CN108898092A - 基于全卷积神经网络的多光谱遥感影像路网提取方法 - Google Patents

基于全卷积神经网络的多光谱遥感影像路网提取方法 Download PDF

Info

Publication number
CN108898092A
CN108898092A CN201810668951.4A CN201810668951A CN108898092A CN 108898092 A CN108898092 A CN 108898092A CN 201810668951 A CN201810668951 A CN 201810668951A CN 108898092 A CN108898092 A CN 108898092A
Authority
CN
China
Prior art keywords
image
remote sensing
network
spectrum remote
sensing image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810668951.4A
Other languages
English (en)
Inventor
李玉鑑
郭耀光
刘兆英
张婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201810668951.4A priority Critical patent/CN108898092A/zh
Publication of CN108898092A publication Critical patent/CN108898092A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/182Network patterns, e.g. roads or rivers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

Abstract

本发明公开了一种用于提取多光谱遥感影像中路网的方法,首先需要使用多光谱遥感影像标注,建立标签图像,将标签图像转化为单通道图片。之后使用对多光谱图像与对应的标签图片进行裁剪,之后标签图片与对应的多光谱遥感影像转化为适当的格式。将转化格式后的标签图片与对应的多光谱遥感影像输入网络中进行训练,最后保存模型。使用多孔卷积来增加视野;最后一层中的卷积核数量从4096减少到1024,以减少内存消耗和执行一次前向‑后向传输所花费的时间。

Description

基于全卷积神经网络的多光谱遥感影像路网提取方法
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于全卷积神经网络的多光谱遥感影像路网提取方法。
背景技术
多光谱遥感影像路网提取是指由算法自动在卫星采集的图像中标注出图像中的路段。传统的地图道路网络的识别与提取方法是,在生成路网的过程中,对地图道路信息的获取必须使用矢量绘图仪(数字化仪),通过手工将复杂的道路网逐点输入计算机才能实现地图矢量化的过程,难以迅速得到满足精度要求的GIS矢量地图。
随着遥感技术的发展,如何能够自动或半自动从多光谱遥感影像中提取路网的信息具有重要的现实意义,是国内外研究的重点。已有的道路提取方法针对不同的图像类型(光学遥感图像与遥感图像),不同的图像分辨率,不同区域的图像和不同的道路类型有不同的提取策略。从多光谱图像的路网提取主要分为三类:1,基于像素的道路网提取,该方法主要是从像素点中获取信息来进行道路提取。2,基于区域的路网提取,该方法是首先对图像进行分割与分类,然后把分割得到的区域按照一定的规则进行细化筛选,最终得到路网。3,基于知识的方法道路网提取,该方法是充分利用高光谱分辨率影像上的道路光谱特征,几何特征,上下文特征,空间特征建立道路模型知识库,通过高级库中高级知识对分割或分类后进行知识发现,从而提取道路信息。
近些年,随着深度学习的方法的出现,自主学习特征已成为可能,网络层数的增加也使得神经网络的分类能力更强。本发明通过全卷积神经网络对图像区域进行分类,得到像素的分类结果;本发明可操作性,可扩展性较强,适用于各种条件下的道路提取任务。
发明内容
本发明要解决的技术问题是,提供一种基于全卷积网络的路网提取方法,用于多光谱遥感影像中路网提取,通过语义分割对图像像素进行分类。为实现上述目的,本发明采用如下的技术方案:
一种全卷积神经网络的多光谱遥感影像路网提取方法,该方法包括以下步骤:
步骤1:对多光谱遥感影像IIs的道路区域进行标注,将标注结果表示为多光谱遥感影像的单通道图像IIl;多光谱遥感影像的单通道图像IIl中道路区域记为R,非道路区域记为B;
步骤2:将宽为W高为H的多光谱遥感影像IIs与多光谱遥感影像的单通道图像IIl进行批量裁剪,将其裁剪为若干宽为r高为c的图片(r<W,c<H),组成对应的输入的数据对(Im,Lm);
步骤3:选择深度学习框架(如Tensorflow),以VGG-16网络的全卷积结构为基础建立神经网络,其中网络输入的原始图像为步骤2中的Im,网络输入的标签图像为步骤2中的Lm
步骤4:根据所选的深度学习框架将原始图像Im与标签图像Lm转化为对应的输入的形式(如.tfrecords);
步骤5:选择损失函数、优化函数对网络进行反向传播运算,同时设置迭代次数、学习率等超参数,将转换好格式的原始图像Im与标签图像Lm输入网络进行训练,保存模型用于测试。
作为优选,所采用得网络结构建立在VGG-16网络的全卷积变体上,并进行了一些修改:首先,使用多孔卷积来增加视野;其次,最后一层中的卷积核数量从4096减少到1024,以减少内存消耗和执行一次前向-后向传输所花费的时间。
附图说明
图1(a)为原图像;
图1(b)标签图像;
图2为本发明路网提取的方法流程图;
图3(a)为测试原图像;
图3(b)为本发明测试结果图像;
具体实施方式
本发明实施例提供一种基于全卷积神经网络的多光谱遥感影像路网提取方法,下面结合相关附图对本发明进行解释和阐述:
本发明是在全卷积神经网络的基础上,数据集为某地区多光谱遥感影像(通道数=4,像素值∈[0,1023],大小为30000×20000),选择Tensorflow为深度学习框架,采用在VGG-16网络的全卷积变体。
本发明的实施方案流程如下:
步骤1:对多光谱遥感影像数据IIs(30000×20000)使用Arcgis进行人工标注,得到标签图像,其中标签图像为仅含道路区域R(像素值为(255,0,0))以及背景区域B(像素值为(0,0,0)),将标签图像转化为单通道图像IIl,转化后R的像素值为1,B的像素值为0;
步骤2:使用gdal对多光谱遥感影像IIs与标签IIl进行的批量裁剪,图片大小为321×321,,见附图1(a),1(b)所示,将其组成对应的输入的数据对(Im,Lm);
步骤3:选择Tensorflow为深度学习框架,网络结构选择建立在VGG-16网络的全卷积变体上,具体是将VGG-16的pool4的stride由2变为1,紧接着的conv5_1,conv5_2和conv5_3中hole_size改为2。接着pool5的stride由2变为1,后面的fc6中hole_size改为4,把fc6输出的feature map从4096减少到1024;
步骤4:用gdal读取(Im,Lm),将其转为img.tfrecords与label.tfrecords;
步骤5:选择使用softmax交叉熵作为损失函数,并且使用Adam优化方法对损失进行最小化处理,降低损失值来进行反向传播进而进一步更新网络参数,设置迭代次数,将img.tfrecords与label.tfrecords输入网络进行训练,保存模型用于测试;
步骤6:编写测试代码,通过训练中保存的模型,对多光谱遥感影像,见附图3(a),进行测试,测试结果见附图3(b)。
以上实例仅用于描述本发明,而非限制本发明所描述的技术方案。因此,一切不脱离本发明精神和范围的技术方案及其改进,均应涵盖在本发明的权利要求范围中。

