[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

说明书

本发明提供了一种基于多尺度特征融合的遥感图像路网提取方法，通过获取高分辨率遥感图像道路数据集并分为训练集核测试集；搭建基于多尺度特征图融合的遥感道路分割网络；所述遥感图像道路语义分割网络由特征提取模块、上下文语义提取模块、多尺度特征融合模块、解码器组成，将输入的遥感图像输入特征提取模块，得到的图像高层语义特征图输入上下文语义特征图得到具有上下文语义特征图的融合特征图，将编码器同层次特征图、低层特征图、高层语义特征图送入多尺度特征融合模块为不同尺度解码器补充道路信息；模型收敛保存参数；将测试集数据输入模型，输出测试集图像路网结构；本发明适用于遥感图像路网提取。

技术领域

本发明涉及机器学习技术领域，具体而言，涉及一种基于多尺度特征融合的遥感图像路网提取方法。

背景技术

遥感图像中蕴含着丰富的信息，从遥感图像中识别物体在许多领域都有广泛的应用前景。道路是人类生活中的重要情景，从遥感图像中提取道路信息已成为更新路网结构的重要数据来源。

随着深度学习技术在众多视觉任务取得了良好的表现，结合深度学习技术进行遥感图像语义分割成为行业内的研究热点。相较于传统的通过人工绘制路网的方式，深度学习技术表现出高效的工作效率。深度学习技术输入图像与道路标签进行训练，通过梯度回传不断学习道路的规律，从而进行道路识别。

考虑特征提取得到的高层语义特征图包含不同尺寸的道路特征，如何能后有效提取核整合这部分特征是一个迫切的问题。同时不同尺度特征蕴含着不同的道路信息，如何整合这部分特征。

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：提供一种基于多尺度特征融合的遥感图像路网提取方法。

本发明解决其技术问题所采用的技术方案是：本发明公开一种基于多尺度特征融合的遥感图像路网提取方法，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；