[发明专利]一种基于深度卷积神经网络的遥感图像自动道路提取方法

权利要求书

1.一种基于深度卷积神经网络的遥感图像自动道路提取方法，其特征在于，所述方法包括：

采集遥感图像数据，构建训练数据集；

构建编码器-解码器模式的深度语义分割网络模型作为深度卷积神经网络模型；

利用所述训练数据集训练所述深度语义分割网络模型；

将测试数据输入到训练后的深度语义分割网络模型，得到遥感图像的道路提取结果。

2.根据权利要求1所述的方法，其特征在于，在构建训练数据集之前，对所述采集到的遥感图像数据进行数据增强，得到数据增强后的遥感图像数据作为训练数据集。

3.根据权利要求1所述的方法，其特征在于，所述编码器-解码器模式的深度语义分割网络模型的构建过程包括：

依次构建编码器和构建解码器，完成编码器-解码器模式的深度语义分割网络模型的构建；其中

构建编码器的过程包括：

输入图像输入到在ImageNet上预训练的基础分类网络模块，将其输出结果输入到空洞卷积模块组，空洞卷积模块组输出特征提取结果，对空洞卷积模块组的特征提取结果进行级联，再通过1*1的卷积进行特征融合，输出特征图，完成编码器构建；其中编码器的输出特征图作为解码器的第一输入，将基础分类网络模块输出的第一底层特征图作为解码器的第二输入；将基础分类网络模块输出的第二底层特征图作为解码器的第三输入；

构建解码器的过程包括：依次构建第一解码器和第二解码器。

4.根据权利要求3所述的方法，其特征在于，

所述第一解码器构建过程包括：

将解码器的第一输入进行第一上采样后与解码器的第二输入进行级联，然后进行两次连续的卷积，得到第一特征图，对第一特征图进行第二上采样，得到第一解码特征图；

所述第二解码器构建过程包括：

将解码器的第三输入与第一解码特征图进行级联，然后进行两次连续的卷积，得到第二解码特征图，对第二解码特征图进行第二上采样，得到深度语义分割网络模型的结果图，完成深度语义分割网络模型的构建。

5.根据权利要求4所述的方法，其特征在于，在所述第一解码器构建过程中，在级联之前，对第一上采样后的解码器第一输入与解码器的第二输入使用1*1的卷积进行通道降维；

在所述第二解码器构建过程中，在级联之前，对解码器的第三输入与第一解码特征使用1*1的卷积进行通道降维。

6.根据权利要求3所述的方法，其特征在于，所述空洞卷积模块组包括若干个分支，每个分支包含一个卷积核大小相同且空洞率不同的空洞卷积滤波器。

7.根据权利要求1所述的方法，其特征在于，在将测试数据输入到训练后的深度语义分割网络模型之前，对测试数据的输入图片进行带重叠切割，并对切割后的小幅图像进行数据增强，将数据增强后的测试数据输入到训练后的深度语义分割网络模型进行道路特征提取和分割，得到若干个小幅图像分割结果，再将若干个小幅图像进行平均融合，得到遥感图像的道路提取结果。

8.根据权利要求1所述的方法，其特征在于，对所述遥感图像的道路提取结果进行后处理，即通过先膨胀再腐蚀的闭运算数学形态学方法进行优化处理，得到优化后的遥感图像的道路提取结果。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。