CN111126166A - 一种遥感影像道路提取方法及*** - Google Patents

一种遥感影像道路提取方法及*** Download PDF

Info

Publication number
CN111126166A
CN111126166A CN201911209125.4A CN201911209125A CN111126166A CN 111126166 A CN111126166 A CN 111126166A CN 201911209125 A CN201911209125 A CN 201911209125A CN 111126166 A CN111126166 A CN 111126166A
Authority
CN
China
Prior art keywords
road
node
nodes
connectivity
remote sensing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911209125.4A
Other languages
English (en)
Inventor
胡翔云
魏域君
李小凯
邓凯
王有年
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Handarui Technology Co Ltd
Original Assignee
Wuhan Handarui Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Handarui Technology Co Ltd filed Critical Wuhan Handarui Technology Co Ltd
Priority to CN201911209125.4A priority Critical patent/CN111126166A/zh
Publication of CN111126166A publication Critical patent/CN111126166A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种遥感影像道路提取方法及装置，方法包括：基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。本发明实施例提供的基于一种遥感影像道路提取方法及装置，对连接性强的节点之间进行连接，显著的提升了提取道路的连续性，且本发明对于细小道路和较宽道路生成的道路节点显著性图和连接性图没有差别，在训练时是同等对待的，在细小道路提取上效果较好，显著提高了最终得到的道路提取结果的精度。

