[发明专利]一种识别光学遥感图像道路的Y型神经网络系统及方法

说明书

本发明涉及一种识别光学遥感图像道路的Y型神经网络系统及方法，其Y型神经网络系统包括左臂子网络Y1、右臂子网络Y2和融合子网络Y3；左臂子网络Y1用于对遥感图像中的环境背景细节进行抑制并识别出遥感图像中的宽道路；右臂子网络Y2用于对遥感图像中的深层细节信息进行分析并识别出遥感图像中的窄道路和精细道路边缘；融合子网络Y3用于将左臂子网络Y1识别出的遥感图像中的宽道路以及右臂子网络Y2识别出的遥感图像中的窄道路和精细道路边缘进行无损深度融合，得出遥感图像中的道路识别结果。本发明提出的Y型神经网络可以同时改善光学遥感图像中宽道路和窄道路的识别精度，并对图像环境背景有较强的抑制能力，具有较低的误检和漏检风险。

技术领域

本发明涉及光学遥感图像识别的技术领域，尤其涉及一种识别光学遥感图像道路的Y型神经网络系统及方法。

背景技术

随着遥感技术的发展和成熟，其被广泛应用于各个领域，如城市规划和灾害监测等领域。目前随着光学遥感相机的更新换代，光学遥感图像空间分辨率越来越高，出现了高清遥感图像，并已经进入商用化阶段。与常规遥感图像相比，高清遥感图像可以获得更高的空间分辨率，使得大量原来无法检测到的细节也得以呈现出来，但是高分辨率引入了大量的环境细节，给遥感图像分析技术带来了新的挑战。特别是在道路识别领域，由于道路存在宽道路和窄道路等不同的情况，高清遥感图像中的大量植被、建筑等环境背景给道路识别带来很大的挑战。目前已经有一些深度学习方法应用于遥感图像的道路识别中，常见的深度学习方法有卷积神经网络，其包含fully convolutional network(FCN)、U-Net等网络。针对高清光学遥感图像，U-Net已经采取一些技巧对丰富的环境细节进行了抑制，U-Net通常融合浅层网络的细节信息和深层网络的语义信息，细节信息可以一定程度上识别到窄道路，而语义信息对图像背景细节有一定的抑制能力，U-Net将两者进行结合，取得一个在背景细节抑制和窄道路识别的一个折中，但是在真实高清遥感图像应用中，其仍然存在窄道路漏检和环境背景误检的情况。因此，为了实现高清光学遥感图像中道路的精细识别，现有卷积神经网络仍有待改进。

发明内容

本发明所要解决的技术问题是提供一种识别光学遥感图像道路的Y型神经网络系统及方法，可以解决高清光学遥感图像中常规道路识别方法难以同时实现高精度宽道路和窄道路的识别以及对环境背景的抑制的问题。

本发明解决上述技术问题的技术方案如下：一种识别光学遥感图像道路的Y型神经网络系统，包括左臂子网络Y1、右臂子网络Y2和融合子网络Y3，所述左臂子网络Y1的输出端和所述右臂子网络Y2的输出端均与所述融合子网络Y3的输入端连接，并组成Y字型结构；

所述左臂子网络Y1，其用于对遥感图像中的环境背景细节进行抑制，并识别出遥感图像中的宽道路；

所述右臂子网络Y2，其用于对遥感图像中的深层细节信息进行分析，并识别出遥感图像中的窄道路和精细道路边缘；

所述融合子网络Y3，其用于将所述左臂子网络Y1识别出的遥感图像中的宽道路以及所述右臂子网络Y2识别出的遥感图像中的窄道路和精细道路边缘进行无损深度融合，得出遥感图像中的道路识别结果。

本发明的有益效果是：本发明提出的Y型神经网络可以同时改善光学遥感图像中宽道路和窄道路的识别精度，并对图像环境背景有较强的抑制能力，具有较低的误检和漏检风险。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述左臂子网络Y1包括至少1个卷积层、至少1个下采样层和至少1个上采样层。

进一步，所述左臂子网络Y1中的卷积层用于提取光学遥感图像的图像特征；所述左臂子网络Y1中的下采样层用于采用最大化池化操作对光学遥感图像的图像特征进行降维处理；所述左臂子网络Y1中的上采样层用于对光学遥感图像的图像特征进行升维处理，并输出光学遥感图像中的宽道路识别结果。