[发明专利]基于深度学习的高分辨率遥感影像城市道路提取方法

说明书

本发明公开了一种基于深度学习的高分辨率遥感影像城市道路提取方法。基于深度学习的高分辨率遥感影像城市道路提取方法，利用SSD深度学习模型提取高分辨率影像中的城市道路信息的方法，可提高城市道路提取精度；构建了辐射特征损失函数和几何特征损失函数构建方法，结合传统SSD深度学习模型，大幅提高城市道路提取精度，本发明的优点主要体现在：自动化程度高，无需用户干预，提取效率高；基于深度学习目标检测模型，并且构建辐射和几何特征损失函数，城市道路提取精度高；方法可扩展性好，可适当调整模型参数以适用于不同传感器的遥感卫星图像。

技术领域

本发明涉及城市道路提取方法，尤其涉及基于深度学习的高分辨率遥感影像城市道路提取方法。

背景技术

道路网作为基础地理信息，它的识别和精确定位对于影像理解、GIS数据获取、制图以及作为其他目标的参照体都有深远意义。如何更好地利用遥感影像提取道路信息，是近年来的一个重要研究方向。根据自动化程度，道路提取可分全自动和半自动两种方式。目前国内外学者对于这两种方式的道路提取已进行了大量的研究。然而，除了一些半自动系统，还没有一种适用范围广的方法来自动提取道路网络，且大量应用都集中于中低分辨率下的道路或道路网。传统的基于线状地物的道路提取方法有：Hough变换，基于一阶微分算子的边缘检测方法等。这种道路提取方法常用于中低分辨率影像中道路的提取，但是高分辨率遥感影像中地物目标的复杂性和多样性决定了使用传统的道路提取方法不能满足日常实际应用的需要。

随着空间信息技术的飞速发展，影像分辨率逐渐提高，低、中分辨率卫星影像由于分辨率较低，道路呈线状分布，提取相对容易；在高分辨率遥感影像中，道路表现为局部灰度值近似、宽度变化缓慢的狭长区域或矩形，不能使用低分辨率影像中提取道路特征的方法来提取，这使得道路提取变得复杂，在高分辨率图像中道路与周围环境，尤其是房屋等水泥建筑物的灰度差异变得不是很明显，道路特征也复杂多变，而且路面噪声，如建筑物和绿化树木的阴影、路面上的交通线、行人、汽车等，变得不可忽略，由于这些噪声的影像，使得遥感图像中道路网变得非常凌乱，道路边缘也变得模糊不清。另外，由于停车场、池塘、建筑物项部、河流等所产生与道路类似的图像特征也给道路提取带来很大的难度。

目前针对中低分辨率影像的研究很多，而针对高分辨率影像中的道路特征提取研究还很少，并且当前的道路提取方法在提取效率、速度、适用性和准确性方面还面临前所未有的困难。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了基于深度学习的高分辨率遥感影像城市道路提取方法。

为了解决以上技术问题，本发明采用的技术方案是：基于深度学习的高分辨率遥感影像城市道路提取方法，包括以下步骤：

步骤一、构建训练数据集：选择若干高分辨率遥感影像图片，随机分为训练数据集和验证数据集；将训练数据集中包含道路的图片标记为正样本，不包含道路的图片标记为负样本；

步骤二、构建SSD神经网络模型：搭建SSD神经网络模型训练框架，将标注后的训练数据集输入到SSD神经网络模型中进行迭代训练，得到初始城市道路分类模型和参数；

步骤三、建立辐射特征损失函数：

其中，λ表示设定的常量，l为预测框，w当前预测框辐射值，g_w表示当前像素值与预测框内像素均值的比值，x为当前点像素值，y为当前点辐射值，取值{0,1}，i表示样本编号；

步骤四、建立几何特征损失函数：

其中，w表示像素点紧致度，取值(0，1]，C为该点距预测框左侧距离值，m为该点距预测框上边框距离值，x、y为该点坐标值，T为设定的阈值；所述像素点紧致度w的计算公式为：