知类别的样本，亦称训练集，根据训练集进行分类的方法，称为有教师的分类法。凭经验，根据所分类的问题，确定一种准则，并用它来判断样本的分类是否合理。[21]
在机器识别事物的过程中，常需把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准，或根据已知模式到另一幅图中寻找相应的模式，这就叫图像匹配。[22]早期的图像匹配技术主要用于几何校正后的多波段遥感图像的套准，其实也可以用模板匹配的方法来研究一幅图中是否存在某种已知模板图像。在图3－1(a)中，需要寻找一下有无图3－1(b)的图像。若在被搜索图中有待寻的目标，且同模板有一样的尺寸和方向，它的基本原则就是通过相关函数的计算来找到它以及被搜索图的坐标位置。
图3-1a 被搜索图S 图3-1b 模板T
设模板T叠放在搜索图S上平移，模板覆盖下的那块搜索图叫做子图Si,j，i，j为这块子图的左上角像素点在S图中的坐标，不妨称其为参考点，可从中看出i和j的取值范围为
1<i<M－M1＋1，1<j<N-N1+1
比较T和Si,j的内容。若两者一致，则T和Si,j之差为零，所以可以用下列两种测度之一来衡量T和Si,j的相似程度：
（3.1）
或者
（3.2）
图3-2a 搜索图S 图3-2b模板T
如果展开前一个式子，则有
（3.3）
右边第三项表示模板的能量，它随(i,j)位置而缓慢改变，第二项是子图像和模板的互相关，随(i,j)而改变。T和Si,j匹配时这一项取值最大，因此我们可以用下列相关函数作相似性测度：
（3.4）
或者化为
（3.5）
根据施瓦兹不等式可以知道上式中0<R(i,j)<1,并且仅在此值
为常数时R(i,j)取极大值（即等于1）。上式可以写成更简洁的内积形式
（3.6）
当矢量t和S1之间的夹角为零时，即S1(i,j)=kt时（这里k为标量常数），有R(i,j)＝1，否则R(i,j)<1。因为模板要在(M-M1+1)*(N-N1+1)个参考位置上做相关计算，用相关法求匹配的计算量表达式为
。
2．颜色一致性的概念和聚类分析的概念及理论
颜色一致性意味着颜色空间中相似的颜色在人类看来也是相似的，它有两个方面的含义：1)对于自然图像，具有相似颜色的象素点在空间上的分布是连续的；2)在颜色空间中颜色的变化是光滑的，也就是说，当表示象素点颜色的三元色值连续变化时，在人眼看来颜色的变化也是连续的。
聚类就是要在全部样本中寻找自然的数据类。所谓自然的数据类，就是一类中的样本是相似的，即在特征空间的距离将明显小于不同类的样本之间的距离。因此，可以定义一个适当的距离函数，利用其属性特征进行相似性度量，当两个样本之间的距离小于某个阈值时，就认为这两个样本属于同一类；根据距离函数，就将全部样本分成了若干个类。[23]
下面是这种方法在一个二维特征空间的示意图，*和☆分别代表两类特征点，虚线圆和圆心的黑点则表示阈值的大小和聚类中心的位置。
在地图图像中，象素值不同的点位于不同的区域，同一颜色的象素点的位置相对集中，因此使用聚类的方法能够实现识别的目的。因此，可以定义一个适当的距离函数，通过不同点之间进行颜色相似性度量，在地图中找出与选定样本点同一颜色类的点。当两个点之间的颜色距离小于某个阈值时，就认为这两个点属于同一颜色类；那么根据以下的颜色距离函数，就将地图进行合理分类。
（3.7）
其中，
为给定颜色样本点，Dcolor(，)为颜色距离函数，表示象素点与之间的颜色差距，
为非线性空间的修正系数。
§3.2.2 基于特征点的模板匹配
在地图中医院的标记形如“
”，“
”，“
”等等。这个符号因为含有较多的白色块，对于地图道路提取有较强的干扰作用。而其他的符号因未包含白色象素，造成的干扰要小些。为了提高地图的准确性，在预处理中消除医院标志符号的干扰。
常用来消除标记的方法就是用模板匹配的方法，找出标记模板所在的位置，然后对整个模板块所在位置的标志颜色，用模板所在位置周围的颜色代替。
