【技术实现步骤摘要】
一种结合超分辨率和注意力机制的遥感图像道路分割方法
[0001]本专利技术涉及机器学习
,具体而言,涉及一种结合超分辨率和注意力机制的遥感图像道路分割方法。
技术介绍
[0002]近些年来随着遥感卫星发射数量不断增加,高分辨率遥感图像的获取更加方便,已成为数字图像处理重要的数据来源。同时,高分辨率卫星遥感图像中包含丰富的地物特征信息。遥感图像道路提取在城市规划,交通管理,车辆导航,地图更新等领域中发挥了重要作用,已经成为近年来的研究热点。
[0003]然而,由于高分辨率遥感图像中包含丰富的地物特征信息,受光照,噪声,遮挡,阴影等因素的影响,导致道路特征之间存在差异,同时遥感图像背景中相似非道路目标特征信息对实现道路提取造成干扰,因此如何从高分辨率遥感图像中实现精确的道路提取仍是研究领域的一项挑战。传统算法模型的表达能力有限,无法对高分辨率图像中的丰富信息进行充分利用。图像的超分辨率是对图像的分辨率通过低分辨率的图像去生成对应的高分辨率图像,在实现过程中对图像的底层特征进行了充分的利用,因此可以作为图像的特征提取部分对图像语义分割进行辅助。
技术实现思路
[0004]本专利技术为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种结合超分辨率和注意力机制的遥感图像道路分割方法。
[0005]本专利技术解决其技术问题所采用的技术方案是:本专利技术公开一种结合超分辨率和注意力机制的遥感图像道路分割方法,包括如下步骤:
[0006]步骤一:将高分辨率遥感图像数据集按照一定的 ...
【技术保护点】
【技术特征摘要】
1.一种结合超分辨率和注意力机制的遥感图像道路分割方法,其特征在于,包括如下步骤:步骤一:将高分辨率遥感图像数据集按照一定的比例划分为训练集和测试集,所述高分辨率遥感图像数据集通过遥感卫星获取,包括原始遥感图像数据和经过人工标记的遥感图像数据;对训练集的遥感图像进行预处理和数据扩增,得到经过数据增强后的遥感图像数据集;步骤二:搭建遥感图像道路分割网络:所述遥感图像道路分割网络中包括编码器网络、超分辨率网络和结合注意力机制的语义分割网络,搭建步骤包括:步骤2.1:编码器网络:以U
‑
Net网络模型作为基础网络,将U
‑
Net网络模型中的编码器部分替换为Resnet
‑
34网络的卷积层部分,并作为道路分割网络的编码器,同时使用在ImageNet数据集上预训练的Resnet
‑
34网络参数初始化编码器网络;编码器最终输出底层特征图和高层特征图分别作为超分辨率网络和语义分割网络的输入;步骤2.2:超分辨率网络:超分辨率网络通过残差模块来对编码器提取的底层特征图进行特征整合,通过三个反卷积模块逐步恢复图像的分辨率,同时减少网络的通道数,生成低分辨率遥感图像所对应的高分辨率遥感图像;步骤2.3:语义分割网络:将高层特征图通过上下文信息提取模块后,经过预先训练的作为编码器的Resnet
‑
34网络提取的图像特征和超分辨率网络提取的图像特征,通过注意力模块优化网络的跳跃连接部分,实现对遥感图像数据中的道路图像的最终分割;步骤三:将预处理的训练集数据输入至搭建的遥感图像道路分割网络中,对遥感图像道路分割网络的参数进行初始化,采用resnet
‑
34网络在ImageNet数据集上训练的参数来初始化编码器网络,对其余网络参数进行随机初始化,对遥感图像道路分割网络进行训练;训练完成后,将训练好的遥感图像道路分割网络模型参数进行保存;步骤四:经过处理的实时的遥感道路数据输入到训练好的遥感图像语义分割网络中,输出遥感图像数据的精确分割结果。2.根据权利要求1所述的结合超分辨率和注意力机制的遥感图像道路分割方法,其特征在于:对训练集的遥感图像数据进行预处理包括图像裁剪和对训练集中原始图像进行数据增强;所述图像裁剪具体为:将训练集中的遥感图像裁剪为尺寸为512像素*512像素、分辨率为1米每分辨率的图像;对裁剪后的高分辨率遥感图像进行下采样,得到尺寸为256像素*258像素、分辨率为0.5米每分辨率的低分辨率图像;所述数据增强包括:将训练集中的图像和标签一起进行图像旋转、图像垂直翻转、图像水平翻转。图像垂直加水平翻转。3.根据权利要求1所述的结合超分辨率和注意力机制的遥感图像道路分割方法,其特征在于:编码器网络的结构如下:第一层为卷积层,进行卷积核大小为7
×
7、步长为2的卷积;第二层为步长为2的最大池化层;所述编码器网络的在第二层最大池化层后设置有三个重复的残差块,第一个残差块进行卷积操作,以步长为2的卷积实现下采样,第二个残差块及其之后的卷积操作使用步长为1的卷积操作,残差块中设置有用于加快网络收敛的短路连接;其中第一个残差块所生成的
特征图称之为底层特征图,被用于进行图像的超分辨率;输出的图像特征图称之为高层特征图,用于进行图像的语义分割。4.根据权利要求3所述的结合超分辨率和注意力机制的遥感图像道路分割方法,其特征在于:超分辨率网络的结构如下:所述超分辨率网络将输入的底层特征图经过两个残差模块来整合提取的多尺度特征,得到新的特征图;通过三个反卷积模块逐步恢复图像的分辨率,同时减...
【专利技术属性】
技术研发人员:杨莹,张佳鹏,陈泽华,郭学俊,杨佳林,赵哲峰,曹桂芳,郭晓澎,
申请(专利权)人:太原理工大学,
类型:发明
国别省市:
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。