[发明专利]基于深度学习图像分类的道路阻断信息提取方法

说明书

本发明公开基于深度学习图像分类的道路阻断信息提取，利用灾害典型案例影像构建道路阻断图像分类样本库，进行卷积神经网络的训练，得到初始卷积神经网络模型CNNmodel0；获取研究区x灾后影像I(x)和道路矢量R(x)后，对道路阻断进行检测，得到待检测样本D_n(x)；利用训练好的网络CNNmodel0，对待检测样本D_n(x)进行沿道路矢量方向的垂直法线方向增加检测点的多点道路阻断检测：选择少量道路段生成新的训练样本数据S₁，对已有网络进行网络微调；重复道路阻断分类检测工作，直到检测结果达到精度要求。改进后的卷积神经网络模型的各项精度评价指标都要优于原始模型，更加适用于灾区道路阻断图像分类和检测的具体问题。

技术领域

本发明涉及遥感监测技术领域。具体地说是基于深度学习图像分类的道路阻断信息提取。

背景技术

灾害发生后，及时准确地对灾区道路阻断情况进行评估、掌握损毁道路的分布和数量情况以及灾区主干道路的通行情况，是应急救援的首要任务。灾后损失应急评估是在灾害发生后的第一时间，迅速对灾害规模及灾害破坏损失程度进行评定，灾区道路阻断程度评估是灾后损失应急评估的重要组成部分。灾区道路阻断信息服务于灾情的实时汇报和救灾决策的制定，为救灾人员第一时间赶赴灾害现场提供科学的依据，对减少人员伤亡和减轻灾害损失具有重要意义。

基于灾前-灾后多时相影像提取道路阻断信息的方法需要处理较多的影像数据，数据处理耗时较长，难以满足灾害应急监测的紧迫性要求。为了实现灾后应急监测的条件下的道路阻断信息的自动化提取，需要重点解决道路矢量和影像之间普遍存在的配准误差所带来的对信息提取精度的影响。

发明内容

为此，本发明所要解决的技术问题在于提供一种检测精度高的基于深度学习图像分类的道路阻断信息提取方法。

为解决上述技术问题，本发明提供如下技术方案：

基于深度学习图像分类的道路阻断信息提取，包括如下步骤：

(1)利用灾害典型案例影像构建道路阻断图像分类样本库，以提供训练样本S₀；

(2)进行卷积神经网络的训练，得到初始卷积神经网络模型 CNNmodel0；

(3)在获取研究区x的灾后影像I(x)和道路矢量R(x)之后，对道路阻断情况进行检测，得到待检测样本D_n(x)；

(4)利用训练好的网络CNNmodel0，对待检测样本D_n(x)进行沿道路矢量方向的垂直法线方向增加检测点的多点道路阻断检测：

(5)选择研究区影像中的少量道路段生成新的训练样本数据S₁，对已有网络进行网络微调，得到微调后的网络模型CNNmodel1；

(6)重复道路阻断分类检测工作，直到检测结果达到精度要求。

上述的基于深度学习图像分类的道路阻断信息提取，在步骤(1)中，构建道路阻断图像分类样本库的训练样本的算法如下：

(1-1)在已有道路矢量上按照等距离原则设置样本点，距离间隔设置为20米；人工将样本点划分为完整道路样本点和阻断道路样本点；

(1-2)选择完整道路样本点分割灾后遥感影像特征数据集生成完整道路样本库：以样点为圆心生成圆形缓冲区，缓冲区半径设置为50米，以缓冲区的外接矩形为边界对影像特征数据集进行分割，得到完整道路分类样本；

(1-3)选择阻断道路样本点分割灾后遥感影像特征数据集生成阻断道路样本库，以样点为圆心生成圆形缓冲区，缓冲区半径设置为50米，以缓冲区的外接矩形为边界对影像特征数据集进行分割，得到阻断道路分类样本；