但是对于地图若是使用传统的匹配方法，首先，选择模板，从上边列出的图标可以看出，每个图标都是表示医院，但是背景细节完全不同，我们无法得到一个理想化的标本；其次，需要在被搜索图中找到与模板有一样的尺寸，方向以及模板内所有颜色均保持一致的待寻目标，由于用这种相关算法需要对图象中每一点进行模板匹配来取出所需模板的位置，计算量太大，时延长；最后鉴于图像的复杂性，无法得到跟模板完全匹配的子图。故未采用传统的匹配方法。
由于传统模板匹配的方法上述缺陷，我们设计了基于特征点的模板匹配方法。在某些限定的情况下，对象具有固定不变的特征位置，可以通过这些特征位置点来定位对象，这个过程称为基于特征点的模板匹配。本文中的特征点是指出现在一定位置，而且具有特定颜色的点。
算法步骤：
1)构造标记模板为“
”。经过观察大量的医院标记，得出该图标中间的白色3×3矩阵，该矩阵上下左右等矩处均有红色。
2)模板“”在地图图像上平移，找出和这个模板匹配的参考点的位置。根据这个特征模板不需要每点都进行比较，在模板范围内对中间的3×3白色矩阵及等矩处的红色点匹配，黑色的底色是不进行匹配的。对于这个模板的大小为16×17，现在只需比较地图中被平移的子图与模板中相同位置21个特征点是否一样。
3）对于2)中匹配点进行处理：如果匹配则取出该模板在图中的位置，并用区域颜色来覆盖该模板在地图上的模板大小的子图。如果不匹配则继续搜索，直至整幅地图被匹配完毕为止。
§3.2.3 基于颜色一致性的聚类分析
在去除医院标记的干扰之后，对于整幅地图我们用颜色聚类的方法简化道路和区域的颜色。在地图中用不同颜色表示不同道路性质，比如道路主要是白色的，用浅绿色表示过境车辆道路，用橙色表示货运机动车禁行路等；也有用不同颜色表示不同的区域性质，比如区域主要是棕色的，用深浅不一的蓝色代表区域块中湖泊，用绿色表示区域块中的绿地。
基于颜色一致性的聚类分析，通过颜色比较，把颜色距离相近的归为一类；用单一颜色来表示不同性质的道路，用单一颜色来表示区域；由此得到由单一颜色道路、单一颜色区域和字符噪声组成的地图图像。
算法步骤：
1)确定图中主要颜色的类别。用鼠标直接在屏幕上选出地图的几类主要颜色作为样本点的颜色，将每种颜色定为一类。在以后的识别过程中，再根据增加的颜色调整样本点的个数，直到地图中主要的颜色类被全部选出为止。
2) 对每一类，以所选样本点作为聚类中心，并计算地图上各点与聚类中心的颜色距离；选取一个适当的值作为此类的阈值。如果两点之间颜色距离值小于阈值，则将两点归为一类；否则不进行归类。我们在计算颜色距离函数值时，计算式3-7中的系数均取为1。为了避免出现错误分类，我们将阈值设为0，即需要颜色完全一致才归为一类。
3) 扫描图象，对于1)中选择出属于区域的颜色类，这些颜色类中所有点属于区域信息，所有点标记为A；再选出属于道路的颜色类，这些颜色类中所有点属于道路信息，所有点标记为R；将所有标记为A的像素点，用棕色覆盖，对于所有标记为R的像素点，用白色覆盖。这样即完成了整个预处理过程。
需要注意的是：在聚类算法中，阈值的确定对结果有很大影响，选得过大或过小都会导致错误的分类。另外，应当取足够多种类的颜色作为一类地理要素的样本，只要保证其中所选的颜色不表示其它地理要素即可，而这对于面状要素是很容易实现。这样选取样本，能保证用不同颜色代表的同一类地理要素最终可以相同的颜色表示出来。
在该实验中，通过反复实验，根据结果调整阈值，可以消除地图中同一颜色的内容出现颜色差异。
图3-3原图 图3-4预处理过后的图像
§3.3 道路提取优化方法1－标签分类算法
在经过预处理过后，我们已经可以看见基本的道路、区域和文字噪声，但是道路和区域存在着大量的文字噪声以及其它尚未分类的颜色噪声。
这一节中我们设计标签分类算法，用它来完成去除预处理后的文字和其它信息噪声，从而得到一幅由道路区域以及少量噪声组成的地图图像。
标签分类算法步骤：
建立一个 3×3 的模板，如图3-5。待处理图像的高度为M，其宽度为N。设置T[M][N]为一个与待处理图像矩阵同样大小的矩阵。将3×3模板中的P0对准待处理图象中每一个象素，鉴于模板的大小问题，对于图像边界不作处理。对于图像按以下原则扫描处理：
图3-5
