一种同时提取遥感影像道路路面和中心线的深度学习方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111046768A(43)申请公布日2020.04.21(21)申请号201911228166.8(22)申请日2019.12.04(71)申请人武汉大学地址430072湖北省武汉市武昌区珞珈山武汉大学(72)发明人季顺平魏瑶张凯(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222代理人王琪(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种同时提取遥感影像道路路面和中心线的深度学习方法(57)摘要本发明涉及一种新的同时提取遥感影像道路路面和中心线的深度学习方法。充分发挥卷积神经网络在道路路面分割和道路中心线追踪中的优势，采用路面和中心线结果相互约束、优势互补的方式进行遥感影像道路网提取，解决了以往提取方法中道路结果不完整、连接性差等问题。本发明具有如下优点：鲁棒性强，可适应不同尺度的遥感影像道路提取，可持续迭代不断优化，不仅能够提取保留拓扑连接性的道路路面，还能够提取准确完整的道路中心线，可以应用于城市规划、行车导航、灾害应急、地图的制作及更新等领域。CN111046768ACN111046768A权利要求书1/2页1.一种同时提取遥感影像道路路面和中心线的深度学习方法，其特征在于，包括如下步骤：步骤1，根据已有的影像以及对应的标注文件构建样本库，包括道路路面分割数据集和道路中心线追踪数据集；步骤2，利用步骤1构建的路面分割数据集对道路分割网络D-LinkNet进行训练，然后对遥感影像中的道路进行像素级预测，获得道路路面的初始分割结果，并在此基础上结合机器学习中的提升策略，设计用于提升分割结果的网络模型BSNet，训练多个提升分割网络BSNet，然后分别对影像进行预测并将预测结果加权求和得到提升后的分割结果；步骤3，从道路分割结果中提取位于道路交叉口的多个特征点作为后续追踪的起始点，利用步骤1构建的中心线追踪数据集训练卷积神经网络决策函数CNNDF，然后从多个起始点出发，基于该决策函数在遥感影像中逐段构建道路中心线；步骤4，将路面分割结果和中心线追踪结果进行融合，得到最终的道路路面结果，并通过形态学细化获得最终的道路中心线结果。2.如权利要求1所述的一种同时提取遥感影像道路路面和中心线的深度学习方法，其特征在于：步骤1的具体实现包括如下子步骤，步骤1.1，影像预处理：若待处理影像为分幅影像，则对多幅遥感影像进行拼接得到完整的影像，并将完整影像按地表覆盖范围进行裁剪；然后以某一影像分辨率为基准，对其它影像进行重采样；步骤1.2，标签数据制作：将影像范围内对应的中心线标签数据栅格化，得到栅格的道路路面标签数据，路面标签数据经过形态学细化、骨架提取得到矢量的道路中心线标签数据；步骤1.3，样本裁剪：综合考虑计算机性能、地物大小，将遥感影像与对应的标签数据裁剪为大小适宜的样本块。3.如权利要求1所述的一种同时提取遥感影像道路路面和中心线的深度学习方法，其特征在于：步骤2的具体实现包括如下子步骤：步骤2.1，初始分割：在步骤1构建的路面分割数据集上训练道路分割网络D-LinkNet，学习遥感影像中的道路特征，获得道路路面初始分割结果；步骤2.2，构建样本子集：以小尺寸的窗口裁剪在初始分割结果中表现较差的部分，即初始分割结果和对应标签的交并比小于一定阈值的部分，根据对应的影像和路面标注文件构建样本子集；步骤2.3，训练提升分割网络：基于机器学习中的提升策略，利用样本子集依次训练多个提升分割网络BSNet，挖掘影像中局部区域对于道路网提取有用的潜在信息以提升优化分割结果；步骤2.4，融合预测结果：提升分割网络BSNet训练结束后，分别利用训练好的各个提升分割网络BSNet对遥感影像进行预测，根据各个提升分割网络BSNet的分割效果计算投票权重并对多个预测结果进行加权求和，融合初始分割结果得到提升后的分割结果；其中投票权重的计算公式为ω＝log((1-ε)/ε，ε为提升分割网络BSNet的错误率。4.如权利要求3所述的一种同时提取遥感影像道路路面和中心线的深度学习方法，其特征在于：所述提升分割网络BSNet包括编码、解码以及它们之间的中间部分，其中编码部2CN111046768A权利要求书2/2页分包含4组连续堆叠的卷积层及ReLU激活函数，每组中卷积核大小为3×3，步长为1，各组之间利用步长为2的最大池化操作完成下采样，其中将倒数第二、三组的特征图采样至最后一组特征图的尺寸，然后利用1×1卷积层来调整通道数并级联，得到16×16×256的特征图；中间部分嵌入扩张率不同的扩张卷积，以串联