[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

说明书

本发明的实施例提供了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，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。以此方式，可以完成在复杂场景下对遥感图像的分割，准确的提取遥感图像中的道路信息。

技术领域

本发明的实施例一般涉及深度学习、计算机视觉和遥感卫星图像处理领域，并且更具体地，涉及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。

背景技术

道路信息在现代社会中扮演着非常重要的角色，研究基于遥感图像的道路提取方法具有非常重要的意义。遥感图像道路提取有着诸多应用场景，如汽车自动驾驶与车辆导航、地图生成、城市规划、智能交通和土地利用检测等。道路提取的精度不仅显著影响到车辆、建筑物等其他地物的识别效果，也是自然灾害预警、军事打击、无人车路径规划等研究领域的关键技术之一。

遥感图像道路提取根据算法的自动化程度可分为半自动提取与自动提取两大类。半自动提取算法需要人工设置道路的起始点或者指定种子点，而自动提取算法则由计算机自动实现道路的提取，没有人为主观判断因素加入。

随着人工智能的发展，在进行遥感影像解译时，充分利用计算机的学习与处理图像的功能，可减少大量的人力与时间，大大提高工作效率。因此，从遥感图像中自动提取道路信息的这类方法正在逐渐成为主流的研究方向。已有道路提取方法分为基于像元、面向对象和基于深度学习方法三类。其中，基于深度学习的道路提取方法效果最佳。

从卫星图像中分割道路是一项十分具有挑战性的任务，相较于一般的分割任务，该任务有着其独特性和困难性，具体表现为：在卫星图像中，目标道路所占据画幅比例普遍偏小，河流、铁路等又与道路太过于相似，甚至人眼都难以判别出来。道路分叉连通情况很复杂，对于道路提取的识别精度有着相当高的要求。在卫星图像中，道路往往狭窄，且具有先验的连通性，几条道路可能会互相交叉连通，且整体跨度覆盖整张图片。此外，道路识别连通性的问题较为突出，较多为断头路，这些挑战都给卫星图像中的道路提取带来了一定的难度，而传统的图像分割方法很难适用这些挑战。

发明内容

根据本发明的实施例，提供了一种基于深度卷积神经网络的遥感图像自动道路提取方案。

在本发明的第一方面，提供了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。该方法包括：

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，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。

进一步地、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。

进一步地、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：