[发明专利]基于深度学习的高分辨率遥感影像城市道路提取方法

摘要

本发明公开了一种基于深度学习的高分辨率遥感影像城市道路提取方法。基于深度学习的高分辨率遥感影像城市道路提取方法，利用SSD深度学习模型提取高分辨率影像中的城市道路信息的方法，可提高城市道路提取精度；构建了辐射特征损失函数和几何特征损失函数构建方法，结合传统SSD深度学习模型，大幅提高城市道路提取精度，本发明的优点主要体现在：自动化程度高，无需用户干预，提取效率高；基于深度学习目标检测模型，并且构建辐射和几何特征损失函数，城市道路提取精度高；方法可扩展性好，可适当调整模型参数以适用于不同传感器的遥感卫星图像。

主权项

1.基于深度学习的高分辨率遥感影像城市道路提取方法，其特征在于，包括以下步骤：步骤一、构建训练数据集：选择若干高分辨率遥感影像图片，随机分为训练数据集和验证数据集；将训练数据集中包含道路的图片标记为正样本，不包含道路的图片标记为负样本；步骤二、构建SSD神经网络模型：搭建SSD神经网络模型训练框架，将标注后的训练数据集输入到SSD神经网络模型中进行迭代训练，得到初始城市道路分类模型和参数；步骤三、建立辐射特征损失函数：f(w)＝λ||w||2+∑iyiloggw(xi)+(1‑yi)(logl‑gw(xi).其中，λ表示设定的常量，l为预测框，w当前预测框辐射值，gw表示当前像素值与预测框内像素均值的比值，x为当前点像素值，y为当前点辐射值，取值{0,1}；步骤四、建立几何特征损失函数：其中，w表示像素点紧致度，取值(0，1]，C为该点距预测框左侧距离值，m为该点距预测框上边框距离值，x、y为该点坐标值，T为设定的阈值；所述像素点紧致度w的计算公式为：其中，Area为区域面积，p为区域周长；步骤五、利用训练数据集对步骤二得到的初始城市道路分类模型进行迭代训练，训练过程中使用步骤三和步骤四建立的损失函数对模型进行评价，改进模型参数，得到优化的城市道路分类模型；利用优化的城市道路分类模型对验证数据集进行检测；步骤六、使用优化的城市道路分类模型对待处理的高分辨率遥感影像进行处理，输出城市道路数据。