CN113033608A - 遥感影像道路提取方法及装置 - Google Patents
遥感影像道路提取方法及装置 Download PDFInfo
- Publication number
- CN113033608A CN113033608A CN202110184350.8A CN202110184350A CN113033608A CN 113033608 A CN113033608 A CN 113033608A CN 202110184350 A CN202110184350 A CN 202110184350A CN 113033608 A CN113033608 A CN 113033608A
- Authority
- CN
- China
- Prior art keywords
- road
- layer
- remote sensing
- sensing image
- features
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 140
- 230000004927 fusion Effects 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000002708 enhancing effect Effects 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 23
- 238000012552 review Methods 0.000 claims description 20
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种遥感影像道路提取方法及装置,所述方法首先获取目标区域的遥感影像;然后将遥感影像输入至道路提取模型,通过道路提取模型对遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取,最终输出目标区域的道路信息。通过对道路轮廓特征进行增强以及多尺度特征融合,可以增强道路提取模型对道路轮廓的识别能力,从而更好地保证识别得到的道路信息的完整度以及精确度。
Description
技术领域
本发明涉及测绘技术领域,尤其涉及一种遥感影像道路提取方法及装置。
背景技术
道路变化,包括新增道路里程,是道路资产管理和养护中非常重要的基础数据。同时,无人驾驶高精度地图也需要快速更新道路信息。因此,利用新技术,快速、客观感知道路现状,有很重要的现实意义和研究价值。
地理信息采集技术,比如全站仪和全球定位***(Global Positioning System,GPS),在正常运行的道路上采集数据不仅效率低下,而且只能获取有限的点位数据,无法全面展示道路全貌。街景数据虽然提供了清晰的道路影像,但是受采集视角影响,易被遮挡。车载激光扫描技术,可以快速获取海量高密度的道路及周边地物坐标和颜色数据,但是易被行驶车辆和行人遮挡,且数据获取周期长。卫星搭载的遥感平台可以快速获取大范围的遥感影像,并且可实现快速更新。因此,遥感影像是一种适合提取道路信息的数据源。
虽然遥感影像可快速客观获得大范围的地表数据,但是道路面积在整幅遥感影像中占比较小,且道路形状多变,道路材质不同等会导致道路在遥感影像上呈现不同的颜色和形状,尤其是遥感影像提取道路常常出现不连续和断开现象。为此,现急需提供一种遥感影像道路提取方法。
发明内容
本发明提供一种遥感影像道路提取方法及装置,用以解决现有技术中存在的缺陷。
本发明提供一种遥感影像道路提取方法,包括:
获取目标区域的遥感影像;
将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;
其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
根据本发明提供的一种遥感影像道路提取方法,所述将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息,具体包括:
将所述遥感影像输入至所述道路提取模型的编码层,由所述编码层对所述遥感影像中的道路轮廓特征进行提取及增强,得到所述编码层输出的道路轮廓增强特征;
将所述道路轮廓增强特征输入至所述道路提取模型的桥连接层,由所述桥连接层对所述增强道路轮廓特征进行多尺度特征提取及融合,得到所述桥连接层输出的多尺度融合特征;
将所述多尺度融合特征输入至所述道路提取模型的解码分类层,由所述解码分类层对所述多尺度融合特征进行解码分类,得到所述解码分类层输出的所述目标区域的道路信息。
根据本发明提供的一种遥感影像道路提取方法,所述将所述遥感影像输入至所述道路提取模型的编码层,由所述编码层对所述遥感影像中的道路轮廓特征进行提取及增强,得到所述编码层输出的道路轮廓增强特征,具体包括:
将所述遥感影像输入至所述编码层的卷积层,得到所述卷积层输出的道路轮廓特征;
将所述道路轮廓特征输入至所述编码层的特征增强层,得到所述特征增强层输出的所述道路轮廓增强特征;
其中,所述特征增强层包括指定数量个特征回顾层和若干个顺次连接的组合层,每个组合层包含有顺次连接的残差块层和池化层,所述指定数量个特征回顾层分别与所述卷积层临近的所述指定数量个组合层的残差块层并联。
根据本发明提供的一种遥感影像道路提取方法,所述将所述道路轮廓增强特征输入至所述道路提取模型的桥连接层,由所述桥连接层对所述增强道路轮廓特征进行多尺度特征提取及融合,得到所述桥连接层输出的多尺度融合特征,具体包括:
