[发明专利]一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法

说明书

本发明涉及一种利用模型提取道路技术领域，具体地说是一种基于U‑net强化道路边缘信息的多尺度道路提取模型的方法，对原始高分影像的多光谱RGB波段和全色波段进行图像融合，利用标签制作软件制作道路分割标签进行数据扩充，用道路分割标签提取边缘标签并数据集划分，增加边缘提取任务分支，强化边缘信息，引入级联空洞卷积层，利用制作的高分遥感道路数据集训练模型，利用模型完成高分遥感道路提取，本发明同现有技术相比，通过搭建多任务学习网络，利用道路的边缘标签对道路的边缘信息进行强化学习，利用级联的空洞卷积模块实现了多尺度深度道路特征的提取与融合，最终使得提取出的道路边缘更加完整、道路主体连通性更高。

技术领域

本发明涉及一种利用模型提取道路技术领域，具体地说是一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法。

背景技术

随着科技社会的进步，利用遥感图像提取道路已经成为道路提取的重要途径，其中高分遥感影像包含丰富的地物信息，为获取准确细小的道路信息提供了有力的数据支持，但高分影像内容往往十分复杂，使得高质量提取道路信息十分困难。

传统的道路提取算法往往基于人工设计的特征，只能小范围内高精度提取道路信息，泛化能力十分有限。随着深度学习的发展极大地推动了道路提取的进展，深度学习中语义分割模型具有自动学习特征并分类的能力，能够实现端到端的道路提取。同时，巨大的网络参数也使其具有强大的泛化能力，可以实现大范围内提取道路目标。

但在实际利用深度学习语义分割模型提取遥感影像道路的任务中，道路背景往往十分复杂，如背景地物中的路边树木、高大建筑物等对道路边缘有一定的遮挡作用，使得提取的道路边缘不规则、不完善，且另一方面，利用深度学习提取道路受到尺度的限制，提取的道路也存在拓扑连通性不高的问题。

因此，需要设计一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，解决上述高分遥感影像中道路背景中存在的路边树木和高大建筑物而导致的道路边缘不规则、不完善的问题，能够利用多尺度深层特征提高道路拓扑连通性，提高道路目标的提取精度。

发明内容

本发明的目的是克服现有技术的不足，提供了一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，解决了高分遥感影像中道路背景中存在的路边树木和高大建筑物而导致的道路边缘不规则、不完善的问题，利用多尺度深层特征提高道路拓扑连通性，提高道路目标的提取精度。

为了达到上述目的，本发明提供一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，包括高分遥感影像道路数据集的制作和构建基于U-net并强化道路边缘信息的多尺度道路提取模型，高分遥感影像道路数据集的制作包括以下步骤：

S1：对原始高分影像的多光谱RGB波段和全色波段进行图像融合；

S2：利用标签制作软件制作道路分割标签，同时进行数据扩充；

S3：利用道路分割标签提取边缘标签，并进行数据集划分；

构建基于U-net并强化道路边缘信息的多尺度道路提取模型，包括以下步骤：

S10：基于U-net道路分割网络增加边缘提取任务分支，强化边缘信息；

S20：引入级联的空洞卷积层，实现深层特征上的多尺度特征融合；

S30：利用制作的高分遥感道路数据集训练模型，利用模型完成高分遥感道路提取；

S1具体为使用ENVI软件选取高分遥感影像中的红绿蓝波段和全色波段进行Brovey图像融合，得到高空间分辨率的彩色影像。

S2具体为使用Labelme对遥感影像进行目视解译，制作高分遥感道路影像标签，对影像及标签进行旋转、色彩抖动、图像平移、缩放的形式进行数据扩充，得到成倍的道路影像与对应的标签。