[发明专利]基于高分辨率遥感影像与深度学习方法的路网核查技术

权利要求书

1.基于高分辨率遥感影像与深度学习方法的路网核查技术，其特征在于，具体操作步骤如下：

步骤一：样本集制作：收集卫星影像，对获取的影像进行了预处理，预处理包括辐射纠正、几何纠正与多波段融合，融合后的影像共四波段。

所述模型训练在进行之前，需要人工对数据集进行切割和标记，具体步骤如下：

S1、将高分二号影像裁剪为512×512的影像切片，并选取覆盖各类地形地貌且包含道路元素的2万张切片作为训练样本集x；

S2、对于训练样本集x中的每张切片，在ArcGIS软件中绘制道路线矢量；

S3、根据线矢量生成对应切片的二值化栅格图像y；

步骤二：模型训练：所使用的深度学习模型为WassersteinGAN，即WGAN，WGAN模型中生成器G由通用的语义分割网络构成，鉴别器D由简单的残差网络构成，在判断数据来源于生成样本G(x,z)还是真实样本y后，输出数据为真实样本的概率p；具体步骤如下：

S1、设置目标函数：总体目标函数L_total(G,D)参考pix2pix模型所用的目标函数，如式(1)所示：

L_cGAN(G,D)+βL_L1(G) (1)

其中L_cGAN(G,D)是cGAN的目标函数，L_L1(G)是像素对的目标函数，β是权重系数，L_L1(G)如式(2)所示：

E_x,z,y[ω||G(x,z)-y||₁] (2)

L_cGAN(G,D)如式(4)所示：

E_x,y[logD(x,y)]+E_x,z[log(1-(D(x,G(x,z)))] (4)

利用Wasserstein距离来代替传统的JS散度，修改后的L_cGAN(G,D)如式(5)所示：

其中代表取样自真实样本分布y与生成样本分布G(x,z)构成的连线空间中，λ是惩罚系数，代表关于的梯度；

S2、目标函数优化：将训练样本集输入WGAN网络的生成器与鉴别器中，根据式(1)计算目标函数L_total(G,D)，如式(6)所示，对目标函数的值进行优化，分别更新生成器和鉴别器的网络参数，即先固定G，最大化D，更新D的参数，再固定D，最小化G，更新G的参数：

S3、迭代训练：重复训练过程，直至优化结果接近纳什均衡或生成器和鉴别器的损失函数梯度几乎不再变化，得到最优生成器G*；

步骤三：路网提取：将用于测试的高分二号影像裁剪为512×512的影像切片，输入步骤二得到的生成器G*中，提取出路网栅格二值化图像，并对其进行矢量化，最终输出路网矢量结果。

步骤四：路网核查：将步骤三中提取的路网结果与已有路网数据转换到统一的坐标系下，利用缓冲区分析方法对二者的空间匹配关系进行判定，即可实现初步的路网核查。

2.根据权利要求1所述的基于高分辨率遥感影像与深度学习方法的路网核查技术，其特征在于，所述步骤一样本集制作生成的二值化栅格图像中道路值为1，非道路值为0。

3.根据权利要求1所述的基于高分辨率遥感影像与深度学习方法的路网核查技术，其特征在于，所述步骤二模型训练中的真实样本的概率输出值若p0.5则输出1，否则输出0。

4.根据权利要求1所述的基于高分辨率遥感影像与深度学习方法的路网核查技术，其特征在于，所述步骤二模型训练中在传统的L_L1(G)中添加了空间惩罚项ω，如式(3)所示：

如果像素j是路，则ω设为1；如果像素j不是路，则ω设为α，α1。

5.根据权利要求1所述的基于高分辨率遥感影像与深度学习方法的路网核查技术，其特征在于，所述路网核查的三种类型为对已有路网线型错误与偏移的核查、对已有路网线型变更的核查和对新增路网线型的核查。