基于双编解码网络的遥感影像道路提取方法、系统及设备技术方案

本发明专利技术公开一种基于双编解码网络的遥感影像道路提取方法、系统及设备，涉及道路提取领域。本发明专利技术通过获取高分辨率遥感影像并构建双编解码网络，来利用高分辨率遥感影像训练双编解码网络，然后利用训练好的双编解码网络对待提取遥感影像进行道路提取。本发明专利技术基于残差U块和解编结合模块构建具有双编解码结构的双编解码网络，通过编码器提取更丰富的局部和全局上下文特征，同时借助解编结合模块联系前后编解码器，充分利用多尺度特征来增强语义信息，从而提高了遥感影像道路提取结果的完整性和准确性。和准确性。和准确性。

【技术实现步骤摘要】
基于双编解码网络的遥感影像道路提取方法、系统及设备


[0001]本专利技术涉及道路提取
，特别是涉及一种基于双编解码网络的遥感影像道路提取方法、系统及设备。

技术介绍

[0002]道路信息是基础又不可忽视的重要地理信息之一。遥感影像中，道路往往呈现出狭窄细长且图像占比相对较小的特点，使得遥感影像道路提取的结果存在内容丢失和精度欠佳问题。
[0003]近年来，随着遥感技术和高分辨率应用处理技术的快速发展，遥感影像的分辨率已达亚米级，高分辨数据自给率有了显著提高。其中，高分系列卫星(如高分二号、高分七号等)数据自给率超80％，为道路提取提供了更加全面丰富的数据源。遥感影像相比于其它图像而言，图幅范围巨大，所含地物环境复杂，而道路相比于其它地物而言，在遥感数据中图像占比相对较小，大多呈现出狭窄细长的特点，进一步增加了从遥感影像中进行精细化道路提取的挑战性。
[0004]过去几年，有大量学者对遥感影像道路提取进行研究，积攒了许多有价值的思路和方法。遥感影像道路提取方法可以分为传统方法和基于深度学习的方法。传统方法部署快速，但传统方法一般需较多的人工干预，往往人工成本高昂，因此在深度学习技术出现后，衍生出一系列基于深度学习的道路提取算法。基于深度学习的道路提取算法的一个主流方法是语义分割方法。这类语义分割方法，多数采用CNN卷积神经网络来进行浅层和高层的特征提取。采用语义分割方法从遥感影像中进行道路提取为像素级分割任务，然而由于遥感影像中内容复杂，道路这一实体的语义不可避免的会被削弱。因此，现有遥感影像道路提取方法进行道路提取的准确性有待提高，可以将增强道路语义信息作为突破口。

