[发明专利]高分辨率影像中道路特征的提取方法

摘要

一种高分辨率影像中道路特征的提取方法。其通过对生成器G、鉴别器D和生成对抗网络V(D,G)结构的优化、和参数的训练，获得能够准确识别道路特征的生成器G。训练过程中，本发明通过利用Wasserstein距离来评估生成样本Pg(x)与真实样本Pdata(x)的差距能够有效避免现有利用的KL散度或JS散度评估时所出现的损失函数的梯度不收敛的问题。由此获得的生成器G，其识别得到的道路特征，其更接近实际情况，准确度更高。

主权项

1.一种高分辨率影像中道路特征的提取方法，其特征在于，步骤包括：第一步，获取遥感图像，将其按照固定尺寸进行切片处理，获得遥感图像切片x；第二步，将所述遥感图像切片输入至训练好的生成器G中进行前向传播运算，获得其中的道路特征，输出该道路特征；其中，第二步中，所述生成器G根据以下步骤训练获得：步骤s1，对样本图像按照固定尺寸进行切片处理，获得图像切片样本z，并对所述各图像切片样本z中的道路元素进行标记；步骤s2，构建生成器G和鉴别器D，初始化生成对抗网络V(D,G)；其中，所述生成器G为一个残差网络，所述鉴别器D为卷积网络，构建生成器G的损失函数为构建鉴别器D的损失函数为‑((1‑t)log(1‑(D(G(z)))+ylogD(x))；其中，t＝1代表输入为遥感图像切片，t＝0代表输入为样本图像切片；代表取整后的卷积网络输出结果；步骤s3，制定优化目标为其中，为优化函数及其优化方向，P_data(x)表示全部遥感图像切片x的分布为真实样本，P_z(z)表示图像切片样本z的先验分布，E代表对训练过程中整体数据分布求损失函数，则其中，P_g(x)为生成器G获得的生成样本的分布；步骤s4，利用Wasserstein距离来评估生成样本P_g(x)与真实样本P_data(x)的差距；其中，Wasserstein距离W(P_data(x)',P_g(x))为其中，P_data(x)'表示P_g(x)与P_data(x)组合起来的所有可能的联合分布集合，单次采样(x,G(z))～γ获得一个真实样本x和生成样本G(z)，||x‑G(z)||为所述真实样本x和生成样本G(z)之间的距离，E_{(x,G(z))～γ}[||x‑G(z)||]为所述真实样本x和生成样本G(z)之间的距离的期望值；步骤s6，将已标记好的图像切片样本输入生成器G，根据计算生成器的损失，根据计算鉴别器的损失；步骤s7，对步骤s6中生成器G进行前向传播运算得到的损失进行BP反向传播运算；分别交替训练生成器和鉴别器，优化网络参数；步骤s8，重复所述步骤s6至步骤s7，训练生成器和鉴别器，优化其网络参数，直至所述生成器G和所述鉴别器D达到纳什均衡，或直至所述生成器G和所述鉴别器D的损失不变，输出此时的生成器G作为训练好的生成器G。