[发明专利]一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法

权利要求书

1.一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，包括高分遥感影像道路数据集的制作和构建基于U-net并强化道路边缘信息的多尺度道路提取模型，所述高分遥感影像道路数据集的制作包括以下步骤：

S1：对原始高分影像的多光谱RGB波段和全色波段进行图像融合；

S2：利用标签制作软件制作道路分割标签，同时进行数据扩充；

S3：利用道路分割标签提取边缘标签，并进行数据集划分；

所述构建基于U-net并强化道路边缘信息的多尺度道路提取模型，包括以下步骤：

S10：基于U-net道路分割网络增加边缘提取任务分支，强化边缘信息；

S20：引入级联的空洞卷积层，实现深层特征上的多尺度特征提取融合；

S30：利用制作的高分遥感道路数据集训练模型，利用模型完成高分遥感道路提取。

2.根据权利要求1所述的一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，所述S1具体为使用ENVI软件选取高分遥感影像中的红绿蓝波段和全色波段进行Brovey图像融合，得到高空间分辨率的彩色影像。

3.根据权利要求1所述的一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，所述S2具体为使用Labelme对遥感影像进行目视解译，制作高分遥感道路影像标签，对影像及标签进行旋转、色彩抖动、图像平移、缩放的形式进行数据扩充，得到成倍的道路影像与对应的标签。

4.根据权利要求1所述的一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，所述S3具体为对道路标签中属于道路类别的所有像素进行逐个分析，如果其八邻域至少有一点为背景标签，那么这一点将会被认为是边缘点，据此提取出道路的边缘标签并按照3：1的比例将数据集划分为训练集和测试集。

5.根据权利要求1所述的一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，所述S10和S20具体为基于U-Net网络基础架构改进，新增一个并行的边缘提取任务网络分支，使所述模型具有道路分割与道路边缘两个任务输出，边缘提取网络能够强化模型中道路分割的边缘特征，所述特征层由道路分割网络中不同深度的特征层构成，利用反卷积上采样技术保证特征层的图尺寸大小一致，将特征层的图在通道维度上进行拼接，融合不同深度的特征信息，使用分类函数得到边缘的分类概率图。在主干分割网络的深度特征图使用了级联的空洞卷积层，不同分支提取了不同尺度的特征图，对多尺度特征图进行补零保持尺寸一致，并进行了深层特征上的多尺度特征融合。

6.根据权利要求1所述的一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，所述S30具体为利用制作的高分影像数据集和tensorflow深度学习框架对所述模型进行训练，同时为模型添加道路分割网络损失和边缘提取网络损失，训练完毕之后即可利用模型实现道路目标的高精度提取。

7.根据权利要求6所述的一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，所述道路分割网络损失使用了二进制交叉熵损失函数与Dice soft损失。

8.根据权利要求6所述的一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，所述二进制交叉熵损失函数为其中y_i是像素i预测为道路的概率，而是地面真实标签，N是像素总数；所述Dice soft损失为其中y_i是像素i的预测为道路的概率，而是地面真实标签，N是像素总数；所述道路分割网络损失函数为loss_seg＝l_{Dice soft}+l_BCE。

9.根据权利要求6所述的一种基于U-net强化道路边缘信息的多尺度道路提取模型的方法，其特征在于，所述tensorflow深度学习框架进行训练的方式为使用Adam优化算法迭代优化，部分参数设置为：指数衰减率β₁＝0.9，β₂＝0.999，常数设置ε＝10^-8，批次大小设置为4，迭代训练20epoch，Adam优化算法的初始学习率为0.001，采用自适应学习率的策略，连续3个epoch验证集的准确率不下降，学习率变为原来的0.5倍。