一种基于深度学习的卫星图像道路分割方法及系统技术方案

本发明专利技术提供一种基于深度学习的卫星图像道路分割方法及系统，该方法包括：获取第一卫星道路图像，对第一卫星道路图像进行预处理，建立卫星道路自动分割模型，将第一卫星道路图像输入到卫星道路自动分割模型中进行训练；获取第二卫星道路图像，对第二卫星道路图像进行预处理，将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割，输出分割结果。本发明专利技术通过对图像进行预处理增强数据，避免出现网络过拟合现象，基于深度学习技术对卫星道路图像进行自动分割，有效提高了道路元素分割的准确率和效率。

【技术实现步骤摘要】
一种基于深度学习的卫星图像道路分割方法及系统
本专利技术涉及图像处理
，尤其涉及一种基于深度学习的卫星图像道路分割方法及系统。
技术介绍
道路是影响自动驾驶技术的重要因素，道路的精确度影响着地图的准确性，但是由于社会的快速发展，道路规划的频率也越来越快。目前获取道路的方式有：(一)使用车载激光扫描设备，通过遍历扫描的方式获取路面信息，但是对人力物力的消耗较大。(二)使用航空或者卫星图像，通过技术方法获取道路信息，此方法相对而言能够节省大量人力和时间。近年来，随着计算机硬件的发展，计算能力逐步提升，深度学习在计算机视觉领域，在图像分类、图像分割等领域取得重大的成果。深度学习特殊的网络结构可以通过神经元将提取的特征值传递，每一层对上一层传递的特征再进行提取学习继续传递，从而提取最优的特征值。因此可以利用深度学习算法对卫星图像道路进行分割提取特征图，然而，现有的道路图像分割算法没有考虑到参数量、存储空间和网络深度增加所带来的梯度消失问题，导致卫星图像道路的自动分割准确率和效率不高。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的卫星图像道路分割方法及系统，以克服或至少部分解决现有的道路图像分割算法所存在的上述问题。本专利技术第一方面提供一种基于深度学习的卫星图像道路分割方法，该方法包括：获取第一卫星道路图像，对第一卫星道路图像进行预处理，建立卫星道路自动分割模型，将第一卫星道路图像输入到卫星道路自动分割模型中进行训练；获取第二卫星道路图像，对第二卫星道路图像进行预处理，将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割，输出分割结果。进一步的，所述对第一卫星道路图像进行预处理，具体包括：对第一卫星道路图像进行优化处理，去除其中不存在道路元素的图像；通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注，所述基本元素包括道路线、道路面和背景。进一步的，所述对第二卫星道路图像进行预处理，具体包括：对第二卫星道路图像进行优化处理，去除其中不存在道路元素的图像；通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注，所述基本元素包括道路线、道路面和背景；对第二卫星道路图像进行扩展处理，所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。进一步的，所述将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割，具体包括：将第二卫星道路图像进行两次第一操作单元，生成尺寸更小的特征图，所述第一操作单元包括两次卷积操作和一次池化操作；对第二卫星道路图像进行上采样时反卷积，进行两次第二操作单元将图像大小恢复到原尺寸，所述第二操作单元包括一次反卷积操作和两次卷积操作。进一步的，在对第二卫星道路图像进行上采样反卷积前，加入空洞卷积层对第二卫星道路图像进行卷积操作。进一步的，在卫星道路自动分割模型的编码阶段进行最大池化操作时提取卷积核覆盖区域的最大值，并记录最大值位置的索引，编码器保留最大值位置的索引返回给上采样相应的位置。本专利技术第二方面提供一种基于深度学习的卫星图像道路分割系统，所述系统包括：第一获取模块，用于获取第一卫星道路图像，对第一卫星道路图像进行预处理；建模模块，用于建立卫星道路自动分割模型，将第一卫星道路图像输入到卫星道路自动分割模型中进行训练；第二获取模块，用于获取第二卫星道路图像，对第二卫星道路图像进行预处理；分割模块，用于将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割，输出分割结果。进一步的，所述第一获取模块具体还包括：第一优化子模块，用于对第一卫星道路图像进行优化处理，去除其中不存在道路元素的图像；第一标注子模块，用于通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注，所述基本元素包括道路线、道路面和背景。进一步的，所述第二获取模块具体还包括：第二优化子模块，用于对第二卫星道路图像进行优化处理，去除其中不存在道路元素的图像；第二标注子模块，用于通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注，所述基本元素包括道路线、道路面和背景；扩展子模块，用于对第二卫星道路图像进行扩展处理，所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。本专利技术第三方面提供一种计算机可读存储介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行上述第一方面所述的方法。与现有技术相比，本专利技术的有益效果是：本专利技术提供的一种基于深度学习的卫星图像道路分割方法及系统，分别获取第一卫星道路图像和第二卫星道路图像，对第一卫星道路图像进行预处理后输入到卫星道路自动分割模型中进行训练，从而提高模型的分割准确率，对第二卫星道路图像也进行预处理从而增强数据，避免出现网络过拟合现象，再通过卫星道路自动分割模型对第二卫星道路图像进行自动分割，可以有效提高道路元素分割的准确率和效率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的基于深度学习的卫星图像道路分割方法流程示意图。图2是本专利技术实施例提供的空洞卷积层效果示意图。图3是本专利技术实施例提供的卫星道路自动分割模型整体结构示意图。图4是本专利技术实施例提供的引用编码-解码结构示意图。图5是本专利技术实施例提供的模型训练阶段精确度变化示意图。图6是本专利技术实施例提供的模型训练阶段Loss变化示意图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所列举实施例只用于解释本专利技术，并非用于限定本专利技术的范围。参照图1，本专利技术提供一种基于深度学习的卫星图像道路分割方法，所述方法包括：获取第一卫星道路图像，对第一卫星道路图像进行预处理，建立卫星道路自动分割模型，将第一卫星道路图像输入到卫星道路自动分割模型中进行训练。获取第二卫星道路图像，对第二卫星道路图像进行预处理，将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割，输出分割结果。一些实施方式中，所述第一卫星道路图像的获取可以是：通过公开地图获取一段道路的矢量信息，所述矢量信息包括道路两端的端点坐标值，使用端点坐标值在MapBox中定位该段道路位置，并截取该段道路的卫星图像。所述公开地图可以采用OpenStreetMap，也可以采用其他公开地图。本领域技术人员可以理解，通过自动分割模型对图像元素进行分割可以通过各种图像分割模型实现，模型的不同构建方式根据需要选择相应的深度学习算法来实现。作为一个示例，所述对第一卫星道路图像进行预处理，具体包括：对第一卫星道路图像进行本文档来自技高网...

