CN114792397A - 一种sar影像城市道路提取方法、***以及存储介质 - Google Patents

一种sar影像城市道路提取方法、***以及存储介质 Download PDF

Info

Publication number
CN114792397A
CN114792397A CN202210438486.1A CN202210438486A CN114792397A CN 114792397 A CN114792397 A CN 114792397A CN 202210438486 A CN202210438486 A CN 202210438486A CN 114792397 A CN114792397 A CN 114792397A
Authority
CN
China
Prior art keywords
image
model
urban
iedsr
monitoring
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.)
Withdrawn
Application number
CN202210438486.1A
Other languages
English (en)
Inventor
程娟娟
王匆捷
宋家豪
李鹏程
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.)
Nanjing Vocational College Of Information Technology
Original Assignee
Nanjing Vocational College Of Information Technology
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 Nanjing Vocational College Of Information Technology filed Critical Nanjing Vocational College Of Information Technology
Priority to CN202210438486.1A priority Critical patent/CN114792397A/zh
Publication of CN114792397A publication Critical patent/CN114792397A/zh
Withdrawn legal-status Critical Current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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

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

Abstract

本发明公开了文字识别领域的一种SAR影像城市道路提取方法、***以及存储介质，包括：采集城市SAR影像并进行预处理获取城市图像；通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像；将监测图像输入至预训练的SVM监督模型提取城市道路；所述IEDSR模型的训练过程，包括：获取城市历史SAR影像并进行预处理构建训练数据集；将通道注意力块融入增强型残差网络，并在增强型残差网络末端添加亚像素卷积构建IEDSR模型；通过训练数据集训练IEDSR模型；本发明通过预训练的IEDSR模型提高所述城市图像的分辨率获得监测图像，保证SVM监督模型提取城市道路的准确率。

