[发明专利]一种基于多尺度特征融合的遥感图像路网提取方法

权利要求书

1.一种基于多尺度特征融合的遥感图像路网提取方法，其特征在于，包括如下步骤：

步骤一：制作遥感道路数据集：

将高分辨率遥感图像道路数据集按照比例随机拆分为训练集和测试集，高分辨率遥感图像道路数据集通过卫星获取，包括原始遥感道路图像与对应的绘制人工标签的遥感道路图像；

对训练集的遥感图像进行随机旋转、平移等操作，得到数据增强后的遥感图像数据集；

步骤二：搭建遥感图像道路分割网络：

所述遥感图像路网提取方法中包括特征提取模块、上下文语义提取模块、多尺度融合模块、特征解码模块，搭建步骤包括：

步骤2.1：将道路图像输入特征提取模块，得到不同尺度的图像特征；所述特征提取模块通过采用Resnet34结构代替U-Net编码器阶段实现特征提取，实现模型从底层特征到高层语义的提取；特征提取对图像进行卷积核大小为7和步长为2的最大池化操作提取图像的低层特征，通过三个堆叠的残差块来实现对图像高层信息的提取，得到图像底层特征图和高层语义特征图；

步骤2.2：将高层语义特征图经过上下文语义提取模块得到融合上下文语义信息的特征图；

步骤2.3：将高层语义特征图、对应编码器传递的特征图、对应编码器上一阶段的底层特征图和上下文语义模块得到的上下文语义特征图一起作为多尺度融合模块的输入；特征提取模块提取的高层特征图、对应的编码器特征图和对应编码器上一阶段的底层特征图一起输入到网络的特征融合模块，得到的特征图与上下文语义提取模块生成的上下文语义特征图进行融合，得到的融合特征图为解码器补充对应的结构、语义信息；

步骤 2.4：结合多尺度融合模块补充的信息与解码器上一阶段生成的特征图，进行特征提取；

其中，特征提取模块、上下文语义提取模块、多尺度融合模块、解码器模块构成深度学习遥感道路分割网络；

步骤三：将训练集的遥感道路图像数据输入遥感图像道路分割网络，模型编码器参数载入ResNet-34预训练模型参数，训练遥感图像道路分割网络；

训练结束后，保存训练的模型参数；

步骤四：经过处理的实时的遥感道路数据输入到训练好的遥感图像语义分割网络中，输出遥感图像数据的精确分割结果。

2.根据权利要求1所述的基于多尺度特征融合的遥感图像路网提取方法，其特征在于：对训练集的遥感道路图像数据进行预处理的方式包括图像裁剪、图像翻转等对训练集的遥感图像和对应标签进行数据增强；

所述图像裁剪具体为：将数据集中的遥感图像裁剪为含有道路区域的1024像素x1024像素、分辨率为1米每分辨率的高分辨率图像；

所述数据增强包括：将遥感图像道路提取训练集中的图像进行图像旋转、图像垂直加水平翻转。

3.根据权利要求1所述的基于多尺度特征融合的遥感图像路网提取方法，其特征在于：特征提取模块的网络结构如下：

特征提取阶段对图像进行卷积核大小为7和步长为2的最大池化操作提取图像的低层特征，通过三个堆叠的残差块来实现对图像高层信息的提取，得到图像底层特征图和高层语义特征图；得到的图像底层特征图作为多尺度融合模块的输入，得到的高层语义特征图作为上下文语义提取模块的输入；

所述残差块由两个卷积核为3、步长为1的卷积组成实现特征提取，残差块输入输出之间设置短连接加速网络收敛。

4.根据权利要求1所述的基于多尺度特征融合的遥感图像路网提取方法，其特征在于：所述上下文语义提取模块通过不同扩张率的卷积对输入的高层语义特征图进行特征提取与整合；对特征图进行1x1的卷积实现通道降维，采用3个不同扩张率的空洞卷积实现不同尺度特征提取，支路1与支路2得到的特征图进行拼接卷积，对得到的融合特征图进行输出通道数为2的卷积，随后进行sigmoid函数得到不同分支特征图的融合比例，得到的比例乘以特征图进行相加得到的特征图为两条支路的融合特征图；融合特征图与分支三特征图通过以上操作得到整体融合特征图，得到的特征图与输入特征图进行自适应融合得到融合上下文语义的高层语义特征图。