基于边界与上下文联合学习的遥感影像机场跑道提取方法技术

本发明专利技术公开了一种基于边界与上下文联合学习的遥感影像机场跑道提取方法，解决跑道边界附近提取结果不精细以及跑道和联络道难以区分的问题。主要包括如下步骤：获取机场遥感数据集，标注机场跑道数据，对标注后的数据进行数据增强，生成训练集和测试集；构建跑道提取网络，使用高分辨率网络HRNet作为特征提取主干学习四个分辨率的特征表示，将不同分辨率的特征图输入至解码器，通过边界感知模块生成跑道边界图，通过上下文聚合模块提取上下文特征，最终输出跑道提取结果，使用训练集训练跑道提取网络；在测试过程中将测试数据输入至训练后的跑道提取网络中进行正向预测，获得跑道分割预测结果。分割预测结果。分割预测结果。

【技术实现步骤摘要】
基于边界与上下文联合学习的遥感影像机场跑道提取方法


[0001]本专利技术涉及遥感图像信息提取领域，具体涉及一种基于边界与上下文联合学习的遥感影像机场跑道提取方法。

技术介绍

[0002]目前遥感影像机场跑道检测方法主要分为基于显著性特征的方法与基于深度学习的方法。其中显著性特征包括跑道线性特征、纹理特征、几何形状特征等，文献"W.Ding and J.Wu.An Airport Knowledge
‑
Based Method for Accurate Change Analysis of Airport Runways in VHR Remote Sensing Images.Remote Sensing,vol.12,no.19,pp.3163,Sep.2020"将跑道标志、跑道边缘标线等先验知识与多种跑道典型特征结合实现机场跑道的自动提取，该方法受应用场景和先验规则的限制，在缺乏某些跑道标志或跑道典型特征的情况下往往会失效，缺乏良好的场景泛化能力。深度学习近年来被应用于各个领域，为机场跑道检测提供了新的思路。文献"R.A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边界与上下文联合学习的遥感影像机场跑道提取方法，其特征在于包括以下步骤：步骤1：采集机场场景遥感样本图像，对每一张图像中的跑道和联络道进行标注，构成标签图像，将所述样本图像和所述标签图像按照2：1的比例划分为训练集和测试集；步骤2：对所述训练集中的训练样本进行数据增强后，包括随机旋转、随机翻转、随机裁切、随机放缩和随机色域变换操作，对其进行归一化、放缩、通道变换操作，生成维度为3
×
H
×
W的训练图像；步骤3：将步骤2所述训练图像输入至高分辨网络HRNet特征提取主干中，对输入所述训练图像进行多分辨率特征提取，输出四组不同分辨率的特征组，分辨率分别为步骤4：将步骤3所述分辨率为的特征组输入至边界感知模块，输出跑道边界提取图O
b
；步骤5：对步骤3所述分辨率为和的特征组进行双线性插值操作统一分辨率后，在通道维度进行拼接操作，生成融合特征F
c
；步骤6：对步骤5所述融合特征F
c
进行全局自适应平均池化生成特征向量，并通过两层神经网络生成注意力向量V，激活函数分别为修正线性单元ReLU激活函数和S型激活函数Sigmoid；步骤7：将步骤5所述融合特征F
c
与步骤6所述注意力向量V进行通道级乘法后与步骤4所述跑道边界提取图O
b
相加，生成自适应特征F
a
；步骤8：将步骤7所述自适应特征F
a
输入至上下文聚合模块，生成上下文聚合特征F
s
；步骤9：对步骤8所述上下文聚合特征F
s
依次进行通道不变的1
×
1卷积、批归一化和ReLU激活后，再经过输出通道为3的1
×
1卷积操作和双线性插值操作生成预分割图F
seg
；步骤10：将步骤9所述预分割图F
seg
经过双线性插值操作恢复图像分辨率至H
×
W，生成最终跑道分割图O
s
；步骤11：对步骤3
‑
步骤10所述跑道提取网络进行训练，优化器采用自适应矩估计优化，并使用余弦退火学习率衰减策略，分别采用交叉熵损失函数和焦点损失函数focal对步骤10所述跑道分割图O
s
和步骤4所述跑道边界图O
b
求损失，交叉熵损失计算公式如下：其中表示预测...

【专利技术属性】
技术研发人员：王琦，荆纬，袁媛，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：