[發(fā)明專利]一種基于拓?fù)湫畔⒓?xì)化的道路提取方法

有效

• 申請?zhí)枺?/td>: 201911121205.4
• 申請日: 2019-11-15
• 公開（公告）號: CN110929621B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計）人: 侯艷杰;高家智;鄭向濤;崔俊峰;郝云勝;商臨峰;楊曉騫;夏霏;張香成;高燕
• 申請（專利權(quán)）人: 中國人民解放軍63729部隊
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/764;G06V10/82;G06N3/04
• 代理公司: 天津英揚昊睿專利代理事務(wù)所(普通合伙) 12227
• 代理人: 徐忠麗

本發(fā)明為一種基于拓?fù)湫畔⒓?xì)化的道路提取方法，其具體操作步驟為：進行模型訓(xùn)練、進行測試過程、比較不同超參數(shù)或損失函數(shù)的參數(shù)的組合對模型的影響。本發(fā)明由于在編解碼結(jié)構(gòu)(encoder?decoder)中像素級融合擴張模塊和信息模塊，因此可以得到邊緣連貫性更好的道路；同時運用權(quán)重組合的損失函數(shù)，可以更有效的控制樣本不均衡對模型帶來的影響。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能技術(shù)領(lǐng)域，涉及高分辨率遙感圖像場景分析與識別技術(shù)，可用于智能交通、城市規(guī)劃和地理信息更新等領(lǐng)域。

背景技術(shù)

高分辨率遙感圖像道路提取的目的是在圖像中檢測和分割出道路像素。該任務(wù)將圖像像素分為兩類：道路和非道路，通常被認(rèn)為是一個二元分類問題。近幾年，隨著深度學(xué)習(xí)在計算機視覺、自然語言處理以及語音信息處理等領(lǐng)域取得巨大突破，在高分辨率遙感圖像中利用深度學(xué)習(xí)提取道路的方法也越來越多。

目前，高分辨率遙感圖像道路提取的方法主要有兩大類：

一是傳統(tǒng)方法，該方法在深度學(xué)習(xí)廣泛應(yīng)用之前較為流行。通過提取低級特征(如邊、角、梯度等)，然后定義一些啟發(fā)式的規(guī)則(如幾何形狀等)將像素分為道路類和非道路類。傳統(tǒng)方法的缺點在于所使用的特征和規(guī)則僅適合簡單的場景，但是高分辨率圖像中的道路通常復(fù)雜且不規(guī)則。

二是基于深度學(xué)習(xí)的方法。這種方法運用計算機視覺領(lǐng)域和自然語言處理領(lǐng)域取得極大成功的卷積神經(jīng)網(wǎng)絡(luò)。L.Zhou等人在“L.Zhou,C.Zhang,M.Wu,D-Linknet:linknetwith pretrained encoder and dilated convolution for high resolution satelliteimagery road extraction,IEEE Conf.on Comput.Vis.Pattern Recognit.Workshops,2018:182-186.”中提出一種基于語義分割的方法，并引入擴張卷積(dilatedconvolution)以獲取更大感受野。盡管D-LinkNet取得了可觀的效果提升，證實了擴張卷積增大感受野對道路提取是有積極效果的。但是沒有解決道路邊緣連慣性不好的問題。該問題主要源于圖像上路旁樹木、建筑物或者交通工具的投射陰影對道路有遮擋，而高分辨率遙感圖像中的道路呈現(xiàn)細(xì)、長的連貫性特性。考慮到擴張卷積會有弱化鄰近像素關(guān)聯(lián)性的問題，因此，在D-LinkNet網(wǎng)絡(luò)架構(gòu)中，除了使用擴張卷積外，本發(fā)明還使用spatial CNN來增強鄰近像素的空間關(guān)系，以學(xué)習(xí)道路的拓?fù)湫畔ⅲ簿褪沁B貫性信息。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有深度學(xué)習(xí)方法的不足，提出一種基于拓?fù)湫畔⒓?xì)化的道路提取(Remote Sensing Road Extraction,RSRE)方法，該方法在encoder-decoder結(jié)構(gòu)的語義分割模型中間，融合了含有擴張卷積的擴張模塊DM，和帶有空間卷積的信息模塊MM，以此細(xì)化道路的拓?fù)湫畔ⅲ唇Y(jié)構(gòu)分布和連通性信息。同時，考慮到在圖像中，道路像素和非道路像素的數(shù)量差別很大，因此，在設(shè)計損失函數(shù)時，組合了二元交叉熵?fù)p失項和dicecoefficient項，并用不同的權(quán)重進行組合。其中，二元交叉熵?fù)p失計算道路預(yù)測結(jié)果與實際標(biāo)記的距離，dice coefficient項計算道路預(yù)測結(jié)果與實際標(biāo)記的相似性。以此解決隨著模型訓(xùn)練的迭代次數(shù)增加，損失函數(shù)對非道路像素的約其具體操作步驟為：

1)進行模型訓(xùn)練：模型可分為encoder、center和decoder三部分，其中encoder將輸入的圖像編碼為高維特征；center包含并聯(lián)的擴張模塊DM和信息模塊MM，對encoder的輸出進行特征再處理后，采用像素級相加的方式，融合為同維度的新特征；decoder將高維度特征經(jīng)過上采樣和去卷積方式，恢復(fù)至輸入圖像的尺寸，然后采用sigmoid預(yù)測出道路的概率圖并以0.5為閾值判斷，最后生成二值化的道路分割圖，此外，模型訓(xùn)練使用的損失是二元交叉熵和dice efficient項的權(quán)重組合；

(2)進行測試過程：將測試集數(shù)據(jù)輸入到訓(xùn)練好的模型當(dāng)中，預(yù)測出道路圖，并與真實標(biāo)記做對比，計算相關(guān)指標(biāo)；