【技术实现步骤摘要】
一种基于卷积神经网络弱监督学习的遥感影像道路分割方法
本专利技术涉及一种利用卷积神经网络从遥感影像中提取道路路面的弱监督分割方法，只在道路中心线数据提供的弱标签监督下即可实现接近人工绘制水平的道路路面提取结果，而不再依赖逐像素标注的路面标签，大大降低标注成本，具有较高的应用价值，是遥感影像道路自动提取研究中重要一步。
技术介绍
遥感技术是现代信息技术的重要组成部分，是采集地理信息及其动态变化资料的主要技术手段，是地球科学、测绘勘察等学科进行科学研究的基本方法。作为遥感数据处理分析领域中的基础任务，道路提取广泛应用于资源勘查与规划、测绘制图和区域开发等方面。其中，道路中心线数据从全局角度记录了道路网的拓扑信息，而道路路面数据从局部角度记录了道路的语义信息。近年来，OpenStreetMap等公开地图平台的发展使得越来越多的道路中心线数据变得开源，但道路路面数据却比较难获得。随着遥感数据分辨率的不断提高，更多的道路目标和更丰富的细节特征为道路网提取提供了更为有利的条件，特别是道路路面的提取受到广泛关注。在大数据驱动和高性...
【技术保护点】
1.一种基于卷积神经网络弱监督学习的遥感影像道路分割方法，其特征在于，包括如下步骤：/n步骤1，根据已有的影像以及对应的道路中心线数据构建样本库，利用语义信息由道路中心线向未标记像素传播的标签传播算法生成弱标签，用以监督道路分割；/n步骤2，构建一个双分支编码-解码结构的卷积神经网络模型，包括编码部分、解码部分以及它们之间的空洞卷积空间金字塔池化部分，其中解码部分包括语义分割分支和边缘检测分支两个子分支，用于获得语义分割图和边缘检测图，并利用边缘检测算子为训练集影像生成粗糙边缘，用以监督边缘检测分支辅助语义分割分支；/n步骤3，将训练集影像输入到双分支编码-解码结构的卷积神...
【技术特征摘要】
1.一种基于卷积神经网络弱监督学习的遥感影像道路分割方法，其特征在于，包括如下步骤：
步骤1，根据已有的影像以及对应的道路中心线数据构建样本库，利用语义信息由道路中心线向未标记像素传播的标签传播算法生成弱标签，用以监督道路分割；
步骤2，构建一个双分支编码-解码结构的卷积神经网络模型，包括编码部分、解码部分以及它们之间的空洞卷积空间金字塔池化部分，其中解码部分包括语义分割分支和边缘检测分支两个子分支，用于获得语义分割图和边缘检测图，并利用边缘检测算子为训练集影像生成粗糙边缘，用以监督边缘检测分支辅助语义分割分支；
步骤3，将训练集影像输入到双分支编码-解码结构的卷积神经网络模型，根据弱标签、粗糙边缘以及输出的语义分割图和边缘检测图计算损失函数，通过反向传播实现模型在GPU上的训练，训练结束后将测试集影像输入训练好的模型中预测道路路面，得到最终的道路分割结果。
2.如权利要求1所述的一种基于卷积神经网络弱监督学习的遥感影像道路分割方法，其特征在于：步骤1的具体实现包括如下子步骤,
步骤1.1，影像处理：若待处理影像为分幅影像，则对多幅遥感影像进行拼接得到完整的影像，并将完整影像按地表覆盖范围进行裁剪；然后以某一影像分辨率为基准，对其它影像进行重采样；
步骤1.2，道路中心线处理：将影像范围内对应的中心线数据栅格化，也就是将矢量中心线对应的像素标记为道路；
步骤1.3，样本裁剪：综合考虑计算机性能、地物大小，将遥感影像与对应的中心线数据裁剪为大小适宜的样本块；
步骤1.4，标签传播：利用语义信息由道路中心线向未标记像素传播的标签传播算法生成弱标签。
3.如权利要求1所述的一种基于卷积神经网络弱监督学习的遥感影像道路分割方法，其特征在于：步骤1中，利用语义信息由道路中心线向未标记像素传播的标签传播算法生成弱标签的具体实现方式如下，
首先，缓冲区掩膜生成：考虑到道路边缘往往平行于道路中心线，根据与道路中心线的距离生成缓冲区掩膜，将位于小缓冲区内部的像素标记为道路，将位于大缓冲区外部的像素标记为非道路，其余标记为未知像素；
然后，伪标签生成：对影像进行超像素分割，并以超像素为节点创建图模型，相邻节点之间的权重由色彩相似性定义，根据图割原理优化能量函数从而生成每个超像素的伪标签；
最后，按照以下规则融合缓冲区掩膜和伪标签：如果伪标签中的道路像素在缓冲区掩膜中被标记为非道路，则将该像素标记为未知像素，其余情况与缓冲区掩膜的标记一致，由此标记所有像素从而生成弱标签。
4.如权利要求1所述的一种基于卷积神经网络弱监督学习的遥感影像道路分割方法，其特征在于：步骤2中，所述编码部分，使用在ImageNet数据集预训练好的残差网络作为编码部分，该残差...
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。