[发明专利]道路智能提取方法和装置、提取模型构建方法及混合导航系统

说明书

一种基于深度学习的卫星影像道路智能提取方法及装置，方法为：选择部分卫星影像图片，将图片中的道路用特定颜色进行标注，构建标注数据库；采用卷积神经网络进行自主学习，构建并利用学习模型对于新输入的卫星影像图像进行道路提取；对道路提取的结果进行判断，如果是正确，则进行道路栅格矢量化，否则返回标注数据库进行重新标注和学习；对提取出来的道路，遍历每条道路进行道路中心线提取，串联中心坐标形成矢量道路线。本发明通过提供大量的标注数据进行自主学习，然后对于新输入的卫星影像图片提取道路，并判断提取的结果，不断矫正错误，提高遥感影像道路提取的正确率和召回率。

技术领域

本发明涉及图像识别领域，具体的，涉及利用基于深度学习的方法对卫星影像进行道路提取的方法和装置。

背景技术

现有技术中对于道路识别，可以采用基于图像分割的方法，或者有限元方法。对于基于图像分割的方法，是根据一定的算法，比如K均值聚类算法、模糊C均值聚类算法等，将图像分割成有意义的斑块，根据斑块的特征进行道路的识别，提取道路片段或者道路种子点。但是该方法依赖于高分辨率的遥感影像，计算量大，自动分类困难。而有限元方法，大多集中在利用道路的几何特征性上，在低(边缘探测和纹理分析)、中(对低层次结果分析、选择和综合)进行，其中部分研究结合道路模型、道路有关的知识和规则进行，但总体效果不明显。

上述算法存在通用性不强，对于不同分辨率或者不同季节的遥感影像存在很大的提取偏差的缺陷。

因此，如何能够克服现有技术的缺陷，提高遥感影像道路自动提取的效率，成为现有技术亟需解决的技术问题。

发明内容

有鉴于此，本发明提供一种基于深度学习的卫星影像道路智能提取方法和装置，不依赖于传统的图像分割边缘提取等算法，通过提供大量的标注数据，让程序自主学习，不断矫正错误，提高遥感影像道路提取的正确率和召回率

其中，本发明公开的一种基于深度学习的卫星影像道路智能提取方法包括如下步骤：

选择部分卫星影像图片，将图片中的道路用特定颜色进行标注，从而得到训练样本，并构建标注数据库；

利用对于训练样本，采用卷积神经网络的方法进行自主学习，并构建学习模型，并利用所述学习模型对于新输入的卫星影像图像进行道路提取；

对于提取出来的道路，遍历每条道路进行道路中心线提取，即提取每条道路取宽度的中值，将中值像素点坐标作为矢量化后道路线的节点坐标，串联所述节点坐标形成矢量道路线。

可选的，基于上述技术方案，将待训练图片中的道路用特定颜色进行标注，从而得到训练样本，包括：将待训练图片中的道路用特定颜色进行面状覆盖，其它则覆盖成半透明的颜色。

可选的，采用卷积神经网络的方法进行自主学习，并构建学习模型，包括：首先自下而上进行非监督学习，在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；然后再自上向下进行监督学习，基于第一步得到的各层参数进一步优化整个多层模型的参数。

可选的，基于上述技术方案，学习及提取道路步骤之后，对道路栅格矢量化步骤之前，还需要对提取出来的道路进行判断，包括：

对道路提取的结果进行判断，如果是正确，则进行道路栅格矢量化，否则返回标注数据库构建步骤，将该提取结果错误的原始卫星影像图片作为训练样本重新进行标注，以对提取模型进行训练。

本发明还公开了一种基于深度学习的卫星影像道路智能提取装置，该装置包括如下单元：

训练样本标注单元：用于选择部分卫星影像图片，将图片中的道路用特定颜色进行标注，从而得到训练样本，并构建标注数据库；