[发明专利]基于全卷积神经网络集成学习的道路提取方法

摘要

本发明提出一种基于全卷积网络集成学习的道路提取方法，旨在得到道路连贯，路网结构完整，查全率高的道路提取结果。实现步骤为：首先在现有遥感数据库中选取样本集并划分测试样本和训练样本，其次训练一个以交叉熵为损失函数的全卷积神经网，接着改变损失函数正样本惩罚权值，在前一个网络的网络模型参数基础上进行调优，得到不同惩罚权值损失函数的全卷积神经网络，再利用训练得到全卷积神经网络进行道路提取，得到不同全卷积网络的道路提取结果，最后依据空间一致性原则，对不同的提取结果按照基于空间一致性的集成策略进行集成，输出最终的结果图。本发明能够改善道路提取结果的查全率，鲁棒性强。

主权项

1.一种基于全卷积神经网络集成学习的道路提取方法，其特征在于，包括步骤如下：(1)构建训练样本和测试样本：获取M幅大小为N×N的光学遥感图像以及与每幅光学遥感图像对应的二值类标图像，构成样本集，并将图像样本集中多半作为训练样本，其余作为测试样本，其中N≥64，M≥100；(2)设定全卷积神经网络的损失函数：将包含正样本惩罚和负样本惩罚的交叉熵损失设定为全卷积神经网络的损失函数Loss；(3)对全卷积神经网络进行训练：采用随机梯度下降法，通过训练样本和全卷积神经网络的损失函数，对全卷积神经网络进行训练，得到包含模型参数的全卷积神经网络；(4)构建k个具有不同惩罚权值损失函数的全卷积神经网络：对全卷积神经网络损失函数中正样本惩罚的权值p进行多次不同程度的增加，实现对全卷积神经网络进行微调，得到k个具有不同惩罚权值损失函数的全卷积神经网络；(5)对k个具有不同惩罚权值损失函数的全卷积神经网络进行训练：利用步骤(3)训练的全卷积神经网络包含的模型参数，对步骤(4)构建的k个全卷积神经网络分别进行调优，得到k个具有不同惩罚权值损失函数且包含模型参数的全卷积神经网络；(6)对测试样本进行道路提取：利用步骤(3)训练的全卷积神经网络对测试样本进行道路提取，同时利用步骤(5)训练的k个全卷积神经网络对测试样本进行道路提取，得到(k+1)个大小为N×N的二值道路结果图；(7)对(k+1)个二值道路结果图进行集成：(7a)以(k+1)个二值道路结果图中各像素点为中心，为每个像素点选取大小为w×w的邻域，并计算每个邻域的标准差，得到(k+1)×N×N个标准差，3≤w≤7；(7b)计算(k+1)个二值道路结果图中各像素点在集成策略下的权重：取以(k+1)×N×N个标准差中每个标准差为指数的负指数幂，得到(k+1)×N×N个集成权重值；(7c)对(k+1)个二值道路结果图进行加权投票：对(k+1)个二值道路结果图中值为道路的像素点赋予初始值1，对值为背景的像素点赋予初始值‑1；并将每个像素点的初始值与该像素点的集成权重值相乘，得到(k+1)个加权结果图，再将(k+1)个加权结果图中所有像素点的值相加，得到大小为N×N的投票结果图；(7d)投票结果图中值大于或者等于0的像素点，判定为道路，值小于0的像素点，判定为背景，并分别对判定为道路的像素点和背景的素点标定不同的值，得到集成策略下大小为N×N的二值结果图并输出。