基于深度学习的高分辨率遥感影像城市道路提取方法技术

本发明专利技术公开了一种基于深度学习的高分辨率遥感影像城市道路提取方法。基于深度学习的高分辨率遥感影像城市道路提取方法，利用SSD深度学习模型提取高分辨率影像中的城市道路信息的方法，可提高城市道路提取精度；构建了辐射特征损失函数和几何特征损失函数构建方法，结合传统SSD深度学习模型，大幅提高城市道路提取精度，本发明专利技术的优点主要体现在：自动化程度高，无需用户干预，提取效率高；基于深度学习目标检测模型，并且构建辐射和几何特征损失函数，城市道路提取精度高；方法可扩展性好，可适当调整模型参数以适用于不同传感器的遥感卫星图像。

【技术实现步骤摘要】
基于深度学习的高分辨率遥感影像城市道路提取方法
本专利技术涉及城市道路提取方法，尤其涉及基于深度学习的高分辨率遥感影像城市道路提取方法。
技术介绍
道路网作为基础地理信息，它的识别和精确定位对于影像理解、GIS数据获取、制图以及作为其他目标的参照体都有深远意义。如何更好地利用遥感影像提取道路信息，是近年来的一个重要研究方向。根据自动化程度，道路提取可分全自动和半自动两种方式。目前国内外学者对于这两种方式的道路提取已进行了大量的研究。然而，除了一些半自动系统，还没有一种适用范围广的方法来自动提取道路网络，且大量应用都集中于中低分辨率下的道路或道路网。传统的基于线状地物的道路提取方法有：Hough变换，基于一阶微分算子的边缘检测方法等。这种道路提取方法常用于中低分辨率影像中道路的提取，但是高分辨率遥感影像中地物目标的复杂性和多样性决定了使用传统的道路提取方法不能满足日常实际应用的需要。随着空间信息技术的飞速发展，影像分辨率逐渐提高，低、中分辨率卫星影像由于分辨率较低，道路呈线状分布，提取相对容易；在高分辨率遥感影像中，道路表现为局部灰度值近似、宽度变化缓慢的狭长区域或矩形，不能使用低分辨本文档来自技高网...

【技术保护点】
1.基于深度学习的高分辨率遥感影像城市道路提取方法，其特征在于，包括以下步骤：步骤一、构建训练数据集：选择若干高分辨率遥感影像图片，随机分为训练数据集和验证数据集；将训练数据集中包含道路的图片标记为正样本，不包含道路的图片标记为负样本；步骤二、构建SSD神经网络模型：搭建SSD神经网络模型训练框架，将标注后的训练数据集输入到SSD神经网络模型中进行迭代训练，得到初始城市道路分类模型和参数；步骤三、建立辐射特征损失函数：f(w)＝λ||w||2+∑iyiloggw(xi)+(1‑yi)(logl‑gw(xi).其中，λ表示设定的常量，l为预测框，w当前预测框辐射值，gw表示当前像素值与预测框内像...

【技术特征摘要】
1.基于深度学习的高分辨率遥感影像城市道路提取方法，其特征在于，包括以下步骤：步骤一、构建训练数据集：选择若干高分辨率遥感影像图片，随机分为训练数据集和验证数据集；将训练数据集中包含道路的图片标记为正样本，不包含道路的图片标记为负样本；步骤二、构建SSD神经网络模型：搭建SSD神经网络模型训练框架，将标注后的训练数据集输入到SSD神经网络模型中进行迭代训练，得到初始城市道路分类模型和参数；步骤三、建立辐射特征损失函数：f(w)＝λ||w||2+∑iyiloggw(xi)+(1-yi)(logl-gw(xi).其中，λ表示设定的常量，l为预测框，w当前预测框辐射值，gw表示当前像素值与预测框内像素均值的比值，x为当前点像素值，y为当前点辐射值，取值{0,1}；步骤四、建立几何特征损失函数：其中，w表示像素点紧致度，取值(0，1]，C为该点距预测框左侧距离值，m为该点距预测框上边框距离值，x、y为该点坐标值，T为设定的阈值；所述像素点紧致度w的计算公式为：其中，Area为区域面积，p为区域周长；步骤五、利用训练数据集对步骤二得到的初始城市道路分类模型进行迭代训练，训练过程中使用步骤三和步骤四建立的损失函数对模型进行评价，改进模型参数，得到优化的城市道路分类模型；利用优化的城市道路分类模型对验证数据集进行检测；步...

【专利技术属性】
技术研发人员：刘建明，杨晓冬，王楠，张艺译，
申请(专利权)人：适普远景遥感信息技术北京有限公司，
类型：发明
国别省市：北京,11