[发明专利]基于边缘约束与特征适应的Transformer双分支道路提取方法及装置

说明书

本发明提供了一种基于边缘约束与特征适应的Transformer双分支道路提取方法及装置，该方法包括：搭建双分支道路提取模型，输入高分辨率遥感影像和对应的样本数据集；利用跨窗口自注意力机制模型建模道路特征；道路面提取分支利用非对称上采样解码器整合多尺度特征映射；边缘提取分支道路精细化约束；通过训练后的道路特征提取模型对待分类的影像进行道路特征分类，获得每张影像的道路特征分类结果。本发明提供了一种新颖的双分支道路提取模型的架构，具备局部与全局上下文信息的积累能力，适应道路跨度大的长距离特征，充分利用图像本身的边缘先验信息，保证分割精度的同时增强了道路提取结果的完整性。

技术领域

本发明涉及深度学习与遥感影像处理技术领域，具体涉及一种基于边缘约束与特征适应的Transformer双分支道路提取方法及装置。

背景技术

道路提取即基于道路的几何形状和空间特征的一类图像分割，一直是遥感领域的研究热点，在城市规划、地理信息系统更新、智能化交通、车辆导航等众多应用中具有重要意义。卫星观测数据的巨幅增长使研究人员能够从遥感图像中获得更多的信息，在一个快速发展的地区，道路网络变化速度较快，然而人工标注道路费时费力且无法实际应用于灾害救援等实时性的道路提取任务，因而有必要设计良好的道路提取方法与模型，及时对最新的道路网络进行提取，以满足相应的应用与需求。然而道路所具备的例如跨度大、占比小、路面材料、空间结构等复杂多样等特征，以及遥感图像的噪声、遮挡和复杂背景，使得道路提取具有一定的挑战性。

传统的道路提取方法可以分为基于像素和面向对象方法。常见的基于像素的道路提取方法有边缘检测、光谱分析、阈值分割等，这种方法很容易产生“椒盐”噪声，并且难以区分由道路旁边的树木和建筑物造成的阴影。因此，大多数基于像素的方法需要各种后处理方法来细化提取的结果。在面向对象的提取方法中，道路被视为一个个对象。该方法主要分为区域法、知识模型、纹理分析等，通常先将图像分割或聚类成小区域，然后将其用作道路检测的单元，与基于像素的方法相比具有良好的抗噪声特性以及广泛的适用性，但设计相对复杂，高度依赖于中间的分割结果，并且容易混淆相邻并且具有相似形状的地面物体。

近年来，深度学习的发展极大地推动了道路提取的进展。深度学习方法结合了对象与像元的特征，具备挖掘更高级特征的能力而具有更优的效果。当前领域内如Unet、D-Linknet等深度学习方法在许多道路提取任务中表现良好，但仍存在较大局限性。道路在背景复杂的高分辨率遥感影像中表现出细长、占比小、跨度大的特征，许多网络模型在逐步卷积扩大感受野的同时丢失了地物的高频细节信息，从而使得道路边界模糊，提取效果并不理想。

发明内容

本发明解决的主要技术问题在于，解决现有网络模型在道路提取时存在的边界模糊问题，本发明采取的技术方案是，提供了一种基于边缘约束与特征适应的Transformer双分支道路提取方法及装置。

根据本发明的一个方面，一种基于边缘约束与特征适应的Transformer双分支道路提取方法，包括以下步骤：

S1、对输入训练数据集进行数据增强处理，获得增强后的训练数据集；

S2、搭建双分支道路提取模型并进行初始化和超参数设置，获得初始化的双分支道路提取模型；

S3、将所述增强后的训练数据集输入所述初始化的双分道路提取模型中，通过Transformer编码器对增强后的训练数据集的图像进行四次下采样，使用跨窗口的自注意力机制建模得到包含局部信息与全局信息的特征图；

S4、将增强后的训练数据集的图像输入层次化特征卷积模型得到道路边缘标签，通过边缘约束分支将Transformer编码器输出的包含局部信息与全局信息的特征图恢复尺寸，得到用于约束道路面提取的道路边缘掩膜；

S5、通过道路面提取分支带有非对称上采样模块的解码器，将Transformer编码器各层输出的高层语义特征以跳级连接的方式进行多尺度特征整合，恢复特征映射，结合边缘分支特征约束，输出道路面预测结果；