[发明专利]高分辨率影像中道路特征的提取方法

说明书

一种高分辨率影像中道路特征的提取方法。其通过对生成器G、鉴别器D和生成对抗网络V(D,G)结构的优化、和参数的训练，获得能够准确识别道路特征的生成器G。训练过程中，本发明通过利用Wasserstein距离来评估生成样本P_g(x)与真实样本P_data(x)的差距能够有效避免现有利用的KL散度或JS散度评估时所出现的损失函数的梯度不收敛的问题。由此获得的生成器G，其识别得到的道路特征，其更接近实际情况，准确度更高。

技术领域

本发明涉及图像处理领域，尤其涉及一种高分辨率影像中道路特征的提取方 法。

背景技术

高分辨率遥感技术与航空摄影获取手段的持续高速发展，带动了高分 辨率影像的广泛应用。其获得的地面分辨率小于10m的遥感观测影像对于 城市交通规划、环境监测、等民用领域也大有可为。

至2018年，已有多颗高分卫星投入使用。高分辨率对地观测系统交 通运输行业数据中心也同步对外开放交通运输行业高分数据支持。可以预 见，“高分+交通”的组合将进一步提升对道路资源的精细化管理水平。

道路是GIS领域内最基础的地物信息之一，不仅是重要的国有资产，也是联 通区域经济和居民出行的关键纽带。及时有效的掌握道路现状及其变化情况显得 至关重要。道路现状及其变化情况显的获取需要将道路地理特征信息化，实现道 路资源的最优管理与利用。

由于在早期道路建设与修整工作中没有完整的数据上报流程，尤其是农村偏 远地区的低等级道路，缺乏信息化所需要的数据支持。为实现这部分道路资源的 管理，通过高分辨率影像提取道路特征的技术应运而生。也就是说，道路资源管 理方希望能够从现有反映道路地理信息的数据源中，根据道路特征提取出有效的 道路基础数据，形成可远程管理的信息资源。

基于高分辨率影像进行道路的自动化提取工作，由于其可以大幅节省人力物 力，一直是国内外学者的研究重点。国内外学者也对此需求提出了多种可行的方 案。近年来，深度学习研究的深入发展也为路网提取工作提供了新的思路与灵感， 这种在图像处理领域取得了极大突破的人工智能技术，为道路提取工作提供了新 的思路与灵感。由于深度学习技术基于大量样本训练，因而能够使得机器具备学 习能力，从对象中寻找共性特征并依靠训练后的模型做出决策判断。深度学习技 术的应用进一步地提升了识别检测的精准度和效率。

目前用于道路特征提取的主流数据源为各类型的卫星遥感影像，即通过从数 字图像中寻找符合特定条件的一类或多类特征，并从特征所在像素中还原出道路 的地理信息。1995年，在Vosselman和Knecht的研究中将常用道路特征归纳为 如下四类：

1)几何特征：道路特征在几何结构上的自然特征。其反映在图像中，为保 持一定宽度的细长条形线段，沿道路延伸方向变化过程缓慢，道路宽度在一定程 度上反映道路等级，高等级道路多平直整齐，低等级道路多蜿蜒崎岖；

2)光谱特征：道路特征在材质上的自然特征。其反映为，同一景遥感影像 中的道路内部颜色分布均匀，光谱特性接近，并与其两侧景物存在一定反差。高 分辨率下易观察到较为明显的光谱分界线；

3)拓扑特征：道路拓扑特征在结构上的关联特征，反映在图像中，为两条 道路可能存在“X”、“Y”或“T”型的交叉，且交叉处的夹角有一定的度数限制， 同时，各道路之间互相连接构成一整张路网；

4)上下文特征：图像中其他元素，其能够被用于辅助识别道路特征，是道 路特征的关联特征。如，区域上连续的植被或建筑物信息，全局上的村庄或城镇 信息。

基于遥感影像的道路提取研究起始于上世纪70年代。然而，由于早期计算 机运算水平和数字图像处理技术相对落后，硬件计算条件无法应对遥感影像图像 的大样本量提取任务。早期的遥感图像更多地采取人工方法进行提取。此后伴随 计算设备性能的提升和研究理论的深入发展，国内外众多学者提出了各类基于图 像特征提取的道路特征识别方法。