[發(fā)明專利]一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法

在審

• 申請?zhí)枺?/td>: 202210199318.1
• 申請日: 2022-03-02
• 公開（公告）號: CN114581665A
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計(jì)）人: 孫超;于會泳;陳勇;趙元昊
• 申請（專利權(quán)）人: 青島星科瑞升信息科技有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/80;G06V10/774;G06V10/44;G06V20/13
• 代理公司: 成都宏田知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51337
• 代理人: 楊偉

1.一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，包括高分遙感影像道路數(shù)據(jù)集的制作和構(gòu)建基于U-net并強(qiáng)化道路邊緣信息的多尺度道路提取模型，所述高分遙感影像道路數(shù)據(jù)集的制作包括以下步驟：

S1：對原始高分影像的多光譜RGB波段和全色波段進(jìn)行圖像融合；

S2：利用標(biāo)簽制作軟件制作道路分割標(biāo)簽，同時進(jìn)行數(shù)據(jù)擴(kuò)充；

S3：利用道路分割標(biāo)簽提取邊緣標(biāo)簽，并進(jìn)行數(shù)據(jù)集劃分；

所述構(gòu)建基于U-net并強(qiáng)化道路邊緣信息的多尺度道路提取模型，包括以下步驟：

S10：基于U-net道路分割網(wǎng)絡(luò)增加邊緣提取任務(wù)分支，強(qiáng)化邊緣信息；

S20：引入級聯(lián)的空洞卷積層，實(shí)現(xiàn)深層特征上的多尺度特征提取融合；

S30：利用制作的高分遙感道路數(shù)據(jù)集訓(xùn)練模型，利用模型完成高分遙感道路提取。

2.根據(jù)權(quán)利要求1所述的一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，所述S1具體為使用ENVI軟件選取高分遙感影像中的紅綠藍(lán)波段和全色波段進(jìn)行Brovey圖像融合，得到高空間分辨率的彩色影像。

3.根據(jù)權(quán)利要求1所述的一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，所述S2具體為使用Labelme對遙感影像進(jìn)行目視解譯，制作高分遙感道路影像標(biāo)簽，對影像及標(biāo)簽進(jìn)行旋轉(zhuǎn)、色彩抖動、圖像平移、縮放的形式進(jìn)行數(shù)據(jù)擴(kuò)充，得到成倍的道路影像與對應(yīng)的標(biāo)簽。

4.根據(jù)權(quán)利要求1所述的一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，所述S3具體為對道路標(biāo)簽中屬于道路類別的所有像素進(jìn)行逐個分析，如果其八鄰域至少有一點(diǎn)為背景標(biāo)簽，那么這一點(diǎn)將會被認(rèn)為是邊緣點(diǎn)，據(jù)此提取出道路的邊緣標(biāo)簽并按照3：1的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

5.根據(jù)權(quán)利要求1所述的一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，所述S10和S20具體為基于U-Net網(wǎng)絡(luò)基礎(chǔ)架構(gòu)改進(jìn)，新增一個并行的邊緣提取任務(wù)網(wǎng)絡(luò)分支，使所述模型具有道路分割與道路邊緣兩個任務(wù)輸出，邊緣提取網(wǎng)絡(luò)能夠強(qiáng)化模型中道路分割的邊緣特征，所述特征層由道路分割網(wǎng)絡(luò)中不同深度的特征層構(gòu)成，利用反卷積上采樣技術(shù)保證特征層的圖尺寸大小一致，將特征層的圖在通道維度上進(jìn)行拼接，融合不同深度的特征信息，使用分類函數(shù)得到邊緣的分類概率圖。在主干分割網(wǎng)絡(luò)的深度特征圖使用了級聯(lián)的空洞卷積層，不同分支提取了不同尺度的特征圖，對多尺度特征圖進(jìn)行補(bǔ)零保持尺寸一致，并進(jìn)行了深層特征上的多尺度特征融合。

6.根據(jù)權(quán)利要求1所述的一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，所述S30具體為利用制作的高分影像數(shù)據(jù)集和tensorflow深度學(xué)習(xí)框架對所述模型進(jìn)行訓(xùn)練，同時為模型添加道路分割網(wǎng)絡(luò)損失和邊緣提取網(wǎng)絡(luò)損失，訓(xùn)練完畢之后即可利用模型實(shí)現(xiàn)道路目標(biāo)的高精度提取。

7.根據(jù)權(quán)利要求6所述的一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，所述道路分割網(wǎng)絡(luò)損失使用了二進(jìn)制交叉熵?fù)p失函數(shù)與Dice soft損失。

8.根據(jù)權(quán)利要求6所述的一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，所述二進(jìn)制交叉熵?fù)p失函數(shù)為其中y_i是像素i預(yù)測為道路的概率，而是地面真實(shí)標(biāo)簽，N是像素總數(shù)；所述Dice soft損失為其中y_i是像素i的預(yù)測為道路的概率，而是地面真實(shí)標(biāo)簽，N是像素總數(shù)；所述道路分割網(wǎng)絡(luò)損失函數(shù)為loss_seg＝l_{Dice soft}+l_BCE。

9.根據(jù)權(quán)利要求6所述的一種基于U-net強(qiáng)化道路邊緣信息的多尺度道路提取模型的方法，其特征在于，所述tensorflow深度學(xué)習(xí)框架進(jìn)行訓(xùn)練的方式為使用Adam優(yōu)化算法迭代優(yōu)化，部分參數(shù)設(shè)置為：指數(shù)衰減率β₁＝0.9，β₂＝0.999，常數(shù)設(shè)置ε＝10^-8，批次大小設(shè)置為4，迭代訓(xùn)練20epoch，Adam優(yōu)化算法的初始學(xué)習(xí)率為0.001，采用自適應(yīng)學(xué)習(xí)率的策略，連續(xù)3個epoch驗(yàn)證集的準(zhǔn)確率不下降，學(xué)習(xí)率變?yōu)樵瓉淼?.5倍。