Description

一种SAR影像城市道路提取方法、***以及存储介质
技术领域
本发明属于道路提取领域，具体涉及一种SAR影像城市道路提取方法、***以及存储介质。
背景技术
城市道路是城市地形的骨架，也是城市内部信息与物质流动的关键通道。城市道路的髙精度提取可为城市三维表达、地理环境构建、城市地形分析、城市建设规划、车辆导航等方面提供数据基础和技术支撑，与地物稀少且具有明显道路特征的乡村地区相比，城市区域的场景更为复杂，具有多样征。
目前在城市道路提取中已经得到了广泛的应用，通过美国国家航空航天局的Worldview网站获取，其优势在于不受外界天气因素的影响，可以获取云覆盖下的图像信息，并且图像具有较好的纹理信息；遥感技术作为新兴技术,具有探测范围广，数据采集快,数据类型丰富,数据处理方便等优点。SAR影像作为目前应用最广泛的遥感数据之一。但是现有技术对城市道路提取的精度和效率较差，难以满足社会需求。
发明内容
本发明的目的在于提供一种SAR影像城市道路提取方法、***以及存储介质，采用基于单图像超分辨率的增强深残差网络，提高SAR影像数据的分辨率，保证SVM分类结果的准确率。
为达到上述目的，本发明所采用的技术方案是：
本发明第一方面提供了一种SAR影像城市道路提取方法，包括：
采集城市SAR影像并进行预处理获取城市图像；
通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像；将监测图像输入至预训练的SVM监督模型提取城市道路。
所述IEDSR模型的训练过程，包括：
获取城市历史SAR影像并进行预处理构建训练数据集；
将通道注意力块融入增强型残差网络，并在增强型残差网络末端添加亚像素卷积，构建IEDSR模型；
计算IEDSR模型的损失函数Loss1，将训练数据集输入至所述IEDSR模型，根据损失函数Loss1对所述IEDSR模型进行训练，获得损失值小于设定阈值的IEDSR模型。
优选的，对SAR影像进行预处理的方法包括：
利用Lee滤波技术对SAR影像滤除斑点后，依次对SAR影像进行辐射定标、地形校正、地理编码、影像裁剪和拼接处理，获得城市图像。
优选的，构建训练数据集的方法包括，对城市图像进行翻折和旋转，增加城市图像的数量，构建为训练数据集。
优选的，通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像的方法包括：
利用通道注意力块增大城市图像的高频信息权值，减小城市图像的低频信息权值；
对城市图像作亚像素卷积，完成周期性的移动城市图像；通过重新排列提高城市图像提高分辨率，输出监测图像。
优选的，对城市图像作亚像素卷积的方法包括：
亚像素卷积的表达公式为：
IHR＝fl(ILR)＝PS(Wl*fl-1(ILR)+bl)
Figure BDA0003613952620000021
公式中，ILR表示输入的城市图像，IHR表示监测图像，Wl表示为第l层网络卷积核的权重值，bl表示为第l层网络卷积核的偏移值，fl(·)表示为第l层网络亚像素卷积，fl-1(·)表示为第l-1层网络亚像素卷积，PS(·)表示为周期性移动操作；x和y表示城市图像的高分辨率空间中的输出像素坐标，C为城市图像的通道数量，r表示上采样倍数，T表示为输入周期性移动操作的图像，
Figure BDA0003613952620000033
和mod(·)分别表示向下取整和取余操作。
优选的，根据损失函数Loss1对所述IEDSR模型进行训练的方法包括：
所述损失函数Loss1的表达公式为：
Figure BDA0003613952620000031
公式为，n表示训练数据集中样本数量，F(i)为训练数据集中第i个监测图像的估计值，Xi为训练数据集中第i个监测图像的目标值；
将训练数据集数据集输入至IEDSR模型并计算损失函数Loss1的损失值，利用随机梯度下降算法更新迭代IEDSR模型的参数。
优选的，对SVM监督模型训练过程包括：
采集城市测试图像并通过神经网络核函数计算每个像素的规则概率，删除规则概率小于预设阈值的像素后构建训练样本集；
神经网络核函数的表达公式为：
k(x，y)＝tanh(a(xy)+b)
Figure BDA0003613952620000032
公式为，x是训练样本数据，y是城市测试图像数据，a是神经网络核半径，范围是0-1，b是惩罚因子，tanh(·)是双曲函数，g表示为双曲函数tanh(·)的输入值；
通过训练样本集对SVM监督模型进行训练，计算SVM监督模型的分类精度，获取分类精度大于阈值的SVM监督模型。
本发明第二方面提供了一种SAR影像城市道路提取***，包括：
采集模块，采集城市SAR影像并进行预处理获取城市图像；
城市道路提取模块，通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像；将监测图像输入至预训练的SVM监督模型提取城市道路；
训练数据集模块，获取城市历史SAR影像并进行预处理构建训练数据集；
IEDSR模型构建模块，将通道注意力块融入增强型残差网络，并在增强型残差网络末端添加亚像素卷积构建IEDSR模型；
IEDSR模型训练模块，计算IEDSR模型的损失函数Loss1，将训练数据集输入至所述IEDSR模型，根据损失函数Loss1对所述IEDSR模型进行训练，获得损失值小于设定阈值的IEDSR模型。
优选的，IEDSR模型的降维卷积层使用ReLU激活函数，IEDSR模型的升维卷积层使用Sigmoid激活函数。
本发明第三方面提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述SAR影像城市道路提取方法的步骤。
与现有技术相比，本发明的有益效果：
本发明中将通道注意力块融入增强型残差网络，并在增强型残差网络末端添加亚像素卷积构建IEDSR模型，通过通道注意力块使IEDSR模型训练时，更加专注于SAR影像的高频信息部分，减少IEDSR模型复杂度；亚像素卷积可以缩短IEDSR模型运行时间，同时使IEDSR模型更加专注图像细节部分；通过预训练的IEDSR模型提高所述城市图像的分辨率获得监测图像，保证SVM监督模型提取城市道路的准确率。
附图说明
图1为本发明实施例提供的一种SAR影像城市道路提取方法的流程图；
