一种基于池化增强的道路提取方法技术

本发明专利技术提供一种基于池化增强的道路提取方法，深度学习语义分割模型包括编码器、多个空洞空间金字塔池化MSASPP模块和解码器；通过编码器提取输入的遥感道路影像不同尺度的特征图；通过每一个MSASPP模块对每一尺度的特征图进行池化增强，通过解码器对池化增强后的不同尺度的特征图进行融合，对融合特征图进行分割，得到道路分割结果。本发明专利技术通过在编码器与解码器之间的跳跃结构中引入多尺度条纹空间空洞池化模块(Multi‑Scale Atrous Strip Pooling,MSASPP)，有效增强模型对遥感图像中多尺度线形目标的提取能力，尤其是道路的精准分割。

【技术实现步骤摘要】

本专利技术涉及道路提取领域，更具体地，涉及一种基于池化增强的道路提取方法。

技术介绍

1、遥感图像中的道路提取技术在城市规划、交通监控和灾害应急响应等方面具有重要的应用价值。然而，由于道路形态复杂，尤其是在高分辨率遥感图像中，线性特征容易受到噪声、遮挡和其他复杂背景的干扰，导致现有的道路提取方法难以取得满意的效果。这些道路具有显著的线形特征，通常呈现为横向或纵向的直线或曲线。现有的遥感图像分割方法在提取这些线形目标时效果有限，尤其是在面对复杂、多尺度的线形目标时，传统的分割网络容易忽略目标的线性特征，导致分割结果不理想。

2、当前主流的道路提取方法多基于深度学习语义分割模型，如u-ne t、deeplab等。然而，尽管这些模型能够在一定程度上提取道路信息，但对细长、曲折和多尺度的道路特征往往无法很好地处理，导致道路的识别精度不够理想。

3、segformer网络结合了transformer和传统卷积神经网络(cnn)的优势，能够在不使用复杂后处理的情况下，提供精确的分割结果。作为一种轻量化的transformer架构的语义分割模型，本文档来自技高网...

【技术保护点】

1.一种基于池化增强的道路提取方法，其特征在于，包括：

2.根据权利要求1所述的基于池化增强的道路提取方法，其特征在于，所述将遥感道路影像的位深转换为深度学习语义分割模型的位深，包括：

3.根据权利要求2所述的基于池化增强的道路提取方法，其特征在于，所述基于百分比截断拉伸方法将16位位深的所述遥感道路影像转换为8位位深，包括：

4.根据权利要求3所述的基于池化增强的道路提取方法，其特征在于，所述根据排序信息确定像素值的低阈值和高阈值，包括：

5.根据权利要求1所述的基于池化增强的道路提取方法，其特征在于，每一个所述MSASPP模块包括三个M...

【技术特征摘要】

1.一种基于池化增强的道路提取方法，其特征在于，包括：

2.根据权利要求1所述的基于池化增强的道路提取方法，其特征在于，所述将遥感道路影像的位深转换为深度学习语义分割模型的位深，包括：

3.根据权利要求2所述的基于池化增强的道路提取方法，其特征在于，所述基于百分比截断拉伸方法将16位位深的所述遥感道路影像转换为8位位深，包括：

4.根据权利要求3所述的基于池化增强的道路提取方法，其特征在于，所述根据排序信息确定像素值的低阈值和高阈值，包括：

5.根据权利要求1所述的基于池化增强的道路提取方法，其特征在于，每一个所述msaspp模块包括三个msp模块，记为第一msp模块、第二msp模块和第三msp模块，所述通过每一个所述msaspp模...

【专利技术属性】
技术研发人员：章敏，金鲁峰，李文凯，宋树华，崔长江，王晓闯，刘佳，蔡凤亚，
申请(专利权)人：中科星图慧安科技有限公司，
类型：发明
国别省市：