一种改进U-Net网络的遥感影像道路提取方法技术

本发明专利技术涉及一种改进U

【技术实现步骤摘要】
一种改进U-Net网络的遥感影像道路提取方法
[0001]本专利技术涉及计算机及图像处理领域，具体涉及了一种改进U-Net网络的遥感 影像道路提取方法。

技术介绍

[0002]从遥感图像中提取道路信息在智慧城市规划、交通管理等众多地理信息应用 中发挥重要作用。目前获取遥感数据的成本越来越低，各个遥感平台通过多种传 感器设备，获得所需的海量遥感数据，如：高分数据、高光谱数据、雷达数据等， 人类观测、探索到的地球信息更实时、更全面。随着深度学习技术在实际生产生 活中的广泛应用，利用其对遥感数据中目标地物信息进行提取研究有着非同寻常 的意义。
[0003]现有技术包括机器学习、人工智能(语义分割网络)。
[0004]其存在的缺点：高斯马尔可夫随机场结合支持向量机算法、人工神经网络算 法等，不可否认，上述方法在一定应用场景下取得可观的效果，但部分较好结果 建立在人工反复实验调整阈值参数等一系列耗时耗力且存在主观性的基础上，在 目前一些大规模数据应用上受限，且分割精度和效率无法达到目前需求。

