[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

说明书

本申请涉及一种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。所述方法包括：获取SAR道路图像样本，将SAR道路图像样本输入预先设置的语义分割模型，通过多层卷积神经网络对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，将编码器特征输入解码器中通过上采样后输入至并联通道，通过多次上采样输出道路提取预测结果；然后引入二阶点对全连接条件随机场，输出SAR图像道路。采用上述方法，可以提高道路提取的准确性和全面性。

技术领域

本申请涉及计算机技术领域，特别是涉及一种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。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式成像雷达，具备多种极化方式、成像条件不受天气条件影响的特点。单极化SAR提取算法依据道路光滑对雷达波产生镜面散射的性质，主要利用灰度特征来提取道路，目前方法按照传统图像处理方法可分为阈值分割和区域生长，随着计算机视觉领域深度学习的兴起和遥感数据的丰富，语义分割模型在SAR影像像素级分类任务如海陆分割、建筑区域获取等中取得了显著的性能提升，然而，考虑到实际处理尺寸和计算机性能，现有的大尺寸SAR图语义分割处理流程可总结为两种模式，模式一，首先对大场景图像进行分块，将分块切片逐一通过网络得到检测结果，最后通过非极大阈值算法拼接得到检测结果。模式二，首先对SAR图通过插值等下采样方法降低图像输入尺寸，然后通过网络得到输出结果，最后通过上采样恢复原始尺寸。

然而，模式一中，在图像切片上进行预测，避免了因降采样而导致的信息缺失，但是网络无法提取切片之外的语义信息，导致其特征感受野大大减少，由于SAR机场图像结构复杂且周边干扰严重，这种模式容易出现区域性的判别错误，导致分割效果不增反降，此外这种模式耗时长，应用价值不高。模式二中，由于对图像首先进行下采样，在网络前向传递过程中又为了提取高维特征而减少特征尺寸，这种方法所得特征图能够获得极大的感受野特征，但是图像细节损失严重。

发明内容

基于此，有必要针对上述技术问题，提供一种能够显著改善道路细节和提升边缘分割准确性的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。

一种基于语义分割和条件随机场的SAR图像道路提取方法，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，得到待预测的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。

在其中一个实施例中，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；还包括：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。

在其中一个实施例中，还包括：所述语义分割模型包括：空间金字塔编码器和解码器模块。