[发明专利]基于拓扑感知的遥感影像的路网提取方法及装置

说明书

本发明公开了一种基于拓扑感知的遥感影像的路网提取方法及装置，其中，方法包括：根据联合滤波提取的道路中心线获取样本；通过深度神经网络对道路的光谱特征进行学习，并根据学习到的模型获得基于光谱特征的初始道路概率图，且通过骨架提取算法从道路概率分布中提取出初始的道路中心线图；在出现错误现象时，再次通过深度神经网络对道路的拓扑结构进行学习，基于新模型和由初始的道路中心线图学习得到基于拓扑特征的道路概率图，并结合基于光谱特征的初始道路概率图，以得到最终的栅格化的道路中心线图。该方法采用细化算法获得最终栅格化的道路中心线图，从而有效检测出阴影、遮挡等引起的道路异常，有效提高提取的效率和准确性，简单易实现。

技术领域

本发明涉及遥感应用技术领域，特别涉及一种基于拓扑感知的遥感影像的路网提取方法及装置。

背景技术

遥感技术具有高效性、实时性以及信息多元化等特点,其作为一种先进的对地观测方法在城市交通领域中发挥了重要的作用。

在基于遥感技术的道路提取中，相关技术的基于特征的道路提取算法主要依赖于道路的光谱行为和强度对比，因此提取的关键取决于是否确定合适的特征来描述潜在的道路区域。

然而这类方法存在两个问题：来源于不同卫星的道路遥感影像图的光谱表现不同；由于遮挡或阴影等引起的异常道路难以检测。近年来，深度学习的发展为道路提取提供了新的解决方案，各种各样的网络结构被应用于道路提取，例如多层神经网络，高阶CRF(conditional random field algorithm，条件随机场算法) 模型。但是这类基于学习的方法同样存在两个问题：大量的样本标记是一个耗时耗力的过程；另外针对阴影、遮挡等引起的道路异常同样难以检测。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于拓扑感知的遥感影像的路网提取方法，该方法可以有效检测出阴影、遮挡等引起的道路异常，有效提高提取的效率和准确性，简单易实现。

本发明的另一个目的在于提出一种基于拓扑感知的遥感影像的路网提取装置。

为达到上述目的，本发明一方面实施例提出了一种基于拓扑感知的遥感影像的路网提取方法，包括以下步骤：步骤S1：根据联合滤波提取的道路中心线获取样本，其中，从非道路区域随机选取负样本，并且通过置信度评估选取正样本；步骤S2：通过深度神经网络对道路的光谱特征进行学习，其中，神经网络包含三个卷积层和一个全连接层，对原始遥感道路影像图进行超像素分割，并根据学习到的模型获得基于光谱特征的初始道路概率图，且通过骨架提取算法从所述道路概率分布中提取出初始的道路中心线图；步骤S3：在出现错误现象时，再次通过所述深度神经网络对道路的拓扑结构进行学习，基于新模型和由所述初始的道路中心线图学习得到基于拓扑特征的道路概率图，并结合所述基于光谱特征的初始道路概率图，以得到最终的栅格化的道路中心线图。

本发明实施例的基于拓扑感知的遥感影像的路网提取方法，通过置信度评估算法来对样本进行自动选取，且采用深度神经网络对道路的光谱特征进行学习，并再次使用深度神经网络来对道路的拓扑结构进行学习，采用细化算法获得最终的栅格化的道路中心线图，从而有效检测出阴影、遮挡等引起的道路异常，有效提高提取的效率和准确性，简单易实现。

另外，根据本发明上述实施例的基于拓扑感知的遥感影像的路网提取方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，长直的道路区域置信度高于分叉的道路区域置信度，其中，所述步骤S1进一步包括：拟合直线l_T:y＝ax+b，以使区域内所有道路像素点到所述直线的距离和最小，其中，目标损失函数为：

其中，(x_i,y_i)是道路像素点的位置，a,b是待求的参数，n表示该领域内道路像素点的总个数。