[发明专利]一种基于自适应阈值的遥感影像道路提取方法

说明书

本发明涉及一种基于自适应阈值的遥感影像道路提取方法，解决遥感影像分割出的道路结构无法描述完整并且空间信息丢失过多的问题。本发明提出一种新的语义分割网络SAT U‑Net(Self‑Adaptive Threshold U‑Net,SAT U‑Net)用于遥感影像的道路提取。在本发明的网络结构中，采用自适应阈值方法确定每张预测分割结果中的道路阈值，根据道路阈值改进sigmoid层来自适应地完善预测分割结果。本发明结合U‑Net网络的优点来保留完整的道路空间特性，从而使最终结果呈现出完整清晰的道路分割图并提高分割精度，高效自动地提取出准确完整的道路信息，为人类提供更加精确可靠的数据支撑。

技术领域

本发明涉及图像语义分割领域，涉及一种基于自适应阈值的遥感影像道路提 取方法。

背景技术

遥感影像技术，是指在高空和外层空间中，运用各种传感器，在不直接接触 被测物的条件下，获取反映地表特征的数据，借助卫星传输，运用数学变换和处 理，提取特征信息，为人类决策、规划提供依据的一门综合性的新兴技术。如今， 遥感成像技术的发展迅速，大量卫星应用带来了海量的图像数据信息，在人们关 注的诸多信息中，道路信息是最基础和最重要的地理信息之一。道路作为一种典 型的人造地物，是构成现代交通体系的主要部分。而无论是在城市还是乡村中， 作为主要的土地覆盖参照物，提取出道路信息，就可以获取整个地表区域的概貌 特征，其具有重要的地理、政治、经济、军事意义。正因如此，遥感影像道路提 取成为许多现代热门应用的必要步骤，如在城市规划、车辆导航、智能交通、土 地利用检测、军事打击等领域均发挥着至关重要的作用。

然而，在实际成像中存在各种类型的干扰：1)合成孔径雷达图像中的固有 乘性噪声导致道路边缘和与周围环境的对比度模糊；2)高层建筑和树木将在道路 上形成阴影，从而破坏道路线或区域特征的连续性，导致一些道路单边或甚至没 有边缘；3)由道路两侧的绿化带形成的灰度纹状干扰会影像道路区域的识别，使 人眼难以分辨；4)道路周围的建筑物，使一些原本连续道路的双边缘被认为是 单边缘，不同区域的宽度在同一条道路上变化很大。此外，不同的道路背景将导 致从遥感图像中提取道路的复杂程度不同。例如，在城镇中，由于建筑物的平行 边缘类似于道路的两侧，很容易错识别成道路；在山区，由于地形的复杂性，道 路的形状没有明显的几何特征。鉴于存在上述干扰，多样化的道路类型和复杂的 环境背景，繁琐的人工解译方法无疑会消耗大量的人力物力。并且不能始终保证 道路信息的高精确度提取。因此，实现高效自动的道路提取已成为一个热门的研 究课题。

深度学习的理论基础是人工神经网络，它保留了神经网络的精髓，利用多层 网络学习抽象概念并加入自我学习、进行自我反馈、理解和总结，最后可以做出 决策和判断。深度学习最突出的特点之一是从大量数据中自动学习特征的能力， 不需要人工选取特征。该特点与从数量庞大的遥感数据中提取道路遥感信息工作 高度契合，可以解决道路提取过程中的低效率、高成本的问题。由于从卫星遥感 影像中提取道路的任务被制定为二元分类问题：标记每个像素的道路或非道路。 因此道路提取任务通常被作为二元语义分割任务处理，以生成道路的像素级标签， 实现高效自动的遥感图像道路分割方法。卷积神经网络(Convolutional Neural Network,CNN)作为目前最成熟、应用最广泛的深度学习框架，是一种受人类大 脑神经元结合功能启发而建立的具有卷积核的深层人工神经网络并已经成功应 用于图像分类、目标检测、语义分割等领域。其中，全卷积网络(Fully ConvolutionalNetworks,FCN)是对卷积神经网络的改进，它将卷积神经网络中的全连接层替 换为卷积层，并添加用于实现上采样操作的反卷积层。然而FCN的中心特征图 分辨率过低，每个元素对应的感受野过大，导致原始图像中的许多道路信息丢失， 所以得到的分割图比较粗糙。