[发明专利]结合密集注意力和并行上采样的遥感图像道路分割方法

说明书

针对高分辨率遥感图像中道路分割算法精度低的问题，本发明提出一种结合密集注意力和并行上采样的遥感图像道路分割方法。本方法包括如下步骤：步骤1、设计密集空洞空间金字塔注意力模块（Dense Atrous Spatial Pyramid Attention，DASPA）；步骤2、设计多路并行上采样结构（Multi‑channel Parallel Upsampling，MPUpsample）；步骤3、搭建遥感图像道路分割网络，其中密集空洞空间金字塔注意力结构作用于编码器和解码器的中心部分，多路并行上采样模块作用于解码器部分；步骤4、在公开的遥感图像道路信息提取数据集上对提出的网络模型进行训练和测试；步骤5、将本发明方法的分割结果与目前先进的遥感图像道路分割方法进行比较分析。本发明方法在DeepGlobe公开数据集上能显著提高遥感图像道路分割性能，在遥感图像领域具有极大的应用价值。

技术领域

本发明属于计算机视觉的图像处理领域，特别涉及一种结合密集注意力和并行上采样的遥感图像道路分割方法。

背景技术

道路作为遥感图像中典型的地理标志，在地图绘制、环境监测、军事应用等领域具有重要的应用价值。由于遥感技术的快速发展，遥感图像的分辨率不断提高，噪声对图像的干扰也随之增加，如何从遥感图像中自动提取出高精度的道路信息已成为近年来研究的热点与难点。目前基于卷积神经网络（Convolutional Neural Network，CNN）的遥感图像分割方法表现尤为突出，相较于传统的半自动提取方法，该方法能有效抑制道路信息提取过程中产生的噪声以及减少道路细节信息的丢失，使得提取效果大幅提升。然而，自动提取遥感图像道路信息主要存在以下难点：（1）输入图像分辨率高，数据量大，需要足够大的感受野；（2）遥感图像中的道路细长且复杂，占整幅图像比重较少；（3）由于地理限制，部分道路被阴影、云、建筑物或树木等物体覆盖，图像色彩对比度低，感兴趣区域的提取难度较大；（4）道路具有自然连通性，即具有图像的拓扑特点。

近年来，针对如何从高分辨率遥感图像中自动提取道路信息的问题，国内外已经提出了多种方法。比较常见的传统遥感图像道路信息提取方法有基于像素、基于对象、基于知识以及基于机器学习的方法。虽然这些方法在分割性能上取得了长足的进步，但仍无法解决道路由于遮挡出现的信息丢失问题。同时，由于背景噪声信息的存在，提取过程中会产生大量难以处理的细碎边界特征。

发明内容

针对高分辨率遥感图像中道路分割算法精度低的问题，本发明提出了结合密集注意力和并行上采样的遥感图像道路信息提取方法。在编码器-解码器的中间部分设计了密集空洞空间金字塔注意力结构，将通道注意力分支和空间注意力分支进行自适应融合有利于提取丰富的全局上下文信息，筛选出有用的目标特征，抑制无关特征的干扰。在解码器部分设计了多路并行上采样模块，通过融合多路特征图以获得具有精细位置信息的预测结果，提升模型的细节特征保持能力。实验结果表明，该模型在DeepGlobe数据集上获得了显著的分割性能的提升，可广泛应用于遥感图像领域内的各种任务。

本发明的技术解决方案包括如下步骤。

步骤1、设计密集空洞空间金字塔注意力模块（Dense Atrous Spatial PyramidAttention，DASPA）。

步骤2、设计多路并行上采样结构（Multi-channel Parallel Upsampling，MPUpsample）。

步骤3、搭建遥感图像道路分割网络，其中密集空洞空间金字塔注意力结构作用于编码器和解码器的中心部分，多路并行上采样模块作用于解码器部分。

步骤4、在公开的遥感图像道路信息提取数据集上对提出的网络模型进行训练和测试。

步骤5、将本发明方法的分割结果与目前先进的遥感图像道路分割方法进行比较分析。