图2为本发明实施例提供的IEDSR模型的结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一
如图1所示，本实施例所用计算机CPU为Intel(R)Core(TM)i7-9750H,GPU为NVIDIAGeForce GTX 1650。在tensorflow_gpu-1.13.1学习环境下，使用Python3.6.5进行处理SAR(合成孔径雷达)影像城市道路提取方法，包括：采集上海市城市SAR影像利用Lee滤波技术对SAR影像滤除斑点后，依次对SAR影像进行辐射定标、地形校正、地理编码、影像裁剪和拼接处理，获得城市图像。
通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像的方法包括：
利用通道注意力块增大城市图像的高频信息权值，减小城市图像的低频信息权值，减少IEDSR模型运算复杂度；
对城市图像作亚像素卷积，完成周期性的移动城市图像；通过重新排列提高城市图像提高分辨率，输出监测图像。
对城市图像作亚像素卷积的方法包括：
亚像素卷积的表达公式为：
IHR＝fl(ILR)＝PS(Wl*fl-1(ILR)+bl)
Figure BDA0003613952620000051
公式中，ILR表示输入的城市图像，IHR表示监测图像，Wl表示为第l层网络卷积核的权重值，bl表示为第l层网络卷积核的偏移值，fl(·)表示为第l层网络亚像素卷积，fl-1(·)表示为第l-1层网络亚像素卷积，PS(·)表示为周期性移动操作；x和y表示城市图像的高分辨率空间中的输出像素坐标，C为城市图像的通道数量，r表示上采样倍数，T表示为输入周期性移动操作的图像，
Figure BDA0003613952620000062
和mod(·)分别表示向下取整和取余操作。
所述IEDSR模型的训练过程，包括：
获取城市历史SAR影像，利用Lee滤波技术对SAR影像滤除斑点后，依次对SAR影像进行辐射定标、地形校正、地理编码、影像裁剪和拼接处理，获得城市图像，对城市图像进行翻折和旋转，增加城市图像的数量，构建为训练数据集。
将通道注意力块融入增强型残差网络EDSR，并在增强型残差网络末端添加亚像素卷积，构建为IEDSR模型；
计算IEDSR模型的损失函数Loss1，将训练数据集输入至所述IEDSR模型，根据损失函数Loss1对所述IEDSR模型进行训练的方法包括：
所述损失函数Loss1的表达公式为：
Figure BDA0003613952620000061
公式为，n表示训练数据集中样本数量，F(i)为训练数据集中第i个监测图像的估计值，Xi为训练数据集中第i个监测图像的目标值；
将训练数据集数据集输入至IEDSR模型并计算损失函数Loss1的损失值，利用随机梯度下降算法更新迭代IEDSR模型的参数，获得损失值小于设定阈值的IEDSR模型；本实施例中当训练次数达到约2×104次后，损失值下降趋势放缓，后续损失值曲线呈微小的上下波动。
将监测图像输入至预训练的SVM(支持向量机)监督模型，所述SVM监督模型将监测图像的像素分为道路和其他事物两类，从而提取出城市道路，对SVM监督模型训练过程包括：
采集城市测试图像并通过神经网络核函数计算每个像素的规则概率，删除规则概率小于预设阈值的像素后构建训练样本集；
神经网络核函数的表达公式为：
k(x，y)＝tanh(a(xy)+b)
Figure BDA0003613952620000071
公式为，x是训练样本数据，y是城市测试图像数据，a是神经网络核半径，范围是0-1，本实施例中a设置为0.2，b是惩罚因子，本实施例中b设置为200，tanh(·)是双曲函数，g表示为双曲函数tanh(·)的输入值；
通过训练样本集对SVM监督模型进行训练，计算SVM监督模型的分类精度，获取分类精度大于阈值的SVM监督模型。
计算SVM监督模型的分类精度过程包括：
本发明中精度评价使用的评价指标为总体分类精度Overall Accuracy，即所有两类地物的正确分类像素总和和总像素总数的比值。本发明中精度评价是利用ENVI 5.3软件中的Confusion Matrix Using Ground Truth ROIs工具。
首先确定检测图像中每一类地物的验证样本点，同样选择10000个像素点；在ENVI5.3软件中输入验证样本点，打开ENVI 5.3软件中的Confusion Matrix Using GroundTruth ROIs工具，选择SVM监督模型的分类输出结果影像；
在Match Classes Parameters面板中将验证样本点和分类结果图的每一类地物一一对应，选择像素和百分比的显示风格，点击ok输出结果，若达到精度要求，则最终道路提取的SVM模型构建成功，可用于对其他城市遥感影像的道路提取模型；若未达到精度要求，继续SVM监督模型参数直至达到精度要求；至此，完成一次城市道路提取及精度评价。经过多次实验最终建立最佳参数的SVM模型。
实施例二
如图2所示，一种SAR影像城市道路提取***，本烟火监测***可以应用于实施例一所述SAR影像城市道路提取方法，包括：
采集模块，采集城市SAR影像并进行预处理获取城市图像；
城市道路提取模块，通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像；将监测图像输入至预训练的SVM监督模型提取城市道路；
训练数据集模块，获取城市历史SAR影像并进行预处理构建训练数据集；
IEDSR模型构建模块，将通道注意力块融入增强型残差网络，并在增强型残差网络末端添加亚像素卷积构建IEDSR模型；
IEDSR模型训练模块，计算IEDSR模型的损失函数Loss1，将训练数据集输入至所述IEDSR模型，根据损失函数Loss1对所述IEDSR模型进行训练，获得损失值小于设定阈值的IEDSR模型。
IEDSR模型的降维卷积层使用ReLU激活函数，IEDSR模型的升维卷积层使用Sigmoid激活函数；降维卷积和升维卷积均利用1×1的卷积。
实施例三
本发明第三方面提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述SAR影像城市道路提取方法的步骤。
