[发明专利]一种基于上下文信息和注意力机制的遥感图像道路分割方法

说明书

本发明一种基于上下文信息和注意力机制的遥感图像道路分割方法，属于遥感图像道路分割方法技术领域；所要解决的技术问题为：提供一种基于上下文信息和注意力机制的遥感图像道路分割方法的改进；解决上述技术问题采用的技术方案为：将遥感图像数据集按照一定的比例划分为训练集和测试集；搭建遥感图像道路分割网络：所述遥感图像道路分割网络中包括上下文信息提取模块和注意力模块；将经过预处理的训练集数据输入至遥感图像道路分割网络中，对遥感图像道路分割网络进行训练；将测试集数据输入到已经训练好的遥感图像道路分割网络中，输出图像道路数据的精确分割结果；本发明应用于图像道路分割。

技术领域

本发明一种基于上下文信息和注意力机制的遥感图像道路分割方法，属于遥感图像道路分割方法技术领域。

背景技术

近些年来随着世界遥感卫星发射数量与技术的不断增加与提高，遥感卫星图像的分辨率也有了很大的提高，因此高分辨率遥感图像已成为数字图像处理重要的数据来源。同时，高分辨率卫星遥感图像可以提供丰富的地物特征信息，同时更新速度快，精度高。遥感图像道路提取在城市规划，交通管理，车辆导航，地图更新等领域中发挥了重要作用，已经成为近年来的研究热点。

然而，由于遥感图像受光照，噪声，遮挡，阴影等因素的影响，导致道路特征之间存在差异，同时遥感图像背景中存在大量相似的非道路目标，对遥感图像道路提取造成干扰，因此如何从高分辨率的遥感图像中实现精确的道路提取仍是研究领域的一项挑战。

传统算法需要人为设计提取的特征，选择光谱、纹理、几何等特征来实现道路特征的提取，使得模型的表达能力有限。同时无法对高分辨率图像中的丰富信息进行充分利用。随着技术发展，深度学习方法在计算机视觉和图像处理领域展现出良好的性能。在图像分割领域，已有多种模型实现了较好的分割效果。已有部分学者将深度学习的方法应用到遥感图像道路提取中来。这些方法没有考虑到道路整体所具有的几何拓扑结构，缺乏对上下文信息的充分利用；同时在下采样过程中的图像分辨率不断下降，空间信息丢失，使得道路的边缘分割结果不清晰。

因此，需要提出一种能够有效利用上下文信息和恢复丢失位置信息的语义分割方法，对图像进行逐像素的分类，增强图像分割准确度，提高道路边缘分割结果。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于上下文信息和注意力机制的遥感图像道路分割方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种基于上下文信息和注意力机制的遥感图像道路分割方法，包括如下步骤：

步骤一：将遥感图像数据集按照一定的比例划分为训练集和测试集，所述遥感图像数据集通过遥感卫星获取，所述遥感图像数据集包括原始图像和经过人工标记的标签数据图像；对训练集的遥感图像数据进行预处理，得到经过数据增强后的遥感图像；

步骤二：搭建遥感图像道路分割网络：所述遥感图像道路分割网络中包括上下文信息提取模块和注意力模块，搭建步骤包括：

步骤2.1：以U-Net网络模型作为基础网络，将U-Net网络模型中的编码器模块替换为在ImageNet数据集上经过预训练的Resnet-34网络作为编码器；

步骤2.2：在步骤2.1的基础上在U-Net网络模型上添加用于提高对图像上下文信息利用的上下文信息提取模块；

步骤2.3：将经过步骤2.1中预先训练的作为编码器的Resnet-34网络提取的图像特征经过与编码器对应的解码器模块部分，再通过注意力模块优化网络的跳跃连接部分，实现对遥感图像数据中的道路特征的最终分割；

步骤三：将步骤一中经过预处理的训练集数据输入至步骤二中的遥感图像道路分割网络中，对遥感图像道路分割网络的超参数进行初始化，对遥感图像道路分割网络进行训练；训练完成后，将训练好的遥感图像道路分割网络模型参数进行保存；