[发明专利]一种基于追踪的高分遥感影像边缘修补方法

说明书

一种基于追踪的高分遥感影像边缘修补方法，首先根据遥感边缘检测任务设计深度卷积神经网络、制作样本并训练得到边缘检测模型和边缘追踪模型；将遥感影像输入到边缘检测模型中进行地物边缘提取，从而获取地物边缘强度图。将遥感影像和随机起点文件输入到边缘追踪模型中迭代生成边缘追踪图，针对不连续地物边缘，融合边缘检测结果和边缘追踪结果自动确定边缘宽度并补全边缘。本方法将边缘检测算法预测结果中不连续的边缘部分通过边缘追踪算法提供的拓扑信息完成断线修补工作，同时利用边缘二值图辅助连接破碎的边缘追踪图，或在本不存在的位置创建边缘补全边缘追踪图。可提升边缘提取准确度与效率，并提高对边缘追踪模型的准确度。

技术领域

本发明涉及遥感影像处理技术及遥感影像信息提取方法，具体地说，是一种结合遥感影像的边缘检测方法以及边缘追踪、断线修补方法。

背景技术

在遥感领域，使用高分辨率航空影像提取地物边界是一个研究热点。因为使用手工绘制地物边界是一件既费力又昂贵的事，且地物边界会随着发展不断变化，而深度学习网络能够快速准确地识别地物边界，很好地满足了实际生活中的需要。

过去人们从不同角度提出许多地物边界提取方法，一般可以分为两类：基于线划分和基于面聚合。传统的方法如信念传播和图切割认为物体空间关系仅取决于静止状态下相对位置，因此定义了数十亿的边。而条件随机场(CRF)使用完全连接的方式，定义边缘势捕捉空间信息，同时保持物体边界。这种推理方法在标准像素图像上收敛速度仅有几秒钟。随着深度学习在计算机视觉中的广泛应用，语义分割、实例分割、全景分割等新概念与方法的提出为遥感影像分割方案带来了全新的视角。卷积神经网络(CNN)在视觉语义分割中产生的效果是显著的。完全卷积神经网络(FCN)通过在CNN中用卷积层替换全连接层，使用编码器在多个级别提取特征，实现不同大小对象的分割，最后解码器组合编码的特征。此外，人们对其他FCN结构进行了广泛的研究，UNet和SegNet同样使用著名的编码器-解码器结构来分割图像。DeepLab通过引入空间金字塔模块，使用具有不同膨胀率的膨胀卷积层并行连接，以捕获不同范围的上下文信息。它们在近距离和医学图像分割中都拥有更好的表现。受深度学习在语义分割中成功应用的启发，人们将CNN以及FCN引入到地物边界分割中，ResNet，LinkNet，D-Link-Net在道路提取上比较优秀的网络，以D-Link-Net为代表，它使用带预训练编码器(ResNet34)的LinkNet作为其主干，并在中心部分有额外的扩张卷积层，同时采用级联和并行模式，在保证参数个数不变的情况下增大卷积核的感受野，使输出的特征映射的大小保持不变，结合不同尺度特征提升分割精度。

由于之前的方法忽略了地物边界的结构和拓扑信息，连通性较差，人们还选择使用图神经网络以及大量复杂的后处理来保证地物边界连通性。与分割方法不同，基于图神经网络的边界检测方法可以直接输出图的结构。后来的道路中心线追踪算法使用一个迭代搜索策略卷积神经网络(RoadTracer)来跟踪连续的和完整的道路网络。为了解决RoadTracer受步长限制无法检测高质量道路交叉口的问题，使用热图预测代替方向预测来显示相邻顶点分布的概率，但它存在性能较低和无法识别太近的点的问题。Sat2Graph则通过高质量航空影像预测出一个19维张量，它包含了道路网络所需全部信息，通过算法可以解码并获取道路网络图。在实时实例分割中，与在图像中直接回归对象边界点坐标不同，DeepSnake使用循环卷积从而更好地利用了轮廓的循环图结构，通过初始轮廓和轮廓变形处理目标定位中的错误。目前最先进的边界提取算法中，PolyWord采用图神经网络预测每对顶点之间的连接强度并正确连接创建精确的多边形，这在地理和地图应用中提取矢量多边形有一定帮助。

发明内容

本发明的目的在于克服高分遥感影像中由于地物边界模糊、相互遮挡等因素导致地物边缘提取不精细、不完整的问题，提出了一种基于边缘追踪的高分遥感影像边缘提取方法，同时通过边缘检测算法获取相对完整的地物边缘和通过边缘追踪算法还原相对完整的边缘追踪图，对不明显、断线边缘位置进行检测和提取，利用追踪的方式预测断线边缘追踪路线，融合二者各自的优点，从而提取出完整的边缘信息。