[发明专利]一种基于改进Unet网络模型的遥感图像道路分割方法

说明书

本发明涉及遥感图像识别技术领域，公开了一种基于改进Unet网络模型的遥感图像道路分割方法，所述方法包括：将Unet训练模型中的卷积层修改为ResNet残差模块，添加了改进后的空洞空间金字塔池化模块融合不同尺度的信息，并对编码部分添加一部分的跳跃连接，从而缓解部分上采样丢失信息；并对训练样本进行数据增强，归一化处理；将处理后的图像数据引入训练好的改进Unet模型，得到分割后的结果，得到遥感中的道路信息。本发明在Unet原始网络模型的基础上增加改进，添加了改进的ASPP模块，使得道路分割精度得到较大提高，可实现遥感图像道路信息的实时精准分割。

技术领域

本发明涉及遥感图像识别技术领域，尤其涉及一种基于改进Unet网络模型的遥感图像道路分割方法。

背景技术

随着科技的发展，获取遥感图像的成本越来越低，导致各个遥感平台可以获得比之前更多的遥感数据。常见的遥感数据包括：高中低分辨率数据，高光谱数据，雷达数据，激光数据等。而在遥感数据中，通常遥感图像中道路和其他背景特征元素复杂多样，所以对其进行语义分割对道路信息进行特征提取仍然存在精度等局限问题。而大多数仍然停留在人为的目视识别层面上，通常只是把遥感图像当做基础信息，并没有对其进行信息的提取与处理。但是随着深度学习技术的发展与加深，利用深度学习来对遥感图像中目标信息进行提取分类意义变得更加重要。

传统的图像分割方法有阈值分割法，边缘分割法，区域分割法等。但是遥感图像含有丰富信息，目标尺度复杂等特点，并不能像简单图像一样被传统方法所分割。并且传统图像分割方法所得出的最终结果没有语义标注。而近年来，随着深度学习的不断发展，神经网络强大的特征提取能力，基于深度学习的语义分割模型逐渐成为了主流遥感图像分割方法。不仅在精度还是速度上都有了明显提升。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于改进Unet网络模型的遥感图像道路分割方法。

一种基于改进Unet网络模型的遥感图像道路分割方法，所述方法包括：

步骤一、将Unet训练模型中的卷积层修改为ResNet残差模块，添加改进后的空洞空间金字塔池化模块融合不同尺度的信息，并对编码部分添加跳跃连接，缓解上采样的信息丢失；

步骤二、对训练样本进行数据增强，归一化处理；

步骤三、将处理后的图像数据引入训练好的改进Unet模型，得到分割后的结果，最终获取遥感中的道路信息。

进一步的，步骤一中，所述改进后的空洞空间金字塔池化模块介于解码网络与编码网络之间添加，所述跳跃连接在解码网络中添加。

进一步的，步骤二和步骤三中，具体步骤包括：

S1、采集遥感图像，并对遥感图像进行图像预处理；

S2、对预处理后的图像进行标注，将标注后的图像调整为统一尺寸，制作训练数据集；

S3、将得到的训练数据集作为改进Unet模型的输入图像数据，训练改进Unet分割模型；

S4、将采集的图像数据输入训练好的改进Unet模型之中，通过训练好的改进Unet模型获得分割后的结果，最终获取遥感中的道路信息。

进一步的，所述S2中，对预处理后的图像进行标注，将标注后的图像调整为统一尺寸，其具体过程为：对增强预处理后的图像进行标注，获得label形式的遥感图像，并将标注后获得的图像调整为512×512的PNG图片。

进一步的，所述改进Unet网络模型的损失函数L为：

其公式中，GT代表标签图Ground Truth，PR代表预测图Prediction，GT²和PR²分别表示两样本各自的元素总数。