[发明专利]基于多分支级联空洞空间金字塔的高分辨遥感图像的道路提取方法

说明书

本发明公开了一种基于多分支级联空洞空间金字塔的高分辨率遥感图像的道路提取方法，包括如下步骤:S1，数据预处理，对Massachusetts数据集里面的数据进行数据扩增；S2，搭建模型，使用卷积神经网络提取遥感道路图像的特征图，结合多分支级联空洞空间金字塔来提取道路图像上的特征信息，多分支级联空洞空间金字塔对所给定的输入以不同空洞比率的级联空洞卷积进行并行采样，相当于以多种方式捕捉图像的上下文信息；S3，设计损失函数来优化网络参数，并且建立评估指标F1和评估指标MIOU；S4，用训练好的模型在测试样本集上进行测试，经过网络模型的特征提取和特征上采样来得到最终的分割图像。

技术领域

本发明属于数字图像处理与机器学习技术领域，具体涉及一种基于多分支级联空洞空间金字塔的高分辨遥感图像的道路提取方法。

背景技术

道路作为交通的主要组成部分，在人类各项活动中发挥着不可替代的作用。在现代社会中，道路也是地图和地理信息系统中重要的标识对象。随着交通地理信息系统的建设，道路的自动提取技术随之出现并不断发展。及时而完备的道路交通信息系统，可在交通导航、城市规划、农林及飞行器自动驾驶等诸多领域发挥重要作用。道路作为一种重要的基础设施，在城镇建设、交通运输和军事应用等领域都扮演着重要的角色。随着高分辨率遥感数据的大量投入使用，如何快速、准确地从遥感图像中提取道路信息引起了众多国内外学者的关注。

在传统的卷积神经网络模型中，通常会使用下采样来扩大特征图的感受野，来抽象化特征信息，从而为了使得输出图像的尺寸要求和输入图像的尺寸一致而需要进行上采样的操作，但由于一般的网络结构模型中都会使用pooling操作，也就是池化操作来下采样以便增大感受野但同时会降低特征图的分辨率，使得每个卷积输出都包含较大范围的图像信息，对于提取抽象化信息是有很大帮助的，但在这个过程中，随着特征图像的分辨率不断下降，而使得图像的局部信息与细节信息会逐渐丢失，虽然现在也有通过线性插值上采样来恢复分辨率的手段存在，但在这个过程，还是不可避免的会造成信息的损失，使得上采样无法还原由于pooling操作丢失的图像特征从而导致了一些细节信息上的严重损失。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于多分支级联空洞空间金字塔的高分辨率遥感图像的道路提取方法，该模型在常规的编码-解码网络模型中加入多分支级联空洞空间金字塔模块，通过结合空洞卷积来构建多分支级联空洞空间金字塔的方式解决了遥感图像语义分割过程中的下采样操作时使得特征信息丢失的问题，提高了遥感图像道路提取的精度。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于多分支级联空洞空间金字塔的高分辨率遥感图像的道路提取方法，包括以下步骤：

S1，数据预处理，对Massachusetts数据集里面的数据进行数据扩增，输入数据为Massachusetts数据集中的高分辨率遥感道路图像，输出数据为经过数据扩增的高分辨遥感道路图像，其中所述的数据扩增方式包括平移，旋转，水平翻转，HSV空间变化；

S2，搭建模型，使用卷积神经网络提取遥感道路图像的特征图，结合多分支级联空洞空间金字塔来提取道路图像上的特征信息，多分支级联空洞空间金字塔对所给定的输入以不同空洞比率的级联空洞卷积进行并行采样，因为采取了不同空洞比率的空洞卷积，每一种不同空洞比率的空洞卷积所得到的感受野都不相同，加上卷积降维分支和自适应池化分支，相当于以多种方式捕捉图像的上下文信息；

S3，设计损失函数来优化网络参数，并且建立评估指标F1和评估指标MIOU，来对模型的输出结果进行评估；

S4，用训练好的模型在测试样本集上进行测试，经过网络模型的特征提取和特征上采样来得到最终的分割图像。

优选地，所述步骤S1具体步骤为：

S11，先对数据集中的图像进行包括平移，旋转和水平反转的预处理；