将所述道路轮廓增强特征输入至所述桥连接层的多个第一类空洞卷积层,由多个第一类空洞卷积层分别对所述道路轮廓增强特征进行不同采样率的空洞卷积操作,分别得到每个第一类空洞卷积层输出的特征;
将每个第一类空洞卷积层输出的特征输入至所述桥连接层的级联层,由所述级联层对所有第一类空洞卷积层输出的特征进行级联,得到所述级联层输出的所述多尺度融合特征。
根据本发明提供的一种遥感影像道路提取方法,所述将所述多尺度融合特征输入至所述道路提取模型的解码分类层,由所述解码分类层对所述多尺度融合特征进行上采样及分类,得到所述解码分类层输出的所述目标区域的道路信息,具体包括:
将所述多尺度融合特征输入至所述解码分类层的解码层,由所述解码层对所述多尺度融合特征进行上采样,得到所述解码层输出的细节特征;
将所述细节特征输入至所述解码分类层的分类层,由所述分类层对所述细节特征进行分类,得到所述分类层输出的所述目标区域的道路信息。
根据本发明提供的一种遥感影像道路提取方法,所述将所述多尺度融合特征输入至所述解码分类层的解码层,由所述解码层对所述多尺度融合特征进行上采样,得到所述解码层输出的细节特征,具体包括:
将所述多尺度融合特征输入至所述解码层的反卷积层,得到所述反卷积层输出的上采样特征;
将所述上采样特征输入至所述解码层的第二类空洞卷积层,得到所述第二类空洞卷积层输出的所述细节特征。
根据本发明提供的一种遥感影像道路提取方法,所述将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息,之前还包括:
将所述遥感影像进行分辨率调整。
本发明还提供一种遥感影像道路提取装置,包括:
影像获取模块,用于获取目标区域的遥感影像;
道路信息提取模块,用于将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;
其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述遥感影像道路提取方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述遥感影像道路提取方法的步骤。
本发明提供的遥感影像道路提取方法及装置,所述方法首先获取目标区域的遥感影像;然后将遥感影像输入至道路提取模型,通过道路提取模型对遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取,最终输出目标区域的道路信息。通过对道路轮廓特征进行增强以及多尺度特征融合,可以增强道路提取模型对道路轮廓的识别能力,从而更好地保证识别得到的道路信息的完整度以及精确度。
附图说明
为了更清楚地说明本发明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是本发明提供的遥感影像道路提取方法的流程示意图之一;
图2是本发明提供的遥感影像道路提取方法中采用的道路提取模型的结构示意图;
图3是本发明提供的遥感影像道路提取装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,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为本发明实施例中提供的一种遥感影像道路提取方法的流程示意图,如图1所示,该方法包括:
S1,获取目标区域的遥感影像;
S2,将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;
其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
具体地,本发明实施例中提供的遥感影像道路提取方法,其执行主体为服务器,该服务器可以是本地服务器,也可以是云端服务器,本地服务器具体可以是计算机、平板电脑以及智能手机等,本发明实施例中对此不作具体限定。
首先执行步骤S1,获取目标区域的遥感影像,目标区域可以是需要确定道路信息的区域,可以以市、县或乡等为单位。遥感影像可以是高时间分辨率的遥感影像,也可以是高空间分辨率的遥感影像,还可以是高清遥感影像等其他任意分辨率的遥感影像,只要能保证后续能够顺利从中提取出道路信息即可。在获取到目标区域的遥感影像之后,还可以对遥感影像进行分辨率调整,可以将其分辨率调整为1024*1024像素。
然后执行步骤S2,将遥感影像输入至道路提取模型,由道路提取模型对遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取,最终得到目标区域的道路信息并输出。其中,道路提取模型可以是基于神经网络模型构建,并可以通过携带有道路标签的遥感影像样本训练得到。道路提取模型可以提取提取目标区域的道路轮廓特征,然后对道路轮廓特征进行特征增强,而后对于增强得到的道路轮廓增强特征,提取道路轮廓增强特征的多尺度特征,并提取到的多尺度特征进行融合,得到多尺度融合特征。最后通过多尺度融合特征对目标区域的道路信息进行提取。道路信息可以包括目标区域的城市道路、乡村道路以及小区道路等。
本发明实施例中提供的遥感影像道路提取方法,首先获取目标区域的遥感影像;然后将遥感影像输入至道路提取模型,通过道路提取模型对遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取,最终输出目标区域的道路信息。通过对道路轮廓特征进行增强以及多尺度特征融合,可以增强道路提取模型对道路轮廓的识别能力,从而更好地保证识别得到的道路信息的完整度以及精确度。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取方法,所述将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息,具体包括:
