[發(fā)明專利]一種改進U-Net網絡的遙感影像道路提取方法

在審

• 申請?zhí)枺?/td>: 202011251522.0
• 申請日: 2020-11-11
• 公開（公告）號: CN112418027A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設計）人: 宋廷強;劉童心;宗達;孫媛媛
• 申請（專利權）人: 青島科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島中天匯智知識產權代理有限公司 37241
• 代理人: 袁曉玲

本發(fā)明涉及一種改進U?Net網絡的遙感影像道路提取方法及介質的技術方案，包括：搭建高分道路分割網絡AS?Unet，初始化輸入數(shù)據；在編碼器部分加入通道注意力機制，對提取的豐富低層特征進行篩選，突出目標特征，抑制背景噪聲干擾，從而提高深淺層信息融合準確率；其次，為解決網絡對道路目標單一尺寸的敏感問題，在編碼器最后一層卷積層后面加入空間金字塔池化模塊來捕獲不同尺度道路特征；最后，在解碼器部分加入空間注意力機制，進行位置關系信息學習和深層次語義特征篩選，提高特征圖還原能力。本發(fā)明的有益效果為：降低計算量的同時大大減少了網絡參數(shù)，提高網絡分割效率；顯著提高了2個通用的高分道路數(shù)據集的分割準確率；使得卷積神經網絡結構具有較好的泛化能力，具備一定理論和實際應用價值。

本發(fā)明涉及計算機及圖像處理領域，具體涉及了一種改進U-Net網絡的遙感 影像道路提取方法。

背景技術

從遙感圖像中提取道路信息在智慧城市規(guī)劃、交通管理等眾多地理信息應用 中發(fā)揮重要作用。目前獲取遙感數(shù)據的成本越來越低，各個遙感平臺通過多種傳 感器設備，獲得所需的海量遙感數(shù)據，如：高分數(shù)據、高光譜數(shù)據、雷達數(shù)據等， 人類觀測、探索到的地球信息更實時、更全面。隨著深度學習技術在實際生產生 活中的廣泛應用，利用其對遙感數(shù)據中目標地物信息進行提取研究有著非同尋常 的意義。

現(xiàn)有技術包括機器學習、人工智能(語義分割網絡)。

其存在的缺點：高斯馬爾可夫隨機場結合支持向量機算法、人工神經網絡算 法等，不可否認，上述方法在一定應用場景下取得可觀的效果，但部分較好結果 建立在人工反復實驗調整閾值參數(shù)等一系列耗時耗力且存在主觀性的基礎上，在 目前一些大規(guī)模數(shù)據應用上受限，且分割精度和效率無法達到目前需求。

發(fā)明內容

本發(fā)明的目的在于至少解決現(xiàn)有技術中存在的技術問題之一，提供了一種改 進U-Net網絡的遙感影像道路提取方法，提高了高分圖像的分割精度和效率。

本發(fā)明的技術方案包括一種改進U-Net網絡的遙感影像道路提取方法，其 特征在于，該方法包括：S100，搭建高分影像道路提取網絡AS-Unet，以512*512*3 波段的高分數(shù)據作為輸入數(shù)據，基于U-Net算法改進構建神經網絡架構；S200， 將輸入數(shù)據輸入編碼網絡，每個下采樣階段使用兩個相同的卷積層堆疊方式進行 特征提取，之后進入通道注意力機制，在通道維度上加強有用的道路特征，并抑 制無效且復雜多樣的背景特征，隨后使用Relu函數(shù)激活，最后采用大小為2×2 的最大池化操作對特征圖下采樣；S300，對于編碼網絡最后一層，卷積層之后的 特征圖中含有豐富的空間語義信息，將特征圖輸入改進ASPP模塊中，經過不同 擴張率的空洞卷積后輸入1×1網絡，旨在不同尺度上對圖像特征進行描述，保 證了編碼網絡在低層提取關聯(lián)性高的道路輪廓細節(jié)特征，實現(xiàn)目標的精細分割定位；高層階段得到有用的特征信息，提高圖像中道路識別精度；S400，解碼網絡 逐步恢復特征圖至輸入圖像尺寸，每個上采樣階段堆疊兩個卷積層，并且每個階 段級聯(lián)編碼網絡中對應層次的特征圖，從而復用低層次語義信息，每層上采樣模 塊最后加入空間注意力機制，幫助上采樣層有效恢復道路目標空間信息。

根據所述的基于U-Net網絡和AS-Unet網絡的高分影像道路提取算法，其 中S100還包括：基于開源數(shù)據集，首先對遙感道路數(shù)據進行預處理，包括將高 分數(shù)據進行裁剪和數(shù)據增強，然后以512*512*3波段的高分數(shù)據輸入網絡。

根據所述的基于U-Net網絡和AS-Unet網絡的高分影像道路提取算法，其 中該方法還包括：對經過預處理的多個高分道路數(shù)據劃分訓練集和驗證集，其中 驗證集用于對卷積神經網絡的訓練進行分類準確度進行驗證，訓練集用于對卷積 神經網絡的訓練進行參數(shù)調整，其中訓練集和驗證集的比例可自定義設置。