[发明专利]结合迁移学习的高分辨率卫星影像道路快速提取方法、系统

说明书

本发明提供一种结合迁移学习的高分辨率卫星影像道路快速提取方法、系统，其中的方法包括：对获得的卫星影像进行预处理，针对预处理后的卫星影像生成道路标签并得到样本数据集；采用源数据网络中已有的源数据样本对预设学习模型进行训练，得到预训练模型；利用样本数据集对预训练模型进行训练得到目标训练模型；将待处理卫星影像输入至目标训练模型得到待处理卫星影像的目标道路标签，根据目标道路标签提取待处理卫星影像中的道路。以上方案，将预训练模型迁移至目标网络后能有效利用预训练模型中的权重参数，仅需要根据样本影像数据对预训练模型中的权重参数进行微调即可，模型训练趋于轻量化，同时提高了道路提取精度和提取效率。

技术领域

本发明涉及遥感信息处理技术领域，具体涉及一种结合迁移学习的高分辨率卫星影像道路快速提取方法、系统。

背景技术

遥感影像道路提取的方法可以分为两类：提取道路面积和提取道路中心线。道路面积相对道路中心线能够反映更多的场景信息，应用较多，是近年来研究的重点。道路面积提取可以看作分割问题或者面向像元的二分类问题。传统提取方法自动化程度不高，道路特征需要先验知识进行人工选择和设计，无法满足道路信息快速获取的需求。

在深度学习领域，主要有：(1)利用受限玻尔兹曼机的方法，对高分辨率航空遥感图片提取道路面积。(2)利用卷积神经网络，从遥感图片直接提取道路。(3)用将高阶语义与低阶细粒度外观相结合的模型，从高分辨率图像中提取道路特征。(4)结合残差单元和U-Net，ResUnet语义分割网络道路提取的方法。深度学习能够通过提取遥感图像的高层次特征，表征出遥感场景间的细微差别。然而，目前遥感领域并不具备足够的带标签的遥感图像用于训练深度学习中网络模型中巨量的结构参数。目前，这些基于深度学习道路提取方法多关注对道路提取精度的提升，网络冗余度较高，结构复杂，难以满足对时效性需求较高的应用。

发明内容

本发明实要解决现有技术中道路提取方法存在的冗余度较高，结构复杂和时效性低的技术问题，

为解决上述技术问题，本发明提供一种结合迁移学习的高分辨率卫星影像道路快速提取方法，包括如下步骤：

影像预处理步骤：对已有卫星影像进行预处理，根据预处理后的卫星影像得到初始影像集；

标签设置步骤：获取所述初始影像集中每一预处理后的卫星影像的道路标签，每一预处理后的卫星影像与其道路标签关联后作为样本影像数据，得到样本影像数据集；

预训练步骤：采用源数据网络中已有的源数据样本对预设学习模型进行训练，得到预训练模型；

目标训练步骤：将所述预训练模型迁移至所述样本影像数据集所在的目标数据网络，利用所述样本影像数据集中的样本影像数据对所述预训练模型进行训练得到目标训练模型；

道路提取步骤：将待处理卫星影像输入至所述目标训练模型，所述目标训练模型输出所述待处理卫星影像的目标道路标签，根据所述目标道路标签提取所述待处理卫星影像中的道路。

可选地，上述的结合迁移学习的高分辨率卫星影像道路快速提取方法，所述影像预处理步骤中包括：

正射校正步骤：对所述卫星影像中的多光谱图像和全色图像进行正射校正，得到校正后的多光谱图像和校正后的全色图像；

自动配准步骤：将同一所述卫星影像所对应的校正后的多光谱图像和校正后的全色图像进行对准，得到对准后的多光谱图像和对准后的全色图像；

图像融合步骤：将同一所述卫星影像数据所对应的对准后的多光谱图像和对准后的全色图像进行融合得到预处理后的卫星影像。

可选地，上述的结合迁移学习的高分辨率卫星影像道路快速提取方法，所述标签设置步骤中包括：

在预处理后的卫星影像上标识道路中间线，并记录道路宽度信息；