[發(fā)明專利]基于高分辨率遙感影像與深度學(xué)習(xí)方法的路網(wǎng)核查技術(shù)

在審

• 申請?zhí)枺?/td>: 202110031846.1
• 申請日: 2021-01-11
• 公開（公告）號: CN112906459A
• 公開（公告）日: 2021-06-04
• 發(fā)明（設(shè)計）人: 王九勝;許輝;柳立;程向軍;李怡霏
• 申請（專利權(quán)）人: 甘肅省公路局
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于高分辨率遙感影像與深度學(xué)習(xí)方法的路網(wǎng)核查技術(shù)，其特征在于，具體操作步驟如下：

步驟一：樣本集制作：收集衛(wèi)星影像，對獲取的影像進(jìn)行了預(yù)處理，預(yù)處理包括輻射糾正、幾何糾正與多波段融合，融合后的影像共四波段。

所述模型訓(xùn)練在進(jìn)行之前，需要人工對數(shù)據(jù)集進(jìn)行切割和標(biāo)記，具體步驟如下：

S1、將高分二號影像裁剪為512×512的影像切片，并選取覆蓋各類地形地貌且包含道路元素的2萬張切片作為訓(xùn)練樣本集x；

S2、對于訓(xùn)練樣本集x中的每張切片，在ArcGIS軟件中繪制道路線矢量；

S3、根據(jù)線矢量生成對應(yīng)切片的二值化柵格圖像y；

步驟二：模型訓(xùn)練：所使用的深度學(xué)習(xí)模型為WassersteinGAN，即WGAN，WGAN模型中生成器G由通用的語義分割網(wǎng)絡(luò)構(gòu)成，鑒別器D由簡單的殘差網(wǎng)絡(luò)構(gòu)成，在判斷數(shù)據(jù)來源于生成樣本G(x,z)還是真實(shí)樣本y后，輸出數(shù)據(jù)為真實(shí)樣本的概率p；具體步驟如下：

S1、設(shè)置目標(biāo)函數(shù)：總體目標(biāo)函數(shù)L_total(G,D)參考pix2pix模型所用的目標(biāo)函數(shù)，如式(1)所示：

L_cGAN(G,D)+βL_L1(G) (1)

其中L_cGAN(G,D)是cGAN的目標(biāo)函數(shù)，L_L1(G)是像素對的目標(biāo)函數(shù)，β是權(quán)重系數(shù)，L_L1(G)如式(2)所示：

E_x,z,y[ω||G(x,z)-y||₁] (2)

L_cGAN(G,D)如式(4)所示：

E_x,y[logD(x,y)]+E_x,z[log(1-(D(x,G(x,z)))] (4)

利用Wasserstein距離來代替?zhèn)鹘y(tǒng)的JS散度，修改后的L_cGAN(G,D)如式(5)所示：

其中代表取樣自真實(shí)樣本分布y與生成樣本分布G(x,z)構(gòu)成的連線空間中，λ是懲罰系數(shù)，代表關(guān)于的梯度；

S2、目標(biāo)函數(shù)優(yōu)化：將訓(xùn)練樣本集輸入WGAN網(wǎng)絡(luò)的生成器與鑒別器中，根據(jù)式(1)計算目標(biāo)函數(shù)L_total(G,D)，如式(6)所示，對目標(biāo)函數(shù)的值進(jìn)行優(yōu)化，分別更新生成器和鑒別器的網(wǎng)絡(luò)參數(shù)，即先固定G，最大化D，更新D的參數(shù)，再固定D，最小化G，更新G的參數(shù)：

S3、迭代訓(xùn)練：重復(fù)訓(xùn)練過程，直至優(yōu)化結(jié)果接近納什均衡或生成器和鑒別器的損失函數(shù)梯度幾乎不再變化，得到最優(yōu)生成器G*；

步驟三：路網(wǎng)提取：將用于測試的高分二號影像裁剪為512×512的影像切片，輸入步驟二得到的生成器G*中，提取出路網(wǎng)柵格二值化圖像，并對其進(jìn)行矢量化，最終輸出路網(wǎng)矢量結(jié)果。

步驟四：路網(wǎng)核查：將步驟三中提取的路網(wǎng)結(jié)果與已有路網(wǎng)數(shù)據(jù)轉(zhuǎn)換到統(tǒng)一的坐標(biāo)系下，利用緩沖區(qū)分析方法對二者的空間匹配關(guān)系進(jìn)行判定，即可實(shí)現(xiàn)初步的路網(wǎng)核查。

2.根據(jù)權(quán)利要求1所述的基于高分辨率遙感影像與深度學(xué)習(xí)方法的路網(wǎng)核查技術(shù)，其特征在于，所述步驟一樣本集制作生成的二值化柵格圖像中道路值為1，非道路值為0。

3.根據(jù)權(quán)利要求1所述的基于高分辨率遙感影像與深度學(xué)習(xí)方法的路網(wǎng)核查技術(shù)，其特征在于，所述步驟二模型訓(xùn)練中的真實(shí)樣本的概率輸出值若p0.5則輸出1，否則輸出0。

4.根據(jù)權(quán)利要求1所述的基于高分辨率遙感影像與深度學(xué)習(xí)方法的路網(wǎng)核查技術(shù)，其特征在于，所述步驟二模型訓(xùn)練中在傳統(tǒng)的L_L1(G)中添加了空間懲罰項ω，如式(3)所示：

如果像素j是路，則ω設(shè)為1；如果像素j不是路，則ω設(shè)為α，α1。

5.根據(jù)權(quán)利要求1所述的基于高分辨率遙感影像與深度學(xué)習(xí)方法的路網(wǎng)核查技術(shù)，其特征在于，所述路網(wǎng)核查的三種類型為對已有路網(wǎng)線型錯誤與偏移的核查、對已有路網(wǎng)線型變更的核查和對新增路網(wǎng)線型的核查。