【技术实现步骤摘要】
基于位置数据融合的道路提取方法和系统
本专利技术涉及图像处理技术,具体涉及基于位置数据融合的道路提取方法和系统。
技术介绍
基于遥感影像的道路区域分割数字化地图、道路网络更新、城市规划、自动驾驶、路径规划、道路导航、道路破损检测、应急救援等领域有广泛的应用场景。道路的语义分割有其独特性和困难性,具体表现:(1)道路细长,虽占据整张影像比例偏小,但往往整体跨度覆盖整张影像;(2)拓扑关系复杂,体现在多条道路相互交叉连通的情况;(3)纹理特征容易混淆于周边背景环境;(4)因树木、阴影、建筑物等遮挡造成提取的道路不连通;(5)几何特征与河流、铁路、沟壑等相似,专业人员也难以判别。后面三点(3)-(5)可以统一为道路特征和非道路特征可区分性差的问题,是影响道路提取精度提高的几个主要问题。本申请直面上述问题给道路对象提取带来的困难性,期望改善道路的连通性道路特征可区分性对提高道路区域分割的影响,全面提高道路提取的精度。
技术实现思路
本专利技术所要解决的技术问题是现有技术中对于道路的语义分割存在很多困难,目的在于提供基于位置数据融合的道路提取方法和系统,解决上述问题。本专利技术通过下述技术方案实现:基于位置数据融合的道路提取方法,包括以下步骤:S1:使用直方图均衡化对原始遥感影像数据进行加强处理;S2:将GNSS位置数据和经加强处理的遥感影像在通道方向进行叠加生成通道数加一的输入数据M1;S3:将所述输入数据M1输入神经网络,进行多层卷积编解码学习并在网络倒数 ...
【技术保护点】
1.基于位置数据融合的道路提取方法,其特征在于,包括以下步骤:/nS1:使用直方图均衡化对原始遥感影像数据进行加强处理;/nS2:将GNSS位置数据和经加强处理的遥感影像在通道方向进行叠加生成通道数加一的输入数据M1;/nS3:将所述输入数据M1输入神经网络,进行多层卷积编解码学习并在网络倒数第二层输出多维度数据F1
【技术特征摘要】
1.基于位置数据融合的道路提取方法,其特征在于,包括以下步骤:
S1:使用直方图均衡化对原始遥感影像数据进行加强处理;
S2:将GNSS位置数据和经加强处理的遥感影像在通道方向进行叠加生成通道数加一的输入数据M1;
S3:将所述输入数据M1输入神经网络,进行多层卷积编解码学习并在网络倒数第二层输出多维度数据F10;
S4:将所述神经网络倒数第二层的多通道输出数据F10与所述原始输入图像M1沿通道拼接生成第一输入数据F20;将所述网络输出的最后一层数据作为第二输入数据F30;
S5:将所述第一输入数据F20和第二输入数据F30输入迭代强化模块IteRe(IteRe具有t层基础块)生成第一次预测特征图,并将经迭代强化模块输出的所述预测数据进行sigmoid非线性变换层后生成道路预测数据pred1;将所述上一个基础块生成的第一次预测特征图作为下一个基础块的输入数据,反复迭代执行,直至所述t层基础块全部执行完毕;
S6:将每次经迭代强化基础块输出的所述道路预测数据predt与原始标签数据计算损失值losst,并计算t个losst的总和loss;直到收敛,结束训练。
2.根据权利要求1所述的基于位置数据融合的道路提取方法,其特征在于,步骤S5包括以下子步骤:
根据下式获取第t层basicblock的输入数据:
所述F3t为所述多层预测模型第t层的第二输入数据;F5t-1为所述多层预测模型第t-1层输出的所述预测特征图,t表示所述多层预测模型的索引。
3.根据权利要求2所述的基于位置数据融合的道路提取方法,其特征在于,步骤S5还包括以下子步骤:
所述多层预测模型中根据下式获取预测特征图:
F4t=conc(F20,F3t)
F5t=conv(F4t)
predt=sigmoid(F5t)
所述conc为沿通道拼接,conv为卷积操作,predt为经过sigmoid非线性变换层处理的第t层输出的预测特征图,t=1,…,n。
4.根据权利要求1所述的基于位置数据融合的道路提取方法,其特征在于,步骤S6包括以下步骤:
所述含n个基础块的迭代加强模块,每一个基础块均生成一个损失函数losst,将每一个基础块所述损失函数叠加后生成总的损失函数loss:
losst=BCELoss(predt,label)
所述BCELoss(predt,label)为predt与标签label的损失值;t表示所述多层预测模型的索引,n为...
【专利技术属性】
技术研发人员:周凯,解岩,高展,苗放,刘力,罗曦,钟波,
申请(专利权)人:成都大成均图科技有限公司,
类型:发明
国别省市:四川;51
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。