Description

一种遥感影像道路提取方法及***
技术领域
本发明涉及遥感影像信息自动提取技术领域，尤其涉及一种遥感影像道路提取方法及***。
背景技术
从航空影像中提取道路网在摄影测量和计算机视觉领域是一项重要的研究方向。它有许多领域都有广泛的应用，如自动驾驶，城市规划、数字地图制作与更新等。因此，道路提取具有重要的研究价值。
近年来，随着深度学习在影像解译方面取得了很大的进展，很多基于深度学习的道路提取方法被提出。但是提取高质量的道路拓扑结构始终是一个难点，现有方法提取出的道路结果过于破碎，没有形成完整的道路网。
很多基于深度学习的道路提取方法都把道路提取当做分割问题，然后运用后处理来完善和精化道路拓扑结构。后处理过程包含道路细化，设计规则将破碎的道路基元构网。然而，基于分割的道路提取方法在网络训练的过程中用交叉熵损失函数来为每个像素赋予道路和背景标签，这只是间接优化道路拓扑结构，得到的结果是次优的。尽管有人在分割方法上做了相应改进，基于分割的方法始终很难提取高质量的道路拓扑结构。
因此，现在亟需一种遥感影像道路提取方法及***来解决上述问题。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种遥感影像道路提取方法及***。
第一方面本发明实施例提供一种遥感影像道路提取方法，包括：
基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；
基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
进一步，所述基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，包括：
预测与原始影像尺寸相同的道路节点显著性图和节点连接性图；
基于非极大值抑制法，从所述道路节点显著性图中提取道路节点；
根据已提取的道路节点和所述节点连接性图，预测道路节点之间的连接性。
进一步，所述预测与原始影像尺寸相同的道路节点显著性图和节点连接性图，包括：
基于预训练的编码结构，从输入的遥感影像中提取道路特征；
基于用于道路节点预测的解码结构和用于连接性预测的解码结构，预测道路节点显著性图和节点连接性图。
进一步，所述深度卷积神经网络的损失函数为：
Loss＝Lossnode+Lossconnect；
其中，Lossnode为道路节点显著性图的监督损失函数，Lossconnect为节点连接性图的监督损失函数。
进一步，所述道路节点显著性图的监督损失函数为：
Figure BDA0002297659060000031
其中，S为预测的节点显著性图，
Figure BDA0002297659060000032
为真实节点显著性图，p为显著性图上每个像素位置，N为所有像素个数。
进一步，所述节点连接性图的监督损失函数为：
Figure BDA0002297659060000033
其中，C为预测的节点连接性图，
Figure BDA0002297659060000034
为真实节点显著性图，p为连接性图上每个像素位置，N为所有像素个数。
进一步，所述基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网，包括：
基于预设的节点连接算法，推断出构建道路网所需的边的集合；
基于所述边的集合，重建道路拓扑结构，以重建道路网。
第二方面，本发明实施例还提供一种遥感影像道路提取装置，包括：
预测模块，用于基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；
道路网重建模块，用于基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
第三方面，本发明实施例提供了一种电子设备，包括：
处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述遥感影像道路提取方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述遥感影像道路提取方法。
本发明实施例提供的基于一种遥感影像道路提取方法及装置，对连接性强的节点之间进行连接，显著的提升了提取道路的连续性，且本发明对于细小道路和较宽道路生成的道路节点显著性图和连接性图没有差别，在训练时是同等对待的，在细小道路提取上效果较好，显著提高了最终得到的道路提取结果的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种遥感影像道路提取方法流程示意图；
图2为本发明实施例提供的遥感影像道路提取方法基于DeepGlobe数据集的测试结果；
图3为本发明实施例提供的遥感影像道路提取方法基于spacenet数据集的测试结果；
图4是本发明实施例提供的一种遥感影像道路提取装置结构示意图；
图5是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种遥感影像道路提取方法流程示意图，如图1所示，包括：
101、基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；
102、基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
需要说明的是，本发明实施例为了克服现有技术中对于道路提取方法存在的不足，优选的设计了一种基于道路节点预测与连接性估计的遥感影像道路提取方法。相比传统方法基于语义分割的道路提取方法，本方法用无向图G＝(V,E)来表示道路网，V表示道路节点的集合，E表示构建道路网所需的连接节点的边的集合。本发明实施例可通过卷积神经网络端对端的训练，直接从训练数据中学习到易于分类的特征，预测道路节点V的显著性图和节点之间的连接性图，并通过连接性图来推断出节点之间的连接性
Figure BDA0002297659060000051
预测出V,
Figure BDA0002297659060000052
之后，我们设计了一种道路节点连接算法，该算法基于V,
Figure BDA0002297659060000061
来重建道路拓扑结构，形成路网。
具体的，在步骤101中，本发明实施例训练了一个卷积神经网络，从训练数据中学习到易于分类的特征，预测道路节点的显著性图和节点之间的连接性图。在网络预测出节点显著性图之后，采用非极大值抑制，获得道路节点，并根据节点连接性图预测节点之间的连接性。
进一步的，在步骤102中，本发明实施例根据已经推断出的道路节点集合和节点连接性,设计节点连接算法来推断出构建道路网所需的边的集合，重建道路拓扑结构，形成路网。