将所述遥感影像输入至所述道路提取模型的编码层,由所述编码层对所述遥感影像中的道路轮廓特征进行提取及增强,得到所述编码层输出的道路轮廓增强特征;
将所述道路轮廓增强特征输入至所述道路提取模型的桥连接层,由所述桥连接层对所述增强道路轮廓特征进行多尺度特征提取及融合,得到所述桥连接层输出的多尺度融合特征;
将所述多尺度融合特征输入至所述道路提取模型的解码分类层,由所述解码分类层对所述多尺度融合特征进行解码分类,得到所述解码分类层输出的所述目标区域的道路信息。
具体地,本发明实施例中的道路提取模型可以包括编码层、桥连接层以及解码分类层,编码层与解码分类层通过桥连接层连接。其中,编码层用于对遥感影像中的道路轮廓特征进行提取及增强,得到道路轮廓增强特征;桥连接层用于对道路轮廓增强特征进行多尺度特征提取及融合,得到多尺度融合特征;解码分类层用于对多尺度融合特征进行解码分类,得到目标区域的道路信息。
本发明实施例中,通过桥连接层将编码层与解码分类层连接,既可以减少特征的丢失,又可以在减少运算量的同时,尽可能恢复出编码层中可能丢失的特征信息,保证了道路提取模型的准确性。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取方法,所述将所述遥感影像输入至所述道路提取模型的编码层,由所述编码层对所述遥感影像中的道路轮廓特征进行提取及增强,得到所述编码层输出的道路轮廓增强特征,具体包括:
将所述遥感影像输入至所述编码层的卷积层,得到所述卷积层输出的道路轮廓特征;
将所述道路轮廓特征输入至所述编码层的特征增强层,得到所述特征增强层输出的所述道路轮廓增强特征;
其中,所述特征增强层包括指定数量个特征回顾层和若干个顺次连接的组合层,每个组合层包含有顺次连接的残差块层和池化层,所述指定数量个特征回顾层分别与所述卷积层临近的所述指定数量个组合层的残差块层并联。
具体地,本发明实施例中的编码层可以包括卷积层以及特征增强层,卷积层用于提取遥感影像的道路轮廓特征,该道路轮廓特征为基础道路轮廓特征。卷积层可以采用尺寸为7×7的卷积核实现。特征增强层用于增强道路轮廓特征,得到道路轮廓增强特征。其中,特征增强层包括指定数量个特征回顾(Feature Review,FR)层和若干个顺次连接的组合层,指定数量可以根据需要进行设置,例如可以是一个、两个或其他个数,本发明实施例中可以优选为两个。组合层的数量也可以根据需要进行设置,例如可以是两个、四个等,本发明实施例中可以优选为四个。每个组合层包含有顺次连接的残差块(Res-Block)层和池化层,指定数量个特征回顾层分别与卷积层临近的指定数量个组合层的残差块层并联。即有,道路轮廓特征分别输入至与卷积层最临近的组合层的残差块层中,以及与卷积层最临近的组合层的残差块层并联的特征回顾层中,然后将两路得到的结果在与卷积层最临近的组合层的池化层中进行融合。接着,将融合的结果分别输入至与卷积层次临近的组合层的残差块层中,以及与卷积层次临近的组合层的残差块层并联的特征回顾层中,然后将两路得到的结果在与卷积层次临近的组合层的池化层中进行融合。接着,直接将融合的结果输入至后续的组合层中即可。
组合层中的残差块层可以实现Res-Block操作,可以在保持特征维度不变的前提下获取更深度特征。池化层则可以降低特征的维度。特征回顾层可以在训练过程中,根据训练进程的不同,将选取的遥感影像样本进行多次(据实验经验为4次,防止模型过拟合)特征回顾,选择精准度最高的那次特征图流入后续网络以更新模型的权重参数,这样可以增强道路提取模型对道路轮廓的识别能力,从而更好地保证得到的道路信息的完整度以及精确度。
特征回顾层的计算公式有:
ve=(va+vp+vr)/3
其中,Wk表示第k次训练中的特征图;WR是对应于ve的参考特征图;m和n分别表示特征图的水平和垂直尺寸;i和j分别表示特征图的当前尺寸;va、vp和vr表示精度,准确度和回忆能力。当相邻特征图达到一个几乎没有显著变化的状态时,特征回顾层停止并在另一个时刻继续进行回顾特征。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取方法,所述将所述道路轮廓增强特征输入至所述道路提取模型的桥连接层,由所述桥连接层对所述增强道路轮廓特征进行多尺度特征提取并融合,得到所述桥连接层输出的多尺度融合特征,具体包括:
将所述道路轮廓增强特征输入至所述桥连接层的多个第一类空洞卷积层,由多个第一类空洞卷积层分别对所述道路轮廓增强特征进行不同采样率的空洞卷积操作,分别得到每个第一类空洞卷积层输出的特征;
将每个第一类空洞卷积层输出的特征输入至所述桥连接层的级联层,由所述级联层对所有第一类空洞卷积层输出的特征进行级联,得到所述级联层输出的所述多尺度融合特征。
具体地,本发明实施例中的桥连接层包括输入层、多个第一类空洞卷积层、级联层以及输出层,输入层与编码层的特征增强层连接,输入层用于获取道路轮廓增强特征,每个第一类空洞卷积层分别与输入层连接,每个第一类空洞卷积层分别用于对道路轮廓增强特征进行不同采样率的空洞卷积操作,不同采样率可以分别为1、2、4、8等。如此可以在保证特征图分辨率不变的前提下,扩大感受野以增强对道路信息的获取。
