[发明专利]基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备

说明书

本发明提供基于深度学习的遥感影像道路提取方法，包括步骤样本制作、模型训练、精度评定、道路预测、道路面矢量化。本发明还涉及基于深度学习的遥感影像道路提取系统、存储介质、电子设备；本发明通过改进的DenseNet网络模型对道路进行提取，利用道路拓扑特征进行推测，连接中断道路，进而实现道路提取结果更为精细连贯，本发明在道路提取上具有更高的效率，节约大量的成本，并保证提取道路结果的可靠性，便于遥感影像处理推广应用。

技术领域

本发明属于遥感图像处理技术领域，是一种基于深度学习的道路拓扑特征推测的高空间分辨率遥感影像道路快速提取的方法，主要应用于亚米级遥感影像的道路自动提取，可有效提高人工提取道路的效率。

背景技术

道路是地图绘制、路径分析和应急处理的重要基础地理数据。作为基础数据，道路对城市建设、GIS系统更新、数字化城市以及军事侦察等方面影响较大，因此快速提取道路信息和进行道路变化检测在城市发展规划、电子信息化、国防等方面有着重要的应用。在遥感图像中道路面矢量信息的提取是个复杂的过程，目前通过计算机自动提取的道路面宽窄不一，道路也无法串联成网，需要人工通过绘图工具进行辅助提取。网络上公开的导航数据集以及OpenStreetMap等电子地图提供的道路信息基本为线矢量数据，且该矢量数据与高分2号影像对应道路信息存在一定偏移，通过配准也无法准确得到道路矢量信息，仅可在道路生产时供生产人员进行辅助参考，无法直接加以利用。所以目前道路矢量面信息提取仍旧以半自动工具为主，生产效率偏低。

近年来，随着计算机性能的极大提升以及深度学习的快速发展，卷积神经网络应用的领域不断扩大，利用卷积神经网络进行地物的自动化提取方法逐渐成熟，并在遥感领域取得了较大成效。由于传感器精度的提高，能够利用的遥感影像分辨率也越来越高，卷积神经网络提取的特征也越来越丰富。

目前基于遥感影像道路提取的技术方法仅能提取城市主干道或者比较宽的大路，通用性较差，相比于城市道路相对较窄的一些乡镇道路及农村小路，提取效果一般，通常无法保持连续，因此如何快速准确地提取宽度不一的道路是遥感信息处理的关键步骤。道路是土地利用调查中的重要类别也是土地规划中的主要对象，目前采用深度学习进行道路提取方法得到的道路矢量与影像所表现的实际道路网差距较大，提取道路宽窄不一，且由于阴影、建筑、行道树等地物干扰，提取道路断断续续，无法串联成网，难以应用到土地利用调查中。目前急需一种新型的遥感影像道路提取方法。

发明内容

为了克服现有技术的不足，本发明提出的一种基于深度学习的道路拓扑特征推测的遥感影像建筑物提取方法主要是在目前国产高分2号亚米级遥感影像的基础上，利用卷积神经网络并结合机器学习算法自动化提取遥感影像上包括城市道路、乡镇道路及农村机耕路在内宽度大于2米的所有道路，不但能够在遥感影像上快速检测出多种宽度的道路，还能够保证提取道路面的连贯性，同时相比传统方法生产效率得到较大提升，并且具有一定的鲁棒性和复用性。

本发明提供基于深度学习的遥感影像道路提取方法，包括以下步骤：

S1、样本制作，采集遥感影像，对遥感影像进行分割裁剪得到包含分类对象的面矢量框文件，并绘制所述面矢量文件中的道路标签，将标签为道路的所述面矢量样本的矢量数据转换成栅格数据，得到栅格化的道路面样本；

S2、模型训练，调整改进的DenseNet网络模型参数，对所述道路面样本进行基于改进的DenseNet的模型训练，得到道路训练模型；

S3、精度评定，将待测试的遥感影像数据输入所述道路训练模型，并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步，若MIoU值或MPA存在不达标情况则调整DenseNet网络模型参数返回S1并修改样本重新迭代训练；

S4、道路预测，利用经步骤S3中评定达标的道路训练模型对遥感影像目标区域进行道路预测，得到遥感影像中栅格化的道路面数据；