[发明专利]一种基于D-LinkNet的遥感图像道路提取方法

说明书

本发明提供一种基于D‑LinkNet的遥感图像道路提取方法，包括如下步骤：S1：将特征图输入D‑LinkNet网络后，在基于残差网络与迁移学习的编码器子网络中完成处理；S2：将步骤S1输出的特征图输入到基于扩张卷积与卷积块注意力模块的特征提取子网络中进行特征提取；S3：经过前两个子网络的处理后得到的特征图进入基于转置卷积的解码器子网络中实现图像的恢复。本发明能够对遥感图像中的道路特征下采样，很好地避免了网络的退化问题，同时加强道路特征的提取；能够使用扩张卷积扩增感受野，在不增加下采样的同时，感知更大范围内的道路特征，并进行特征提取，能够很好地应对遥感图像中道路部分占幅比例过小的问题。

技术领域

本发明涉及一种遥感图像道路提取方法，尤其涉及一种基于D-LinkNet的遥感图像道路提取方法，属于遥感图像处理领域。

背景技术

遥感(Remote Sensing,RS)是指通过遥感器或是传感器对地球资源等目标进行非接触、远距离实时采集，然后提取、分析、加工处理相关的数据信息。近几十年来，国内外许多学者对遥感图像中复杂的道路信息进行了广泛、深刻的研究，相继提出了多种多样的道路提取算法。目前，根据相对成熟且常用的三大策略，国内外遥感图像道路提取的方法可以分成三类，即基于边缘特征、基于对象和基于深度学习的三大道路提取方法。

Wang等人将道路的几何等特征作为显著特征，提出了一种基于显著特征和GVFS(Gradient Vector Flow Snake)的高分辨率遥感图像提取方法，通过梯度矢量流模型进行迭代求解，最终得到道路信息。这种结合了显著特征和GVFS的道路提取方法不仅实现了向道路实际边界逼近的目的，同时也缩短了算法搜索边界的时间，道路的提取精度也得到明显的提升。但是，这种方法的道路提取精度在很大程度上依赖于所获取的显著图，对于复杂的遥感图像，其算法十分容易被干扰。

曹云刚等提出了一种新的非道路区域去除算法和张量投票算法，首先融合像素级特征与多尺度对象级特征，对道路网进行初提取，然后运用这种新的非道路区域去除算法去除非道路的部分，最终使用张量投票算法完成道路中心线精提取。这种方法可以改善大多数基于对象的道路提取方法所存在的粘连现象，另外，这种方法在道路提取方面具有较高的准确性。然而，在提取道路中心线的时候，这种方法的训练样本需要地表的大量真实数据。

张永宏等为了提高道路的提取精度，提出了一种基于卷积神经网络的高分辨遥感道路提取方法，先根据光谱、地形特征以及CNN筛选出包含道路的图像，然后使用该方法中的改进式网络模型，即PPMU-Net，提取抽象的道路特征。这种方法更好地关注了道路的边缘细节，对小目标道路的提取十分准确，整体上具有较高的道路提取精度。然而，该模型在受到复杂地形影响的时候，提取的道路仍然不够充分，对于道路的宽度变化也不能灵敏地应对。

基于边缘特征的道路提取方法能够有效提取简单的道路信息，但其抗干扰能力不强；当图像中与道路相似的信息较少的时候，基于对象的道路提取方法的提取效果不错，但是在其他地物因素与道路过于相似、空间紧密相邻的时候，这类方法大都存在粘连现象，对于少数改善了这种问题的方法，其提取过程的设计过于复杂或提取尺度难以把握，使得道路提取存在瓶颈；基于深度学习的道路提取方法具有极强的学习能力，可以很好地解决道路类型多变、背景复杂多样、道路与非道路特征相似的问题，但是这类方法依然存在道路提取不够充分、容易丢失空间信息或对于变化大的场景普遍性不够等问题。

发明内容

本发明的目的是为了完成对遥感图像中道路的自动提取和分割而提供一种基于D-LinkNet的遥感图像道路提取方法。

本发明的目的是这样实现的：

一种基于D-LinkNet的遥感图像道路提取方法，包括如下步骤：

S1：将特征图输入D-LinkNet网络后，在基于残差网络与迁移学习的编码器子网络中完成处理；

S2：将步骤S1输出的特征图输入到基于扩张卷积与卷积块注意力模块的特征提取子网络中进行特征提取；