[发明专利]一种基于多头自注意力机制的高分辨率遥感影像中道路提取方法、系统、设备及介质

说明书

一种基于多头自注意力机制的高分辨率遥感影像中道路提取方法、系统、设备及介质，方法包括：对从卫星获取的高分辨率遥感影像进行预处理，得到高分辨率遥感影像数据集Dsupgt;e/supgt;，将高分辨率遥感影像数据集Dsupgt;e/supgt;按比例划分为训练集验证集和测试集设计搭建基于深度学习的高分辨率遥感影像道路提取网络；计算网络损失；设置网络训练参数；网络训练；网络测试；结果评估；系统、设备及介质，用于实现一种基于多头自注意力机制的高分辨率遥感影像中道路提取方法；本发明利用Canny边缘算子对道路遥感影像进行预处理，获得遥感影像中道路的边缘特征；基于U‑Net模型，融合多头自注意力机制模块，解决了现有技术参数量大，耗费时间多，道路提取精度低的问题。

技术领域

本发明属于道路提取技术领域，具体涉及一种基于多头自注意力机制的高分辨率遥感影像中道路提取方法、系统、设备及介质。

背景技术

作为国家基础地理信息，道路在现代社会扮演着重要的角色，是车辆导航、城市空间规划、智慧城市建设和地理信息系统更新等应用的必要前提。随着遥感技术快速发展，遥感影像数据呈现高时空分辨率特点，影像质量不断提高，被广泛应用于地物信息提取等研究领域。在信息高度细节化的高分辨率遥感影像中，由于道路背景复杂、拓扑结构多变、阴影遮盖及影像的“同物异谱”问题，道路的自动、精确提取仍存在较大挑战。

近些年，国内外学者在高分辨率遥感影像道路提取方面做了大量研究，对于道路信息的不同应用领域提出了多种方法。针对传统的道路提取方法，根据道路提取层次的不同分为2类。①基于特征层次，利用道路本身的光谱、纹理特征、几何拓扑结构，通过模板匹配或知识驱动算法提取道路骨架。前者道路提取效果好，但人工干预程度高，种子点选取较多，算法自动程度低；后者的人工参与度不高，但该类算法计算复杂度高，运行效率不理想。②基于对象层次，将道路区域视做整体，通过图像分割聚类、支持向量机和条件随机场等算法提取高分辨率影像中道路的信息。但这类方法步骤复杂，稳定性差，受影像像素灰度变化不均匀的影响，提取结果存在断裂、错提、漏提、缺失等问题，道路提取效果不佳，后处理工作耗时费力，难以应用于大规模道路提取。因此，亟需一种能在复杂场景下快速、准确的高分遥感影像道路提取方法。

当前，计算机视觉和人工智能发展显著，基于深度学习的道路提取算法只需要少量的人工标签影像数据，经过神经网络模型训练后就可以提取出影像中的道路信息，其优异的性能吸引着众多研究者，但该方法也存在局限性，比如获取已标注的遥感影像比较困难，在样本数据量较少的情况下训练网络结构复杂的神经网络很容易出现过拟合现象，导致提取的道路信息准确率不理想，迁移学习的出现可以很好的解决这一局限性，通过迁移学习的方法，将在网络上的大型开源数据集上训练好的模型权重参数迁移到新的分类任务中，新的分类任务不用再重新开始训练，只需要训练部分参数就可以更加高效、准确的完成训练任务，为权重参数在深度神经网络中传递提供了载体，实现使用少量标注数据进行训练就可以达到理想的训练效果。

现有技术的缺陷和不足：

1.现有的道路提取深度学习模型常常针对的是简单的且连通性好的道路，对于有建筑和树木遮挡的情况下，道路提取精度低。

2.现有的技术主要针对的是低分辨率遥感影像。

现有的技术往往是通过结合多个子模块来实现高精度的导流道路提取，导致模型参数量大，训练过程耗费时间多，且对硬件要求较高。