2）对整幅图象进行横向扫描，将图像中所有点对应的T[i][j]为0。
3）P0在图像上对准点的颜色为道路颜色R，则给象素点P0 标记为1，T[i][j]=1；P0在图像上对准点为区域颜色A，则给象素点P0标记为2，T[i][j]=2；若这两个条件均不满足，则给P0标记为3，T[i][j]=3。
4）对于标记为3的点，取背景点P1—P8，①
均小于某个阈值，其中1<i<9，则说明这些点同属一类，并可以判定P0也属于这一类；②若这些点只包含颜色R和其他颜色且不包括颜色A，则认为P0属于R的一类，取颜色R为RGB值作为P0的颜色值同时将P0的标记改为1，test[i][j]=1；③若这些点只包括颜色A和其他颜色且不包括颜色R，则认为P0属于颜色A一类，取颜色A为rgb值作为P0的颜色值，改P0的标记为2，test[i][j]=2；④若这些点既包含颜色R又包含颜色A，则取优者作为P0的颜色值，并相应的更改P0点的标记值；⑤对于这些点中既不包含颜色A和颜色R的点予以保留，即保留P0点的颜色值和标记值。
5）上述过程视其效果反复循环多次知道满意为止。上一步的⑤在循环中，可以逐步被消除。下图给出标签分类后的图像。
3-6 经标签分类处理后的图3-4
§3.4 道路提取优化方法2－消除道路上字符噪声的优化算法
§3.4.1 字符特征分析
图3-7a 图3-3的一部分 图3-7b 3-7a的灰度直方图
在图中，文字噪声的一些重要特征：1)在这类图源中灰度值最低；2)字笔画宽度远小于道路宽度，通常在1到3个象素；3)单一文字呈方块状，但是方块的方向和大小非单一。
在图3-7a中可以很明显的观察到特征3)。在图3-7b中，可见最低灰度值是27，指的是图像中字符的灰度，其中比例最高的是区域像素的灰度值为168，再次就是道路像素的灰度值255。
截取a的一部分放大，如图3-8。图中字符的笔画宽度最大为三个像素，最小为一个像素。在道路中的字符笔画颜色不均，但是笔画的连续像素一般都夹在道路颜色之间。
图3-8 图3-7a局部放大的图像
§3.4.2 消除道路上字符噪声的优化算法实现
算法思想：用道路颜色代替完全处于道路中的字笔划的颜色，去除道路中的文字噪声，从而使得道路不被字符隔断，尽可能的保持道路连通性。
实现过程：检测连续噪声像素，如果连续噪声像素的个数小于设定阀值T1，用该噪声像素段的前面一种颜色和后一种颜色分段代替这段噪声像素，因为只是为了去除道路上的噪声像素，故，仅当前后像素为道路像素时，才作上述处理。此外，从图3-8中明显得出仅仅作水平方向扫描像素点是没有办法去除“科”字当中的横线，因其噪声像素长度明显超过T1。因而也要从垂直方向扫描像素点，按照上面的方法进行处理。
算法步骤：
1）设定阈值T1。经过实验我们选取T1为6，这样能够较好的避免过识别和欠识别。
2）沿水平方向探测噪声像素，令探测到第一个噪声像素将其水平方向前一像素点的颜色值pre，继续水平检测，直至检测到道路或是区域像素为止，并令该检测点的颜色值为nex，计算该段连续噪声的长度。如果其长度小于T1，进行去除噪声的处理，否则的话保留该段噪声像素。在消除噪声的处理中，比较nex和pre的颜色，如果两者均为道路颜色，该段像素用道路颜色代替；否则的话不作处理。
3）重复2)直至水平方向没有满足条件的点为止。
4）沿垂直方向探测噪声像素，令检测到第一个噪声像素将其垂直方向前一像素点的颜色值pre，继续垂直探测，直至检测到道路或是区域像素为止，并令该检测点的颜色值为nex，计算该段连续噪声的长度。如果其长度小于T1，进行去除噪声的处理，否则的话保留该段噪声像素。在消除噪声的处理中，比较nex和pre的颜色，如果两者均为道路颜色，该段像素用道路颜色代替；否则的话不作处理。
5）重复4)直至垂直方向没有满足条件的点为止。
图3-9 经过道路优化算法2处理过的图3-4
§3.5 图像后处理
经过上述优化处理的地图中还存在着大量的高频噪声。地图中不是没有高频信号，但这些高频信号应该存在于不同的要素之间，而不是在同一要素之中。我们不希望看到地图中存在着那么多的“灰尘”，希望地图颜色能够变得单一，同一颜色区域内部颜色具有一致性。这种情况下就需要平滑。平滑只是辅助处理，但对最终的效果影响很大。由实践经验来看，这些“灰尘”的确影响了后续处理。