级联层分别与每个第一类空洞卷积层连接,级联层用于对所有第一类空洞卷积层输出的特征进行级联,即进行融合,最后得到并输出多尺度融合特征。本发明实施例中,每个第一类空洞卷积层输出的特征即为经过空洞卷积操作得到的不同尺度的特征。并以级联的方式,将提取到的不同尺度的特征进行融合,可以增强道路提取模型对道路信息的识别能力,提高了道路信息提取的完整度。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取方法,所述将所述多尺度融合特征输入至所述道路提取模型的解码分类层,由所述解码分类层对所述多尺度融合特征进行上采样及分类,得到所述解码分类层输出的所述目标区域的道路信息,具体包括:
将所述多尺度融合特征输入至所述解码分类层的解码层,由所述解码层对所述多尺度融合特征进行上采样,得到所述解码层输出的细节特征;
将所述细节特征输入至所述解码分类层的分类层,由所述分类层对所述细节特征进行分类,得到所述分类层输出的所述目标区域的道路信息。
具体地,本发明实施例中的解码分类层可以包括解码层以及分类层,解码层与级联层连接,解码层用于对多尺度融合特征进行上采样操作,得到多尺度融合特征中的细节特征。解码层与分类层连接,分类层用于对细节特征进行分类,最终得到目标区域的道路信息。
本发明实施例中,将解码层以及桥连接层相结合,可以尽可能地复原遥感影像中的细节特征,既能保证丢失掉的特征信息的尽可能复原,又能在不引入其他参数的情况之下提高道路提取模型的训练效率。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取方法,所述将所述多尺度融合特征输入至所述解码分类层的解码层,由所述解码层对所述多尺度融合特征进行上采样,得到所述解码层输出的细节特征,具体包括:
将所述多尺度融合特征输入至所述解码层的反卷积层,得到所述反卷积层输出的上采样特征;
将所述上采样特征输入至所述解码层的第二类空洞卷积层,得到所述第二类空洞卷积层输出的所述细节特征。
具体地,本发明实施例中,解码层具体可以包括反卷积层以及第二类空洞卷积层,反卷积层与级联层连接,反卷积层用于对多尺度融合特征进行反卷积上采样操作,得到上采样特征。第二类空洞卷积层与反卷积层连接,第二类空洞卷积层用于进一步扩大特征图的感受野,得到并输出遥感影像中的细节特征。其中,第二类空洞卷积层可以实现采样率为1的空洞卷积操作。
本发明实施例中,通过解码层可以实现对多尺度融合特征的反卷积上采样操作,并可以进一步扩大特征图的感受野。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取方法,所述将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息,之前还包括:
将所述遥感影像进行分辨率调整。
具体地,本发明实施例中,在获取到遥感影像之后可以对遥感影像进行分辨率调整,可以将其分辨率调整为1024*1024像素,以提高后续的处理速度。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取方法,所述道路标签基于Labelme软件确定。
具体地,确定道路标签即是对遥感影像样本进行标定,首先可以使用Labelme软件,对遥感影像样本中主要的和明显的道路进行标定,以确定出遥感影像样本中的道路标签。确定出遥感影像样本中的道路标签之后,可以选取携带有道路标签的遥感影像样本中的80%作为训练样本,20%作为测试样本。同时,可以在训练样本中随机选择10%作为特征回顾样本,以对道路提取模型中的特征回顾层进行训练。
图2为本发明实施例中提供的道路提取模型的结构示意图,如图2所示,获取的目标区域的遥感影像(Input)输入至道路提取模型,依次经道路提取模型中的编码层(Encoder)、桥连接层(Bridge)以及解码分类层(Decoder),Encoder中包含有卷积层211、两个特征回顾层(FR)、四个残差块层212和四个池化层213。Bridge中包含有输入层221、四个第一类空洞卷积层222、级联层(C)以及输出层223。Decoder中包含有四个卷积块层231、四个池化层232以及分类层233,残差块层212与卷积块层231、临近分类层233的两个池化层232实现轮廓增强特征传输(CE)。最终,通过分类层233输出目标区域的道路信息(Output)。
综上所述,本发明实施例中提供的遥感影像道路提取方法,采用道路提取模型中的特征回顾层,增强了道路提取模型对道路轮廓特征的识别能力,缓解了从遥感影像中提取道路信息时出现的道路断裂现象,并且提高了道路信息提取的完整度以及精度。而且,即使在减少训练样本的情况下,依旧可以取得较好的道路信息提取的正确度。此外,对于被建筑阴影或者树木遮挡的道路,也能取得较好的识别效果,缓解了道路断裂现象的出现。本发明实施例中提供的遥感影像道路提取方法,可服务于地图更新、道路资产管理核查和灾害快速评估等工作。
如图3所示,在上述实施例的基础上,本发明实施例中提供了一种遥感影像道路提取装置,包括:影像获取模块31和道路信息提取模块32。其中,
影像获取模块31用于获取目标区域的遥感影像;
道路信息提取模块32用于将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;
其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
具体地,本发明实施例中提供的遥感影像道路提取装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取装置,所述道路信息提取模块,具体包括:
编码模块,用于将所述遥感影像输入至所述道路提取模型的编码层,由所述编码层对所述遥感影像中的道路轮廓特征进行提取及增强,得到所述编码层输出的道路轮廓增强特征;
