一种高分辨率遥感影像道路提取方法技术

本发明专利技术公开一种高分辨率遥感影像道路提取方法，结合道路的形状规律，尺度差异构建了双任务驱动的深度卷积神经网络，其中主线任务为道路表面分割RSS，其编码层采用残差卷积进行特征提取，解码层由多尺度多方向条状卷积模块构成，该任务线的输出为本文最终提取结果。分线任务为道路中心提取RCE，其输入特征来自RSS分支的编码层，中间特征将融入RSS分支解码层，从而充分利用道路中心线提升道路表面分割结果的连通性。在实验部分，借助公开数据集证明了本发明专利技术方法在量化的评价指标中高于对比方法，在道路遮盖、道路交叉口以及低等级道路等重难点方面具备明显优势，并且拥有更强的模型移植和小样本学习能力。型移植和小样本学习能力。型移植和小样本学习能力。

【技术实现步骤摘要】
一种高分辨率遥感影像道路提取方法


[0001]本专利技术涉及遥感影像处理
，尤其涉及一种高分辨率遥感影像道路提取方法。

技术介绍

[0002]智能化道路提取技术在地图更新、自动驾驶、城市规划、车辆导航等领域均具有重要作用。遥感影像作为非接触信息获取技术的产品，随着其空间分辨率和时间分辨率的不断提升，使得人们在短时间内获取大范围的地表详细情况成为了可能，从而促使道路网在平面的可视化影像中得以展现。因此，遥感影像可以作为道路信息自动化、实时化识别的有效数据基础。
[0003]关于遥感影像道路提取方法的种类可以根据其发展历程划分为传统方法和深度学习方法，传统方法主要包括模板匹配法，知识驱动法和面向对象法。该类方法主要是依托道路在遥感影像上呈现的形状特征、光谱特征、纹理特征以及人为设计的浅层组合特征展开的，但是随着遥感影像空间分辨率的不断提升，其表达地表细节能力得到了显著进步，“同物异谱、同谱异物”问题日益突出，道路在浅层特征空间中往往不够聚集并且与其他地物存在交集，导致该类方法的适用性和稳定性较差。
[0004]近年来，随着深度卷积神经网络的不断发展，尤其诸如FCN,UNet,SegNet,Deeplab系列等典型语义分割网络的诞生，使得深度学习法在遥感影像像素级智能解译中得到了广泛应用。然而，从遥感影像中提取道路是具有挑战性的，一是道路等级差异明显，存在小目标和大目标共存现象；二是建筑物、树木等对道路表面形成遮挡；三是道路与其他目标(空地、沟渠等)的相似性问题。上述困难往往会造成道路提取结果的错误、遗漏和碎片化问题。最近，研究学者以典型的“编码—解码”结构为基础，以道路的影像特征和提取结果面向的应用需求为依据，通过引入注意力机制，改进网络结构，优化监督形式等方式对现有方法实现改进。如文献1(Zhou L,Zhang C,Wu M.D
‑
LinkNet:LinkNet with pretrained encoder and dilated convolution for high resolution satellite imagery road extraction[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops.2018:182
‑
186.)、文献2(Wei Y,Zhang K,Ji S.Simultaneous road surface and centerline extraction from large
‑
scale remote sensing images using CNN
‑
based segmentation and tracing[J].IEEE Transactions on Geoscience and Remote Sensing,2020,58(12):8919
‑
8931.)在编码层和解码层之间加入多尺度空洞卷积，文献3(Zhou G,Chen W,Gui Q,et al.Split depth
‑
wise separable graph
‑
convolution network for road extraction in complex environments from high
‑
resolution remote
‑
sensing Images[J].IEEE Transactions on Geoscience and Remote Sensing,2021,60:1
‑
15.)在卷积神经网络中引入图神经网络，从而弥补卷积神经网络在全局特征捕获能力上的缺陷。文献4(Wang Y,Peng Y,Li W,etal.DDU
‑
Net:dual
‑
decoder
‑
U
‑
Net for road extraction using high
‑
resolution remote sensing images
[J].IEEE Transactions on Geoscience and Remote Sensing,2022,60:1
‑
12.)在常规框架的基础上增加解码分支，形成双解码结构，从而增强细节信息的提取能力。文献5(Zhou M,Sui H,Chen S,et al.BT
‑
RoadNet:Aboundary and topologically
‑
aware neural network for road extraction from high
‑
resolution remote sensing imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing,2020,168:288
‑
306.)搭建了由粗到精的提取框架，通过精提取对粗提取过程中存在的漏提取和误提取现象进行修正。上述方法从不同角度对提升道路提取结果的准确性和稳定性进行了研究，但没有同时顾及道路在高分辨率遥感影像上的形状规律、尺度差异和连通关系。

