[發明專利]一種基于改進Unet網絡模型的遙感圖像道路分割方法

在審

• 申請號: 202211159243.0
• 申請日: 2022-09-22
• 公開（公告）號: CN115512220A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 林勇;鐘樂天;林學威;蘇羿安;方賢寶;金釗
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26;G06V10/80;G06V10/82
• 代理公司: 合肥銘輝知識產權代理事務所(普通合伙) 34212
• 代理人: 張名列

本發明涉及遙感圖像識別技術領域，公開了一種基于改進Unet網絡模型的遙感圖像道路分割方法，所述方法包括：將Unet訓練模型中的卷積層修改為ResNet殘差模塊，添加了改進后的空洞空間金字塔池化模塊融合不同尺度的信息，并對編碼部分添加一部分的跳躍連接，從而緩解部分上采樣丟失信息；并對訓練樣本進行數據增強，歸一化處理；將處理后的圖像數據引入訓練好的改進Unet模型，得到分割后的結果，得到遙感中的道路信息。本發明在Unet原始網絡模型的基礎上增加改進，添加了改進的ASPP模塊，使得道路分割精度得到較大提高，可實現遙感圖像道路信息的實時精準分割。

技術領域

本發明涉及遙感圖像識別技術領域，尤其涉及一種基于改進Unet網絡模型的遙感圖像道路分割方法。

背景技術

隨著科技的發展，獲取遙感圖像的成本越來越低，導致各個遙感平臺可以獲得比之前更多的遙感數據。常見的遙感數據包括：高中低分辨率數據，高光譜數據，雷達數據，激光數據等。而在遙感數據中，通常遙感圖像中道路和其他背景特征元素復雜多樣，所以對其進行語義分割對道路信息進行特征提取仍然存在精度等局限問題。而大多數仍然停留在人為的目視識別層面上，通常只是把遙感圖像當做基礎信息，并沒有對其進行信息的提取與處理。但是隨著深度學習技術的發展與加深，利用深度學習來對遙感圖像中目標信息進行提取分類意義變得更加重要。

傳統的圖像分割方法有閾值分割法，邊緣分割法，區域分割法等。但是遙感圖像含有豐富信息，目標尺度復雜等特點，并不能像簡單圖像一樣被傳統方法所分割。并且傳統圖像分割方法所得出的最終結果沒有語義標注。而近年來，隨著深度學習的不斷發展，神經網絡強大的特征提取能力，基于深度學習的語義分割模型逐漸成為了主流遙感圖像分割方法。不僅在精度還是速度上都有了明顯提升。

發明內容

本發明的目的是為了解決現有技術中存在的缺點，而提出的一種基于改進Unet網絡模型的遙感圖像道路分割方法。

一種基于改進Unet網絡模型的遙感圖像道路分割方法，所述方法包括：

步驟一、將Unet訓練模型中的卷積層修改為ResNet殘差模塊，添加改進后的空洞空間金字塔池化模塊融合不同尺度的信息，并對編碼部分添加跳躍連接，緩解上采樣的信息丟失；

步驟二、對訓練樣本進行數據增強，歸一化處理；

步驟三、將處理后的圖像數據引入訓練好的改進Unet模型，得到分割后的結果，最終獲取遙感中的道路信息。

進一步的，步驟一中，所述改進后的空洞空間金字塔池化模塊介于解碼網絡與編碼網絡之間添加，所述跳躍連接在解碼網絡中添加。

進一步的，步驟二和步驟三中，具體步驟包括：

S1、采集遙感圖像，并對遙感圖像進行圖像預處理；

S2、對預處理后的圖像進行標注，將標注后的圖像調整為統一尺寸，制作訓練數據集；

S3、將得到的訓練數據集作為改進Unet模型的輸入圖像數據，訓練改進Unet分割模型；

S4、將采集的圖像數據輸入訓練好的改進Unet模型之中，通過訓練好的改進Unet模型獲得分割后的結果，最終獲取遙感中的道路信息。

進一步的，所述S2中，對預處理后的圖像進行標注，將標注后的圖像調整為統一尺寸，其具體過程為：對增強預處理后的圖像進行標注，獲得label形式的遙感圖像，并將標注后獲得的圖像調整為512×512的PNG圖片。

進一步的，所述改進Unet網絡模型的損失函數L為：

其公式中，GT代表標簽圖Ground Truth，PR代表預測圖Prediction，GT²和PR²分別表示兩樣本各自的元素總數。