[发明专利]基于上下文信息和多尺度特征融合的遥感图像道路分割方法

权利要求书

1.一种基于上下文信息和多尺度特征融合的遥感图像道路分割方法，其特征在于，包括如下步骤：

步骤一：按比例随机选取一定数量的遥感道路图像划分为训练集和测试集，遥感道路图像来自遥感卫星拍摄，所述道路图像数据集包括原始遥感影像和人工标注道路区域标签的标注遥感影像；

对训练集的遥感道路图像数据进行预处理得到增强后的遥感道路图像数据；

步骤二：搭建遥感图像道路分割网络；所述遥感图像道路分割网络中包括采用ResNet-34网络的编码器、用于高层信息提取的上下文信息提取模块、结合多尺度信息融合的解码器模块以及结合通道注意力的多层次语义融合模块，搭建步骤如下：

步骤2.1：以U-Net网络模型作为基础网络，将U-Net网络模型中的编码器模块替换为ResNet-34的卷积提取，载入在ImageNet数据集上训练的参数进行特征提取；

步骤2.2：针对编码器的高层特征设置上下文语义提取模块，以提取不同尺度的道路特征；

步骤2.3：在U-Net网络模型上，针对解码器融合来自编码器各层次特征图和解码器高层特征图的不同尺度输入，设置多尺度信息融合模块，以提高粗粒度特征和细粒度特征以及同层次特征的跳跃连接的融合能力，实现对遥感图像数据中的道路的有效提取；

步骤2.4：针对最终特征图的生成，对输入的解码器各层次的语义特征图设置通道特征融合模块，增强不同层次特征图的融合，增强模型对道路与背景的判断能力；

步骤三：将步骤一中的训练集遥感道路图像输入至步骤二中搭建的遥感图像道路分割网络中，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，保存训练好的遥感图像道路分割网络模型参数；将测试集道路数据送入到训练完成的遥感图像道路分割网络，测试网络模型分割的准确性；

步骤四：将实时的道路遥感图像输入至训练好的遥感图像道路分割网络，输出结果作为遥感道路图像的分割结果。

2.根据权利要求1所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方法，其特征在于：对训练集的原始道路图像数据进行预处理包括对图像的裁剪和数据增强；

所述图像裁剪具体操作：将训练集的图像随机裁剪为1024*1024、分辨率为1米每分辨率的图像；

所述数据增强具体操作：将训练集中的图像进行图像旋转、图像垂直与水平翻转、图像色彩调节。

3.根据权利要求1所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方法，其特征在于：预训练采用Resnet-34网络作为编码器，结构如下：

对遥感道路图像进行卷积核大小为7的卷积，对得到的特征图进行步长为2的最大池化；

ResNet-34网络由多个残差块组成，残差块使用步长为2的卷积实现下采样，使用许多卷积核大小为3×3卷积实现特征提取，残差块中设置跳跃连接加快网络的收敛速度。

4.根据权利要求3所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方法，其特征在于：上下文语义提取模块结构如下：

对高层特征图分别进行具有1，2，7不同扩张率的空洞卷积来获取不同感受野的特征，对分支1和分支2获得的特征图进行连接，对连接后的图像进行卷积核大小为3的卷积，对得到的特征图进行输出通道为输入通道一半、卷积核大小为3的特征提取，获得不同感受野特征的融合特征图；得到的融合图与分支三进行拼接与特征提取，得到三条支路的融合特征图；将高层特征图与融合特征图进行自适应融合，有效补充特征图的全局信息。

5.根据权利要求1所述的基于上下文信息和多尺度特征融合的遥感图像道路分割方法，其特征在于：多尺度信息融合模块结构如下：

将所有编码器的特征图通过上采样或者下采样变换为对应输出特征图的尺寸大小，针对细粒度特征设计一个特征融合模块得到融合后的细粒度特征图，用64个卷积核大小为3、步长为1的卷积对所有特征图进行特征提取，将提取后的特征进行拼接，对拼接后的特征图进行输入通道等于输出通道、卷积核大小为3的卷积进行特征提取，得到对应的解码器生成特征图。