技术实现思路

[0005]本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供了一种改 进U-Net网络的遥感影像道路提取方法，提高了高分图像的分割精度和效率。
[0006]本专利技术的技术方案包括一种改进U-Net网络的遥感影像道路提取方法，其 特征在于，该方法包括：S100，搭建高分影像道路提取网络AS-Unet，以512*512*3 波段的高分数据作为输入数据，基于U-Net算法改进构建神经网络架构；S200， 将输入数据输入编码网络，每个下采样阶段使用两个相同的卷积层堆叠方式进行 特征提取，之后进入通道注意力机制，在通道维度上加强有用的道路特征，并抑 制无效且复杂多样的背景特征，随后使用Relu函数激活，最后采用大小为2
×
2 的最大池化操作对特征图下采样；S300，对于编码网络最后一层，卷积层之后的 特征图中含有丰富的空间语义信息，将特征图输入改进ASPP模块中，经过不同 扩张率的空洞卷积后输入1
×
1网络，旨在不同尺度上对图像特征进行描述，保 证了编码网络在低层提取关联性高的道路轮廓细节特征，实现目标的精细分割定 位；高层阶段得到有用的特征信息，提高图像中道路识别精度；S400，解码网络 逐步恢复特征图至输入图像尺寸，每个上采样阶段堆叠两个卷积层，并且每个阶 段级联编码网络中对应层次的特征图，从而复用低层次语义信息，每层上采样模 块最后加入空间注意力机制，帮助上采样层有效恢复道路目标空间信息。
[0007]根据所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其 中S100还包括：基于开源数据集，首先对遥感道路数据进行预处理，包括将高 分数据进行裁剪和数据增强，然后以512*512*3波段的高分数据输入网络。
[0008]根据所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其 中该方法还包括：对经过预处理的多个高分道路数据划分训练集和验证集，其中 验证集用于对卷
积神经网络的训练进行分类准确度进行验证，训练集用于对卷积 神经网络的训练进行参数调整，其中训练集和验证集的比例可自定义设置。
[0009]根据所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其 中该方法还包括：每批次输入大小为8；本文实验使用Adam优化算法，相比 SGD、RMSprop和AdaGrad优化器，其使模型更快收敛到性能最优，使用Adam 中默认参数，其中学习率设为0.001，指数衰减率β1＝0.9，β2＝0.999，常数设置 ε＝10-8
，若在5轮训练中损失函数没有下降，学习率下降为原来0.1倍，学习率 最小值为1.0
×
10-10
；选择Lovasz-Softmax loss函数在模型反向传播过程中，更新 网络参数；训练迭代次数为100次。
[0010]根据所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其 中S400还包括：通过训练损失与验证损失图确定网络是否达到收敛，收敛则停 止训练，得到高分道路分割模型；将高分道路测试数据输入至AS-Unet分割模型， 输出分割结果。
[0011]本专利技术的技术方案还包括一种计算机可读存储介质，所述计算机可读存储 介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一 所述的方法步骤。
[0012]本专利技术的有益效果为：提出引入注意力机制和ASPP模型的AS-Unet网络 架构，应用于遥感影像道路目标分割；第一，在编码器即特征提取网络中加入 通道注意力机制对特征信息进行选择。在解码器中采用空间注意力机制对不同空 间道路特征的相关性建模，提高模型分割性能；第二，在编码器中加入了改进的 ASPP模型，即在每个并行空洞卷积操作后加入1
×
1网络，更好地以不同的膨 胀率来捕获多尺度道路特征。
附图说明
[0013]下面结合附图和实施例对本专利技术进一步地说明；
[0014]图1所示为根据本专利技术实施方式的流程图；
[0015]图2所示为根据本专利技术实施方式的通道注意力机制示意图；
[0016]图3所示为根据本专利技术实施方式的空间注意力机制示意图；
[0017]图4所示为根据本专利技术实施方式的改进的ASPP模型示意图；
[0018]图5所示为根据本专利技术实施方式的AS-Unet卷积神经网络的结构图；
[0019]图6所示为根据本专利技术实施方式的数据集的处理流程图；
[0020]图7所示为根据本专利技术实施方式的输入高分图像分割流程图；
[0021]图8所示为根据本专利技术实施方式的Massachusetts、DeepGlobe道路数据集 的实验结果示意图；
[0022]图9所示为根据本专利技术实施方式的装置及介质图。
具体实施方式
[0023]本部分将详细描述本专利技术的具体实施例，本专利技术之较佳实施例在附图中示 出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象 地理解本专利技术的每个技术特征和整体技术方案，但其不能理解为对本专利技术保护范 围的限制。
[0024]在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上， 大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
[0025]在本专利技术的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本 专利技术的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并 不会影响本专利技术技术方案所达到的技术效果。
[0026]本专利技术的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技 术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的 具体含义。
[0027]术语解释：
[0028]高分图像，通道注意力机制、空间注意力机制与改进的ASPP模型。
[0029]图1所示为根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进U-Net网络的遥感影像道路提取方法，其特征在于，该方法包括：S100，搭建高分影像道路提取网络AS-Unet，以512*512*3波段的高分数据作为输入数据，基于U-Net算法改进构建神经网络架构；S200，将输入数据输入编码网络，每个下采样阶段使用两个相同的卷积层堆叠方式进行特征提取，之后进入通道注意力机制，在通道维度上加强有用的道路特征，并抑制无效且复杂多样的背景特征，随后使用Relu函数激活，最后采用大小为2
×
2的最大池化操作对特征图下采样。S300，对于编码网络最后一层，卷积层之后的特征图中含有丰富的空间语义信息，将特征图输入改进ASPP模块中，经过不同扩张率的空洞卷积后输入1
×
1网络，旨在不同尺度上对图像特征进行描述，保证了编码网络在低层提取关联性高的道路轮廓细节特征，实现目标的精细分割定位；高层阶段得到有用的特征信息，提高图像中道路识别精度。S400，解码网络逐步恢复特征图至输入图像尺寸，每个上采样阶段堆叠两个卷积层，并且每个阶段级联编码网络中对应层次的特征图，从而复用低层次语义信息，每层上采样模块最后加入空间注意力机制，帮助上采样层有效恢复道路目标空间信息。2.根据权利要求1所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其特征在于，所述S100还包括：基于开源数据集，首先对遥感道路数据进行预处理，包括将高分数据进行裁剪和数据增强，然后以512*512*3的高分数据输入网络...

【专利技术属性】
技术研发人员：宋廷强，刘童心，宗达，孙媛媛，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：