[发明专利]高分辨率影像中道路特征的提取方法

权利要求书

1.一种高分辨率影像中道路特征的提取方法，其特征在于，步骤包括：

第一步，获取遥感图像，将其按照固定尺寸进行切片处理，获得遥感图像切片x；

第二步，将所述遥感图像切片输入至训练好的生成器G中进行前向传播运算，获得其中的道路特征，输出该道路特征；

其中，第二步中，所述生成器G根据以下步骤训练获得：

步骤s1，对样本图像按照固定尺寸进行切片处理，获得图像切片样本z，并对所述各图像切片样本z中的道路元素进行标记；

步骤s2，构建生成器G和鉴别器D，初始化生成对抗网络V(D,G)；其中，所述生成器G为一个残差网络，所述鉴别器D为卷积网络，构建生成器G的损失函数为构建鉴别器D的损失函数为-((1-t)log(1-(D(G(z)))+ylogD(x))；其中，t＝1代表输入为遥感图像切片，t＝0代表输入为图像切片样本； 代表取整后的卷积网络输出结果；G(z)表示根据原始影像特征生成的道路元素分布样本，D(G(z))表示将根据原始影像特征生成的道路元素分布样本输入鉴别器所得结果，D(x)表示将真实道路元素分布样本输入鉴别器所得结果；

步骤s3，制定优化目标为

其中，为优化函数,P_data(x)表示全部遥感图像切片x的分布为真实样本，P_z(z)表示图像切片样本z的先验分布，E代表对训练过程中整体数据分布求损失函数，则

其中，P_g(x)为生成器G获得的生成样本的分布；

步骤s4，利用Wasserstein距离来评估生成样本P_g(x)与真实样本P_data(x)的差距；其中，Wasserstein距离W(P_data(x)′，P_g(x))为其中，P_data(x)′表示P_g(x)与P_data(x)组合起来的所有可能的联合分布集合，单次采样(x，G(z))～γ获得一个真实样本x和生成样本G(z)，||x-G(z)||为所述真实样本x和生成样本G(z)之间的距离，E_{(x，G(z))～γ}[||x-G(z)||]为所述真实样本x和生成样本G(z)之间的距离的期望值；

步骤s5，将已标记好的图像切片样本输入生成器G，根据计算生成器的损失，根据计算鉴别器的损失；

步骤s6，对步骤s5中生成器G进行前向传播运算得到的损失进行BP反向传播运算；分别交替训练生成器和鉴别器，优化网络参数；

步骤s7，重复所述步骤s5至步骤s6，训练生成器和鉴别器，优化其网络参数，直至所述生成器G和所述鉴别器D达到纳什均衡，或直至所述生成器G和所述鉴别器D的损失不变，输出此时的生成器G作为训练好的生成器G。

2.如权利要求1所述的高分辨率影像中道路特征的提取方法，其特征在于，所述步骤s7中，鉴别器D达到纳什均衡为D(G(z))≈0.5。

3.如权利要求1所述的高分辨率影像中道路特征的提取方法，其特征在于，所述第二步中，先分别以不同的参数和结构构建生成器G、鉴别器D和生成对抗网络V(D，G)进行步骤s2至步骤s7的训练，得到不同的生成器G；然后从所述不同的生成器G中选择具有优势的一组生成器，根据该组生成器的参数与结构设置不同的权重，对该组生成器按照各自的权重进行融合重组，以融合后形成的最终生成器G’作为训练好的生成器G，以该最终生成器G’进行前向传播运算获得道路特征。

4.如权利要求3所述的高分辨率影像中道路特征的提取方法，其特征在于，所述鉴别器D的形式为

5.如权利要求3所述的高分辨率影像中道路特征的提取方法，其特征在于，步骤s1 中，对所述图像切片样本z中的道路元素进行的标记具体包括：道路元素的序号、道路元素的宽度、道路元素的材质、道路元素所属环境。

6.如权利要求3所述的高分辨率影像中道路特征的提取方法，其特征在于，步骤s1中，所述图像切片样本z中正样本和负样本的比例接近。