[发明专利]一种基于拓扑信息细化的道路提取方法

说明书

本发明为一种基于拓扑信息细化的道路提取方法，其具体操作步骤为：进行模型训练、进行测试过程、比较不同超参数或损失函数的参数的组合对模型的影响。本发明由于在编解码结构(encoder‑decoder)中像素级融合扩张模块和信息模块，因此可以得到边缘连贯性更好的道路；同时运用权重组合的损失函数，可以更有效的控制样本不均衡对模型带来的影响。

技术领域

本发明属于人工智能技术领域，涉及高分辨率遥感图像场景分析与识别技术，可用于智能交通、城市规划和地理信息更新等领域。

背景技术

高分辨率遥感图像道路提取的目的是在图像中检测和分割出道路像素。该任务将图像像素分为两类：道路和非道路，通常被认为是一个二元分类问题。近几年，随着深度学习在计算机视觉、自然语言处理以及语音信息处理等领域取得巨大突破，在高分辨率遥感图像中利用深度学习提取道路的方法也越来越多。

目前，高分辨率遥感图像道路提取的方法主要有两大类：

一是传统方法，该方法在深度学习广泛应用之前较为流行。通过提取低级特征(如边、角、梯度等)，然后定义一些启发式的规则(如几何形状等)将像素分为道路类和非道路类。传统方法的缺点在于所使用的特征和规则仅适合简单的场景，但是高分辨率图像中的道路通常复杂且不规则。

二是基于深度学习的方法。这种方法运用计算机视觉领域和自然语言处理领域取得极大成功的卷积神经网络。L.Zhou等人在“L.Zhou,C.Zhang,M.Wu,D-Linknet:linknetwith pretrained encoder and dilated convolution for high resolution satelliteimagery road extraction,IEEE Conf.on Comput.Vis.Pattern Recognit.Workshops,2018:182-186.”中提出一种基于语义分割的方法，并引入扩张卷积(dilatedconvolution)以获取更大感受野。尽管D-LinkNet取得了可观的效果提升，证实了扩张卷积增大感受野对道路提取是有积极效果的。但是没有解决道路边缘连惯性不好的问题。该问题主要源于图像上路旁树木、建筑物或者交通工具的投射阴影对道路有遮挡，而高分辨率遥感图像中的道路呈现细、长的连贯性特性。考虑到扩张卷积会有弱化邻近像素关联性的问题，因此，在D-LinkNet网络架构中，除了使用扩张卷积外，本发明还使用spatial CNN来增强邻近像素的空间关系，以学习道路的拓扑信息，也就是连贯性信息。

发明内容

本发明针对现有深度学习方法的不足，提出一种基于拓扑信息细化的道路提取(Remote Sensing Road Extraction,RSRE)方法，该方法在encoder-decoder结构的语义分割模型中间，融合了含有扩张卷积的扩张模块DM，和带有空间卷积的信息模块MM，以此细化道路的拓扑信息，即结构分布和连通性信息。同时，考虑到在图像中，道路像素和非道路像素的数量差别很大，因此，在设计损失函数时，组合了二元交叉熵损失项和dicecoefficient项，并用不同的权重进行组合。其中，二元交叉熵损失计算道路预测结果与实际标记的距离，dice coefficient项计算道路预测结果与实际标记的相似性。以此解决随着模型训练的迭代次数增加，损失函数对非道路像素的约其具体操作步骤为：

1)进行模型训练：模型可分为encoder、center和decoder三部分，其中encoder将输入的图像编码为高维特征；center包含并联的扩张模块DM和信息模块MM，对encoder的输出进行特征再处理后，采用像素级相加的方式，融合为同维度的新特征；decoder将高维度特征经过上采样和去卷积方式，恢复至输入图像的尺寸，然后采用sigmoid预测出道路的概率图并以0.5为阈值判断，最后生成二值化的道路分割图，此外，模型训练使用的损失是二元交叉熵和dice efficient项的权重组合；

(2)进行测试过程：将测试集数据输入到训练好的模型当中，预测出道路图，并与真实标记做对比，计算相关指标；