Claims (2)

1.基于全卷积神经网络的多光谱遥感影像路网提取方法,其特征在于:该方法包括以下步骤:
步骤1:对多光谱遥感影像IIs的道路区域进行标注,将标注结果表示为多光谱遥感影像的单通道图像IIl;多光谱遥感影像的单通道图像IIl中道路区域记为R,非道路区域记为B;
步骤2:将宽为W高为H的多光谱遥感影像IIs与多光谱遥感影像的单通道图像IIl进行批量裁剪,将其裁剪为若干宽为r高为c的图片,r<W,c<H,组成对应的输入的数据对(Im,Lm);
步骤3:选择深度学习框架,以VGG-16网络的全卷积结构为基础建立神经网络,其中网络输入的原始图像为步骤2中的Im,网络输入的标签图像为步骤2中的Lm
步骤4:根据所选的深度学习框架将原始图像Im与标签图像Lm转化为对应的输入的形式;
步骤5:选择损失函数、优化函数对网络进行反向传播运算,同时设置迭代次数、学习率等超参数,将转换好格式的原始图像Im与标签图像Lm输入网络进行训练,保存模型用于测试。
2.根据权利要求1所述的基于全卷积神经网络的多光谱遥感影像路网提取方法,其特征在于:所采用的网络结构建立在VGG-16网络的全卷积变体上,并进行了一些修改:首先,使用多孔卷积来增加视野;其次,最后一层中的卷积核数量从4096减少到1024,以减少内存消耗和执行一次前向-后向传输所花费的时间。
CN201810668951.4A 2018-06-26 2018-06-26 基于全卷积神经网络的多光谱遥感影像路网提取方法 Pending CN108898092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810668951.4A CN108898092A (zh) 2018-06-26 2018-06-26 基于全卷积神经网络的多光谱遥感影像路网提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810668951.4A CN108898092A (zh) 2018-06-26 2018-06-26 基于全卷积神经网络的多光谱遥感影像路网提取方法

Publications (1)

Publication Number Publication Date
CN108898092A true CN108898092A (zh) 2018-11-27

Family

ID=64346160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810668951.4A Pending CN108898092A (zh) 2018-06-26 2018-06-26 基于全卷积神经网络的多光谱遥感影像路网提取方法

Country Status (1)

