基于生成对抗网络的无人机影像道路信息提取方法技术

本发明专利技术公开了一种基于生成对抗网络的无人机影像道路信息提取方法，包括步骤：获取训练数据；构建生成网络；构建判别网络；更新生成网络和判别网络参数；网络训练；提取的道路信息区域图像；对提取的道路信息区域图像进行形态学处理。本发明专利技术的优点在于：通过对校正的无人机遥感图像裁切原图和特征学习后的道路提取信息输出的对比，发现道路信息提取效果满足了快速识别低等级道路信息的研究目的，达成了道路信息自动提取的研究目标。

【技术实现步骤摘要】
基于生成对抗网络的无人机影像道路信息提取方法
本专利技术涉及无人机影像道路信息提取
，特别涉及一种基于生成对抗网络的无人机影像道路信息提取方法。
技术介绍
道路作为一种重要的基础设施，在城镇建设、交通运输和军事应用等领域都扮演着重要的角色。随着载有高分辨率传感器的卫星大量投入使用，如何快速、准确地从高分辨率遥感影像中提取道路信息引起了众多国内外学者的关注。在提取方法上，目前较为成熟的还是半自动的提取方法，仍未有一种真正意义上的全自动提取方法，在稳定性方面也还存在着很多问题，距离实际的应用还有很大一段距离。因此，一种稳定高效的全自动道路提取无论是在军事上，还是GIS数据更新上都具有重大的意义。然而，遥感图像数据量的巨大以及地表信息的复杂，使得采用人机交互提取道路信息的方法，有效率低下，不及时和不准确的技术短板，从而导致信息处理不及时和决策延误。目前，道路上较多的车辆、房屋阴影及植被的遮挡等情况也给道路信息，尤其是低等级道路信息提取带来了很大的干扰，因此如何高效去除干扰道路信息提取的噪声也是亟待解决的技术难题。深度学习理论和技术的成熟使得针对图像的信息提取准确率迅速提高，以深度学习为背景的图像处理技术，如图像分类[1-2]，语义分割[3]、网络训练[4]和对抗性网络[5]等研究方向都成为了当前研究的热点。雒培磊等提出了一种使用卷积神经网络(CNN)自适应地提取特征点的分层卷积特征进行影像配准的方法[6]。韩洁等引入深度信念网络对高分辨率遥感影像进行分类的操作，使得分类的总体准确率和Kappa系数最高[7]。王港等通过深度学习神经网络训练“高分一号”遥感影像，实现了准确检测机场、操场等基础设施目标[8]。文献[12]利用深度卷积神经网络，对包含道路的图片进行训练，但是此方法需要人工选取种子点，只能达到半自动提取道路信息的结果。文献[13]等采用32*32切片的方法处理遥感图片，利用3层卷积层+1层全链接层的深度学习模型判别道路像素，最后利用线积分卷积对提进一步处理结果的方法，但此方法依然需要人工参与。另外深度学习方法也被广泛应用于地面沉降[9]，光谱分类[10]，特征选择[11]等遥感领域方方面面。参考文献[1]SIMONYANK,ZISSERMANA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition[J].arXivpreprintarXiv:2014.1409-1556.[2]RENS,HEK,GIRSHICKR,etal.FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks[C]//Advancesinneuralinformationprocessingsystems.2015:91-99.[3]LONGJ,SHELHAMERE,DARELLT.Fullyconvolutionalnetworksforsemanticsegmentation[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2015:3431-3440.[4]LUCP,COUPRIEC,CHINTALAS,etal.Semanticsegmentationusingadversarialnetworks[J].arXivpreprintarXiv:1611.08408,2016.[5]LONGJ,SHELHAMERE,DARELLT.Fullyconvolutionalnetworksforsemanticsegmentation[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2014,99:640-651[6]雒培磊,李国庆,曾怡.一种改进的基于深度学习的遥感影像拼接方法[J].计算机工程与应用,2017,53(20):180-186.LUOPeilei,LIGuoqing,ZENGYi.Modifiedapproachtoremotesensingimagemosaicbasedondeeplearning.CEA,2017,53(20):180-186.[7]韩洁,李盛阳,张涛.基于深度学习的遥感影像城市扩展方法研究[J].载人航天,2017,23(3):414-418.HANJie,LIShengyang,ZHANGTao,ResearchonUrbanExpansionMethodBasedonDeepLearningofRemoteSensingImage[J]MannedSpaceflight2017,23(3):414-418[8]王港,陈金勇,高峰,等.基于深度学习的遥感影像基础设施目标检测研究[J].无线电工程,2018(3).WANGGang,CHENJinyong,GAOFeng,etal.Targetdetectionofremotesensingimageinfrastructurebasedondeeplearning.