【技术保护点】
1.一种基于深度学习的卫星图像道路分割方法，其特征在于，所述方法包括以下步骤：/n获取第一卫星道路图像，对第一卫星道路图像进行预处理，建立卫星道路自动分割模型，将第一卫星道路图像输入到卫星道路自动分割模型中进行训练；/n获取第二卫星道路图像，对第二卫星道路图像进行预处理，将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割，输出分割结果。/n

【技术特征摘要】
1.一种基于深度学习的卫星图像道路分割方法，其特征在于，所述方法包括以下步骤：
获取第一卫星道路图像，对第一卫星道路图像进行预处理，建立卫星道路自动分割模型，将第一卫星道路图像输入到卫星道路自动分割模型中进行训练；
获取第二卫星道路图像，对第二卫星道路图像进行预处理，将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割，输出分割结果。


2.根据权利要求1所述的一种基于深度学习的卫星图像道路分割方法，其特征在于，所述对第一卫星道路图像进行预处理，具体包括：
对第一卫星道路图像进行优化处理，去除其中不存在道路元素的图像；
通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注，所述基本元素包括道路线、道路面和背景。


3.根据权利要求1所述的一种基于深度学习的卫星图像道路分割方法，其特征在于，所述对第二卫星道路图像进行预处理，具体包括：
对第二卫星道路图像进行优化处理，去除其中不存在道路元素的图像；
通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注，所述基本元素包括道路线、道路面和背景；
对第二卫星道路图像进行扩展处理，所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。


4.根据权利要求1所述的一种基于深度学习的卫星图像道路分割方法，其特征在于，所述将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割，具体包括：
将第二卫星道路图像进行两次第一操作单元，生成尺寸更小的特征图，所述第一操作单元包括两次卷积操作和一次池化操作；
对第二卫星道路图像进行上采样时反卷积，进行两次第二操作单元将图像大小恢复到原尺寸，所述第二操作单元包括一次反卷积操作和两次卷积操作。


5.根据权利要求4所述的一种基于深度学习的卫星图像道路分割方法，其特征在于，在对第二卫星道路图像进行上采样反卷积前，加入空洞卷积层对第二卫星道路...

【专利技术属性】
技术研发人员：黄梦醒，张新华，张雨，冯思玲，冯文龙，吴迪，
申请(专利权)人：海南大学，
类型：发明
国别省市：海南;46