技术实现思路

[0005]针对上述
技术介绍
中提出的问题，本专利技术提供一种基于双编解码网络的遥感影像道路提取方法、系统及设备，以提高道路提取结果的完整性和准确性。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一方面，本专利技术提供一种基于双编解码网络的遥感影像道路提取方法，包括：
[0008]获取高分辨率遥感影像；
[0009]构建双编解码网络；所述双编解码网络包括前编码解码器和后编码解码器；所述前编码解码器包括前编码器和前解码器；所述前编码器包括五个子层，每个子层由一个残差U块和一个下采样操作组成；所述前编码器和所述前解码器通过扩张卷积和各个子层的跳跃连接组成第一个U块；所述后编码解码器包括后编码器和后解码器；所述后编码解码器与所述前编码解码器结构相同；所述后编码器和所述后解码器通过扩张卷积和各个子层的跳跃连接组成第二个U块；所述前解码器通过解编结合(Decoder
‑
Encoder Combination，DEC)模块与所述后编码器相连；
[0010]利用所述高分辨率遥感影像训练所述双编解码网络；
[0011]利用训练好的双编解码网络对待提取遥感影像进行道路提取。
[0012]可选地，所述前编码器包括的五个子层中，第1、2、3个子层的残差U块的深度分别为7、6、5，第4和5个子层的残差U块的深度均为4。
[0013]可选地，所述残差U块包括下采样层、扩张卷积层和上采样层；所述上采样层和所述下采样层之间通过跳跃连接传递特征信息。
[0014]可选地，所述DEC模块的输入是前解码器不同子层输出的特征图，所述DEC模块通过卷积操作，输出对应子层的中间类别二值预测特征图。
[0015]可选地，所述DEC模块一方面将对应子层的中间类别二值预测特征图输入至所述后编码器的不同子层进行特征融合，另一方面将不同尺度的中间类别二值预测特征图进行多尺度上下文特征融合，并将上下文特征融合结果送入到所述后解码器的末端区域辅助最终的类别预测。
[0016]可选地，所述双编解码网络的整体损失函数其中u表示当前图像分割类别，U表示分割类别总数；代表DEC模块中生成中间类别预测的损失函数，l
f
代表最终融合输出二值预测的损失函数；和w
f
分别为损失函数和l
f
对应的权重。
[0017]另一方面，本专利技术提供一种基于双编解码网络的遥感影像道路提取系统，包括：
[0018]遥感影像获取模块，用于获取高分辨率遥感影像；
[0019]双编解码网络构建模块，用于构建双编解码网络；所述双编解码网络包括前编码解码器和后编码解码器；所述前编码解码器包括前编码器和前解码器；所述前编码器包括五个子层，每个子层由一个残差U块和一个下采样操作组成；所述前编码器和所述前解码器通过扩张卷积和各个子层的跳跃连接组成第一个U块；所述后编码解码器包括后编码器和后解码器；所述后编码解码器与所述前编码解码器结构相同；所述后编码器和所述后解码器通过扩张卷积和各个子层的跳跃连接组成第二个U块；所述前解码器通过解编结合模块与所述后编码器相连；
[0020]双编解码网络训练模块，用于利用所述高分辨率遥感影像训练所述双编解码网络；
[0021]遥感影像道路提取模块，用于利用训练好的双编解码网络对待提取遥感影像进行道路提取。
[0022]另一方面，本专利技术还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于双编解码网络的遥感影像道路提取方法。
[0023]可选地，所述存储器为非暂态计算机可读存储介质。
[0024]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0025]本专利技术提供了一种基于双编解码网络的遥感影像道路提取方法、系统及设备，基于残差U块和解编结合模块，提出具有双编解码结构的RUW
‑
Net，该双编解码网络RUW
‑
Net首先用残差U块RSU替换掉D
‑
LinkNet网络中的基础残差块，通过编码器提取更丰富的局部和
全局上下文特征，同时借助解编结合模块DEC联系前后编解码器，充分利用多尺度特征来增强语义信息，从而提高了道路提取结果的完整性和准确性。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术一种基于双编解码网络的遥感影像道路提取方法的流程图；
[0028]图2为本专利技术RUW
‑
Net网络的整体架构图；
[0029]图3为不同深度的RSU块结构示意图；
[0030]图4为Res
‑
bolck和ResU
‑
block的结构对比图；
[0031]图5为解编结合模块的结构示意图；
[0032]图6为RUW
‑
Net网络的多尺度特征融合过程示意图；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双编解码网络的遥感影像道路提取方法，其特征在于，包括：获取高分辨率遥感影像；构建双编解码网络；所述双编解码网络包括前编码解码器和后编码解码器；所述前编码解码器包括前编码器和前解码器；所述前编码器包括五个子层，每个子层由一个残差U块和一个下采样操作组成；所述前编码器和所述前解码器通过扩张卷积和各个子层的跳跃连接组成第一个U块；所述后编码解码器包括后编码器和后解码器；所述后编码解码器与所述前编码解码器结构相同；所述后编码器和所述后解码器通过扩张卷积和各个子层的跳跃连接组成第二个U块；所述前解码器通过解编结合DEC模块与所述后编码器相连；利用所述高分辨率遥感影像训练所述双编解码网络；利用训练好的双编解码网络对待提取遥感影像进行道路提取。2.根据权利要求1所述的基于双编解码网络的遥感影像道路提取方法，其特征在于，所述前编码器包括的五个子层中，第1、2、3个子层的残差U块的深度分别为7、6、5，第4和5个子层的残差U块的深度均为4。3.根据权利要求1所述的基于双编解码网络的遥感影像道路提取方法，其特征在于，所述残差U块包括下采样层、扩张卷积层和上采样层；所述上采样层和所述下采样层之间通过跳跃连接传递特征信息。4.根据权利要求1所述的基于双编解码网络的遥感影像道路提取方法，其特征在于，所述DEC模块的输入是前解码器不同子层输出的特征图，所述DEC模块通过卷积操作，输出对应子层的中间类别二值预测特征图。5.根据权利要求4所述的基于双编解码网络的遥感影像道路提取方法，其特征在于，所述DEC模块一方面将对应子层的中间类别二值预测特征图输入至所述后编码器的不同子层进行特征融合，另一方面将不同尺度的中间类别二值预测特征图进行多尺度上下文特征融合，并将上下文特征融合...

【专利技术属性】
技术研发人员：杨景玉，古宗亮，王阳萍，党建武，王锋，庞阳，岳彪，王文润，任鹏百，雍玖，张希权，李欣，
申请(专利权)人：甘肃路桥飞宇交通设施有限责任公司，
类型：发明
国别省市：