一种基于深度神经网络的遥感影像路网提取方法技术

本发明专利技术公开了一种基于深度神经网络的遥感影像路网提取方法，包括如下步骤：步骤1：算法架构；步骤2：线形与提取路网比对功能架构。本发明专利技术针对高分二号卫星高分辨率遥感影像，能够有效提取影像中的路网；读取GPS采集的路线线形，与高分遥感影像提取的路网比对，获得GPS采集线形与影像提取路网的匹配度，有效提升遥感影像识别精度，提升遥感影像与GPS线形比对效率，达到提升路线，采用了一种基于链码的路线追踪加权算法，能够有效识别路线特征进行比对，排除GPS精度误差产生的位置偏移对路线比对结果的影响，排除公共路网数据库因加密产生的位置平移带来的影响，同时能消除公共路网数据库多条路线交叉对比对过程带来的影响。

A road network extraction method of remote sensing image based on depth neural network

【技术实现步骤摘要】
一种基于深度神经网络的遥感影像路网提取方法
本专利技术涉及公路建设管理领域，具体为一种基于深度神经网络的遥感影像路网提取方法。
技术介绍
目前，GIS技术与高分辨率卫星遥感影像已广泛用于公路规划、建设与管理领域，如基于GPS采集公路的路线线形线位信息，并通过与高分遥感影像对GPS采集信息进行核对，对公路建设进度与建设规模进行分析，按照行业管理的要求，部分省份每年都需核对约为15万公里的农村公路电子地图信息，核对工作多采用人工目视解译方式完成，严重影响规划建设管理效率，GIS软件提供的路网提取工具识别精度不高，且需要大量前期处理工作，无法应用于较大批量影像数据的分析。因此我们对此做出改进，提出一种基于深度神经网络的遥感影像路网提取方法。
技术实现思路
为解决现有技术存在的缺陷，本专利技术提供一种基于深度神经网络的遥感影像路网提取方法。为了解决上述技术问题，本专利技术提供了如下的技术方案：本专利技术一种基于深度神经网络的遥感影像路网提取方法，包括如下步骤：步骤1：算法架构；步骤2：线形与提取路网比对功能架构。作为本专利技术的一种优选技术方案，所述算法架构包括如下步骤：步骤101：算法采用两层深度神经网络级联的方式，前级网络为N1，次级网络为N2；步骤102：设输入图像为Gin，经过深度神经网络识别并提取路网后的输出图像为Gout，则有其中为两个深度神经网络级联构成的处理架构；步骤103：前级架构用于识别提取遥感影像中的路面；次级网络用于后期处理，包括短中断衔接、小斑点消除等。作为本专利技术的一种优选技术方案，所述线形与提取路网比对功能架构包括如下步骤：步骤201：由GPS采集线形数据库读取一条GPS线形实采数据Li；步骤202：获取线形的最小外接矩形；步骤203：以该矩形裁剪需提取路网的遥感影像，保留矩形区域内影像；步骤204：将影像以640x640像素分幅裁剪为n幅，依次输入算法构成的深度神经网络，获得n个输出图像Gout(n)；步骤205：将Gout(n)依照原始位置拼接，进行栅矢转换，将提取路面转换为多边形矢量；步骤206：计算Li落入多边形矢量范围内的比例Di为所求。作为本专利技术的一种优选技术方案，所述遥感影像提取是将遥感影像分幅裁剪成多个，再分幅依次输入到深度神经网络识别模块中，深度神经网络识别模块分隔依次输出黑白二值tif.格式，再分隔依次转变为多边形矢量，影像内路网提取及显示流程是先完成一景影像内路网提取，再将将提取路网转换为封闭的多边形矢量，读入1条GPS轨迹，调用arcgisDesktipintersect工具箱，通过该工具计算出GPS轨迹落入多边形矢量区域内的比例，并在arcgis中显示。本专利技术的有益效果是：该种基于深度神经网络的遥感影像路网提取方法，针对高分二号卫星高分辨率遥感影像，能够有效提取影像中的路网；读取GPS采集的路线线形，与高分遥感影像提取的路网比对，获得GPS采集线形与影像提取路网的匹配度，有效提升遥感影像识别精度，提升遥感影像与GPS线形比对效率，达到提升路线，采用了一种基于链码的路线追踪加权算法，能够有效识别路线特征进行比对，排除GPS精度误差产生的位置偏移对路线比对结果的影响，排除公共路网数据库因加密产生的位置平移带来的影响，同时能消除公共路网数据库多条路线交叉对比对过程带来的影响，达到提升路线比对精度的目的。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是本专利技术一种基于深度神经网络的遥感影像路网提取方法的高分遥感影像识别提取流程图；图2是本专利技术一种基于深度神经网络的遥感影像路网提取方法的影像内路网提取及显示流程图；图3是本专利技术一种基于深度神经网络的遥感影像路网提取方法的组成示意图。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。实施例：如图1、图2和图3所示，本专利技术一种基于深度神经网络的遥感影像路网提取方法，包括如下步骤：步骤1：算法架构；步骤2：线形与提取路网比对功能架构。其中，算法架构包括如下步骤：步骤101：算法采用两层深度神经网络级联的方式，前级网络为N1，次级网络为N2；步骤102：设输入图像为Gin，经过深度神经网络识别并提取路网后的输出图像为Gout，则有其中为两个深度神经网络级联构成的处理架构；步骤103：前级架构用于识别提取遥感影像中的路面；次级网络用于后期处理，包括短中断衔接、小斑点消除等。其中，线形与提取路网比对功能架构包括如下步骤：步骤201：由GPS采集线形数据库读取一条GPS线形实采数据Li；步骤202：获取线形的最小外接矩形；步骤203：以该矩形裁剪需提取路网的遥感影像，保留矩形区域内影像；步骤204：将影像以640x640像素分幅裁剪为n幅，依次输入算法构成的深度神经网络，获得n个输出图像Gout(n)；步骤205：将Gout(n)依照原始位置拼接，进行栅矢转换，将提取路面转换为多边形矢量；步骤206：计算Li落入多边形矢量范围内的比例Di为所求。工作时，高分遥感影像识别提取是将遥感影像分幅裁剪成多个，再分幅依次输入到深度神经网络识别模块中，深度神经网络识别模块分隔依次输出黑白二值tif.格式，再分隔依次转变为多边形矢量，影像内路网提取及显示流程是先完成一景影像内路网提取，再将将提取路网转换为封闭的多边形矢量，读入1条GPS轨迹，调用arcgisDesktipintersect工具箱，通过该工具计算出GPS轨迹落入多边形矢量区域内的比例，并在arcgis中显示。本方法实现了GPS采集公路线形与遥感影像对应位置道路的自动化提取与比对；本方法能有效消除路网提取过程中产生的大量小斑块，部分因树木或建筑遮蔽产生的路面短断开可被有效连接。本专利技术设计了新的基于深度神经网络的高分辨率遥感影像路网提取算法，以及基于该算法的GPS采集线形与遥感影像路网提取软件流程。该算法能够有效提升识别精度，基于算法的对比流程能够大幅提升基于高分遥感影像的公路规划、建设及管理效率。在本专利技术的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的遥感影像路网提取方法，其特征在于，包括如下步骤：/n步骤1：算法架构；/n步骤2：线形与提取路网比对功能架构；/n所述算法架构包括如下步骤：/n步骤101：算法采用两层深度神经网络级联的方式，前级网络为N

