申请/专利权人：西北工业大学

申请日：2021-07-14

公开（公告）日：2024-05-28

公开（公告）号：CN113591614B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/26;G06V10/44;G06V10/82;G06N3/048;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.05.28#授权;2021.11.19#实质审查的生效;2021.11.02#公开

摘要：本发明公开了一种基于紧邻空间特征学习的遥感影像道路提取方法，首先将带有道路标记标签的高分辨卫星遥感数据集划分为训练集、验证集和测试集；然后对训练集数据归一化，并进行数据增广；接下来构建带有密集连接结构的U型编‑解码网络；再构建紧邻空间卷积特征学习的U型编‑解码分割网络；最后对网络进行训练，提取遥感图像路网。本发明从空间层次上增强拓扑结构，显著了提高道路提取的连通性和平滑性，能够更为准确地分割遥感目标。

主权项：1.一种基于紧邻空间特征学习的遥感影像道路提取方法，其特征在于，包括以下步骤：步骤1：将带有道路标记标签的高分辨卫星遥感数据集划分为训练集、验证集和测试集；步骤2：对训练集数据归一化，并进行数据增广；将训练集数据进行图像正则化和标准化处理；并采用随机裁剪、中轴翻转以及随机翻转来进行数据增广；步骤3：构建带有密集连接结构的U型编-解码网络；所述带有密集连接结构的U型编-解码网络包括4个尺度依次由大到小带有密集连接结构的特征编码模块、3个尺度依次由小到大带有上采样层的特征解码模块和Sigmoid激活层；所述每个带有密集连接结构的特征编码模块包括4个密集连接的卷积特征提取单元和1个特征下采样单元；所述密集连接的卷积特征提取单元由BN层、ReLU层、3x3卷积层和Dropout层组成；特征下采样单元的输入为密集连接的卷积特征提取单元的输出，特征下采样单元包含BN层、ReLU层、3x3卷积层、Dropout层和平均池化层；所述带有密集连接结构的特征编码模块包括1个特征上采样单元和1个特征联合单元；所述特征上采样单元由上采样层、BN层、3x3卷积层和ReLU层相连组成，特征联合单元的输入为特征上采样单元的输出；步骤4：构建紧邻空间卷积特征学习的U型编-解码分割网络；将第二个密集连接结构的特征编码模块的输出输入到第一紧邻空间卷积特征学习模块，第一紧邻空间卷积特征学习模块的输出输入到第一个带有密集连接结构的特征编码模块的特征联合单元；将第三个密集连接结构的特征编码模块的输出输入到第二紧邻空间卷积特征学习模块，第二紧邻空间卷积特征学习模块的输出输入到第二个带有密集连接结构的特征编码模块的特征联合单元；即构建了紧邻空间卷积特征学习的U型编-解码分割网络，用于学习不同方向上的空间特征；所述紧邻空间卷积特征学习模块由四个不同方向的特征增强模型CNN_D相连组成，四个方向指从上到下、从下到上、从左到右和从右到左；所述特征增强模型CNN_D，首先将带有密集连接结构的特征编码模块输出的特征图X分成H个切片，再将这些切片层定义为CNN_D的迭代计算过程如下： 其中，和分别是计算前和计算后的特征切片；运算符表示与C核的卷积，f是ReLU激活函数；每个卷积核的大小为C×ω；C、H、W分别表示特征图X的大小、高度和宽度；步骤5：训练模型；将步骤2中预处理过的训练集图像和标签数据输入步骤4的紧邻空间卷积特征学习的U型编-解码网络，提取图像的二值分割结果图像；通过使用Adam优化器动态调整学习率来训练网络，在给定输入图像Yi和相应的标签数据Gi的情况下，利用联合损失函数来学习网络，联合损失函数结合了像素级的二进制交叉熵损失BCE和Dice分量，联合损失函数为： 其中N是一个训练批次中的图像数量，FYi表示给定输入图像Yi的训练网络的输出概率图；训练完成之后，使用步骤2预处理过的验证集数据测试训练好的分割网络，并调整网络参数，得到训练完成的紧邻空间卷积特征学习的U型编-解码分割网络；步骤6：遥感图像路网提取；将步骤1得到的测试集输入到步骤5紧邻空间卷积特征学习的U型编-解码分割网络，即自动输出分割后的真值图。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于紧邻空间特征学习的遥感影像道路提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD