Resumo: As demandas por dados geoespaciais referentes à malha viária são constantes, visto a gama de aplicações que necessitam desse tipo de dado. Destaca-se a importância destes dados nos ciclos de atualização de bases cartográficas, pois podem ser obtidos utilizando processos automatizados de extração de feições em imagens digitais, de forma mais precisa, rápida e menos onerosa, comparados aos métodos tradicionais. Nesse sentindo, este trabalho teve como objetivo a extração da malha viária em imagens RapidEye por meio do desenvolvimento de uma metodologia semiautomática híbrida, utilizando técnicas de classificação de imagem baseada em objetos e operadores morfológicos. A metodologia foi testada em três áreas distintas, com imagens adquiridas em épocas diferentes e o processo de extração avaliado por meio de métricas obtidas da correspondência linear. Foram alcançados em termos de corretude e completude os valores de 92,23% e 85,15% para a área 1, os valores de 79,16% e 81,06% na área 2, e os valores de 82,05% e 92,22% para a área 3, respectivamente. Os resultados demonstraram que o método proposto apresentou bom desempenho para a extração semiautomática de vias em imagens RapidEye, sendo uma alternativa para auxiliar na aquisição e atualização de base de dados da malha viária.

Abstract: The demand for geospatial data concerning road network is constant, due to the wide variety of application which needs this type of data. It stands out the importance of this data in cartography update cycles, that can be obtained using automated processes of feature extraction in digital images, which are more accurate, fast and less costly than the traditional methods. In this sense, this work aimed the road network extraction from RapidEye satellite imagery, by developing a hybrid methodology using techniques of object-based image classification and morphological operators. The methodology was tested in three different sites, with images acquired in distinct dates, and the extraction process was evaluated through metrics obtained from the linear matching procedure. By the proposed extraction process, were achieved in terms of correctness and completeness the values of 92.23% and 85.15% for test site 1, the values of 79.16% and 81.06% for test site 2, and the values of 82.05% and 92.22% for test site 3, respectively. The results shown that the proposed methodology presented a good performance for semi-automatic road network extraction from Rapideye images, representing an alternative to auxiliary road network database acquisition and updating.