本发明实施例提供的基于一种遥感影像道路提取方法，对连接性强的节点之间进行连接，显著的提升了提取道路的连续性，且本发明对于细小道路和较宽道路生成的道路节点显著性图和连接性图没有差别，在训练时是同等对待的，在细小道路提取上效果较好，显著提高了最终得到的道路提取结果的精度。
在上述实施例的基础上，所述基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，包括：
预测与原始影像尺寸相同的道路节点显著性图和节点连接性图；
基于非极大值抑制法，从所述道路节点显著性图中提取道路节点；
根据已提取的道路节点和所述节点连接性图，预测道路节点之间的连接性。
本发明实施例首先利用预训练的编码结构从输入遥感影像中提取道路特征。再通过用于道路节点预测的解码结构和用于连接性预测的解码结构，根据提取的特征预测道路节点显著性图和节点之间的连接性图。
然后利用非极大值抑制，根据预测的道路节点显著性图提取出道路节点。具体的，在节点显著性图中，如果节点p的值在10×10邻域内是极大值，则p为道路节点。
接着根据已提取的道路节点集合V＝{v1,v2,...vn}(vi表示节点集中的第i个节点)，结合网络预测得到的节点连接性图，估计节点之间的连接性，即节点之间是否有边连接,
Figure BDA0002297659060000071
代表vi,vj有边连接，
Figure BDA0002297659060000072
代表无边连接。
Figure BDA0002297659060000073
表示vi,vj之间的可连接性，计算如下：
Figure BDA0002297659060000074
d(u)表示位于从vi指向vj的直线段上的位置，di,dj表示vi,vj在影像上的位置，C表示网络预测得到的节点连接性图。
Figure BDA0002297659060000075
计算如下：
Figure BDA0002297659060000076
在上述实施例的基础上，所述预测与原始影像尺寸相同的道路节点显著性图和节点连接性图，包括：
基于预训练的编码结构，从输入的遥感影像中提取道路特征；
基于用于道路节点预测的解码结构和用于连接性预测的解码结构，预测道路节点显著性图和节点连接性图。
由上述实施例的内容可知，本发明实施例首先需要提取遥感影像道路特征。具体的，首先将一张遥感影像作为输入，将去掉全连接层的预训练残差网络(ResNet)基础网络作为主干网络。在遥感影像中，道路信息提取极为依赖上下文信息，为了获取更大的感受野信息，在基础网络后添加几层空洞卷积操作，使得卷积神经网络每个神经元都能有全局影像大小的感受野。通过一系列的卷积和降采样操作，最终得到了分辨率为
Figure BDA0002297659060000077
的特征图，其中W和H分别代表原输入遥感影像图像的宽度和高度。然后将得到的影像道路特征(分辨率为
Figure BDA0002297659060000081
)的特征图输入用于道路节点预测的解码结构和用于节点连接性图预测的解码结构，输出分辨率W×H的道路节点显著性图和节点连接性图。
在上述实施例的基础上，所述深度卷积神经网络的损失函数为：
Loss＝Lossnode+Lossconnect；
Lossnode为道路节点显著性图的监督损失函数，Lossconnect为节点连接性图的监督损失函数。
这是考虑到同时预测节点显著性图和连接性图，最终定义的损失函数。
在上述实施例的基础上，所述道路节点显著性图的监督损失函数为：
Figure BDA0002297659060000082
其中，S为预测的节点显著性图，
Figure BDA0002297659060000086
为真实节点显著性图，p为显著性图上每个像素位置，N为所有像素个数。
在上述实施例的基础上，所述节点连接性图的监督损失函数为：
Figure BDA0002297659060000084
其中，C为预测的节点连接性图，
Figure BDA0002297659060000085
为真实节点显著性图，p为连接性图上每个像素位置，N为所有像素个数。
在上述实施例的基础上，所述基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网，包括：
基于预设的节点连接算法，推断出构建道路网所需的边的集合；
基于所述边的集合，重建道路拓扑结构，以重建道路网。
由上述实施例的内容可知，本发明实施例需要根据已经推断出的道路节点集合V和节点连接性
Figure BDA0002297659060000091
设计节点连接算法来推断出构建道路网所需的边的集合E，重建道路拓扑结构，形成路网。
具体的，首先初始化E＝{}，然后对于每一个道路节点vi,寻找与它距离小于dT的道路节点集合VD，将VD内的节点按照距离降序排列，对于VD中的每个节点vj估计它与当前节点的连接性
Figure BDA0002297659060000092
若
Figure BDA0002297659060000093
且边{vi,vj}与E中的任意边没有交叉关系，则添加{vi,vj}到E。最后重复上述排序和添加过程，直至VD中的点都处理完。
图2为本发明实施例提供的遥感影像道路提取方法基于DeepGlobe(全球卫星图像)数据集的测试结果；图3为本发明实施例提供的遥感影像道路提取方法基于spacenet数据集的测试结果。其中，SpaceNet是DigitalGlobe商业卫星公司提供的遥感图像集合。参照图2和图3，本发明基于遥感影像进行道路提取，得到的道路网结果示例如图2和图3所示，可以看出，本发明能稳定、精确地对不同场景下的遥感影像进行道路提取。
综合上述过程可以看出，本发明实施例提供的方法具有以下三个优点：
1、端对端训练，无需后处理
本发明实施例设计的通过预测道路节点和节点连接性来进行道路网提取，可以直接进行道路拓扑结构提取和道路网构建，无需任何后处理，如骨架化和道路基元连接，提取的道路网质量较高。另外，本发明实施例设计的网络结构简单，复杂度低，并且易于训练。
2、道路网完整性高，道路拓扑质量较好
本发明实施例通过对预测出的道路节点进行连接性估计，对连接性强的节点之间进行连接，显著的提升了提取道路的连续性，提取结果中破碎结果较少。另外，用图来表示道路对于提取道路拓扑结构也有很大的帮助。
3、细小道路提取效果较好
对于基于语义分割的道路提取方法来讲，由于细小道路在影像上所占比例较低，所以对细小道路提取结果较差。本发明实施例与语义分割方法不同，本发明对于细小道路和较宽道路生成的道路节点显著性图和连接性图没有差别，在训练时是同等对待的，在细小道路提取上效果较好，显著提高了最终得到的道路提取结果的精度。
图4是本发明实施例提供的一种遥感影像道路提取装置结构示意图，如图4所示，包括：预测模块201和道路网重建模块202，其中：
预测模块201用于基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；
