[发明专利]基于拓扑感知的遥感影像的路网提取方法及装置

权利要求书

1.一种基于拓扑感知的遥感影像的路网提取方法，其特征在于，包括以下步骤：

步骤S1：根据联合滤波提取的道路中心线获取样本，其中，从非道路区域随机选取负样本，并且通过置信度评估选取正样本；

步骤S2：通过深度神经网络对道路的光谱特征进行学习，其中，神经网络包含三个卷积层和一个全连接层，对原始遥感道路影像图进行超像素分割，并根据学习到的模型获得基于光谱特征的初始道路概率图，且通过骨架提取算法从所述道路概率分布中提取出初始的道路中心线图；

步骤S3：在出现错误现象时，再次通过所述深度神经网络对道路的拓扑结构进行学习，基于新模型和由所述初始的道路中心线图学习得到基于拓扑特征的道路概率图，并结合所述基于光谱特征的初始道路概率图，以得到最终的栅格化的道路中心线图。

2.根据权利要求1所述的基于拓扑感知的遥感影像的路网提取方法，其特征在于，长直的道路区域置信度高于分叉的道路区域置信度，其中，所述步骤S1进一步包括：

拟合直线l_T:y＝ax+b，以使区域内所有道路像素点到所述直线的距离和最小，其中，目标损失函数为：

其中，(x_i,y_i)是道路像素点的位置，a,b是待求的参数，n表示该领域内道路像素点的总个数。

3.根据权利要求1或2所述的基于拓扑感知的遥感影像的路网提取方法，其特征在于，所述步骤S2进一步包括：

构造所述深度神经网络的结构，其中，所述深度神经网络的结构为：

Conv1-Pool1-Relu1-Norm1-Conv2-Relu2-Pool2-Norm2-Conv3-Relu3-Pool3-

Dropout-Fc，

其中，Conv表示卷积层，Norm表示归一化层，Pool表示池化层，Fc表示全连接层，Relu表示非线性激活函数；

通过训练样本训练所述深度神经网络；其中，所述深度神经网络的损失函数为预测样本和所述训练样本间的交叉熵损失函数，且当满足预设指标时，停止网络的训练，其中，所述预设指标为在测试集上的预测准确率高于预设百分比或总迭代次数达到预设次数；

生成所述基于光谱特征的初始道路概率图。

4.根据权利要求1所述的基于拓扑感知的遥感影像的路网提取方法，其特征在于，所述待处理错误现象包括产生道路中心线图中孤立线段和检测结果中断现象。

5.根据权利要求1或4所述的基于拓扑感知的遥感影像的路网提取方法，其特征在于，所述步骤S3进一步包括：

根据所述初始的道路中心线图对道路的拓扑结构进行学习，其中，训练正样本包括置信度大于预设值的道路区域和存在中断的道路区域，网络的负样本包括黑色的非道路区域和包含孤立线段的区域，以获得所述新模型，进而得到所述基于拓扑特征的道路概率分布图；

将所述基于光谱特征的初始道路概率图与所述基于拓扑特征的道路概率分布图进行融合，并通过细化算法得到所述最终的栅格化的二值道路中心线图。

6.一种基于拓扑感知的遥感影像的路网提取装置，其特征在于，包括：

获取模块，用于根据联合滤波提取的道路中心线获取样本，其中，从非道路区域随机选取负样本，并且通过置信度评估选取正样本；

第一学习模块，用于通过深度神经网络对道路的光谱特征进行学习，其中，神经网络包含三个卷积层和一个全连接层，对原始遥感道路影像图进行超像素分割，并根据学习到的模型获得基于光谱特征的初始道路概率图，且通过骨架提取算法从所述道路概率分布中提取出初始的道路中心线图；

第二学习模块，用于在出现错误现象时，再次通过所述深度神经网络对道路的拓扑结构进行学习，基于新模型和由所述初始的道路中心线图学习得到基于拓扑特征的道路概率图，并结合所述基于光谱特征的初始道路概率图，以得到最终的栅格化的道路中心线图。