测试用例与领域词典管理主要包括查询、新增、删除、修改与导入导出操作；关键词抽取主要是抽取历史测试用例关键词作为测试用例的附加信息，提取测试人员输入数据关键词与历史关键词进行匹配，加快测试用例推荐速率；测试用例聚类主要是对历史测试用例进行聚类得到测试用例包，以此方式降低测试用例推荐的计算量；测试用例推荐是所述***最终目的，使用最优的属性权值与测试文本向量相似度获取最终的相似度值，排序后推荐给测试人员。
测试人员在前台页面输入项目领域信息、软件类型，根据测试需求输入文本，后台经过文本向量化、关键词提取、相似度计算等处理，***输出相关测试用例辅助测试人员测试用例设计，测试人员可选定某条测试用例进行修改利用。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种SAR影像城市道路提取方法，其特征在于，包括：
采集城市SAR影像并进行预处理获取城市图像；
通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像；将监测图像输入至预训练的SVM监督模型提取城市道路。
所述IEDSR模型的训练过程，包括：
获取城市历史SAR影像并进行预处理构建训练数据集；
将通道注意力块融入增强型残差网络，并在增强型残差网络末端添加亚像素卷积，构建IEDSR模型；
计算IEDSR模型的损失函数Loss1，将训练数据集输入至所述IEDSR模型，根据损失函数Loss1对所述IEDSR模型进行训练，获得损失值小于设定阈值的IEDSR模型。
2.根据权利要求1所述的一种SAR影像城市道路提取方法，其特征在于，对SAR影像进行预处理的方法包括：
利用Lee滤波技术对SAR影像滤除斑点后，依次对SAR影像进行辐射定标、地形校正、地理编码、影像裁剪和拼接处理，获得城市图像。
3.根据权利要求2所述的一种SAR影像城市道路提取方法，其特征在于，构建训练数据集的方法包括，对城市图像进行翻折和旋转，增加城市图像的数量，构建为训练数据集。
4.根据权利要求1所述的一种SAR影像城市道路提取方法，其特征在于，通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像的方法包括：
利用通道注意力块增大城市图像的高频信息权值，减小城市图像的低频信息权值；
对城市图像作亚像素卷积，完成周期性的移动城市图像；通过重新排列提高城市图像提高分辨率，输出监测图像。
5.根据权利要求4所述的一种SAR影像城市道路提取方法，其特征在于，对城市图像作亚像素卷积的方法包括：
亚像素卷积的表达公式为：
IHR＝fl(ILR)＝PS(Wl*fl-1(ILR)+bl)
Figure FDA0003613952610000023
公式中，ILR表示输入的城市图像，IHR表示监测图像，Wl表示为第l层网络卷积核的权重值，bl表示为第l层网络卷积核的偏移值，fl(·)表示为第l层网络亚像素卷积，fl-1(·)表示为第l-1层网络亚像素卷积，PS(·)表示为周期性移动操作；x和y表示城市图像的高分辨率空间中的输出像素坐标，C为城市图像的通道数量，r表示上采样倍数，T表示为输入周期性移动操作的图像，
Figure FDA0003613952610000022
和mod(·)分别表示向下取整和取余操作。
6.根据权利要求1所述的一种SAR影像城市道路提取方法，其特征在于，根据损失函数Loss1对所述IEDSR模型进行训练的方法包括：
所述损失函数Loss1的表达公式为：
Figure FDA0003613952610000021
公式为，n表示训练数据集中样本数量，F(i)为训练数据集中第i个监测图像的估计值，Xi为训练数据集中第i个监测图像的目标值；
将训练数据集数据集输入至IEDSR模型并计算损失函数Loss1的损失值，利用随机梯度下降算法更新迭代IEDSR模型的参数。
7.根据权利要求1所述的一种SAR影像城市道路提取方法，其特征在于，对SVM监督模型训练过程包括：
采集城市测试图像并通过神经网络核函数计算每个像素的规则概率，删除规则概率小于预设阈值的像素后构建训练样本集；
神经网络核函数的表达公式为：
k(x，y)＝tanh(a(xy)+b)
Figure FDA0003613952610000031
公式为，x是训练样本数据，y是城市测试图像数据，a是神经网络核半径，范围是0-1，b是惩罚因子，tanh(·)是双曲函数，g表示为双曲函数tanh(·)的输入值；
通过训练样本集对SVM监督模型进行训练，计算SVM监督模型的分类精度，获取分类精度大于阈值的SVM监督模型。
8.一种SAR影像城市道路提取***，其特征在于，包括：
采集模块，采集城市SAR影像并进行预处理获取城市图像；
城市道路提取模块，通过预训练的IEDSR模型提高所述城市图像的分辨率，获得监测图像；将监测图像输入至预训练的SVM监督模型提取城市道路；
训练数据集模块，获取城市历史SAR影像并进行预处理构建训练数据集；
IEDSR模型构建模块，将通道注意力块融入增强型残差网络，并在增强型残差网络末端添加亚像素卷积构建IEDSR模型；
IEDSR模型训练模块，计算IEDSR模型的损失函数Loss1，将训练数据集输入至所述IEDSR模型，根据损失函数Loss1对所述IEDSR模型进行训练，获得损失值小于设定阈值的IEDSR模型。
9.根据权利要求8所述的一种SAR影像城市道路提取方法，其特征在于，IEDSR模型的降维卷积层使用ReLU激活函数，IEDSR模型的升维卷积层使用Sigmoid激活函数。
10.计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至7任意一项所述SAR影像城市道路提取方法的步骤。
CN202210438486.1A 2022-04-25 2022-04-25 一种sar影像城市道路提取方法、***以及存储介质 Withdrawn CN114792397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210438486.1A CN114792397A (zh) 2022-04-25 2022-04-25 一种sar影像城市道路提取方法、***以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210438486.1A CN114792397A (zh) 2022-04-25 2022-04-25 一种sar影像城市道路提取方法、***以及存储介质

