（4）    Snake 模型。这个过程是表示图像特征（包括图像的灰度和梯度）和连续性和平滑性约束在一个能量函数里面表示出来。目标可以通过求取能量函数最小值来提取。该方法进一步发展为 LSB-Snakes 和 Ziplok Snakes 模型。
（5）     基于类与模糊集的道路网络提取。该方法是利用特征提取算法来提取道图像的基本特征。但由于图像的复杂程度相对较高，人工智能发展的种种局限因素，如今还没有很好的能够完整的得到道路图像的特征，通常得到的只有一部分的道路图像特征，不是一个连续的道路图像，所以得不到正确的道路网络。道路半自动提取当前更容易实现。在计算机尚未达到最高水平（人脑的模拟），人体识别能力与计算机的的组合来提取特征更为可取。虽然全自动化实现起来非常的困难，但我们可以不断的努力来改进方法，减少人工的参与度，用计算机自动化代替，实现较高的自动化，这也是当今研究的趋势。
 虽然半自动提取方法，取得了良好的效果，但随着不同的图像场景的复杂度的增加，人机交互处理的需要改进。因此自动化方法的研究将是未来的主要趋势。本文选取的就是基于图像边缘的道路信息提取方式，在VISUAL C++的编程环境下实现了相关的图像处理功能。 道路图像特征的提取识别分割国内外研究现状(3):http://www.youerw.com/yanjiu/lunwen_33709.html