基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备技术方案

本发明专利技术提供基于深度学习的遥感影像道路提取方法，包括步骤样本制作、模型训练、精度评定、道路预测、道路面矢量化。本发明专利技术还涉及基于深度学习的遥感影像道路提取系统、存储介质、电子设备；本发明专利技术通过改进的DenseNet网络模型对道路进行提取，利用道路拓扑特征进行推测，连接中断道路，进而实现道路提取结果更为精细连贯，本发明专利技术在道路提取上具有更高的效率，节约大量的成本，并保证提取道路结果的可靠性，便于遥感影像处理推广应用。

Road Extraction Method and System, Storage Media and Electronic Equipment of Remote Sensing Image Based on Deep Learning

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度不一的道路是遥感信息处理的关键步骤。道路是土地利用调查中的重要类别也是土地规划中的主要对象，目前采用深度学习进行道路提取方法得到的道路矢量与影像所表现的实际道路网差距较大，提取道路宽窄不一，且由于阴影、建筑、行道树等地物干扰，提取道路断断续续，无法串联成网，难以应用到土地利用调查中。目前急需一种新型的遥感影像道路提取方法。
技术实现思路
为了克服现有技术的不足，本专利技术提出的一种基于深度学习的道路拓扑特征推测的遥感影像建筑物提取方法主要是在目前国产高分2号亚米级遥感影像的基础上，利用卷积神经网络并结合机器学习算法自动化提取遥感影像上包括城市道路、乡镇道路及农村机耕路在内宽度大于2米的所有道路，不但能够在遥感影像上快速检测出多种宽度的道路，还能够保证提取道路面的连贯性，同时相比传统方法生产效率得到较大提升，并且具有一定的鲁棒性和复用性。本专利技术提供基于深度学习的遥感影像道路提取方法，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。进一步地，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。进一步地，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。进一步地，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。进一步地，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。优选地，所述遥感影像为三波段或四波段融合影像。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存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于深度学习的遥感影像道路提方法。一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行基于深度学习的遥感影像道路提方法。基于深度学习的遥感影像道路提取系统，包括样本制作模块、模型训练模块、精度评定模块、道路预测模块、图像处理模块；其中，所述图像处理模块包括矢量化单元、栅格化单元，所述矢量化单元用于将遥感影像的栅格化数据矢量化，所述栅格化单元用于将遥感影像的矢量化数据栅格化；所述样本制作模块用于采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量样本，并绘制面矢量样本的标签，将标签为道路的面矢量样本的矢量数据输入所述栅格化单元转换成栅格数据，得到栅格化的道路面样本；所述模型训练模块用于通过调整改进的DenseNet网络模型参数，对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；所述精度评定模块用于将待测试的遥感影像数据输入所述模型训练模块中的道路训练模型，并计算本次测试的监测评价函数IoU值,若IoU值达标则跳转至下一步，若IoU值不达标则调整DenseNet网络模型参数返回所述样本制作模块并修改样本重新迭代训练；所述道路预测模块用于利用经所述精度评定模块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；所述矢量化单元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。优选地，基于深度学习的遥感影像道路提取系统还包括中断道路修正模块，所述中断道路修正模块用于提取栅格化的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；所述图像处理模块还包括影像后处理单元、路径填充单元；所述影像后处理单元用于利用图像处理模块对所述道路预测模块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；所述路径填充单元用于在所述中断道路修正模块连接最优路径后并对以参考道路的线宽进行等宽填充。相比现有技术，本专利技术的有益效果在于：本专利技术提供基于深度学习的遥感影像道路提取方法，包括步骤样本制作、模型训练、精度评定、道路预测、道路面矢量化。本专利技术还涉及基于深度学习的遥感影像道路提取系统、存储介质、电子设备；本专利技术通过改进的DenseNet网络模型对道路进行提取，利用道路拓扑特征进行推测，连接中断道路，进而实现道路提取结果更为精细连贯，本专利技术在道路提取上具有更高的效率，节约大量的成本，并保证提取道路结果的可靠性，便于遥感影像处理推广应用。本专利技术利用深度优化的全卷积神经网络，通过改进模型的网络层、池化大小等参数优化网络，同时根据道路拓扑特征推测对网络模型预测本文档来自技高网...

【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