[发明专利]基于全卷积神经网络集成学习的道路提取方法

说明书

本发明提出一种基于全卷积网络集成学习的道路提取方法，旨在得到道路连贯，路网结构完整，查全率高的道路提取结果。实现步骤为：首先在现有遥感数据库中选取样本集并划分测试样本和训练样本，其次训练一个以交叉熵为损失函数的全卷积神经网，接着改变损失函数正样本惩罚权值，在前一个网络的网络模型参数基础上进行调优，得到不同惩罚权值损失函数的全卷积神经网络，再利用训练得到全卷积神经网络进行道路提取，得到不同全卷积网络的道路提取结果，最后依据空间一致性原则，对不同的提取结果按照基于空间一致性的集成策略进行集成，输出最终的结果图。本发明能够改善道路提取结果的查全率，鲁棒性强。

技术领域

本发明属于图像处理技术领域，涉及一种道路提取方法，更进一步涉及基于全卷积神经网络集成学习的道路提取方法，可用于获取一幅光学遥感图像的路网结构。

背景技术

遥感图像道路提取，旨在取代繁琐的人工作业，利用道路提取方法，得到输入遥感图像的道路和背景的语义分割结果图。目前的道路提取方法大致可以分为三类。第一类是基于知识的道路提取方法，例如：阈值法、模版匹配法；第二类是基于形态学的方法，例如：边缘检测法、分水岭算法、分裂生长法；这两大类方法道路提取效果不够理想，总体精度较低。目前更多研究人员致力于基于机器学习的道理提取方法，例如：聚类、支持矢量机、贝叶斯分类、神经网络，这些方法利用一些有标记的训练样本，能够取得很好的结果，但是道路提取精度仍然有待进一步提升。

全卷积神经网络是一种用于语义分割的深度神经网络，相较于一般的卷积神经网络网络，全卷积神经网络用卷积层取代了全连阶层，用反卷积的结构，使得特征图恢复原始输入图片的分辨率大小，来满足语音分割的需求。这种网络的优势在于，输入图像经过一个训练好的全卷积神经网络，可以获取一个端对端的语义分割结果，且分割结果具有很高的准确率。

全卷积神经网络用于遥感图像的道路提取，也是一种基于机器学习的道路提取方法，相较于传统的道路提取方法，全卷积神经网络有其特有的良好特性。全卷积神经网络能够提取遥感图像中具有判别性的特征，并并利用这些特征得到准确的道路提取结果。目前，已有学者将全卷积神经网络模型以及其针对损失函数的改进模型，用于道路提取。

例如，Zilong Zhong等人在其发表的论文“Fully Convolutional Networks ForBuilding And Road Extraction:Preliminary Results”(IEEE InternationalGeoscience and Remote Sensing Symposium,2016年)中提出了一种基于全卷积神经网络的道路提取方法。该方法的步骤是：首先，建立一个用于道路提取的全卷积神经网络；其次，对该网络设置了交叉熵损失函数；最后，将遥感图像划分为训练集和测试集，用训练集来训练全卷积神经网络，并将训练好的网络，用于道路提取。虽然这个方法充分利用全卷积神经网络的优良特性，能够提取判别性特征，并将这些特征道路提取结果，但是，在用该模型进行道路提取的时候，存在一定的不足之处：首先，该方法用于道路提取时，没有考虑到遥感图像中道路和背景的不平衡分布，该全卷积神经网络使用了正负样本惩罚权值相同的交熵损失函数；其次，利用该全卷积神经网络进行道路提取的时候，没有考虑到遥感图像存在的空间一致性。以上两点在很大程度上影像了道路提取的道路连贯性，路网结构十分不完整，道路提取结果查全率低。