本发明专利技术属于神经网络影像处理及识别统计技术领域，具体为一种高分辨率遥感影像自然道路识别统计方法，该高分辨率遥感影像自然道路识别统计方法的具体步骤流程如下：S1：自然越野道路数据集的构建：选择合适的地点并对此处进行数据集的采集，通过使用卫星进行多光谱影像数据采集，以及得到标注的训练数据集，本申请基于FCN网络与HRnet基线网络的构建了深度学习分割网络框架，融合Mean Teacher半监督学习思想的进行可迁移的道路提取框架，同时给出其设计及Python实现，将其应用于高分2号国产遥感影像的自然非硬化道路目标识别任务中，完成了成本低且快速智能的提取自然道路的目标构想。
【技术实现步骤摘要】
本专利技术涉及神经网络影像处理及识别统计，具体为一种高分辨率遥感影像自然道路识别统计方法。
技术介绍
1、道路主要包括经过硬化的沥青路、砾石路以及未经硬化的由车辆随意驾驶碾压而形成的自然道路。在我国西部、北部地区，仍有部分地域缺少大范围的硬化道路铺设。目前，我国总量持续快速膨胀的机动车和急剧增加的道路运输量逐渐对我国的生态环境构成越来越大的威胁，部分区域自然道路提取方法及数据集的研究亟需开展。然而，目前尚未有一套成熟的训练数据集、方法能够系统性的支撑自然道路信息的提取。因此，有必要总结归纳自然道路的特征信息，并构建一套完整的数据集与方法系统地对自然道路进行提取分析，以便后续对无序扩张的自然道路进行整治以控制土地退化、对人类活动的影响进行分析。
2、目前传统的遥感影像道路信息提取(诸如硬化路面、高速公路)已经成熟，半监督语义分割方法也已然成熟。现有的通用道路语义分割数据集中仍然不包括自然道路(非硬化路面)的相关数据，同时目前自动化、智能化地提取自然道路(非硬化路面)的研究仍然缺乏。因此需要我们进行自然道路的自动化智能化提取的研究，同时标注产出包含自然道路特征在内的专用道路数据集。在语义分割领域，标注往往是比较昂贵且困难的。因为掩膜标注要求和目标边缘紧密贴合，否则会带来边界上的额外损失。目前半监督深度学习方法用于从高分辨率遥感影像中提取道路显示出显著的优势。通过有效利用标记和未标记的数据，这些方法在减少人工标注工作的同时取得了有竞争力的结果。它们在不同的环境条件下表现出鲁棒性，并在不同的数据集上表现出适应性。
>3、因此，本专利技术拟采用先进成熟的深度学习方法，结合半监督学习思想，在有限的自然道路部分标记的情况下，使用剩余未标注的高分辨率遥感影像数据，进行分类和回归任务。
技术实现思路
1、本专利技术的目的在于提供一种高分辨率遥感影像自然道路识别统计方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种高分辨率遥感影像自然道路识别统计方法，该高分辨率遥感影像自然道路识别统计方法的具体步骤流程如下：
3、s1：自然越野道路数据集的构建：
4、选择合适的地点并对此处进行数据集的采集，通过使用卫星进行多光谱影像数据采集，以及得到标注的训练数据集，通过图像融合对多光谱影像进行融合，得到多光谱影像，继续对图像的语义进行分割，首先启动labelme.exe，选择数据集所在的文件夹，通过open读取文件，选择create polygons对想要的区域进行编辑，进行道路标注，labelme生成的标注文件格式为json格式，其可以帮助快速的实现语义分割任务中json格式的源数据文件的生成，然而为了方便fcn+hrnet分割网络的数据输入，还需要进一步的将每个json文件进行格式转换，将其扩展成一个数据集文件夹，数据集包括了原有的图像jpg文件，扩展生成的道路标注png文件，以及带有标注名称的class_names.txt文本文件；
5、s2：基于fcn网络与hrnet基线网络的深度学习分割网络框架：
6、通过使用fcn+hrnet进行分割网络框架，fcn网络对图像进行像素级的分类，从而解决了语义级别的图像分割(semantic segmentation)问题，与经典的cnn在卷积层之后使用全连接层得到固定长度的特征向量进行分类(全联接层+softmax输出)不同，fcn可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样,使恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类；hrnet backbone通过并行多个分辨率的分支，加上不断进行不同分支之间的信息交互，同时达到强语义信息和精准位置信息的目的；
7、s3：基于mean teacher思想的半监督道路提取框架：
8、当输入略有变化时，通常仍将其视为同一对象，分类模型应该偏向为相似数据点提供一致输出的函数，实现此目的的一种方法是将噪声添加到模型的输入中，为了使模型能够学习更多抽象不变性，可以将噪声添加到中间表示中，这一见解激发了许多正则化技术，例如dropout；由于对于未标记的示例未定义分类成本，因此噪声正则化本身无助于半监督学习，为了克服这个问题，mean teacher模型评估了有无噪声的每个数据点，然后在两个预测之间应用了一致性损失，在这种情况下，模型承担着teacher模型和student模型的双重角色，作为student模型，它像以前一样学习，作为teacher模型，会对未标注的图片生成对应类别的标签从而提供给student模型学习；temporal ensembling提供了一个新的思路，该模型为每个训练示例保持了指数加权平均(ema)预测，在每个训练步骤中，都会基于新的预测更新该步骤中示例的所有指数加权平均(ema)预测，每个示例的ema预测由模型的当前版本和评估同一示例的早期版本组成，这种集成可以提高预测的质量，并将其用作teacher的预测可以改善结果，由于每个目标每个时期仅更新一次，所以学习的信息以缓慢的速度被合并到训练过程中，数据集越大，更新的时间越长，导致在复杂识别任务中很难使用temporal ensembling模型，为了克服temporal ensembling的局限性，mean teacher改良成了对模型权重取平均而不是预测结果，由于teacher模型是连续的student模型权重平均值，因此将其称为mean teacher方法，与使用学生模型共享权重不同，mean teacher模型使用学生模型的指数加权平均权重(ema权重)；现在可以在每个训练步骤之后汇总训练信息，由于权重平均值改善了所有层的输出，模型能够更好的利用未标注的数据以学习到更多的信息；
