[发明专利]一种基于预测和残差细化网络的道路提取方法

说明书

本发明公开了一种基于预测和残差细化网络的道路提取方法，针对道路目标的不同特征，设计了预测网络和残差细化网络组合的航拍图像道路提取算法。预测网络采用Encoder‑Decoder结构；其次，预测网络结合了空洞卷积模块DCM和多核池化模块MPM，能够充分地获得图像的上下文信息和道路边缘信息，提高道路边缘检测能力。残差细化网络将对预测网络产生的初始道路预测结果进行细化，改善预测网络由于噪声产生的道路模糊化，网络还融合了BCE、SSIM以及IoU损失函数进行监督训练，减少道路信息损失，有利于提取完整的道路结构。

技术领域

本发明属于数字图像处理、模式识别与机器学习技术领域，涉及一种道路提取方法，特别是涉及一种基于预测和残差细化网络的道路提取方法。

背景技术

道路提取可以表示为一个二分类问题，类似于语义分割中的多目标分割，相比较而言，道路分割减少了分割类别。由于航拍图像或者高分辨率遥感图像中的道路类型多变，道路提取仍然面临严峻的挑战。经过多年的研究，从航拍图像中提取道路已经涌现了大量的算法，大致可以分为三类：基于特征、基于对象、基于知识层次的道路提取方法。基于特征层次的道路提取算法包括模板匹配法、边缘与平行线法、特定模型法以及滤波法；基于对象层次的道路提取算法包括多分辨率分析方法、区域统计分析方法以及道路单元修整与连接方法；基于知识层次的道路提取方法包括结合多源数据方法和道路与相关理论结合方法。最近，深度学习在计算机视觉的应用中取得了良好的效果，卷积神经网络、全卷积神经网络以及残差神经网络已经被广泛的应用到高分辨率遥感图像道路提取任务中，已经取得了不错的效果。结合人工智能以及机器学习的方法，将是未来进一步解决高分辨率遥感图像道路提取任务的关键，这在未来也有着非常高的应用价值。

发明内容

本发明的在于提出一种基于预测和残差细化网络的道路提取方法，显著提高复杂背景下的道路提取效果，能够适用于多种不同背景的遥感图像。

本发明所采用的技术方案是：一种基于预测和残差细化网络的道路提取方法，包括以下步骤：

步骤1：设计预测网络和残差细化网络组合的航拍图像道路提取网络；

所述预测网络采用Encoder-Decoder结构，结合空洞卷积模块DCM和多层池化模块MPM；

所述残差细化网络融合BCE、SSIM以及IoU损失函数进行监督训练，用于对预测网络产生的初始道路预测结果进行细化；

步骤2：利用所述预测网络对初始道路进行，利用所述残差细化网络对预测网络产生的初始道路预测结果进行细化提取完整的道路结构。

本发明针对道路目标的不同特征，设计了预测网络和残差细化网络组合的航拍图像道路提取算法。预测网络采用Encoder-Decoder结构，为了保留丰富的低维细节特征以及高维语义特征，增加了低维特征向高维特征的跳连接，进行多级特征融合，减少信息损失；其次，预测网络结合了空洞卷积模块(Dilation Convolution Module,DCM)和多层池化模块(Multi-kernel Pooling Module,MPM)，能够充分地获得图像的上下文信息和道路边缘信息，提高道路边缘检测能力。残差细化网络将对预测网络产生的初始道路预测结果进行细化，改善预测网络由于噪声产生的道路模糊化，网络还融合了BCE(Binary CrossEntropy)、 SSIM(Structural SIMilarity)以及IoU(Intersecion Over Union)损失函数进行监督训练，减少道路信息损失，有利于提取完整的道路结构。

本发明提出了一种基于预测和残差细化网络的道路提取方法，与现有算法相比，其显著优点在于：

(1)本发明采用两级网络相结合的道路提取算法，包括预测网络和残差细化网络；