The invention provides a road extraction method of remote sensing image based on depth learning, including step sample preparation, model training, accuracy evaluation, road prediction and road surface vectorization. The invention also relates to a remote sensing image road extraction system, storage medium and electronic equipment based on in-depth learning; the invention extracts roads through an improved DenseNet network model, uses road topological features to speculate, connects interrupted roads, and achieves more fine and coherent road extraction results. The invention has higher efficiency in road extraction and saves a lot of money. The cost and the reliability of road extraction results are ensured, which is convenient for the popularization and application of remote sensing image processing.
【技术实现步骤摘要】
基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
本专利技术属于遥感图像处理
,是一种基于深度学习的道路拓扑特征推测的高空间分辨率遥感影像道路快速提取的方法,主要应用于亚米级遥感影像的道路自动提取,可有效提高人工提取道路的效率。
技术介绍
道路是地图绘制、路径分析和应急处理的重要基础地理数据。作为基础数据,道路对城市建设、GIS系统更新、数字化城市以及军事侦察等方面影响较大,因此快速提取道路信息和进行道路变化检测在城市发展规划、电子信息化、国防等方面有着重要的应用。在遥感图像中道路面矢量信息的提取是个复杂的过程,目前通过计算机自动提取的道路面宽窄不一,道路也无法串联成网,需要人工通过绘图工具进行辅助提取。网络上公开的导航数据集以及OpenStreetMap等电子地图提供的道路信息基本为线矢量数据,且该矢量数据与高分2号影像对应道路信息存在一定偏移,通过配准也无法准确得到道路矢量信息,仅可在道路生产时供生产人员进行辅助参考,无法直接加以利用。所以目前道路矢量面信息提取仍旧以半自动工具为主,生产效率偏低。近年来,随着计算机性能的极大提升以及深度学习的快速发展,卷积神经网络应用的领域不断扩大,利用卷积神经网络进行地物的自动化提取方法逐渐成熟,并在遥感领域取得了较大成效。由于传感器精度的提高,能够利用的遥感影像分辨率也越来越高,卷积神经网络提取的特征也越来越丰富。目前基于遥感影像道路提取的技术方法仅能提取城市主干道或者比较宽的大路,通用性较差,相比于城市道路相对较窄的一些乡镇道路及农村小路,提取效果一般,通常无法保持连续,因此如何快速准确地提取宽 ...
【技术保护点】
1.基于深度学习的遥感影像道路提取方法,其特征在于,包括以下步骤:S1、样本制作,采集遥感影像,对遥感影像进行分割裁剪得到包含分类对象的面矢量框文件,并绘制所述面矢量文件中的道路标签,将标签为道路的所述面矢量样本的矢量数据转换成栅格数据,得到栅格化的道路面样本;S2、模型训练,调整改进的DenseNet网络模型参数,对所述道路面样本进行基于改进的DenseNet的模型训练,得到道路训练模型;S3、精度评定,将待测试的遥感影像数据输入所述道路训练模型,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整DenseNet网络模型参数返回步骤S1并修改样本重新迭代训练;S4、道路预测,利用经步骤S3中评定达标的道路训练模型对遥感影像目标区域进行道路预测,得到遥感影像中栅格化的道路面数据;S7、道路面矢量化,将最终的栅格化的道路面数据进行矢量化,得到提取的遥感影像道路数据。
【技术特征摘要】
1.基于深度学习的遥感影像道路提取方法,其特征在于,包括以下步骤:S1、样本制作,采集遥感影像,对遥感影像进行分割裁剪得到包含分类对象的面矢量框文件,并绘制所述面矢量文件中的道路标签,将标签为道路的所述面矢量样本的矢量数据转换成栅格数据,得到栅格化的道路面样本;S2、模型训练,调整改进的DenseNet网络模型参数,对所述道路面样本进行基于改进的DenseNet的模型训练,得到道路训练模型;S3、精度评定,将待测试的遥感影像数据输入所述道路训练模型,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整DenseNet网络模型参数返回步骤S1并修改样本重新迭代训练;S4、道路预测,利用经步骤S3中评定达标的道路训练模型对遥感影像目标区域进行道路预测,得到遥感影像中栅格化的道路面数据;S7、道路面矢量化,将最终的栅格化的道路面数据进行矢量化,得到提取的遥感影像道路数据。2.如权利要求1所述的基于深度学习的遥感影像道路提取方法,其特征在于,所述步骤S4与所述步骤S7之间还包括步骤:S5、影像后处理,利用图像处理模块对步骤S4中预测得到的道路面数据进行图像处理,其中,图像处理包括边缘平滑、填补空洞、去除碎斑。3.如权利要求1或2所述的基于深度学习的遥感影像道路提取方法,其特征在于,所述步骤S4与所述步骤S7之间还包括步骤:S6、中断道路修正,提取栅格化的所述道路面数据中的端点,利用参考道路的栅格化数据与端点进行匹配,判断中断道路的端点处是否存在可连接的最优路径,若存在则连接最优路径;若不存在,则不做处理。4.如权利要求3所述的基于深度学习的遥感影像道路提取方法,其特征在于:步骤S6中采用连通域检测方法提取栅格化的所述道路面数据中的端点。5.如权利要求3所述的基于深度学习的遥感影像道路提取方法,其特征在于:步骤S6中连接最优路径后并对以参考道路的线宽进行等宽填充。6.如权利要求4或5所述的基于深度学习的遥感影像道路提取方法,其特征在于:所述遥感影像为三波段或四波段融合影像。7.一种电子设备,其特征在于包括:处理器;存储器;以及程序,其中所述程序被存储在所述...
【专利技术属性】
技术研发人员:周楠,魏春山,高星宇,骆剑承,夏列钢,吴炜,胡晓东,
申请(专利权)人:苏州中科天启遥感科技有限公司,
类型:发明
国别省市:江苏,32
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。