一种遥感影像道路材质提取方法和系统技术方案

本发明专利技术公开了一种遥感影像道路材质提取方法，该方法利用双网络结构的处理方式，克服采用单一复杂神经网络结构的部分缺陷，如深层网络结构对信息学习的潜在过拟合及不可控性问题，浅层网络对信息学习的片面性问题等，提升了道路自动提取模型的稳定性与可靠性，且具有更好的训练特性，可于多领域应用。

A Method and System for Extracting Road Material from Remote Sensing Images

The invention discloses a method for extracting road material from remote sensing images. The method overcomes some defects of adopting a single complex neural network structure by using the processing method of dual network structure, such as potential over-fitting and uncontrollability of deep network structure to information learning, one-sidedness of shallow network to information learning, etc., and improves the stability and the performance of road automatic extraction model. Reliability and better training characteristics can be applied in many fields.

【技术实现步骤摘要】
一种遥感影像道路材质提取方法和系统
本专利技术涉及影像提取
，特别涉及一种遥感影像道路材质提取方法和系统。
技术介绍
交通基础设施的建设水平直接反映了一个国家的经济实力与发展水平，我国作为发展中国家，一直大力推进交通基础设施的建设工作。交通基础设施尤其是交通道路的自动提取一直是科研学者研究的热点问题之一，道路材质的判别与监测对于道路建设与维护来说意义重大。近年来，随着遥感技术的不断发展，基于遥感影像的信息提取技术已经发展成为一种高效的科学手段，相关应用也应运而生，如基础设施检测，车辆导航，地质灾害检测，道路信息提取等。与其它地表类型的特征相比，遥感图像中的道路网络具有显著的几何与光谱特征，使其更加容易与背景相互区分，也为其信息的提取提供了可能。但是，在实际的应用研究中，道路上行驶的车辆以及路旁的大型建筑和绿化植被等都会对道路进行一定程度的遮挡，导致信息的冗余度增加，精度下降。此外，在对材质进行识别是，由于目前的城市道路主要采用水泥和沥青表面，而城市建筑的屋顶、停车场以及堤坝等设施也采用了相似的材料，进一步增加了道路材质识别的难度。另一方面，从大尺度的角度来看，道路网络尤其是结构简单的道路网路结构在形态特征上与河流、山脊、桥梁等具有极大的相似性，以上的种种都导致了道路网路的提取与识别困难重重，亟需寻找一种有效的技术手段进一步保证提取精度。
技术实现思路
本专利技术提供一种遥感影像道路材质提取方法和系统，能够实现对遥感图像中道路的提取与材质判别。根据本专利技术的一个方面，提供了一种遥感影像道路材质提取方法，包括以下步骤：A、获取多源遥感图像，根据搭建的具有7层网络结构的U-net模型，对所述图像中的道路进行提取，得到道路候选区域；B、根据所述道路候选区，利用基于Deeplab架构的ResNet深度卷积神经网络进行所述图像进行分割，实现对道路材质的区分识别和提取。所述步骤A具体包括：收集多源遥感图像，并对所述图像中的道路区域进行标注，得到训练数据集T-set和测试数据集V-set；搭建具有7层网络结构的U-net模型，并进行初始参数设定；利用已标注的训练数据集T-set和测试数据集V-set，进行U-net网络的训练学习，得到网络模型NS-1，实现对所述图像中道路的自动提取，得到道路候选区。所述步骤B具体包括：根据道路提取模型对所述多源遥感图像数据中的所述道路候选区进行道路提取，得到各遥感图像中的道路候选区影像C-image；将各遥感图像中的道路候选区影像C-image作为输入，进行道路材质标签的再标注，得到基于材质区分的训练集TM-set与测试集VM-set；以基于Deeplab方法的ResNet网络架构为基础，构建具有101层级的深度卷积神经网络NS-2；以基于材质区分的训练集TM-set与测试集VM-set作为输入，进行NS-2网络的训练学习，得到具有材质信息识别能力的道路自动提取模型；根据所述道路自动提取模型实现对道路材质的区分识别。所述方法还包括：C、对道路提取结果进行线性网络提取；所述线性网络提取包括但不限于：基于图形学、拓扑特征、方向延展性的道路区块粘连和中心线提取与平滑。所述步骤C具体包括：基于腐蚀、膨胀、骨架提取图形学算法，完成道路中心线的提取，记为CLine；针对已提取的CLine，以任意线段为起点，逐一分析相邻线段的连通性。所述逐一分析相邻线段的连通性，具体包括：将相邻两段中心线记为CLinei,Clinei+1,并设定20像素的缓冲半径，当其延展方向在其缓冲半径内存在交点，则认为其为相连道路，并以交点作为填充，对两端道路进行连接处理；否则，以相邻线段作为下一个起始线段，记为CLinej，逐一进行遍历完成道路的连通性优化。根据本专利技术的另一个方面，提供了一种遥感影像道路材质提取系统，包括U-net模型单元和ResNet模型单元，其中，所述U-net模型单元，用于对影像做初步识别，根据搭建的具有7层网络结构的U-net模型，对所述图像中的道路进行提取，得到道路候选区；所述ResNet模型单元，用于根据所述道路候选区，利用基于Deeplab架构的ResNet深度卷积神经网络进行所述图像进行分割，实现对道路材质的区分识别和提取。所述U-net模型单元，具体用于：收集多源遥感图像数据，并对所述图像中的道路区域进行标注，得到训练数据集T-set和测试数据集V-set；搭建具有7层网络结构的U-net模型，并进行初始参数设定；利用已标注的训练数据集T-set和测试数据集V-set，进行U-net网络的训练学习，得到网络模型NS-1，实现对所述图像中道路的自动提取，得到道路候选区。所述ResNet模型单元，具体用于：根据道路提取模型对所述多源遥感图像数据中的所述道路候选区进行道路提取，得到各遥感图像中的道路候选区影像C-image；将各遥感图像中的道路候选区影像C-image作为输入，进行道路材质标签的再标注，得到基于材质区分的训练集TM-set与测试集VM-set；以基于Deeplab方法的ResNet网络架构为基础，构建具有101层级的深度卷积神经网络NS-2；以基于材质区分的训练集TM-set与测试集VM-set作为输入，进行NS-2网络的训练学习，得到具有材质信息识别能力的道路自动提取模型；根据所述道路自动提取模型实现对道路材质的区分识别。所述系统还包括后处理单元，其中，所述后处理单元，用于基于图形学、拓扑特征、方向延展性的道路区块粘连和中心线提取与平滑；基于腐蚀、膨胀、骨架提取图形学算法，完成道路中心线的提取，记为CLine；针对已提取的CLine，以任意线段为起点，逐一分析相邻线段的连通性；将相邻两段中心线记为CLinei,Clinei+1,并设定20像素的缓冲半径，当其延展方向在其缓冲半径内存在交点，则认为其为相连道路，并以交点作为填充，对两端道路进行连接处理；否则，以相邻线段作为下一个起始线段，记为CLinej，逐一进行遍历完成道路的连通性优化。采用本专利技术的技术方案，利用双网络结构的处理方式，克服复杂采用单一网络结构的部分缺陷，如深层网络结构对信息学习的潜在过拟合及不可控性问题，浅层网络对信息学习的片面性问题等，提升了道路自动提取模型的稳定性与可靠性，且具有更好的训练特性，可适于多领域应用。除了对道路材质和道路区的分别提取，通过双网络结构的设计，本专利技术可实现对道路区和材质的同步提取，通过不同模型的融合互补，在提升道路提取完整度的同时也保证了提取的精度稳定。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术实施例一中遥感影像道路材质提取原理流程图；图2为本专利技术实施例一中U-net模型网络结构示意图；图3为本专利技术实施例一中影像处理道路材质提取原理示意图；图4为本专利技术实施例二中遥感影像道路材质提取系统结构示意图。具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。目前，研究学者们经过不断的努力已经提取了多种道路提取方法，其主要的技术原理是利用道路颜色和形状本文档来自技高网...

