一种基于卷积网络的遥感影像道路提取方法与装置制造方法及图纸

本申请涉及一种基于卷积网络的遥感影像道路提取方法与装置，所述方法包括：获取道路数据集；由位置带状注意力空洞卷积网络组成的编码器解码器模型，编码器解码器模型包括编码器解码器的网络模型，其中编码器包括带状位置注意力模块和长距离快捷连接模块，长距离快捷连接模块与带状位置注意力模块的对应特征输出层连接，编码器与解码器之间通过带状卷积空洞金字塔注意力模块连接；根据道路数据集和预设的损失函数，训练所述编码器解码器模型；将待测遥感影像输入到训练好的编码器解码器模型中，得到遥感影像的道路提取结果。通过本申请的技术方案，能够增强道路的空间特征和连贯性语义信息，捕获远程依赖关系，提高道路的完整性和连贯性。整性和连贯性。整性和连贯性。

【技术实现步骤摘要】
一种基于卷积网络的遥感影像道路提取方法与装置


[0001]本专利技术涉及遥感图像处理领域，特别涉及一种基于卷积网络的遥感影像道路提取方法。

技术介绍

[0002]道路作为交通的基础，是国家基础设施建设的重要部分，不仅在人们的生活中起着不可替代的作用，在经济、军事中也扮演着重要的角色。道路的精确提取可以为GIS数据库更新、城市规划、地图制作提供基础，广泛应用于交通管理、土地利用分析等领域。高分辨率遥感影像包含丰富的地表信息，地物呈现的灰度特征、几何结构和纹理信息有所差异，为获取各类地物信息提供依据。从遥感影像中提取道路信息成为研究的热点与难点问题，开展高分辨率遥感影像道路提取的研究有助于节省人力物力，为道路交通畅通和地理信息数据实时更新提供技术保障。
[0003]传统开展高分辨率遥感影像道路提取的方法，通常是基于像元、区域、结构和纹理信息，比较适合于语义信息鲜明和道路比较单一的遥感图像。随着深度学习的发展，卷积神经网络(CNN)进入了研究人员的视野，其在语义分割方面被证实具有优于传统方法的分割效率。但随着遥感影像分辨率的进一步提高，道路背本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积网络的遥感影像道路提取方法，其特征在于，所述图像处理模型包括构建和训练卷积网络模型，所述提取方法包括：获取道路数据集；构建由位置带状注意力空洞卷积网络组成的编码器解码器模型，所述编码器解码器模型包括编码器解码器的网络模型，其中编码器包括带状位置注意力模块和长距离快捷连接模块，所述长距离快捷连接模块与所述带状位置注意力模块的对应特征输出层连接，编码器与解码器之间通过带状卷积空洞金字塔注意力模块连接；根据所述道路数据集和预设的损失函数，训练所述编码器解码器模型；将待测遥感影像输入到训练好的编码器解码器模型中，得到所述待测遥感影像的道路提取结果。2.根据权利要求1所述的一种基于卷积网络的遥感影像道路提取方法，其特征在于，其中带状位置注意力模块的设置方式包括：将设定的局部特征图输入卷积层生成新的第一特征图、第二特征图和第三特征图；分别将所述的第一特征图、第二特征图和第三特征图通过带状卷积模块输出重塑，以得到重塑结果；将第一特征图的转置和第二特征图的转置之间进行矩阵乘法，利用Softmax层计算注意力图；在第三特征图和注意力图之间使用矩阵乘法得到重塑结果，并将所述重塑结果与局部特征图进行逐元素求和计算得到最终输出特征图。3.根据权利要求2所述的一种基于卷积网络的遥感影像道路提取方法，其特征在于，其中所述带状卷积模块的卷积操作的计算过程包括：E＝reshape{σ{reshape&transpose(f
Stp
(Q))
×
reshape(f
Stp
(K))}
×
reshape(f
Stp
(V))}+X＝W2{σ{W1(W0(Q))
×
W2(W0(K))}
×
W2(W0(V))}+X使用W0来表示水平、垂直、左对角线和右对角线四个方向的带状卷积操作，W1表示重塑和转置操作，W2表示重塑操作，σ表示归一化操作。4.根据权利要求1所述的一种基于卷积网络的遥感影像道路提取方法，其特征在于，其中长距离快捷链接模块设置方式包括：将图像向下采样，使其与编码器中下采样单元的输出特征图相同，以进行平均池化处理；对平均池化后的特征图进行处理，学习图像的空间表示；逐点卷积，在空间表示的基础上学习输入之间的组合。5.根据权利要求1所述的一种基于卷积网络的遥感影像道路提取方法，其特征在于，所述金字塔空洞卷积注意力模块的处理方式包括：输入特征图并标记，经过卷积后分别传入到并行的三个分支；其中一个分支里使用扩张点卷积学习线性表示，通过空洞率和padding获取不同尺度下的道路特征；另外两个分支分别进行全局平局池化和带状卷积池...

【专利技术属性】
技术研发人员：赵丽科，叶林峰，蒋华伟，杨震，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：