桥连接模块,用于将所述道路轮廓增强特征输入至所述道路提取模型的桥连接层,由所述桥连接层对所述增强道路轮廓特征进行多尺度特征提取及融合,得到所述桥连接层输出的多尺度融合特征;
解码分类模块,用于将所述多尺度融合特征输入至所述道路提取模型的解码分类层,由所述解码分类层对所述多尺度融合特征进行解码分类,得到所述解码分类层输出的所述目标区域的道路信息。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取装置,所述编码模块,具体包括:
卷积子模块,用于将所述遥感影像输入至所述编码层的卷积层,得到所述卷积层输出的道路轮廓特征;
特征增强子模块,用于将所述道路轮廓特征输入至所述编码层的特征增强层,得到所述特征增强层输出的所述道路轮廓增强特征;
其中,所述特征增强层包括指定数量个特征回顾层和若干个顺次连接的组合层,每个组合层包含有顺次连接的残差块层和池化层,所述指定数量个特征回顾层分别与所述卷积层临近的所述指定数量个组合层的残差块层并联。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取装置,所述桥连接模块,具体包括:
空洞卷积子模块,用于将所述道路轮廓增强特征输入至所述桥连接层的多个第一类空洞卷积层,由多个第一类空洞卷积层分别对所述道路轮廓增强特征进行不同采样率的空洞卷积操作,分别得到每个第一类空洞卷积层输出的特征;
级联子模块,用于将每个第一类空洞卷积层输出的特征输入至所述桥连接层的级联层,由所述级联层对所有第一类空洞卷积层输出的特征进行级联,得到所述级联层输出的所述多尺度融合特征。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取装置,所述解码分类模块,具体包括:
解码子模块,用于将所述多尺度融合特征输入至所述解码分类层的解码层,由所述解码层对所述多尺度融合特征进行上采样,得到所述解码层输出的细节特征;
分类子模块,用于将所述细节特征输入至所述解码分类层的分类层,由所述分类层对所述细节特征进行分类,得到所述分类层输出的所述目标区域的道路信息。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取装置,所述解码子模块,具体包括:
上采样单元,用于将所述多尺度融合特征输入至所述解码层的反卷积层,得到所述反卷积层输出的上采样特征;
空洞卷积单元,用于将所述上采样特征输入至所述解码层的第二类空洞卷积层,得到所述第二类空洞卷积层输出的所述细节特征。
在上述实施例的基础上,本发明实施例中提供的遥感影像道路提取装置,还包括分辨率调整模块,用于:
将所述遥感影像进行分辨率调整。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各实施例提供的遥感影像道路提取方法,该方法包括:获取目标区域的遥感影像;将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供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实施例提供的遥感影像道路提取方法,该方法包括:获取目标区域的遥感影像;将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的遥感影像道路提取方法,该方法包括:获取目标区域的遥感影像;将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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)执行各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:
获取目标区域的遥感影像;
将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;
其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
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,所述将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息,具体包括:
将所述遥感影像输入至所述道路提取模型的编码层,由所述编码层对所述遥感影像中的道路轮廓特征进行提取及增强,得到所述编码层输出的道路轮廓增强特征;
将所述道路轮廓增强特征输入至所述道路提取模型的桥连接层,由所述桥连接层对所述增强道路轮廓特征进行多尺度特征提取及融合,得到所述桥连接层输出的多尺度融合特征;
将所述多尺度融合特征输入至所述道路提取模型的解码分类层,由所述解码分类层对所述多尺度融合特征进行解码分类,得到所述解码分类层输出的所述目标区域的道路信息。
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,所述将所述遥感影像输入至所述道路提取模型的编码层,由所述编码层对所述遥感影像中的道路轮廓特征进行提取及增强,得到所述编码层输出的道路轮廓增强特征,具体包括:
将所述遥感影像输入至所述编码层的卷积层,得到所述卷积层输出的道路轮廓特征;
将所述道路轮廓特征输入至所述编码层的特征增强层,得到所述特征增强层输出的所述道路轮廓增强特征;
