[发明专利]一种基于图卷积的遥感图像道路提取方法

权利要求书

1.一种基于图卷积模型的遥感图像道路提取方法，其特征在于：包括以下步骤，

步骤S1：基于CNN模型设计一个特征提取分支，实现遥感图像的特征提取；

步骤S2：基于GCN模型设计一个局部信息捕获分支，根据CNN模型所提取的特征信息生成相应的图节点；

步骤S3：利用所设计的基于图卷积模型的道路提取网络进行总体设计，进而实现对高分辨率遥感图像的道路提取，并得出结果；

根据遥感图像中道路特点，采用基于GCN模型实现遥感图像道路提取。整体框架采用编码器-解码器结构，在编码器阶段分为基于CNN模型的道路提取分支和基于GCN的首先根据道路特点设计基于CNN的特征提取分支，使用在ImageNet数据集上预训练的ResNet34作为编码器，去掉最后的全连接层，使用改进之后的ResNet34进行相关道路信息的特征提取，之后将所获取到的相关道路特征信息作为GCN模型的输入，首先根据特征构建相关的图结构，将特征信息视作节点，节点之间的差异度视作边，通过所设计的图卷积模型，来获取图结构中节点之间的关系来获取局部位置信息，整个网络采用多任务联合学习的方式，实现高分辨率遥感图像中的道路信息提取，从而提高道路分割精度。

2.根据权利要求1所述的一种基于图卷积模型的遥感图像道路提取方法，其特征在于：S1是实现基于CNN特征提取分支的设计，基于ResNet34网络结构设计道路提取网络的编码器，去掉其中的全连接层，由于ResNet34主要采用瓶颈层实现，网络结构采用两个卷积层分别用于降低和升高特征维度；采用跳跃连接方式实现浅层信息和深层特征的融合，从而解决训练过程中的梯度消失问题。

通过改进后的ResNet34作为所设计网络的特征提取分支，将原始图像作为该分支的输入，提取遥感图像中相关道路特征信息，该分支的表达式由式(1)所示。

Y＝g(x) (1)

其中x为所输入的原始图像，函数ɡ表示一系列的卷积池化操作，经过函数CNN特征提取之后，最终获取道路特征信息Y。

3.根据权利要求1所述的一种基于图卷积模型的遥感图像道路提取方法，其特征在于：S2实现对GCN局部特征捕获分支的设计。GCN作为新兴的网络架构，采用GCN来捕捉局部信息，将道路提取问题转化为图节点分类问题。

为了捕获CNN所提取的特征之间的关系，基于CNN分支所提取的道路特征信息建立一个图结构，图结构由节点和边组成，将所定义的图结构使用G＝(V,E)来表示，其中V表示节点的集合，E表示图的边的集合，节点V表示CNN所提取的特征信息，而边E表示节点之间的差异度，使用该图的邻接矩阵A表示图结构中每个节点与其他节点之间的差异度。

采用高斯核函数来初始化图结构的邻接矩阵，之后通过若干层的图卷积，利用消息传播交换节点之间的信息，从而在邻域内提取特征，避免局部信息丢失。

将遥感图像输入到CNN特征提取分支中，在经过若干层卷积操作之后，获取图像中的特征信息，作为GCN的节点特征输入。在基于GCN的分支中，将根据CNN所获取的特征所生成的邻接矩阵A和特征x作为输入，具体的图卷积操作如(2)式所示，g_θ表示为卷积核，θ₀θ₁为卷积参数，I_N为单位矩阵。

其中L为图的拉普拉斯矩阵，A为基于特征信息预生成的关系矩阵，D为顶点的度矩阵，归一化之后的拉普拉斯矩阵通过最终变换得到(2)式。

将θ₀θ₁这两个参数化为单参数θ，得到如下(3)卷积公式。

由于特征值取值范围为[0，2]，这将会导致出现数值不稳定性和梯度爆炸或者消失等一系列问题，因此使用(4)进行归一化，其中A′＝A+I_N，D′_ii＝∑A′_ij。

综上所述，所采用的图卷积的具体操作如下式所示

其中H^(l)为第l层图卷积所输出的特征信息，也是第l+1层图卷积的输入信息，当l＝0时，H^(l)＝x，θ为可学习的权重。δ为激活函数，选择ReLU作为激活函数，从而实现非线性操作，在GCN训练过程中，通过关联矩阵A来实现所有节点之间的信息交换。聚集周围特征信息，并通过线性变换W来更换其状态。

通过上述图卷积操作，卷积操作当中的卷积层和池化层，实现对遥感图像当中特征信息的局部感知，以及对局部信息进行综合操作，实现不同节点之间的信息交流，从而得到全局信息。当前节点所能接收到的其余节点的信息的最大范围即为图的感受野，所设计的GCN有两层。

4.根据权利要求1所述的一种基于图卷积模型的遥感图像道路提取方法，其特征在于：S3中，通过利用CNN分支进行特征提取，之后利用GCN分支实现特征之间的关系捕获，图结构中节点之间的关系流通过两层图卷积之后对所获取的深层特征信息进行上采样，最终在解码器输出最终的道路分割图像。