[发明专利]一种端对端的高分辨率遥感影像道路自动提取方法

权利要求书

1.一种端对端的高分辨率遥感影像道路自动提取方法，其特征在于，包括：

设计编写D-ResUnet模型，其中，D-ResUnet模型为扩张残差的Unet模型，Unet模型是U形结构的深度神经网络模型；

将损失函数加入到D-ResUnet模型中，准备训练；

获取道路数据集，将所述道路数据集放入D-ResUnet模型中，对D-ResUnet模型进行训练，通过损失函数计算得到的损失值，进行反向传播，更新模型的参数，使得损失值趋于最小，直至模型收敛，得到道路提取模型；

将遥感影像输入到道路提取模型中，更新遥感影像。

2.根据权利要求1所述的一种端对端的高分辨率遥感影像道路自动提取方法，其特征在于，所述D-ResUnet模型分别基于Unet模型的架构和ResUnet模型的残差模块，添加空洞卷积的中间处理过程得到的；所述损失函数是基于二值交叉熵损失函数，结合骰子相似系数得到的，其中，初始所述损失函数的公式为：

BCE＝∑_i,j(y_i,jlogp_i,j+(1-y_i,j)log(1-p_i,j))，

y_i,j代表着输入图像的真实值，i,j代表着像素点的位置；y_i,j的值为1代表着道路，为0代表是背景；p_i,j代表着该点被预测为道路的概率；

所述骰子相似系数的公式为：

其中s_i代表模型在每个像素点的预测值，r_i代表真实值，i、N表示个数；

初始所述损失函数结合所述骰子相似系数后的所述损失函数的公式为：

BCE为初始损失函数。

3.根据权利要求1所述的一种端对端的高分辨率遥感影像道路自动提取方法，其特征在于，所述获取道路数据集，将所述道路数据集放入D-ResUnet模型中，包括：

将道路数据集中的遥感影像和道路真实图分成训练集、验证集和测试集，将所述训练集、验证集和测试集放入D-ResUnet模型中。

4.根据权利要求1所述的一种端对端的高分辨率遥感影像道路自动提取方法，其特征在于，所述将遥感影像输入到道路提取模型中，获得道路图，包括：

将需要进行道路提取任务的遥感影像输入到道路提取模型中，运行道路提取模型，得到遥感影像相应尺寸的道路图。

5.根据权利要求2所述的一种端对端的高分辨率遥感影像道路自动提取方法，其特征在于，所述空洞卷积，包括：瀑布式和并行式，分别添加扩张率为若干类型的空洞卷积。

6.根据权利要求1所述的一种端对端的高分辨率遥感影像道路自动提取方法，其特征在于，所述获取道路数据集，将所述道路数据集放入D-ResUnet模型中，对D-ResUnet模型进行训练，通过损失函数计算得到的损失值，进行反向传播，更新模型的参数，使得损失值趋于最小，直至模型收敛，得到道路提取模型，包括：

获得开源的道路集数据图像，采用滑动窗口裁剪的方式，将道路集数据图像裁剪成相等大小的道路数据集数据图像，将裁剪后的道路集数据图像放入D-ResUnet模型中，对D-ResUnet模型进行训练，得到预测道路数据集数据图像，将预测道路数据集数据图像拼接，其中，在训练的过程中，采取数据增广的方式，对裁剪好的道路集数据图像进行水平翻转、镜像翻转，当损失函数降到最小不在变化，模型参数稳定时，模型训练完成。

7.根据权利要求1所述的一种端对端的高分辨率遥感影像道路自动提取方法，其特征在于，所述将遥感影像输入到道路提取模型中，更新遥感影像，包括：

采用滑动窗口裁剪的方式，对要进行道路提取任务的遥感影像滑动裁剪成大小相等的遥感影像，将裁剪后的遥感影像分批放入道路提取模型中运行；

将得到的运行结果，拼接成原始大小的遥感影像，更新遥感影像。