基于重参数优化的异源遥感影像融合道路智能识别的方法技术

本发明专利技术公开了一种基于重参数优化的异源遥感影像融合道路智能识别的方法，包括：S1：收集高分辨率遥感影像以车站为重点区域构建标注样本，从而生成适用于模型训练和验证的影像切块；S2：采用多极化样本融合策略，融合两种异源的遥感影像；S3：基于重参数化方法构建适用于大规模遥感道路提取的模型，并进行模型训练与预测模型重参数化；S4：基于路网的特征构建一种缓冲区网格搜索方案，大幅度减少模型计算量；S5：模型结果滤波及断线连接。本发明专利技术通过融合异源遥感影像特征，采用较大的语义分割模型进行训练，并采用较少的参数进行预测，同时满足了模型的精度与高效性，能够有效的用于高分辨率卫星遥感影像道路快速提取。辨率卫星遥感影像道路快速提取。辨率卫星遥感影像道路快速提取。

【技术实现步骤摘要】
基于重参数优化的异源遥感影像融合道路智能识别的方法


[0001]本专利技术涉及遥感影像图像处理
，特别涉及一种基于重参数优化的异源遥感影像融合道路智能识别的方法。

技术介绍

[0002]提取道路网是一项具有挑战性的任务。中国的道路规模非常庞大，城市道路和乡村道路都非常复杂。道旁的树木和灌木丛等植被常常遮挡着道路，这使得想要准确高效地提取路网变得非常困难。另外，随着城市化的加速，城市里的道路也在不断发展和变化，这使得提取路网变得更加困难。不仅如此，提取道路网需要大量的数据和计算资源，并且需要先进的算法才能实现。在进行道路网提取时，还需要面对其他挑战。例如，道路可能会受到环境影响，例如天气、季节等因素，这会对提取道路网造成干扰。道路有时会因为事故、施工等原因而暂时关闭，这也会对提取道路网造成影响。此外，道路网提取还需要考虑到道路的质量问题。在提取道路网时，如果道路的质量不好，比如道路不平坦、不宽敞，那么提取出来的道路网也可能不准确，甚至会对交通安全造成威胁。因此，在提取道路网时，需要同时考虑到道路的质量问题，并确保提取出来的道路网是安全可靠的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于重参数优化的异源遥感影像融合道路智能识别的方法，其特征在于，包括以下步骤：步骤S1：收集高分辨率遥感影像以车站为重点区域构建标注样本，从而生成适用于模型训练和验证的影像切块；步骤S2：构建自编码器采用多极化输入融合样本特征；步骤S3：采用多GPU并行运算的方式，基于重参数化方法构建适用于大规模遥感道路提取的模型，并进行模型训练；步骤S4：基于路网的特征构建一种缓冲区网格搜索方案，大幅度减少模型计算量，以道路的连续性为基础，通过邻域搜索的方式降低遥感影像中提取道路的困难性；步骤S5：采用导向滤波算法，以图像本身的梯度引导提取的路网图，过滤非边缘噪声，并采用动态规划算法拼接道路。2.根据权利要求1所述的一种基于重参数优化的异源遥感影像融合道路智能识别的方法，其特征在于：所述步骤S1的具体步骤为：步骤S11：根据覆盖有路网的高分辨率光学卫星遥感影像，期间对光学影像的云量进行分析，过滤云量>5％的图像；步骤S12：提取光学遥感影像的成像时间，并采用相邻日期的SAR影像进行补充，以光学影像为主，SAR影像进行拼接以及升降轨联合处理；步骤S13：重采样两种影像至相同的分辨率，进而构建包含路网的影像切块切片。3.根据权利要求2所述的一种基于重参数优化的异源遥感影像融合道路智能识别的方法，其特征在于：步骤S1中由于模型采用了重参数化，为最大化算力并提升模型感受野，影像切块为2048
×
2048。4.根据权利要求1所述的一种基于重参数优化的异源遥感影像融合道路智能识别的方法，其特征在于：所述步骤S2的具体步骤为：步骤S21：采用卷积神经网络，根据输入输出为同一图像的条件，构建自编码器；步骤S22：将光学遥感影像以及SAR遥感影像采用通道拼接的方式合成一幅图像；步骤S23：采用互信息法配准两种异源的遥感影像，并将图像采样至一致大小；步骤S24：输入自编码器，以无监督的方式开展图像融合。5.根据权利要求1所述的一种基于重参数优化的异源遥感影像融合道路智能识别的方法，其特征在于：所述步骤S3的具体步骤为：步骤S31：部署4块显卡，使用Pytorch并行的方式进行多卡连接；步骤S32：采用重参数的方式才有多残差连接构建道路提取模型；步骤S33：模型训练与验证，模型采用的误差函数由以下函数共同构成：步骤S33：模型训练与验证，模型采用的误差函数由以下函数共同构成：步骤S33：模型训练与验证，模型采用的误差函数由以下函数共同构成：式中M是图...

【专利技术属性】
技术研发人员：马德英，赖鸿斌，于冰，肖东升，戴小军，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：