[發明專利]基于拓撲感知的遙感影像的路網提取方法及裝置

在審

• 申請號: 201810724109.8
• 申請日: 2018-07-04
• 公開（公告）號: CN109145718A
• 公開（公告）日: 2019-01-04
• 發明（設計）人: 羅倫;李迪龍;陽柯;劉湘斌;熊國清
• 申請（專利權）人: 國交空間信息技術（北京）有限公司;中國交通通信信息中心
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 張潤

1.一種基于拓撲感知的遙感影像的路網提取方法，其特征在于，包括以下步驟：

步驟S1：根據聯合濾波提取的道路中心線獲取樣本，其中，從非道路區域隨機選取負樣本，并且通過置信度評估選取正樣本；

步驟S2：通過深度神經網絡對道路的光譜特征進行學習，其中，神經網絡包含三個卷積層和一個全連接層，對原始遙感道路影像圖進行超像素分割，并根據學習到的模型獲得基于光譜特征的初始道路概率圖，且通過骨架提取算法從所述道路概率分布中提取出初始的道路中心線圖；

步驟S3：在出現錯誤現象時，再次通過所述深度神經網絡對道路的拓撲結構進行學習，基于新模型和由所述初始的道路中心線圖學習得到基于拓撲特征的道路概率圖，并結合所述基于光譜特征的初始道路概率圖，以得到最終的柵格化的道路中心線圖。

2.根據權利要求1所述的基于拓撲感知的遙感影像的路網提取方法，其特征在于，長直的道路區域置信度高于分叉的道路區域置信度，其中，所述步驟S1進一步包括：

擬合直線l_T:y＝ax+b，以使區域內所有道路像素點到所述直線的距離和最小，其中，目標損失函數為：

其中，(x_i,y_i)是道路像素點的位置，a,b是待求的參數，n表示該領域內道路像素點的總個數。

3.根據權利要求1或2所述的基于拓撲感知的遙感影像的路網提取方法，其特征在于，所述步驟S2進一步包括：

構造所述深度神經網絡的結構，其中，所述深度神經網絡的結構為：

Conv1-Pool1-Relu1-Norm1-Conv2-Relu2-Pool2-Norm2-Conv3-Relu3-Pool3-

Dropout-Fc，

其中，Conv表示卷積層，Norm表示歸一化層，Pool表示池化層，Fc表示全連接層，Relu表示非線性激活函數；

通過訓練樣本訓練所述深度神經網絡；其中，所述深度神經網絡的損失函數為預測樣本和所述訓練樣本間的交叉熵損失函數，且當滿足預設指標時，停止網絡的訓練，其中，所述預設指標為在測試集上的預測準確率高于預設百分比或總迭代次數達到預設次數；

生成所述基于光譜特征的初始道路概率圖。

4.根據權利要求1所述的基于拓撲感知的遙感影像的路網提取方法，其特征在于，所述待處理錯誤現象包括產生道路中心線圖中孤立線段和檢測結果中斷現象。

5.根據權利要求1或4所述的基于拓撲感知的遙感影像的路網提取方法，其特征在于，所述步驟S3進一步包括：

根據所述初始的道路中心線圖對道路的拓撲結構進行學習，其中，訓練正樣本包括置信度大于預設值的道路區域和存在中斷的道路區域，網絡的負樣本包括黑色的非道路區域和包含孤立線段的區域，以獲得所述新模型，進而得到所述基于拓撲特征的道路概率分布圖；

將所述基于光譜特征的初始道路概率圖與所述基于拓撲特征的道路概率分布圖進行融合，并通過細化算法得到所述最終的柵格化的二值道路中心線圖。

6.一種基于拓撲感知的遙感影像的路網提取裝置，其特征在于，包括：

獲取模塊，用于根據聯合濾波提取的道路中心線獲取樣本，其中，從非道路區域隨機選取負樣本，并且通過置信度評估選取正樣本；

第一學習模塊，用于通過深度神經網絡對道路的光譜特征進行學習，其中，神經網絡包含三個卷積層和一個全連接層，對原始遙感道路影像圖進行超像素分割，并根據學習到的模型獲得基于光譜特征的初始道路概率圖，且通過骨架提取算法從所述道路概率分布中提取出初始的道路中心線圖；

第二學習模塊，用于在出現錯誤現象時，再次通過所述深度神經網絡對道路的拓撲結構進行學習，基于新模型和由所述初始的道路中心線圖學習得到基于拓撲特征的道路概率圖，并結合所述基于光譜特征的初始道路概率圖，以得到最終的柵格化的道路中心線圖。