在文中我们采用腐蚀算法来对整个地图图像进行，然后对图像进行二值化，得到黑白图，即是图像后处理部分。
§3.5.1 数学形态学的基本概念
数学形态学（Mathematical Morphology）是分析几何形状和结构的数学方法，是建立在集合代数的基础上，用集合论方法定量描述集合结构的科学。1985年后，它逐渐成为分析图像集合特征的工具。
数学形态学是由一组形态学的代数运算子组成的。最基本的形态学算子有：腐蚀（Erosion）、膨胀(Dilation)、开运算(Open) 闭运算(Close)。用这些算子及其组合来进行图像形状和结构的分析及处理，包括图像识别、特征提取、边界检测、图像滤波、图像增强和恢复等方面的工作。
数学形态（morphology）这一名称是从形状研究中的来的。这种方法也说明了一个事实，即在许多机器视觉算法中，跟据形状来思考问题最自然，也是最容易的。形态方法有助于进行基于形状或者图形思考。形态方法中图像信息的基本单元是二值像素。
形态学的理论基础是集合论。在图像处理中形态学的集合代表着黑白和灰度图像的形状，如黑白二值图像中所有黑色像素点的集合组成此图像的完全描述。这一集合中，进行形态变换的像素点是被选择的集合X，而此集合的补Xc是没有被选择的集合。通常被选择的集合是图像的前景，而未被选择的集合是图像的背景。
任意两个二值图像A和B的交是一个二值图像，记为A∩B，即A与B中皆为1的图像点p的集合，用符号表示为
A和B的并，记为A∪B，即A或B或两者中为1的所有图像点p的集合，用符号表示为
设Ω是全值二值图像（所有的像素值皆为1），A是二值图像，A的补集是A中1与0互相交换后的二值图像，即
若A是二值图像，p是二值图像B中的一个像素点，则A被p平移后的二值图像由下式表示。
即二值图像A被一个像素点p平移是指将A的原点移到p。
膨胀
已知二值图像A，如果
是由二值图像
中像素值为1的点平移得到的，则A由B平移的并称为A被B膨胀，即
膨胀满足结合率、交换率。这样，在进行膨胀的步骤序列中，完成运算的顺序就不重要了。这就允许我们将几个简单的形状，然后重新组合成膨胀序列。
腐蚀
腐蚀是膨胀的相反过程。二值图像A经二值图像B腐蚀后在p点仍为1的充分必要条件是：B平移到p后，B中的1像素也是A中的1像素。A被B腐蚀可用下式表示
二值图像B常常是规则图像，是作用于图像中的一种探针，也称为结构元。腐蚀在许多应用中起着十分重要的作用，结构元对一幅图像进行腐蚀会生成一幅包含结构元所有位置的图像。
膨胀和腐蚀展示了几何的而不是逻辑的对偶特性，这种特性也包含可几何互补性与逻辑互补性，二值图像的几何互补称为它的反射。二值图像B的反射'B是与B关于原点对称的二值图像，即
数学形态学中的基本运算可以组合成很复杂的运算。如前边所见，膨胀扩大图像，腐蚀收缩图像。另外两个重要的形态运算是开运算和闭运算。
开运算一般能平滑图像的轮廓，消弱狭窄的部分，去掉细的突出。闭运算也是平滑图像轮廓，与开运算相反，它一般融合窄的缺口和细长的弯口，去掉小洞，填补轮廓上的缝隙。
开运算
设A是原始图像，B是结构元素图像，则集合A被结构元素B作开运算，记为A
B，其定义为
换句话说，A被B开运算就是A被B腐蚀后的结果再被B膨胀。
闭运算
设A是原始图像，B是结构元素图像，则集合A被结构元素B作开运算，记为A•B，其定义为 /
换句话说，A被B开运算就是A被B膨胀后的结果再被B腐蚀。
除了以上介绍的运算外，还有一些其它的形态学运算，如击中击不中变换等。
击中击不中变换(HMT)
在图像分析中，同时探测图像的内部和外部，而不仅仅局限于探测图像的内部或外部，对于研究图像中物体与背景之间的关系，往往会得到很好的结果。击中击不中变换即可达到此目的。
当利用结构元素腐蚀一幅图像时，腐蚀的过程相当于可以填入结构元素的位置作标记的过程。虽然标记点取决于原点在结构元素的相对位置，但输出图像的形状则与此相关。这是因为改变原点的位置，仅仅会导致输出结果发生平移。同样的结论也适合于腐蚀的对偶运算——膨胀。膨胀时对图像补集作腐蚀运算所得到结果的补集。