[J].radioengineering,2018(3).[9]郑重,张敬东,杜建华.基于深度学习的遥感影像中地面塌陷识别方法研究[J].现代商贸工业,2017(35):189-192.ZHENGzhong,ZHANGJingdong,DUJianhua.Recognitionmethodofgroundsubsidenceinremotesensingimagebasedondeeplearning[J].modernbusinessandindustry,2017(35):189-192.[10]CHENGG,YANGC,YAOX,etal.WhenDeepLearningMeetsMetricLearning:RemoteSensingImageSceneClassificationviaLearningDiscriminativeCNNs[J].IEEETransactionsonGeoscience&RemoteSensing,2018,PP(99):1-11.[11]ZOUQ,NIL,ZHANGT,etal.DeepLearningBasedFeatureSelectionforRemoteSensingSceneClassification[J].IEEEGeoscience&RemoteSensingLetters,2015,12(11):2321-2325.[12]WANGJ,SONGJ,CHENM,etal.Roadnetworkextraction:aneural-dynamicframeworkbasedondeeplearningandafinitestatemachine[J].InternationalJournalofRemoteSensing,2015,36(12):3144-3169.[13]LIP,ZANGY,WANGC,etal.Roadnetworkextractionviadeeplea本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的无人机影像道路信息提取方法，其特征在于,具体步骤如下：步骤1，获取训练数据将处理后的无人机遥感图像裁剪成n×n大小的一系列遥感图像，然后制作标记出道路区域的标签图像，将各遥感图像及其对应的标签图像作为训练数据；步骤2，构建生成网络在生成网络中，对于n×n大小的RGB图像遥感图像经过一个端到端训练的图像分割网络，经过卷积与反卷积操作，得到大小为n×n的概率特征图；步骤3，构建判别网络1)将训练数据中n×n大小的遥感图像输入到步骤2构建的生成网络中，得到输出特征图，将输出特征图与n×n大小的遥感图像分别经过一次卷积操作，将卷积得到的特征图连接起来作为判别网络的输入，经过判别网络之后得到一个介于0和1之间的输出，判别网络将此输入当做是假图像的输入，此时判别网络的期望输出为0，判别网络输出与此时的期望输出相减得到误差；2)将训练数据中n×n大小的遥感图像及其对应的标签图像分别经过一次卷积操作，然后将卷积得到的特征图连接起来作为判别网络的输入，经过判别网络之后得到一个介于0和1之间的输出，判别网络将此输入当做是真实图像的输入，此时判别网络的期望输出为1，判别网络输出与此时的期望输出相减得到误差；步骤4，更新参数将步骤3得到的误差反向传播，更新生成网络和判别网络参数。步骤5，网络训练步骤1得到的训练数据中的所有遥感图像以及各自对应的标签图像，经过步骤2、3，对生成网络进行训练，使生成对抗网络中的生成网络与判别网络达到一个平衡状态，生成网络产生的输出特征图即假图与标签图像差异很小，以至于判别网络也判别不了其输入的图像是来自于标签图像还是来自于生成网络所产生的输出特征图即假图；步骤6，提取信息将达到平衡状态下的生成对抗网络中的生成网络单独取出来进行应用，将无人机拍摄到的遥感图像裁剪成n×n大小的一系列高分辨率遥感图像，并将其作为输入，从而获得生成网络的输出特征图作为分割结果，也就是所提取的道路信息区域图像。步骤7，形态学处理对提取的道路信息区域图像进行形态学处理，对提取的道路信息进行去噪处理，增强道路显示效果。...

【技术特征摘要】
1.一种基于生成对抗网络的无人机影像道路信息提取方法，其特征在于,具体步骤如下：步骤1，获取训练数据将处理后的无人机遥感图像裁剪成n×n大小的一系列遥感图像，然后制作标记出道路区域的标签图像，将各遥感图像及其对应的标签图像作为训练数据；步骤2，构建生成网络在生成网络中，对于n×n大小的RGB图像遥感图像经过一个端到端训练的图像分割网络，经过卷积与反卷积操作，得到大小为n×n的概率特征图；步骤3，构建判别网络1)将训练数据中n×n大小的遥感图像输入到步骤2构建的生成网络中，得到输出特征图，将输出特征图与n×n大小的遥感图像分别经过一次卷积操作，将卷积得到的特征图连接起来作为判别网络的输入，经过判别网络之后得到一个介于0和1之间的输出，判别网络将此输入当做是假图像的输入，此时判别网络的期望输出为0，判别网络输出与此时的期望输出相减得到误差；2)将训练数据中n×n大小的遥感图像及其对应的标签图像分别经过一次卷积操作，然后将卷积得到的特征图连接起来作为判别网络的输入，经...

【专利技术属性】
技术研发人员：何磊，舒红平，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川,51