[发明专利]一种无人机正射影像道路自动提取方法

说明书

本发明提供了一种无人机正射影像道路自动提取方法，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；步骤S2：在keras中搭建deeplab模型；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；步骤S4：利用步骤S2中建立的deeplab模型，得到最终的深度学习模型；步骤S5：对测试图片做测试增强，得到最终的预测结果。本发明能够用于从大量的无人机正射影像中自动分割出属于道路目标的像素点，大大提升测绘领域提取道路这类地图要素的速度。

技术领域

本发明属于航空图像处理技术领域，具体是指一种无人机正射影像道路自动提取方法。

背景技术

随着测绘技术发展，从二维到三维，从慢速到快速。传统技术利用全站仪进行全野外数据采集测绘，越来越不能满足现实需求。利用无人机倾斜摄影及三维激光扫描技术已成为大比例尺地形图测绘的发展方向。它大大压缩野外工作时间，降低劳动强度。但是，并没有实现快速测绘，生产周期依然较长，缺乏时效性，综合效率没有几何级的提高。快速测绘的瓶颈在于人工数据处理的低效率。

倾斜摄影三维实景数据有着非常丰富的信息，包含几何形状、几何关系、纹理、色彩等，如房屋、桥梁、道路、沟渠等有非常明确的几何特征，植被、土地等有丰富的纹理及色彩信息。随着人工智能，计算机技术的发展，利用人工智能实现对这些关键要素的自动提取是可行的，也是意义巨大的。

发明内容

本发明所要解决的技术问题是提供一种利用训练好的深度学习模型，对无人机正射影像测试图进行道路自动提取方法。

为解决上述技术问题，本发明为一种无人机正射影像道路自动提取方法，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。