9、s4：模型训练与影像结果预测：由于训练数据集存在样本不平衡问题，即一张影像中背景类(红色)中的像素占比明显大于目标道路类(绿色)中的像素占比，为了让模型学习到更多目标类的特征信息，可有意增加道路类的损失权重，并设置背景类与目标类的损失权重比为1:10，模型进行了80000次迭代训练；使用目标道路类的iou、precision和recall指标来评估训练模型的准确性；准确率是正确预测的正像素与模型预测为正的像素总数的比率，衡量了模型的积极预测的准确性，召回率量化了模型捕获所有正实体的有效性，iou提供了模型预测类别的真实分割掩码的对齐程度的总体衡量，最终，最佳模型目标道路类的iou、准确率(precision)及召回率(recall)评价指标就分别达到了83.78％、89.86％和92.53％，展现了较好的模型效果。
10、优选的，所述s1中，所选择的数据集取自蒙古国南戈壁省的古尔班特斯苏木地区，古尔班特斯苏木所在的南戈壁省矿产资源富集，地下拥有储量巨大的焦煤和铜矿，由于大型煤矿的存在，除为改善运输条件所修建的公路外，古本文档来自技高网...
【技术保护点】
1.一种高分辨率遥感影像自然道路识别统计方法，其特征在于，该高分辨率遥感影像自然道路识别统计方法的具体步骤流程如下：
2.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：所述S1中，所选择的数据集取自蒙古国南戈壁省的古尔班特斯苏木地区，古尔班特斯苏木所在的南戈壁省矿产资源富集，地下拥有储量巨大的焦煤和铜矿，由于大型煤矿的存在，除为改善运输条件所修建的公路外，古尔班特斯苏木内还有许多由于运输车辆直接碾压草地而形成的自然道路。
3.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：所述S1中卫星选择“高分二号”(简称GF-2)，可提供幅宽45km、空间分辨率为0.8m的全色影像数据和空间分辨率为3.2m的多光谱影像数据，研究数据集选择的GF-2影像成像时间年份为2019年和2020年、月份为9-12月，将幅宽45km、空间分辨率0.8m的全色影像和空间分辨率3.1m的多光谱影像进行融合处理，以得到待标注的训练数据集。
4.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：所述S1中，图像融合采用的是Nearest Neighbor Diffusion(NNDiffuse)pan sharpening算法，将0.8m的全色影像与3.2m的多光谱影像进行融合，最终得到1m的多光谱影像，该方法的融合结果对于色彩、光谱和纹理信息，均能得到很好的保留，还具有较好的处理效率，处理过后的图像数据同时具有较高空间分辨率和多光谱特征；图像的语义分割任务属于pixel-wise级的一种图像分类任务，语义分割任务的目的是为图像中属于同一个类别的目标实体打上相同的分类标签，以能够对图片中的所有物体进行分类操作，在实现机器对图片中的物体进行自动分类之前，需要人工告知机器各个物体样本所属的类别，因此，首先需要对一些图片样本数据进行物体类别的标注工作。
5.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：所述S2在网络结构中，选取的是轻量级的HRNet_W18结构，在网络效率优秀的情况下具有更轻量、运行更加快速的优势。
6.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：在S3中，使用Mean Teacher模型半监督学习思想增加了一致性损失，用于测量未标注数据的分割结果并使其靠近某一种约束，本申请中实现的mean teacher的一致性损失为：其中fema是无梯度分割网络，Xema是加噪原始数据，该一致性损失约束可描述为：使用源图像得到的分割结果和加噪图像得到的分割结果应该是一致的。
7.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：所述S4中，选择的实验环境为Python 3+PyTorch，显卡是带有12GB内存的NVIDIA TITAN X。
...
【技术特征摘要】
1.一种高分辨率遥感影像自然道路识别统计方法，其特征在于，该高分辨率遥感影像自然道路识别统计方法的具体步骤流程如下：
2.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：所述s1中，所选择的数据集取自蒙古国南戈壁省的古尔班特斯苏木地区，古尔班特斯苏木所在的南戈壁省矿产资源富集，地下拥有储量巨大的焦煤和铜矿，由于大型煤矿的存在，除为改善运输条件所修建的公路外，古尔班特斯苏木内还有许多由于运输车辆直接碾压草地而形成的自然道路。
3.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：所述s1中卫星选择“高分二号”(简称gf-2)，可提供幅宽45km、空间分辨率为0.8m的全色影像数据和空间分辨率为3.2m的多光谱影像数据，研究数据集选择的gf-2影像成像时间年份为2019年和2020年、月份为9-12月，将幅宽45km、空间分辨率0.8m的全色影像和空间分辨率3.1m的多光谱影像进行融合处理，以得到待标注的训练数据集。
4.根据权利要求1所述的一种高分辨率遥感影像自然道路识别统计方法，其特征在于：所述s1中，图像融合采用的是nearest neighbor diffusion(nndiffuse)pan sharpening算法，将0.8m的全色影像与3.2m的多光谱影像进行融合，最终得到1m的多光谱影像，该方法的融合结果对于色彩、光谱和纹理信...
【专利技术属性】
技术研发人员：王梦，王卷乐，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。