一种基于遥感影像和深度学习的道路提取方法.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CN109800736A(43)申请公布日2019.05.24(21)申请号201910104050.7(22)申请日2019.02.01(71)申请人东北大学地址110169辽宁省沈阳市浑南区创新路195号(72)发明人于瑞云乔通汪宇庭(74)专利代理机构沈阳优普达知识产权代理事务所(特殊普通合伙)21234代理人李晓光(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书9页附图8页(54)发明名称一种基于遥感影像和深度学习的道路提取方法(57)摘要本发明涉及一种基于遥感影像和深度学习的道路提取方法，步骤为：在遥感影像中，确定遥感影像的分辨率并截取，对截取遥感影像进行数据标注；使用Canny边缘检测算法对截取的遥感像对图像边缘进行提取，将提取得到的图像与原图像叠加，突出道路特征；搭建图像分类模型，在对基础的网络进行分类任务的训练中，留下低级的图像特征信息，并在特征提取模型构建的流程中，传递给下一级语义分割模型；搭建语义分割模型，用于在遥感影像中分割出道路信息；训练后，提取道路信息的网络参数将留存在分割模型中。本发明通过对图像进行预处理，突出道路特征，用以加速学习，加速语义分割模型的训练，可以实现提取遥感影像道路信息的效果。CN109800736ACN109800736A权利要求书1/3页1.一种基于遥感影像和深度学习的道路提取方法，其特征在于包括以下步骤：1)在遥感影像中，确定遥感影像的分辨率并截取，对截取遥感影像进行数据标注；2)使用Canny边缘检测算法对截取的遥感影像进行预处理，通过对图像边缘进行提取，并将提取得到的图像与原图像叠加，突出道路特征，用以加速学习；3)搭建一个图像分类模型，通过在对基础的网络进行分类任务的训练中，在网络的参数存留下低级的图像特征信息，将上述图像特征信息在特征提取模型构建的流程中，传递给下一级的语义分割模型；4)搭建一个语义分割模型，用于在遥感影像中分割出道路信息；在经过训练后，提取道路信息的网络参数将留存在分割模型中。2.根据权利要求1所述的基于遥感影像和深度学习的道路提取方法，其特征在于：步骤1)中对截取遥感影像进行数据标注为：101)观察并测量遥感影像所覆盖的地理范围，结合要提取的道路实际情况，截取图像分类和语义分割任务的原始数据是尺寸为256*256，即0.23像素每米分辨尺度的RGB遥感的影像；102)定义道路为三级以上的公路，即双车道，8.5米宽以上的公路；103)像素级的图像标注，在图像上标注道路像素的问题转化为对矩阵元素的二分类问题；设图像矩阵M为:其中，为图像矩阵，(Rij，Gij，Bij)为图像矩阵M上的任意元素，对于尺寸为256*256的训练图像，有i＝256，j＝256；104)对于图像矩阵M上的任意元素(Rij，Gij，Bij)，设道路图像的像素集合为R，可生成一个新图像矩阵M’，其任意元素aij，有：新的图像矩阵M'即为标注结果。3.根据权利要求1所述的基于遥感影像和深度学习的道路提取方法，其特征在于：步骤2)中使用Canny边缘检测算法对截取的遥感影像进行预处理为：201)用高斯滤波去除影像噪点，得到去噪后的图像；202)使用Sobel算子，利用卷积操作计算遥感影像x和y两个方向的梯度，尺寸为3的Sobel算子，在x和y两个方向的卷积核如下:2CN109800736A权利要求书2/3页203)提取边缘信息时，缩减边缘，只保留局部最大梯度，通过Canny算法使用两个阈值，来区分边缘像素，利用低阈值过滤掉噪声或颜色变化引起的小的梯度值，利用高阈值区分强边缘点和弱边缘点。4.根据权利要求1所述的基于遥感影像和深度学习的道路提取方法，其特征在于：步骤3)搭建一个图像分类模型，通过在对基础的网络进行分类任务的训练中，在网络的参数存留下低级的图像特征信息，具体为：301)以VGG-16网络作为基础模型，搭建图像分类模型卷积层；302)搭建图像分类模型的全连接层；303)图像分类模型使用Softmax结合交叉熵作为损失层，对于一个K类分类，Softmax的计算过程为：为其中，ai为向量a中任意一个元素，aj为中间元素，j为中间变量，k为任意实数的向量维数；304)训练图像分类模型，将图像的低层次特征保存在图像分类模型中。5.根据权利要求4所述的基于遥感影像和深度学习的道路提取方法，其特征在于：步骤301)中，以VGG-16网络作为基础模型，搭建图像分类模型过程为：30101)第1层和第2层均为64个卷积核，卷积核大小为3，步长为1，填充1的卷积层，用以在不改变尺寸大小的同时，引入