击中击不中变换在一次运算中同时可以捕获到内部标记。击中击不中需要两个结构元素E和F，这两个结构元素被做为一个结构元素对),(FEB=，一个探测图像内部，另一个探测图像外部，原图像为A，则其定义为：
当且仅当E平移到某一点时可填如A的内部，F平移到该点时可填入A的外部时，该点才在击中击不中变换后输出中。显然，E和F应当是不相连接的，即
,否则，便不可能存在两个结构元素同时填入的情况。因为击中击不中变换是通过将结构元素填入图像及其补集完成运算的，故它通过结构元素对（简称结构对）探测图像和其补集之间的关系。[24]
在上述知识的基础上，我们可以建立其很多形态学的实际应用。如边缘提取、区域填充、连接部分提取、凸壳、细化、粗化、骨骼化、裁减等等。
§3.5.2 用腐蚀算法来平滑去噪
在图形图像处理中，平滑的算法很多，技术也相当成熟，但不同的算法将导致不同的效果，用不好，将适得其反。平滑算法主要分为频域和空域两大类方法。对本应用来说，频域法是那么出乎意料的失败，经过FFT变换，处理再反变换后，原来颜色单一的地方竟生出了许多的“灰尘”。根据需要，可以选取4邻域，8邻域，12邻域。以12邻域应用较多。邻域面积越大，平滑效果越强，但也不是没有限制，效果强不一定就意味着佳。推广到极限，我们把整幅地图看成一个邻域，平滑之后，整个地图都成一种颜色。所以不能无限制的选择模板。
用一个点的邻域中最多数目的那种颜色代替其该点颜色，而不是用邻域中所有颜色的平均值，是因为该平均值可能又是一个新的颜色值，“平滑”之后，颜色值的总数反而增加了。
所以我们选用了空域中的众数均值法，就是用一个点的邻域中数目最多的那种颜色代替本点的颜色，并且选取8领域模板，在整个图像中进行平移。
在本文中的处理目的不是为了视觉效果变好，而是使得一块区域中的颜色保持一致性。这是一种“聚块”式的平滑。
腐蚀算法本来是用于消除物体边界点，如果结构元素选取3×3的黑色块，腐蚀将使物体的边界周边减少一个元素。当然一个前提就是道路足够宽，不然的话，就会把道路给剥断掉。该图源中，道路的宽度是大于2的，剥一层边界之后无损于道路的连通性。另外，腐蚀可以把小于结构元素的物体去除，前面所提及的平滑就是利用腐蚀的这一特性来处理图像的。如前所述，有一类文字是一部分落在道路上，另一部分落在背景上，这一部分文字会作为道路的噪声被提取出来。如果文字与道路粘连的部分不是太大，经过腐蚀可以与道路相分离开来，可以部分转换为完全在道路上的字符噪声。如果道路足够宽，可以多腐蚀几次，效果尤佳。但是鉴于部分道路经过上述提取已经成为细连接道路，所以在此不做循环腐蚀。
§3.5.3 图像二值化
该处理过程中，道路二值化就是将点颜色为道路颜色的像素点设置为白色，将其它颜色设置为黑色；区域二值化就是将像素点颜色为区域颜色的像素点设置为黑色，将其它颜色设置为白色。
§3.6 算法程序实现
§3.6.1 开发信息
本论文综合运用了前面叙述的图像处理、图像识别等理论构建了彩色城市交通地图道路识别系统的程序。该程序采用Microsoft Visual C++作为开发工具。图3-10是该系统程序界面。
§3.6.2 程序界面
1．标题栏
标题栏显示的是当前打开的位图文件路径名，以及该系统的名称。当前打开的是合肥地图。
图3-10 程序界面
2.菜单栏
〔文件〕该菜单只处理位图文件的打开和保存，仅对BMP文件进行操作。
〔查看〕用来隐藏或是显示工具栏和状态栏。
〔分色〕用来完成道路颜色聚类和区域颜色聚类。
〔实验〕是本文所提及方法的实验集合，实现文中提及的算法思想，有如特征点模板匹配、去噪、标签分类，二值化，细化等图像操作。
〔道路子系统〕完成道路提取工作。
〔调试/try〕对于新的算法思想进行调试时使用的菜单。
〔帮助〕显示系统的版本信息和中国科学技术大学GPS实验室的链接。
§3.6.3 运行结果
图3-11为该程序所得的实际结果，它是以合肥地图作为示例的。
图3-11 程序结果图
