The invention discloses a road recognition method and a system for remote sensing images, which comprises the following steps: scanning remote sensing images by sliding windows; judging whether an image block in a sliding window belongs to a road by using a first depth learning network, wherein an image block in a sliding window contains a plurality of pixels; and The edge portion of an image block determined by the first depth learning network as a road in a remote sensing image is described, and a second depth learning network is used to determine pixel by pixel whether each pixel belongs to a road. The road recognition method and system of the invention can achieve fast and accurate extraction of aerial remote sensing data.
【技术实现步骤摘要】
一种遥感影像的道路识别方法及其系统
本专利技术涉及遥感信息处理
,特别涉及一种遥感影像的道路识别技术。
技术介绍
随着无人机技术的快速发展,无人机航拍遥感具有影像实时传输、高危地区探测、成本低、高分辨率、机动灵活等优点,兼具卫星影像的价格和航空影像的快速采集优势,可以通过不同航高可实现高空间、大面积监测,也可以实现低空间较小范围精确监测,因此在国内外已得到广泛应用。随着无人机航拍遥感数据的大量获取,当前的应用瓶颈在于如何高性能地自动处理所获取的影像,而如何从海量的无人机航拍高分辨率遥感数据中提取目标有效特征就成为其中的关键技术。传统的道路提取方法是手工提取。尽管手工提取准确鲁棒,这种方法耗时且低效,而且不能满足越来越需要大量影像的实时处理需求。虽然完全自动化的方法已经研发了几十年,道路网络自动化提取仍然是一个开放和富有挑战性的问题。现有的道路检测识别方法常常通过人工设计特征表达,难以应用于海量数据,而且其过程强烈依赖于专业知识和数据本身的特征,很难从海量的数据中学习出一个有效的分类器以充分挖掘数据的内在本质,所以亟需一种能够自动从大量数据中学习特征的方法,获取数据中最有效的特征表征,实现信息的自动提取。近年来,自动提取目标特征往往采用深度学习(deeplearning)技术框架。该框架通过建立相对复杂的网络结构,充分挖掘数据的内在本质,取得了良好的效果。然而,解决光照变化、遮挡、阴影和运动模糊等传统难题依然是深度学习方法取得进一步成功的关键之一,也是高分辨率遥感影像智能解译技术的难点之一。高分辨率遥感影像虽然能够提供较多的细节信息,却同时放大了噪声, ...
【技术保护点】
1.一种遥感影像的道路识别方法,其特征在于,包括以下步骤:以滑动窗口的方式扫描遥感影像;使用第一深度学习网络判断滑动窗口中的图像块是否属于道路,其中所述滑动窗口中的图像块包含多个像素;对所述遥感影像中被所述第一深度学习网络判定为道路的图像块的边缘部分,使用第二深度学习网络逐像素地判断各像素是否属于道路。
【技术特征摘要】
1.一种遥感影像的道路识别方法,其特征在于,包括以下步骤:以滑动窗口的方式扫描遥感影像;使用第一深度学习网络判断滑动窗口中的图像块是否属于道路,其中所述滑动窗口中的图像块包含多个像素;对所述遥感影像中被所述第一深度学习网络判定为道路的图像块的边缘部分,使用第二深度学习网络逐像素地判断各像素是否属于道路。2.根据权利要求1所述的遥感影像的道路识别方法,其特征在于,所述步骤“以滑动窗口的方式扫描遥感影像”包括以下子步骤:以步长为半个车道宽度的滑动窗口方式扫描遥感影像,其中所述滑动窗口的长和宽分别为一个车道宽度。3.根据权利要求1所述的遥感影像的道路识别方法,其特征在于,所述步骤“使用第二深度学习网络逐像素地判断各像素是否属于道路”包括以下子步骤:所述第二深度学习网络采用至少两个不同尺度的输入窗口来逐像素地判断各像素是否属于道路。4.根据权利要求3所述的遥感影像的道路识别方法,其特征在于,所述步骤“所述第二深度学习网络采用至少两个不同尺度的输入窗口来逐像素地判断各像素是否属于道路”包括以下子步骤:所述第二深度学习网络采用其中一个输入窗口输入原始尺度图像;对所述原始尺度图像进行不同级别下的采样;所述第二深度学习网络采用其他输入窗口输入对所述原始尺度图像进行不同级别下采样后得到的图像,逐像素地判断各像素是否属于道路。5.根据权利要求3所述的遥感影像的道路识别方法,其特征在于,所述第二深度学习网络的损失函数为:其中,是损失函数,θ是模型参数,是待分析的像素集,P是概率,Y是标记变量,y∈{0,1}为Y标记变量的取值,q是对应的像素索引,y(q)是第q个标记变量,xs是第q个像素,xs(q)是像素,s是类别索引,y(q)|xs(q),θ,s是条件概率的变量,是像素集大小,S是类别数量。6.根据权利要求1至5中任一项所述的遥感影像的道路识别方法,其特征在于,所述第一深度学习网络为卷积神经网络,该卷积神经网络至少包括卷积层和池化层,该卷积神经网络的卷积层的特征映射为:其中,是第k个卷积核对应的特征映射,f...
【专利技术属性】
技术研发人员:陈曦,
申请(专利权)人:千寻位置网络有限公司,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。