[发明专利]基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法

说明书

本发明公开了一种基于双注意力机制与语义约束角的高分辨率遥感图像的道路提取方法，包括以下步骤：S1，对Massachusetts数据集里面的遥感道路图像进行操作来进行数据集的数据扩增，对数据集里面的遥感道路图像的标签图像进行语义约束角计算的数据预处理操作；S2，使用卷积神经网络提取遥感道路图像的特征图，并在卷积神经网络中加入位置注意力机制和通道注意力机制来计算不同通道和位置的特征权重，让网络模型能够更好的获取不同位置和不同通道的语义信息；S3，设计主损失函数，辅助损失函数来优化网络参数；S4，用训练好的模型在测试样本集上进行测试，经过网络模型的特征提取和特征上采样来得到最终的分割图像。

技术领域

本发明属于数字图像处理与机器学习技术领域，具体涉及一种基于双注意力机制模块与语义约束的高分辨遥感图像的道路提取方法。

背景技术

道路作为交通的主要组成部分，在人类各项活动中发挥着不可替代的作用。在现代社会中，道路也是地图和地理信息系统中重要的标识对象。随着交通地理信息系统的建设，道路的自动提取技术随之出现并不断发展。及时而完备的道路交通信息系统，可在交通导航、城市规划、农林及飞行器自动驾驶等诸多领域发挥重要作用。道路作为一种重要的基础设施，在城镇建设、交通运输和军事应用等领域都扮演着重要的角色。随着高分辨率遥感数据的大量投入使用，如何快速、准确地从遥感图像中提取道路信息引起了众多国内外学者的关注。而遥感图像相较于普通图像来说，最大的特点就是超高的分辨率，这就导致遥感图像自身包含的图像语义信息是普通图像的好几千倍，甚至上万倍，其包含的语义信息比普通图像包含的信息多出了几个数量级，遥感图像的语义分为视觉层、对象层和概念层。视觉层即通常所理解的底层，即颜色、纹理和形状等等，这些特征都被称为底层特征语义；对象层即中间层，通常包含了属性特征等，就是某一对象在某一时刻的状态；概念层是高层，是图像表达出的最接近人类理解的东西。通俗点说，比如一张图上有沙子，蓝天，海水等，视觉层是一块块的区分，对象层是沙子、蓝天和海水这些，概念层就是海滩，这是这张图表现出的语义。对于遥感道路图像来说，语义信息是不可或缺的，因为在一张遥感道路图像中所有的道路都存在的一些很具有的特色的共通性。如形状，纹理等，但是一般的网络结构模型都不会着重的去在意这方面的语义信息，所有如何进行有效的融合上下文语义信息是非常重要且关键的步骤。对于遥感道路图像来说，语义信息是不可或缺的，因为在一张遥感道路图像中所有的道路都存在的一些很具有的特色的共通性。如形状，纹理等，但是一般的网络结构模型在图像分割过程中都不会着重的去在意这方面的语义信息，所有如何进行有效的融合上下文语义信息是非常重要且关键的步骤，对于遥感图像来说，如何好好运用这些普通图像不具有的语义信息是一个目标道路提取方法的切入点。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于双注意力机制与语义约束角的高分辨率遥感图像的道路提取方法，该模型在常规的编码-解码网络模型中加入了双注意力机制，利用双注意力机制可以有效结合各个位置和各个通道之间的语义信息，解决了遥感图像语义分割过程中的对于上下文语义信息没有进行有效融合的问题，并且在最后的分割任务中，通过计算语义约束角的Loss，使得分割结果能够根据辅助损失函数进一步规范了道路关键点的语义信息，提升了最后的道路提取结果，提高了遥感图像道路提取的精度。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于双注意力机制与语义约束角的高分辨率遥感图像的道路提取方法，包括以下步骤：

S1，对Massachusetts数据集里面的遥感道路图像进行包括平移，旋转和水平翻转，HSV变换等操作来进行数据集的数据扩增，对数据集里面的遥感道路图像的标签图像进行语义约束角计算的数据预处理操作；

S2，使用卷积神经网络提取遥感道路图像的特征图，并在卷积神经网络中加入位置注意力机制和通道注意力机制来计算不同通道和位置的特征权重，让网络模型能够更好的获取不同位置和不同通道的语义信息；