[发明专利]基于语义分割和条件随机场的SAR图像道路提取方法和装置

权利要求书

1.一种基于语义分割和条件随机场的SAR图像道路提取方法，其特征在于，所述方法包括：

获取SAR道路图像样本；

将所述SAR道路图像样本输入预先设置的语义分割模型；所述语义分割模型包括：空间金字塔编码器和解码器；所述空间金字塔编码器包括：多层卷积神经网络和空间金字塔模块；

通过所述多层卷积神经网络对所述SAR道路图像样本进行特征提取，将提取得到的浅层特征输入解码器的并联通道，将提取得到的深层特征输入空间金字塔模块进行处理，得到编码器特征；

将所述编码器特征输入解码器中通过上采样后输入至所述并联通道，通过多次上采样输出道路提取预测结果；

根据所述道路提取预测结果，通过交叉熵损失函数对所述语义分割模型进行训练，得到训练好的语义分割模型；

将待预测SAR道路图像输入训练好的语义分割模型，得到SAR道路预测概率图，以及对所述待预测SAR道路图像进行滤波处理，将所述SAR道路预测概率图和滤波后的待预测SAR道路图像输入二阶点对全连接条件随机场，输出SAR图像道路。

2.根据权利要求1所述的方法，其特征在于，所述空间金字塔模块包括：多个不同膨胀率的空洞卷积和一个全局池化模块；

将提取得到的深层特征输入空间金字塔模块进行处理，得到编码器特征，包括：

将提取得到的深层特征输入空间金字塔模块中多个不同膨胀率的空洞卷积和一个全局池化模块，并且通过1×1通道卷积通道得到编码器特征。

3.根据权利要求1所述的方法，其特征在于，所述多层卷积神经网络为ResNet101残差网络；

通过所述多层卷积神经网络对所述SAR道路图像样本进行特征提取，包括：

通过ResNet101残差网络对所述SAR道路图像样本进行特征提取，将ResNet101残差网络的第一层卷积块和第二层残差块输出的特征作为浅层特征。

4.根据权利要求3所述的方法，其特征在于，所述并联通道包括：第一并联通道和第二并联通道；

所述将提取得到的浅层特征输入解码器的并联通道，包括：

将所述第一层卷积块输出的浅层特征通过1×1卷积块后输入至第二并联通道；

将所述第二层残差块输出的浅层特征通过1×1卷积块后输入至第一并联通道。

5.根据权利要求4所述的方法，其特征在于，将所述编码器特征输入解码器中通过上采样后输入至所述并联通道，通过多次上采样输出道路提取预测结果，包括：

将所述编码器特征输入解码器中通过两次2倍上采样卷积模块后输入至所述第一并联通道；所述2倍上采样卷积模块包括：线性插值模块、3×3卷积模块、BatchNorm批归一化模块和Relu激活函数组成；

将所述第一并联通道的输出通过一次所述2倍上采样卷积模块后，输入至所述第二并联通道，将所述第二并联通道的输出通过一次所述2倍上采样卷积模块后，得到道路提取预测结果。

6.根据权利要求1至5任一项所述的方法，其特征在于，根据所述道路提取预测结果，通过交叉熵损失函数对所述语义分割模型进行训练，得到训练好的语义分割模型，包括：

获取交叉熵损失函数为：

其中，K表示单次训练SAR道路图像样本的数量，W表示图像宽度，H表示图像高度，k表示当前SAR道路图像样本，(i,j)表示像素点的坐标，p(x_k,i,j)表示第k个SAR道路图像样本在(i,j)处像素属于道路的概率真值，p(x_k,i,j)表示第k个SAR道路图像样本在(i,j)处像素属于道路的后验概率；

根据所述道路提取预测结果，通过交叉熵损失函数对所述语义分割模型进行训练，得到训练好的语义分割模型。