道路网重建模块202用于基于道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
具体的，通过预测模块201和道路网重建模块202可用于执行图1所示的一种遥感影像道路提取方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例提供的基于一种遥感影像道路提取装置，对连接性强的节点之间进行连接，显著的提升了提取道路的连续性，且本发明对于细小道路和较宽道路生成的道路节点显著性图和连接性图没有差别，在训练时是同等对待的，在细小道路提取上效果较好，显著提高了最终得到的道路提取结果的精度。
在上述实施例的基础上，所述基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，包括：
预测与原始影像尺寸相同的道路节点显著性图和节点连接性图；
基于非极大值抑制法，从所述道路节点显著性图中提取道路节点；
根据已提取的道路节点和所述节点连接性图，预测道路节点之间的连接性。
在上述实施例的基础上，所述预测与原始影像尺寸相同的道路节点显著性图和节点连接性图，包括：
基于预训练的编码结构，从输入的遥感影像中提取道路特征；
基于用于道路节点预测的解码结构和用于连接性预测的解码结构，预测道路节点显著性图和节点连接性图。
在上述实施例的基础上，所述深度卷积神经网络的损失函数为：
Loss＝Lossnode+Lossconnect；
Lossnode为道路节点显著性图的监督损失函数，Lossconnect为节点连接性图的监督损失函数。
在上述实施例的基础上，所述道路节点显著性图的监督损失函数为：
Figure BDA0002297659060000111
其中，S为预测的节点显著性图，
Figure BDA0002297659060000112
为真实节点显著性图，p为显著性图上每个像素位置，N为所有像素个数。
在上述实施例的基础上，所述节点连接性图的监督损失函数为：
Figure BDA0002297659060000113
其中，C为预测的节点连接性图，
Figure BDA0002297659060000114
为真实节点显著性图，p为连接性图上每个像素位置，N为所有像素个数。
在上述实施例的基础上，所述基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网，包括：
基于预设的节点连接算法，推断出构建道路网所需的边的集合；
基于所述边的集合，重建道路拓扑结构，以重建道路网。
图5是本发明实施例提供的一种电子设备的结构框图，参照图5，所述电子设备，包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行每个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种遥感影像道路提取方法，其特征在于，包括：
基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；
基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
2.根据权利要求1所述的遥感影像道路提取方法，其特征在于，所述基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，包括：
预测与原始影像尺寸相同的道路节点显著性图和节点连接性图；
基于非极大值抑制法，从所述道路节点显著性图中提取道路节点；
根据已提取的道路节点和所述节点连接性图，预测道路节点之间的连接性。
3.根据权利要求2所述的遥感影像道路提取方法，其特征在于，所述预测与原始影像尺寸相同的道路节点显著性图和节点连接性图，包括：
基于预训练的编码结构，从输入的遥感影像中提取道路特征；
基于用于道路节点预测的解码结构和用于连接性预测的解码结构，预测道路节点显著性图和节点连接性图。
4.根据权利要求2所述的遥感影像道路提取方法，其特征在于，所述深度卷积神经网络的损失函数为：
Loss＝Lossnode+Lossconnect；
其中，Lossnode为道路节点显著性图的监督损失函数，Lossconnect为节点连接性图的监督损失函数。
5.根据权利要求3所述的遥感影像道路提取方法，其特征在于，所述道路节点显著性图的监督损失函数为：
Figure FDA0002297659050000021
其中，S为预测的节点显著性图，
Figure FDA0002297659050000022
为真实节点显著性图，p为显著性图上每个像素位置，N为所有像素个数。
6.根据权利要求3所述的遥感影像道路提取方法，其特征在于，所述节点连接性图的监督损失函数为：
Figure FDA0002297659050000023
其中，C为预测的节点连接性图，
Figure FDA0002297659050000024
为真实节点显著性图，p为连接性图上每个像素位置，N为所有像素个数。
7.根据权利要求1所述的遥感影像道路提取方法，其特征在于，所述基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网，包括：
基于预设的节点连接算法，推断出构建道路网所需的边的集合；
基于所述边的集合，重建道路拓扑结构，以重建道路网。
8.一种遥感影像道路提取装置，其特征在于，包括：
预测模块，用于基于训练后的深度卷积神经网络，预测道路节点以及各节点之间的连接性，所述深度卷积神经网络是对已标注真实道路区域的高分辨率遥感影像进行有监督训练得到的；
道路网重建模块，用于基于所述道路节点以及各节点之间的连接性，恢复道路拓扑结构，以重建道路网。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述遥感影像道路提取方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述遥感影像道路提取方法的步骤。
CN201911209125.4A 2019-11-30 2019-11-30 一种遥感影像道路提取方法及*** Pending CN111126166A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911209125.4A CN111126166A (zh) 2019-11-30 2019-11-30 一种遥感影像道路提取方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911209125.4A CN111126166A (zh) 2019-11-30 2019-11-30 一种遥感影像道路提取方法及***

