【技术实现步骤摘要】
一种基于图卷积的遥感图像道路提取方法
本专利技术涉及到基于遥感图像道路提取领域，具体是一种基于图卷积模型来实现遥感图像道路的自动提取方法。
技术介绍
道路作为一种基础设施，在地理、经济、军事等领域都扮演着重要角色，利用高分辨率遥感图像提取关键道路，获得人们难以获取的有价值的地理信息，可以为后续的车辆导航、城市规划、路网更新或支持救灾等任务提高依据，对促进城市发展具有重要意义。基于遥感图像进行道路提取的研究已有几十年的历史，然而由于道路自身结构特殊，不同于普通的分割目标，并且遥感图像背景复杂，在道路提取中容易受到其他背景因素的影响，尤其是近年来随着航空图像分辨率的提高，导致一些建筑物有着和道路类似的光谱值，在道路提取时容易被误认为是道路，基于高分辨率遥感图像提取道路仍然是一个难点。目前关于道路提取的方法主要分为基于传统的方法和基于深度学习的方法。传统的道路提取方法主要包括光谱分析法、边缘检测法、阈值分割法等，如shi等人使用自适应邻域将光谱特征空间分类以区分道路和非道路，但是该方法需要为每个输入图像训练SVM，并且不适...
【技术保护点】
1.一种基于图卷积模型的遥感图像道路提取方法，其特征在于：包括以下步骤，/n步骤S1：基于CNN模型设计一个特征提取分支，实现遥感图像的特征提取；/n步骤S2：基于GCN模型设计一个局部信息捕获分支，根据CNN模型所提取的特征信息生成相应的图节点；/n步骤S3：利用所设计的基于图卷积模型的道路提取网络进行总体设计，进而实现对高分辨率遥感图像的道路提取，并得出结果；/n根据遥感图像中道路特点，采用基于GCN模型实现遥感图像道路提取。整体框架采用编码器-解码器结构，在编码器阶段分为基于CNN模型的道路提取分支和基于GCN的首先根据道路特点设计基于CNN的特征提取分支，使用在Im...
【技术特征摘要】
1.一种基于图卷积模型的遥感图像道路提取方法，其特征在于：包括以下步骤，
步骤S1：基于CNN模型设计一个特征提取分支，实现遥感图像的特征提取；
步骤S2：基于GCN模型设计一个局部信息捕获分支，根据CNN模型所提取的特征信息生成相应的图节点；
步骤S3：利用所设计的基于图卷积模型的道路提取网络进行总体设计，进而实现对高分辨率遥感图像的道路提取，并得出结果；
根据遥感图像中道路特点，采用基于GCN模型实现遥感图像道路提取。整体框架采用编码器-解码器结构，在编码器阶段分为基于CNN模型的道路提取分支和基于GCN的首先根据道路特点设计基于CNN的特征提取分支，使用在ImageNet数据集上预训练的ResNet34作为编码器，去掉最后的全连接层，使用改进之后的ResNet34进行相关道路信息的特征提取，之后将所获取到的相关道路特征信息作为GCN模型的输入，首先根据特征构建相关的图结构，将特征信息视作节点，节点之间的差异度视作边，通过所设计的图卷积模型，来获取图结构中节点之间的关系来获取局部位置信息，整个网络采用多任务联合学习的方式，实现高分辨率遥感图像中的道路信息提取，从而提高道路分割精度。
2.根据权利要求1所述的一种基于图卷积模型的遥感图像道路提取方法，其特征在于：S1是实现基于CNN特征提取分支的设计，基于ResNet34网络结构设计道路提取网络的编码器，去掉其中的全连接层，由于ResNet34主要采用瓶颈层实现，网络结构采用两个卷积层分别用于降低和升高特征维度；采用跳跃连接方式实现浅层信息和深层特征的融合，从而解决训练过程中的梯度消失问题。
通过改进后的ResNet34作为所设计网络的特征提取分支，将原始图像作为该分支的输入，提取遥感图像中相关道路特征信息，该分支的表达式由式(1)所示。
Y＝g(x)(1)
其中x为所输入的原始图像，函数ɡ表示一系列的卷积池化操作，经过函数CNN特征提取之后，最终获取道路特征信息Y。
3.根据权利要求1所述的一种基于图卷积模型的遥感图像道路提取方法，其特征在于：S2实现对GCN局部特征捕获分支的设计。GCN作为新兴的网络架构，采用GCN来捕捉局部信息，将道路提取问题转化为图节点分类问题。
为了捕获CNN所提取的特征之间的关系，基于CNN分支所提取的道路特征信息建立一个图结...
【专利技术属性】
技术研发人员：陶敏玉，迟远英，丁治明，杨博文，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
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。