技术实现思路

[0005]本专利技术针对现有方法从不同角度对提升道路提取结果的准确性和稳定性进行了研究，但没有同时顾及道路在高分辨率遥感影像上的形状规律、尺度差异和连通关系的问题，提出一种高分辨率遥感影像道路提取方法。
[0006]为了实现上述目的，本专利技术采用以下技术方案：
[0007]一种高分辨率遥感影像道路提取方法，包括：
[0008]结合道路的形状规律和尺度差异构建双任务驱动的深度卷积神经网络，所述双任务驱动的深度卷积神经网络包括道路表面分割网络分支及路中心提取网络分支；道路表面分割网络分支包括编码层、中间层和解码层；编码层采用残差卷积进行特征提取，解码层由多尺度多方向条状卷积模块构成，该网络分支的输入数据为原始遥感影像，输出为最终道路提取结果；路中心提取网络分支的输入特征来自道路表面分割网络分支的编码层，得到的中间特征融入道路表面分割网络分支的解码层，以使利用道路中心线提升道路表面分割结果的连通性；
[0009]基于构建的双任务驱动的深度卷积神经网络进行高分辨率遥感影像道路提取。
[0010]进一步地，所述编码层中，采用ResNet34作为特征提取器。
[0011]进一步地，所述编码层采用残差卷积进行特征提取包括：
[0012]首先通过7
×
7卷积核和3
×
3最大池化层进行浅层特征提取；然后利用双层3
×
3卷积核数量分别为3，4，6，3的四个残差卷积块进行深层特征挖掘；最终输出特征图的尺寸为原始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高分辨率遥感影像道路提取方法，其特征在于，包括：结合道路的形状规律和尺度差异构建双任务驱动的深度卷积神经网络，所述双任务驱动的深度卷积神经网络包括道路表面分割网络分支及路中心提取网络分支；道路表面分割网络分支包括编码层、中间层和解码层；编码层采用残差卷积进行特征提取，解码层由多尺度多方向条状卷积模块构成，该网络分支的输入数据为原始遥感影像，输出为最终道路提取结果；路中心提取网络分支的输入特征来自道路表面分割网络分支的编码层，得到的中间特征融入道路表面分割网络分支的解码层，以使利用道路中心线提升道路表面分割结果的连通性；基于构建的双任务驱动的深度卷积神经网络进行高分辨率遥感影像道路提取。2.根据权利要求1所述的一种高分辨率遥感影像道路提取方法，其特征在于，所述编码层中，采用ResNet34作为特征提取器。3.根据权利要求2所述的一种高分辨率遥感影像道路提取方法，其特征在于，所述编码层采用残差卷积进行特征提取包括：首先通过7
×
7卷积核和3
×
3最大池化层进行浅层特征提取；然后利用双层3
×
3卷积核数量分别为3，4，6，3的四个残差卷积块进行深层特征挖掘；最终输出特征图的尺寸为原始影像的1/32，通道数为512。4.根据权利要求1所述的一种高分辨率遥感影像道路提取方法，其特征在于，所述解码层包含四个多尺度多方向条状卷积模块，四个多尺度多方向条状卷积模块的输出特征与编码层对应的特征图相加，将最后一个多尺度多方向条状卷积模块的输出特征与路中心提取网络分支的中间结果以通道叠加形式进行融合。5.根据权利要求4所述的一种高分辨率遥感影像道路提取方法，其特征在于，所述四个多尺度多方向条状卷积模块分别利用0
°
，45
°
，90
°
，135
°
四个方...

【专利技术属性】
技术研发人员：林雨准，王淑香，王番，金飞，刘智，芮杰，王丹菂，刘潇，李美霖，左溪冰，邹慧君，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：