一种全局感知高分辨率遥感影像多尺度残差道路提取方法技术

本发明专利技术涉及一种全局感知高分辨率遥感影像多尺度残差道路提取方法，所提出的全局感知高分辨率遥感影像多尺度残差学习道路提取方法从两个方面来增大模型捕捉长距离依赖关系的能力，一方面在残差模块之间，我们采用全局感知操作从空间和通道两个维度来捕获长距离依赖关系；另一方面在残差模块内，我们使用多尺度残差卷积学习，提取多尺度特征的同时增大网络感受野，为紧接着的全局感知操作提供更丰富的信息；本发明专利技术能够一定程度上解决现有深度学习模型感受野有限与道路长跨度连接属性不匹配，导致道路识别零散的问题，可以显著提升道路识别精度。

【技术实现步骤摘要】
一种全局感知高分辨率遥感影像多尺度残差道路提取方法
本专利技术基于遥感图像技术处理领域，特别涉及一种全局感知高分辨率遥感影像多尺度残差道路提取方法。
技术介绍
道路作为国家一种重要的基础设施建设，是高分辨率遥感影像中一项重要的地物目标，对于人类生活具有十分重要的影响。对于一个国家而言，交通体系越发达，越有利于国家的经济社会建设。传统的道路信息获取方法需要专业人员实地测图，矢量化编辑，最后获取道路数据，此过程人工参与大，外界因素干扰多，更新速度慢，已无法满足经济社会快速发展的需求。而高分辨率遥感影像上，道路呈明显线状分布，道路边缘相互平行，道路宽度变化微小，多条道路相互交错形成路网。利用高分辨率遥感影像进行道路提取，不仅具有成本低，覆盖范围广的优势，还能获取实时性好、相对准确率高的道路信息。然而遥感影像的高分辨率也为道路提取带来了新的难题，随着影像细节信息的增加，道路分布情况更加复杂，其他地物带来的噪声干扰也愈发严重。因此，从高分辨率遥感影像中进行道路提取既是当前遥感领域的研究热点，也是一个研究难点。历经几十年，已有众多专家学者投身于道路本文档来自技高网...

【技术保护点】
1.一种全局感知高分辨率遥感影像多尺度残差道路提取方法，其特征在于，包括以下步骤：/n步骤1，获取高分辨率遥感影像道路竞赛数据集，按照公开划分方式将其拆分为训练集和测试集，对训练集进行归一化与数据增强；/n步骤2，构建融合多尺度残差学习的全局感知道路提取模型，最终通过Sigmoid分类器获取道路分割概率图，所述全局感知道路提取模型包括多个全局感知模块、多尺度残差学习模块和解码块；/n所述全局感知模块包括用于捕获空间维度上的上下文依赖关系的空间感知模块和用来捕获逐通道之间的依赖关的通道感知模块；/n任意两个多尺度残差学习模块之间连接一个全局感知模块，即全局感知模块的输入为多尺度残差学习模块的输出...

【技术特征摘要】
1.一种全局感知高分辨率遥感影像多尺度残差道路提取方法，其特征在于，包括以下步骤：
步骤1，获取高分辨率遥感影像道路竞赛数据集，按照公开划分方式将其拆分为训练集和测试集，对训练集进行归一化与数据增强；
步骤2，构建融合多尺度残差学习的全局感知道路提取模型，最终通过Sigmoid分类器获取道路分割概率图，所述全局感知道路提取模型包括多个全局感知模块、多尺度残差学习模块和解码块；
所述全局感知模块包括用于捕获空间维度上的上下文依赖关系的空间感知模块和用来捕获逐通道之间的依赖关的通道感知模块；
任意两个多尺度残差学习模块之间连接一个全局感知模块，即全局感知模块的输入为多尺度残差学习模块的输出；
解码块和相应的多尺度残差学习模块进行跳跃连接；
步骤3，基于构建的全局感知道路提取模型，在训练集上进行训练，优化模型参数，直至网络收敛；
步骤4，基于收敛后的全局感知道路提取模型，对测试集进行预测，利用输出概率获得道路提取结果。


2.如权利要求1所述的一种全局感知高分辨率遥感影像多尺度残差道路提取方法，其特征在于：所述步骤1的实现方式如下，
步骤1.1，在公开道路提取竞赛网站上进行注册，并下载数据集；
步骤1.2，由于道路提取竞赛数据集只公开了训练集的标签，将训练集划分为两部分，一部分A用来训练，另一部分B用来测试；
步骤1.3，对训练集进行归一化操作，并利用水平翻转、垂直翻转和随机旋转对训练集进行数据增强。


3.如权利要求1所述的一种全局感知高分辨率遥感影像多尺度残差道路提取方法，其特征在于：所述步骤2中全局感知模块具体包括；
步骤2.1，构建空间感知模块：对于输入的特征f，首先采用1×1卷积来降低特征通道数到C/r，r是一个数值，紧接着用空洞率为4的两个3×3卷积以更大感受野获取上下文信息，再利用1×1卷积来获取1×H×W特征图，然后复制成C×H×W维度的空间感知特征图Fs(f)，再利用sigmoid激活函数计算得到空间感知的权重Ws(f)，最后，用此权重乘以输入特征获取加权后的特征图，再加上输入特征，得到空间感知的输出Os(f)；空间感知模块的整个计算过程用以下式子表达：



Ws(f)＝sigmoid(Fs(f))



其中C、H、W分别表示特征图的通道数，长和宽，G和Ga分别代表标准卷积和空洞卷积，代表逐像素的相乘；
步骤2.2，构建通道感知模块：对于输入的特征，首先采用全局平均池化操作来生成C×1×1维度的特征矢量，紧接着两个全连接层来学习通道间的关系，第一个全连接层降低通道维数到C/r，第二个全连接层恢复通道维数到C，然后复制成C×H×W维度的通道感知特征图Fc(f)，再利用sigmoid激活函数计算得到逐通道感知的权重Wc(f)，最后，用此权重乘以输入特征获取加权后的特征图，再加上输入特征，得到通道感知的输出Oc(f)；通道感知模块的整个计算过程用以下式子表达：
Fc(f)＝W2(W1·GAP(f)+b1)+b2
Wc(f)＝sigmoid(Fc(f))



其中W1,b1,W2和b2分别代表线性计算的参数，GAP代表全局平均池化；
步骤2.3，构建全局感知模块：全局感知模块是融合空间感知模块和通道感知模块，将空间感知特征图Fs(f)和通道感知特征图Fc(f)进行逐像素的相乘，然后利用sigmoid激活函数计算得到全局感知权重Wg(f)，最后，用此权重乘以输入特征获取加权后的特征图，再加上输...

【专利技术属性】
技术研发人员：钟燕飞，卢晓燕，郑卓，张良培，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42