Publications (1)

Publication Number Publication Date
CN111126166A true CN111126166A (zh) 2020-05-08

Family

ID=70496515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911209125.4A Pending CN111126166A (zh) 2019-11-30 2019-11-30 一种遥感影像道路提取方法及***

Country Status (1)

Country Link
CN (1) CN111126166A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435833A (zh) * 2021-06-11 2021-09-24 泰瑞数创科技(北京)有限公司 智慧社区的城市三维模型协同管理方法与***
CN114283343A (zh) * 2021-12-20 2022-04-05 北京百度网讯科技有限公司 基于遥感卫星图像的地图更新方法、训练方法和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778605A (zh) * 2016-12-14 2017-05-31 武汉大学 导航数据辅助下的遥感影像道路网自动提取方法
CN110175574A (zh) * 2019-05-28 2019-08-27 中国人民解放军战略支援部队信息工程大学 一种道路网提取方法及装置
CN110348383A (zh) * 2019-07-11 2019-10-18 重庆市地理信息中心 一种基于卷积神经网络回归的道路中心线和双线提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778605A (zh) * 2016-12-14 2017-05-31 武汉大学 导航数据辅助下的遥感影像道路网自动提取方法
CN110175574A (zh) * 2019-05-28 2019-08-27 中国人民解放军战略支援部队信息工程大学 一种道路网提取方法及装置
CN110348383A (zh) * 2019-07-11 2019-10-18 重庆市地理信息中心 一种基于卷积神经网络回归的道路中心线和双线提取方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435833A (zh) * 2021-06-11 2021-09-24 泰瑞数创科技(北京)有限公司 智慧社区的城市三维模型协同管理方法与***
CN114283343A (zh) * 2021-12-20 2022-04-05 北京百度网讯科技有限公司 基于遥感卫星图像的地图更新方法、训练方法和设备
CN114283343B (zh) * 2021-12-20 2023-09-26 北京百度网讯科技有限公司 基于遥感卫星图像的地图更新方法、训练方法和设备

Similar Documents

Publication Publication Date Title
CN111062872B (zh) 一种基于边缘检测的图像超分辨率重建方法及***
Chen et al. DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention
CN110348383B (zh) 一种基于卷积神经网络回归的道路中心线和双线提取方法
CN112884073B (zh) 图像去雨方法、***、终端及存储介质
CN107527358B (zh) 一种稠密光流估计方法及装置
CN107392865B (zh) 一种人脸图像的复原方法
CN111696110B (zh) 场景分割方法及***
CN109886159B (zh) 一种非限定条件下的人脸检测方法
Ye et al. Depth super-resolution with deep edge-inference network and edge-guided depth filling
Yang et al. Deeplab_v3_plus-net for image semantic segmentation with channel compression
CN111461238A (zh) 模型训练方法、字符识别方法、装置、设备及存储介质
CN113901909B (zh) 基于视频的目标检测方法、装置、电子设备和存储介质
CN112489050A (zh) 一种基于特征迁移的半监督实例分割算法
WO2023082453A1 (zh) 一种图像处理方法及装置
US20230098548A1 (en) Image processing method and apparatus, computer device, program, and storage medium
CN111126166A (zh) 一种遥感影像道路提取方法及***
CN110852980A (zh) 交互式图像填充方法及***、服务器、设备及介质
CN114708465B (zh) 图像分类方法、装置、电子设备与存储介质
CN116797787A (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN112597996B (zh) 基于任务驱动的自然场景中交通标志显著性检测方法
CN112085680B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN112734675A (zh) 一种基于金字塔模型和非局部增强密集块的图像去雨方法
CN116993987A (zh) 一种基于轻量级神经网络模型的图像语义分割方法及***
CN114708353B (zh) 图像重建方法、装置、电子设备与存储介质
CN116704203A (zh) 目标检测方法、装置、电子设备、计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508