基于多尺度生成对抗网络的无人机遥感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多尺度生成对抗网络的无人机影像道路信息提取方法，将遥感图像分别通过卷积和反卷积操作，得到长宽各缩小一倍和放大一倍的图像，然后通过一个端到端训练的图像分割网络，得到三种对应尺度的输出特征图，然后通过卷积和反卷积操作，统一到原始大小尺度，通过逐像素相加的方法，将融合在一起并输入到判别网络中与标签图像进行对比得到误差，并更新生成网络和判别网络参数。经过一定数量训练数据的训练，最终将对抗生成网络中的生成网络的生成结果作为应用中的分割结果即提取的道路区域图像。针对无人机图像中道路区域占单张图像比例过大或过小的情况，本发明专利技术能很好的提取到道路区域，同时提高了无人机遥感影像中道路区域分割精度。

【技术实现步骤摘要】
基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法
本专利技术涉及无人机遥感图像自动化处理
，具体地说是一种基于生成对抗网络，并且融合多尺度图像处理的高分辨率无人机遥感影像道路信息提取的方法。
技术介绍
无人机遥感作为遥感的发展趋势之一，在数据获取过程中具有很强的时效性、针对性和高灵活性等优点，是获取遥感数据的重要途径。道路作为遥感影像中最常见的地物信息之一，道路信息的提取在军事战略、空间制图、城市建设、交通管理、通行导航等关乎国计民生的领域中有着重要的意义。近年来，随着深度学习的快速发展，机器学习等各大领域包括计算机视觉迅速被深度学习占领，包括图像分类、目标检测以及图像语义分割。相较于传统的算法，深度学习往往有20％-30％成绩的提高，这主要归结于卷积神经网络对图像特征的强大的学习能力，这是传统的基于像素和边界识别等算法所不能比拟的。尽管现有的很多卷积神经网络模型在图像语义分割上已经有了很成功的表现，但有时候并不能很好地学到训练数据中的一些特征，尤其是在图像语义分割任务中，分割模型在通常对每个像素的类别进行预测，像素级别的准确率可能会很高，但像素与像素之间的相互关系容易被本文档来自技高网...

【技术保护点】
1.一种基于多尺度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，包括以下步骤：(1)、获取训练数据将原始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；(2)、构建生成网络2.1)、在生成网络中，对于n×n大小的遥感图像的RGB三通道图像，分别通过卷积操作和反卷积操作，得到大小分别为0.5n×0.5n和2n×2n的RGB三通道图像；2.2)、在生成网络中，将步骤2.1)中得到的大小为2n×2n的RGB三通道图像经过一个端到端训练的图像分割网络，得到一个大小为2n×2n的分类概率特征图，经过卷积操作，得到大小为...

【技术特征摘要】
1.一种基于多尺度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，包括以下步骤：(1)、获取训练数据将原始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；(2)、构建生成网络2.1)、在生成网络中，对于n×n大小的遥感图像的RGB三通道图像，分别通过卷积操作和反卷积操作，得到大小分别为0.5n×0.5n和2n×2n的RGB三通道图像；2.2)、在生成网络中，将步骤2.1)中得到的大小为2n×2n的RGB三通道图像经过一个端到端训练的图像分割网络，得到一个大小为2n×2n的分类概率特征图，经过卷积操作，得到大小为n×n的概率特征图；2.3)、在生成网络中，将步骤2.1)中得到的大小为0.5n×0.5n的RGB三通图像经过与步骤2.2)中相同结构的端到端训练的图像分割网络，得到一个大小为0.5n×0.5n的分类概率特征图，经过反卷积操作，得到大小为n×n的概率特征图；2.4)、在生成网络中，将n×n大小的遥感图像的RGB图像经过与步骤2.2)中相同结构的图像分割网络，得到一个大小为n×n的分类概率特征图，即n×n的概率特征图；2.4)、在生成网络中，最后将步骤2.2)、(2.3)、(2.4)得到的三个大小均为n×n的概率特征图，通过逐像素相加的方法，融合三个尺度的图像特征，得到生成网络的输出特征图；(3)、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×...

【专利技术属性】
技术研发人员：李玉霞，彭博，童玲，杨超，范琨龙，程渊，李凡，袁浪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51