【技术特征摘要】
1.一种基于深度神经网络的遥感影像路网提取方法，其特征在于，包括如下步骤：
步骤1：算法架构；
步骤2：线形与提取路网比对功能架构；
所述算法架构包括如下步骤：
步骤101：算法采用两层深度神经网络级联的方式，前级网络为N1，次级网络为N2；
步骤102：设输入图像为Gin，经过深度神经网络识别并提取路网后的输出图像为Gout，则有其中为两个深度神经网络级联构成的处理架构；
步骤103：前级架构用于识别提取遥感影像中的路面；次级网络用于后期处理。


2.根据权利要求1所述的一种基于深度神经网络的遥感影像路网提取方法，其特征在于，所述后期处理包括短中断衔接。


3.根据权利要求1所述的一种基于深度神经网络的遥感影像路网提取方法，其特征在于，所述小斑点消除。


4.根据权利要求1所述的一种基于深度神经网络的遥感影像路网提取方法，其特征在于，所述线形与提取路网比对功能架构包括如下步骤：
步骤201：由GPS采集线形数据库读取一条GPS线...

【专利技术属性】
技术研发人员：刘柳杨，张晓征，马骁，马景宇，郭尚峰，田亮，孟明超，汪盛楠，时启辉，
申请(专利权)人：交通运输部科学研究院，
类型：发明
国别省市：北京;11