其中,所述特征增强层包括指定数量个特征回顾层和若干个顺次连接的组合层,每个组合层包含有顺次连接的残差块层和池化层,所述指定数量个特征回顾层分别与所述卷积层临近的所述指定数量个组合层的残差块层并联。
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,所述将所述道路轮廓增强特征输入至所述道路提取模型的桥连接层,由所述桥连接层对所述增强道路轮廓特征进行多尺度特征提取及融合,得到所述桥连接层输出的多尺度融合特征,具体包括:
将所述道路轮廓增强特征输入至所述桥连接层的多个第一类空洞卷积层,由多个第一类空洞卷积层分别对所述道路轮廓增强特征进行不同采样率的空洞卷积操作,分别得到每个第一类空洞卷积层输出的特征;
将每个第一类空洞卷积层输出的特征输入至所述桥连接层的级联层,由所述级联层对所有第一类空洞卷积层输出的特征进行级联,得到所述级联层输出的所述多尺度融合特征。
5.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,所述将所述多尺度融合特征输入至所述道路提取模型的解码分类层,由所述解码分类层对所述多尺度融合特征进行上采样及分类,得到所述解码分类层输出的所述目标区域的道路信息,具体包括:
将所述多尺度融合特征输入至所述解码分类层的解码层,由所述解码层对所述多尺度融合特征进行上采样,得到所述解码层输出的细节特征;
将所述细节特征输入至所述解码分类层的分类层,由所述分类层对所述细节特征进行分类,得到所述分类层输出的所述目标区域的道路信息。
6.根据权利要求5所述的遥感影像道路提取方法,其特征在于,所述将所述多尺度融合特征输入至所述解码分类层的解码层,由所述解码层对所述多尺度融合特征进行上采样,得到所述解码层输出的细节特征,具体包括:
将所述多尺度融合特征输入至所述解码层的反卷积层,得到所述反卷积层输出的上采样特征;
将所述上采样特征输入至所述解码层的第二类空洞卷积层,得到所述第二类空洞卷积层输出的所述细节特征。
7.根据权利要求1-6中任一项所述的遥感影像道路提取方法,其特征在于,所述将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息,之前还包括:
将所述遥感影像进行分辨率调整。
8.一种遥感影像道路提取装置,其特征在于,包括:
影像获取模块,用于获取目标区域的遥感影像;
道路信息提取模块,用于将所述遥感影像输入至道路提取模型,得到所述道路提取模型输出的所述目标区域的道路信息;
其中,所述道路提取模型用于对所述遥感影像中的道路轮廓特征进行提取及增强,并对得到的道路轮廓增强特征进行多尺度特征提取及融合,基于得到的多尺度融合特征进行目标区域的道路信息的提取;所述道路提取模型基于携带有道路标签的遥感影像样本训练得到。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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,所述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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184350.8A CN113033608A (zh) | 2021-02-08 | 2021-02-08 | 遥感影像道路提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184350.8A CN113033608A (zh) | 2021-02-08 | 2021-02-08 | 遥感影像道路提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033608A true CN113033608A (zh) | 2021-06-25 |
Family
ID=76461319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110184350.8A Pending CN113033608A (zh) | 2021-02-08 | 2021-02-08 | 遥感影像道路提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033608A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114512052A (zh) * | 2021-12-31 | 2022-05-17 | 武汉中海庭数据技术有限公司 | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086668A (zh) * | 2018-07-02 | 2018-12-25 | 电子科技大学 | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 |
CN110263705A (zh) * | 2019-06-19 | 2019-09-20 | 上海交通大学 | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 |
CN110705381A (zh) * | 2019-09-09 | 2020-01-17 | 北京工业大学 | 遥感影像道路提取方法及装置 |