【技术保护点】
1.一种遥感影像道路材质提取方法，其特征在于，包括以下步骤：A、获取多源遥感图像数据，根据搭建的具有7层网络结构的U‑net模型，对所述图像中的道路范围进行提取，得到道路候选区域；B、根据所述道路候选区，利用基于Deeplab架构的ResNet深度卷积神经网络进行所述图像进行分割，实现对道路材质的区分识别和提取。

【技术特征摘要】
1.一种遥感影像道路材质提取方法，其特征在于，包括以下步骤：A、获取多源遥感图像数据，根据搭建的具有7层网络结构的U-net模型，对所述图像中的道路范围进行提取，得到道路候选区域；B、根据所述道路候选区，利用基于Deeplab架构的ResNet深度卷积神经网络进行所述图像进行分割，实现对道路材质的区分识别和提取。2.根据权利要求1所述的一种遥感影像道路材质提取方法，其特征在于，所述步骤A具体包括：收集多源遥感图像数据，并对所述图像中的道路区域进行标注，得到训练数据集T-set和测试数据集V-set；搭建具有7层网络结构的U-net模型，并进行初始参数设定；利用已标注的训练数据集T-set和测试数据集V-set，进行U-net网络的训练学习，得到网络模型NS-1，实现对所述图像中道路范围的自动提取，得到道路候选区。3.根据权利要求1或2所述的一种遥感影像道路材质提取方法，其特征在于，所述步骤B具体包括：根据道路提取模型对所述多源遥感数据图像中的所述道路候选区进行道路提取，得到各遥感图像中的道路候选区影像C-image；将各遥感图像中的道路候选区影像C-image作为输入，进行道路材质标签的再标注，得到基于材质区分的训练集TM-set与测试集VM-set；以基于Deeplab方法的ResNet网络架构为基础，构建具有101层级的深度卷积神经网络NS-2；以基于材质区分的训练集TM-set与测试集VM-set作为输入，进行NS-2网络的训练学习，得到具有材质信息识别能力的道路自动提取模型；根据所述道路自动提取模型实现对道路材质的区分识别。4.根据权利要求1所述的一种遥感影像道路材质提取方法，其特征在于，所述方法还包括：C、对道路提取结果进行线性网络提取；所述线性网络提取包括但不限于：基于图形学、拓扑特征、方向延展性的道路区块粘连和中心线提取与平滑。5.根据权利要求4所述的一种遥感影像道路材质提取方法，其特征在于，所述步骤C具体包括：基于腐蚀、膨胀、骨架提取图形学算法，完成道路中心线的提取，记为CLine；针对已提取的CLine，以任意线段为起点，逐一分析相邻线段的连通性。6.根据权利要求5所述的一种遥感影像道路材质提取方法，其特征在于，所述逐一分析相邻线段的连通性，具体包括：将相邻两段中心线记为CLinei,Clinei+1,并设定20像素的缓冲半径，当其延展方向在其缓冲半径内存在交点，则认为其为相连道路，并以交点作为填充，对两端道路进行连接处理；否则，以相邻线段作为下一个起...

【专利技术属性】
技术研发人员：夏威，刘建，张雨泽，孙士凯，钟南，耿丹阳，
申请(专利权)人：中国交通通信信息中心，
类型：发明
国别省市：北京,11