[发明专利]遥感影像道路提取方法及装置

说明书

本发明实施例提供一种遥感影像道路提取方法及装置，所述方法包括：获取目标遥感影像；将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。本发明实施例提供一种遥感影像道路提取方法及装置，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。

技术领域

本发明涉及测绘科学技术领域，尤其涉及一种遥感影像道路提取方法及装置。

背景技术

道路变化，包括新增道路里程，是道路资产管理和养护中非常重要的基础数据；同时，无人驾驶高精地图也需要快速更新地图信息。因此，利用新技术，快速、客观感知道路现状，有很重要的现实意义和研究价值。

利用传统的测量手段，比如全站仪，在正常运行的道路上采集数据，容易造成交通拥堵，也危害测量人员的安全。GPS数据只能提供有限的轨迹数据，无法全面展示道路全貌。街景数据虽然提供了清晰的道路影像，但是受采集视角影响，极易被遮挡。车载激光扫描技术，可以快速获取海量高密度的道路及周边地物坐标和颜色数据，但是易被行驶车辆遮挡，且数据更新慢。卫星影像可快速采集及更新大范围的遥感影像，是一种合适的提取道路信息的数据源。

虽然遥感影像可快速客观获得大面积的地表数据，但是道路面积在整幅遥感影像中占比不大，且道路交叉形式多样，几何形状千变万化，因此，同时高精度提取不同种类道路存在较大挑战。

发明内容

本发明实施例提供一种遥感影像道路提取方法及装置，用于解决现有技术中同时提取不同种类道路时精度低的技术问题。

为了解决上述技术问题，一方面，本发明实施例提供一种遥感影像道路提取方法，包括：

获取目标遥感影像；

将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。

进一步地，训练所述深度学习网络的具体步骤如下：

将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；

对于每一子样本，利用编码网络提取高维特征；

再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。

进一步地，所述利用编码网络提取高维特征，具体包括：

利用三组卷积块提取基本特征；

再基于所述基本特征，利用第一分支编码网络提取第一分辨率的全局特征；利用第二分支编码网提取第二分辨率的局部特征，其中，所述编码网络包括所述三组卷积块、所述第一分支编码网络和所述第二分支编码网，所述第一分支编码网络包括两个瓶颈块和一个带有四个分支的空洞卷积，所述第二分支编码网络使用空洞卷积代替池化操作，所述高维特征包括所述第一分辨率的全局特征和所述第二分辨率的局部特征。

进一步地，所述再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结，具体包括：

利用一个反卷积层和三个卷积层复原特征影像细节；

使用残差网络的前两个积块用来提取所述低维特征；

再使用一个卷积层将所述低维特征和所述高维特征进行联结。

进一步地，还包括：

使用二元交叉熵代替损失函数来训练所述解码网络。

进一步地，输出的道路的类型至少包括城市道路、乡村道路和小区道路。