[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

说明书

本发明公开了一种结合上下文语义和多尺度特征融合的遥感图像道路分割方法，首先对遥感图像进行标注，生成道路标签。按比例将图像数据集分为测试集、验证集、训练集，对训练集图像进行处理。建立道路分割网络，输入训练集对模型进行训练，利用验证集检测模型，待到模型收敛保存参数；将测试集送入模型得到最终语义生成图。与现有方法相比，本发明结合空洞金字塔引入道路上下文语义、结合多尺度信息进行特征融合、结合通道注意力融合生成最终特征图，实现了逐像素分类，得到最终的道路提取结果。本发明的效果实现了更准确的提取并生成更清晰的道路边缘特征。

技术领域

本发明涉及机器学习技术领域，具体而言，涉及一种基于上下文信息和多尺度特征融合的遥感图像道路分割方法。

背景技术

道路在生活中扮演着重要的作用，随着遥感技术的发展，从高分辨率图像提取道路在地图绘制、抢险救灾、交通运输等方面发挥着重要的作用。深度学习技术在语义分割领域取得了良好的效果，结合深度学习技术从高分辨率遥感提取道路信息已成为行业研究中的一大热门方向。

但是从高分辨率图像中提取路网也遇到部分挑战:道路像素与背景像素点数据差异较大；高分辨率图像存在许多类似道路形状的物体，如铁路、河流等；道路往往被周围物体遮挡等，这些因素都为道路提取工作带来了困难。

传统的道路提取方法通过分析道路的几何、光学、纹理等特征实现道路提取，没有充分利用到高分辨率遥感图像的丰富信息，分割精度不高。由于深度学习技术的强大性能，一部分学者将深度学习的方法应用于遥感道路提取。但是这些方法都没有缺乏对道路整体特征的考虑，没有针对道路上下文信息的利用做出改进；在下采样中过程中分辨率减小，丢失部分道路特征，导致生成的道路准确率不高；面对解码器不同层次生成的特征图，缺乏针对不同层次特征图的有效融合。

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：提供一种基于上下文信息和多尺度特征融合的遥感图像道路分割方法。

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上下文信息和多尺度特征融合的遥感图像道路分割方法，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。