[发明专利]一种无人机正射影像道路自动提取方法

权利要求书

1.一种无人机正射影像道路自动提取方法，其特征在于，包括无人机正射影像数据、高分辨率卫星影像、模型预训练、模型迁移学习、数据增强、测试时增强方法(TTA)，其具体步骤如下：

步骤S1：对原始的高分辨率卫星影像训练数据进行数据增强得到数量扩大后的高分辨率卫星影像训练数据，将分辨率高的影像数据及其二值标注影像切割成512*512像素的图片，得到训练集与验证集，包括遥感影像及其对应的二值标注；

步骤S2：在keras中搭建deeplab模型，利用空洞卷积的概念扩大网络的感受野，不降低特征图的尺度，减小目标提取的位置误差，设计新的损失函数为bce_loss与dice_loss的加权和，Loss＝a1loss_bce+a2loss_dice，其中a1、a2为两项误差的权重，利用keras中的fit_generator函数批量获取训练数据输入模型进行训练；

步骤S3：对原始的无人机正射影像数据进行数据增强得到数量扩大后的影像数据，将分辨率高的影像数据及其二值标注影像切割成512*512像素的图片，得到训练集与验证集，包括无人机正射影像及其对应的二值标注；

步骤S4：利用步骤S2中建立的deeplab模型，加载步骤S2中训练得到的模型权重，加载利用步骤S3得到的无人机影像训练数据进行迁移学习，当验证集上的损失函数连续5个回合不再下降后，认为模型收敛，得到最终的深度学习模型；

步骤S5：对测试图片做测试增强，其包括对测试图片I₁水平翻转、垂直翻转、对角线翻转得到水平翻转增强图片I₂，垂直翻转增强图片I₃，对角线翻转增强图片I₄，用训练好的模型测试图片I₁、水平翻转增强图片I₂，垂直翻转增强图片I₃，对角线翻转增强图片I₄，分别进行预测得到各预测结果P₁，P₂，P₃，P₄转换到原图位置后求平均值得到最终的预测结果。

2.根据权利要求1所述的一种无人机正射影像道路自动提取方法，其特征在于：所述无人机正射影像是深度学习模型迁移学习的原始数据以及标注数据，用于进一步训练深度模型的权重。

3.根据权利要求1所述的一种无人机正射影像道路自动提取方法，其特征在于：所述高分辨率卫星影像是预训练深度学习模型的原始数据以及标注数据，用于预训练深度模型的权重。

4.根据权利要求1所述的一种无人机正射影像道路自动提取方法，其特征在于：所述模型预训练指的是采用经典的语义分割模型deeplab作为道路提取的基础模型，对该模型，采用高分辨率卫星影像作为输入，训练得到一个初步的权重。

5.根据权利要求1所述的一种无人机正射影像道路自动提取方法，其特征在于：所述模型迁移学习指的是利用无人机正射影像对预训练得到的模型进一步训练，用于得到一个对无人机正射影像泛化能力好的模型。

6.根据权利要求1所述的一种无人机正射影像道路自动提取方法，其特征在于：所述数据增强，其包括旋转、添加噪声、尺度变换、亮度变换和随机模糊处理方法，用于提升数据的数量以提升所训练的模型的泛化能力。

7.根据权利要求1所述的一种无人机正射影像道路自动提取方法，其特征在于：所述测试时增强方法(TTA)是在对图片进行预测时，对图片进行水平、垂直、对角线翻折得到四张图片，分别进行预测后，再变换回去，求均值后得到最终的测试结果，用于去除预测时的随机误差。