Country Link
CN (1) CN108898092A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263612A (zh) * 2019-04-25 2019-09-20 北京工业大学 基于生成对抗网络的多光谱遥感图像道路提取方法
CN110929690A (zh) * 2019-12-10 2020-03-27 交通运输部科学研究院 一种基于深度神经网络的遥感影像路网提取方法
CN111242028A (zh) * 2020-01-13 2020-06-05 北京工业大学 基于U-Net的遥感图像地物分割方法
CN111259900A (zh) * 2020-01-13 2020-06-09 河海大学 一种卫星遥感图像的语义分割方法
CN112613371A (zh) * 2020-12-16 2021-04-06 上海大学 一种基于密集连接卷积神经网络高光谱图像道路提取方法
CN113963177A (zh) * 2021-11-11 2022-01-21 电子科技大学 一种基于cnn的建筑物掩膜轮廓矢量化的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025440A (zh) * 2017-03-27 2017-08-08 北京航空航天大学 一种基于新型卷积神经网络的遥感图像道路提取方法
CN107480679A (zh) * 2017-04-20 2017-12-15 北京工业大学 基于卷积神经网络的分类和连通区域分析的路网提取方法
CN107784654A (zh) * 2016-08-26 2018-03-09 杭州海康威视数字技术股份有限公司 图像分割方法、装置及全卷积网络系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784654A (zh) * 2016-08-26 2018-03-09 杭州海康威视数字技术股份有限公司 图像分割方法、装置及全卷积网络系统
CN107025440A (zh) * 2017-03-27 2017-08-08 北京航空航天大学 一种基于新型卷积神经网络的遥感图像道路提取方法
CN107480679A (zh) * 2017-04-20 2017-12-15 北京工业大学 基于卷积神经网络的分类和连通区域分析的路网提取方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263612A (zh) * 2019-04-25 2019-09-20 北京工业大学 基于生成对抗网络的多光谱遥感图像道路提取方法
CN110929690A (zh) * 2019-12-10 2020-03-27 交通运输部科学研究院 一种基于深度神经网络的遥感影像路网提取方法
CN110929690B (zh) * 2019-12-10 2022-12-30 交通运输部科学研究院 一种基于深度神经网络的遥感影像路网提取方法
CN111242028A (zh) * 2020-01-13 2020-06-05 北京工业大学 基于U-Net的遥感图像地物分割方法
CN111259900A (zh) * 2020-01-13 2020-06-09 河海大学 一种卫星遥感图像的语义分割方法
CN112613371A (zh) * 2020-12-16 2021-04-06 上海大学 一种基于密集连接卷积神经网络高光谱图像道路提取方法
CN113963177A (zh) * 2021-11-11 2022-01-21 电子科技大学 一种基于cnn的建筑物掩膜轮廓矢量化的方法

Similar Documents

Publication Publication Date Title
CN110428428B (zh) 一种图像语义分割方法、电子设备和可读存储介质
CN109635883B (zh) 基于深度堆叠网络的结构信息指导的中文字库生成方法
CN108898092A (zh) 基于全卷积神经网络的多光谱遥感影像路网提取方法
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN107909015A (zh) 基于卷积神经网络及空谱信息融合的高光谱图像分类方法
CN110706314B (zh) 元素布局方法、装置、电子设备及可读存储介质
CN108256424A (zh) 一种基于深度学习的高分辨率遥感图像道路提取方法
CN112966684A (zh) 一种注意力机制下的协同学习文字识别方法
CN108734719A (zh) 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法
CN107133651A (zh) 基于超网络判别子图的功能磁共振影像数据分类方法
CN108304357A (zh) 一种基于字体流形的中文字库自动生成方法
CN108596240B (zh) 一种基于判别特征网络的图像语义分割方法
CN114694038A (zh) 基于深度学习的高分辨率遥感影像分类方法及系统
CN110838105A (zh) 一种业务流程模型图像识别与再构方法
CN105069478A (zh) 基于超像素张量稀疏编码的高光谱遥感地物分类方法
CN112052783A (zh) 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法
CN111259900A (zh) 一种卫星遥感图像的语义分割方法
CN116645592B (zh) 一种基于图像处理的裂缝检测方法和存储介质
CN112950780A (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN112381082A (zh) 基于深度学习的表格结构重建方法
CN115953612A (zh) 一种基于ConvNeXt的遥感影像植被分类方法和装置
CN111160389A (zh) 一种基于融合vgg的岩性识别方法
CN113963232A (zh) 一种基于注意力学习的网络图数据提取方法
CN116543165B (zh) 一种基于双通道复合深度网络的遥感图像果树分割方法
CN116469172A (zh) 一种多时间尺度下的骨骼行为识别视频帧提取方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181127