Publications (1)

Publication Number Publication Date
CN114792397A true CN114792397A (zh) 2022-07-26

Family

ID=82462653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210438486.1A Withdrawn CN114792397A (zh) 2022-04-25 2022-04-25 一种sar影像城市道路提取方法、***以及存储介质

Country Status (1)

Country Link
CN (1) CN114792397A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152656A (zh) * 2022-12-28 2023-05-23 生态环境部卫星环境应用中心 基于蒸馏学习的sar影像城市固废自动识别方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152656A (zh) * 2022-12-28 2023-05-23 生态环境部卫星环境应用中心 基于蒸馏学习的sar影像城市固废自动识别方法及***
CN116152656B (zh) * 2022-12-28 2023-09-19 生态环境部卫星环境应用中心 基于蒸馏学习的sar影像城市固废自动识别方法及***

Similar Documents

Publication Publication Date Title
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
US11853903B2 (en) SGCNN: structural graph convolutional neural network
CN111612008B (zh) 基于卷积网络的图像分割方法
CN104462190B (zh) 一种基于海量空间轨迹挖掘的在线的位置预测方法
CN112365171B (zh) 基于知识图谱的风险预测方法、装置、设备及存储介质
CN110929080B (zh) 基于注意力和生成对抗网络的光学遥感图像检索方法
CN110232373A (zh) 人脸聚类方法、装置、设备和存储介质
CN106295613A (zh) 一种无人机目标定位方法及***
CN114386466B (zh) 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法
CN103136757A (zh) 基于流形距离的两阶段聚类算法的sar图像分割方法
CN111539444A (zh) 一种修正式模式识别及统计建模的高斯混合模型方法
CN105320764A (zh) 一种基于增量慢特征的3d模型检索方法及其检索装置
CN113989287A (zh) 城市道路遥感图像分割方法、装置、电子设备和存储介质
CN115147598A (zh) 目标检测分割方法、装置、智能终端及存储介质
CN114998744A (zh) 基于运动与视觉双特征融合的农机轨迹田路分割方法
Wang et al. Toward structural learning and enhanced YOLOv4 network for object detection in optical remote sensing images
CN112241676A (zh) 一种地形杂物自动识别的方法
CN114792397A (zh) 一种sar影像城市道路提取方法、***以及存储介质
CN111353441B (zh) 基于位置数据融合的道路提取方法和***
Li et al. Pillar‐based 3D object detection from point cloud with multiattention mechanism
CN115773744A (zh) 模型训练和路网处理方法、装置、设备、介质和产品
Deng et al. A coarse to fine framework for recognizing and locating multiple diatoms with highly complex backgrounds in forensic investigation
Zhang Traffic Sign Detection Based on YOLO v3
Zhang et al. MV-LFN: Multi-view based local information fusion network for 3D shape recognition
CN114332533A (zh) 一种基于DenseNet的滑坡图像识别方法和***

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220726