买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北京工业大学申请的专利一种基于图卷积的遥感图像道路提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN112766280B 。

龙图腾网通过国家知识产权局官网在2025-03-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110058757.6，技术领域涉及：G06V10/44；该发明授权一种基于图卷积的遥感图像道路提取方法是由陶敏玉;迟远英;丁治明;杨博文设计研发完成，并于2021-01-16向国家知识产权局提交的专利申请。

本一种基于图卷积的遥感图像道路提取方法在说明书摘要公布了：本发明公开了一种基于图卷积的遥感图像道路提取方法，图卷积可以聚合相邻节点之间的特征信息，在节点较大邻域内提取特征，有效解决局部位置信息丢失问题。所设计的方法可以视为多任务学习，首先，利用CNN实现对遥感图像的特征提取，其次，在基于CNN所提取的道路特征基础上构建图结构模型，主要由节点和相应的边关系组成，将CNN分支所提取的道路特征信息视为节点，节点之间的差异度视作边，通过获取节点之间的关系来获取局部位置信息，本发明通过利用图卷积来解决卷积神经网络因为泛化效果而造成的道路局部位置信息丢失问题，从而能有效提高道路分割精度。

本发明授权一种基于图卷积的遥感图像道路提取方法在权利要求书中公布了：1.一种基于图卷积模型的遥感图像道路提取方法，其特征在于：包括以下步骤，步骤S1：基于CNN模型设计一个特征提取分支，实现遥感图像的特征提取；步骤S2：基于GCN模型设计一个局部信息捕获分支，根据CNN模型所提取的特征信息生成相应的图节点；步骤S3：利用所设计的基于图卷积模型的道路提取网络进行总体设计，进而实现对高分辨率遥感图像的道路提取，并得出结果；根据遥感图像中道路特点，采用基于GCN模型实现遥感图像道路提取；整体框架采用编码器-解码器结构，在编码器阶段分为基于CNN模型的特征提取分支和基于GCN的局部信息捕获分支，首先根据道路特点设计基于CNN模型的特征提取分支，使用在ImageNet数据集上预训练的ResNet34作为编码器，去掉最后的全连接层，使用改进之后的ResNet34进行相关道路信息的特征提取，之后将所获取到的相关道路特征信息作为GCN模型的输入，首先根据特征构建相关的图结构，将特征信息视作节点，节点之间的差异度视作边，通过所设计的图卷积模型，来获取图结构中节点之间的关系来获取局部位置信息，整个网络采用多任务联合学习的方式，实现高分辨率遥感图像中的道路信息提取，从而提高道路分割精度；S1实现基于CNN特征提取分支的设计，基于ResNet34网络结构设计道路提取网络的编码器，去掉其中的全连接层，由于ResNet34采用瓶颈层实现，网络结构采用两个卷积层分别用于降低和升高特征维度；采用跳跃连接方式实现浅层信息和深层特征的融合，从而解决训练过程中的梯度消失问题；通过改进后的ResNet34作为所设计网络的特征提取分支，将原始图像作为该分支的输入，提取遥感图像中相关道路特征信息，该分支的表达式由式1所示；Y＝gx1其中x为所输入的原始图像，函数ɡ表示一系列的卷积池化操作，经过函数CNN特征提取之后，最终获取道路特征信息Y；S2实现对GCN局部信息捕获分支的设计；GCN作为新兴的网络架构，采用GCN来捕捉局部信息，将道路提取问题转化为图节点分类问题；为了捕获CNN所提取的特征之间的关系，基于CNN分支所提取的道路特征信息建立一个图结构，图结构由节点和边组成，将所定义的图结构使用G＝V,E来表示，其中V表示节点的集合，E表示图的边的集合，节点V表示CNN所提取的特征信息，而边E表示节点之间的差异度，使用该图的邻接矩阵A表示图结构中每个节点与其他节点之间的差异度；采用高斯核函数来初始化图结构的邻接矩阵，之后通过若干层的图卷积，利用消息传播交换节点之间的信息，从而在邻域内提取特征，避免局部信息丢失；将遥感图像输入到CNN特征提取分支中，在经过若干层卷积操作之后，获取图像中的特征信息，作为GCN的节点特征输入；在基于GCN的分支中，将根据CNN所获取的特征所生成的邻接矩阵A和特征x作为输入，具体的图卷积操作如2式所示，gθ表示为卷积核，θ0θ1为卷积参数，IN为单位矩阵； 其中L为图的拉普拉斯矩阵，A为基于特征信息预生成的关系矩阵，D为顶点的度矩阵，归一化之后的拉普拉斯矩阵通过最终变换得到2式；将θ0θ1这两个参数化为单参数θ，得到如下3卷积公式； 由于特征值取值范围为[0，2]，这将会导致出现数值不稳定性和梯度爆炸或者消失问题，因此使用4进行归一化，其中A′＝A+IN，Di′i＝∑Ai′j； 综上所述，所采用的图卷积的具体操作如下式所示 其中Hl为第l层图卷积所输出的特征信息，也是第l+1层图卷积的输入信息，当l＝0时，Hl＝x，θ为可学习的权重；δ为激活函数，选择ReLU作为激活函数，从而实现非线性操作，在GCN训练过程中，通过关联矩阵A来实现所有节点之间的信息交换；聚集周围特征信息，并通过线性变换W来更换其状态；通过上述图卷积操作，卷积操作当中的卷积层和池化层，实现对遥感图像当中特征信息的局部感知，以及对局部信息进行综合操作，实现不同节点之间的信息交流，从而得到全局信息；当前节点所能接收到的其余节点的信息的最大范围即为图的感受野，所设计的GCN有两层；S3中，通过利用CNN分支进行特征提取，之后利用GCN分支实现特征之间的关系捕获，图结构中节点之间的关系流通过两层图卷积之后对所获取的深层特征信息进行上采样，最终在解码器输出最终的道路分割图像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。