US20200050854A1 (en) * | 2017-09-19 | 2020-02-13 | Beijing Sensetime Technology Development Co., Ltd. | Method and apparatus for generating road map, electronic device, and computer storage medium |
CN111274968A (zh) * | 2020-01-20 | 2020-06-12 | 广州市城市规划自动化中心 | 面向对象的道路信息提取方法、装置及电子设备 |
-
2021
- 2021-02-08 CN CN202110184350.8A patent/CN113033608A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200050854A1 (en) * | 2017-09-19 | 2020-02-13 | Beijing Sensetime Technology Development Co., Ltd. | Method and apparatus for generating road map, electronic device, and computer storage medium |
CN109086668A (zh) * | 2018-07-02 | 2018-12-25 | 电子科技大学 | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 |
CN110263705A (zh) * | 2019-06-19 | 2019-09-20 | 上海交通大学 | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 |
CN110705381A (zh) * | 2019-09-09 | 2020-01-17 | 北京工业大学 | 遥感影像道路提取方法及装置 |
CN111274968A (zh) * | 2020-01-20 | 2020-06-12 | 广州市城市规划自动化中心 | 面向对象的道路信息提取方法、装置及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114512052A (zh) * | 2021-12-31 | 2022-05-17 | 武汉中海庭数据技术有限公司 | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和*** | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN107067003B (zh) | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 | |
CN110675408A (zh) | 基于深度学习的高分辨率影像建筑物提取方法及*** | |
CN114898097B (zh) | 图像识别方法及*** | |
CN113011350A (zh) | 一种地域图像的识别处理方法、装置及电子设备 | |
CN110705381A (zh) | 遥感影像道路提取方法及装置 | |
CN115984273B (zh) | 道路病害检测方法、装置、计算机设备及可读存储介质 | |
CN114998744B (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 | |
CN114049462B (zh) | 一种三维模型单体化方法及装置 | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN112287983A (zh) | 一种基于深度学习的遥感图像目标提取***和方法 | |
CN114612883A (zh) | 一种基于级联ssd和单目深度估计的前向车辆距离检测方法 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN115830469A (zh) | 基于多模态特征融合的滑坡与周边地物识别方法及*** | |
CN113627288B (zh) | 一种面向海量影像的智能化信息标签获取方法 | |
CN113033608A (zh) | 遥感影像道路提取方法及装置 | |
CN115527027A (zh) | 一种基于多特征融合机制的遥感影像地物分割方法 | |
CN116503677B (zh) | 一种湿地分类信息提取方法、***、电子设备及存储介质 | |
CN112836590A (zh) | 洪涝灾害监测方法、装置、电子设备及存储介质 | |
Han et al. | Remote sensing sea ice image classification based on multilevel feature fusion and residual network | |
CN116823896A (zh) | 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 | |
CN116563691A (zh) | 一种基于TransUnet模型的道路病害检测方法 | |
CN114898204B (zh) | 一种基于深度学习的轨道交通周边危险源检测方法 | |
CN114898203B (zh) | 一种基于深度学习的轨道交通周边危险源变化检测方法 |
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 |