CN110263612A - 基于生成对抗网络的多光谱遥感图像道路提取方法 - Google Patents

Abstract

本发明公开了基于生成对抗网络的多光谱遥感图像路网提取方法，首先先对多光谱遥感图像进行标注，生成标签图像，对图像进行预处理；然后对图像进行裁剪，预处理；之后通过深度学习模型建立生成对抗网络进行训练，待网络收敛时保存模型；最后将待测试图像通过生成器模型得到最终结果图。与现有技术相比较，本发明通过生成对抗网络的方式实现遥感图像进行语义分割，进行逐像素的分类，最后得到提取的道路结果。

Description

基于生成对抗网络的多光谱遥感图像道路提取方法

技术领域

本发明属于图像识别技术领域，尤其涉及一种基于生成对抗网络的多光谱遥感图像路网提取方法。

背景技术

传统的道路数据的获取主要来自于人工手段，如通过野外采集团队的实时考察与勘测等，尽管这种方的可以获取到比较准确的道路信息，但是需要耗费大量的人力物力并且更新速度慢，同时还伴随着一定的危险性。

近些年来随着世界遥感卫星发射数量与技术的不断增加与提高，遥感卫星图像的分辨率也有了很大的提高，因此使用高分辨率卫星遥感图像已经成为现实。同时，高分辨率卫星遥感图像可以提供丰富的地物特征信息，同时更新速度快，精度高，从高分辨率卫星遥感图像可以作为道路提取的数据来源，可以更好的满足实际需求。

遥感图像中的道路提取一般是指从遥感图像中自动化或者半自动化的提取道路。国内外对于道路提取任务的研究已经持续了数十年，如何快速有效的从遥感图像中提取道路一直是研究的难点与重点，众多的学者根据不同的应用领域以及数据来源提出了学多算法。

道路像素之间在空间信息中有着相关行以及差异性，在光谱信息中存在“同物异谱、同谱异物”的问题。针对这些问题Zuo等提出了一种聚类的方法，该方法同时结合了光谱与纹理信息，使用K均值聚类对遥感图像进行分割。此方法可以较为完整的提取主干道路，但是对于建筑物等干扰物没有很好地去除，整体效果还有待于提高；

Luo等提出一种结合道路光谱与几何特征的方法。该方法是利用不同的特征来区分道路与其相似物：通过光谱特征来区分与类似于道路特征的地物，并且通过几何特征来区分与道路光谱类似的地物。这种方法能够有效的分离粘连的现象，但是对细小道路的识别效果不好。

Shi等是通过自适应领域的方法来对光谱特征进行分类，将图像分为道路类与非道路类。但是该方法不能处理复杂的圆形交叉路口，不能很好的适用于低分辨率的道路。

Cai等提出了一种改进的分水岭分割方法。该方法首先通过分水岭算法划分图像，然后选择恰当的区域进行阈值筛选、去除小斑块，最终得到道路网网。但是这种方法的运行速度需要提高，同时缺少上下文特征的挖掘。

对于上述的方法方法大多需要人工选择特征，特征选取的好坏在很大程度上会影响道路的提取效果。近些年来，深度学习方法得到快速发展，有效弥补了传统手动选取特征的缺陷，同时随着网络层数的增加，也使得深度学习提取的信息越来越丰富，在多种任务上取得了很大的突破。

发明内容

本发明要解决的技术问题是，提供一种基于生成对抗网络的道路提取方法，用于多光谱遥感图像中道路提取，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：

一种基于生成对抗网络的多光谱遥感图像路网提取方法，该方法包括以下步骤：

步骤1：对多光谱遥感影像数据I_s的道路区域进行人工标注，将标注结果表示为单通道图像I_l，其中道路区域记为R非道路区域记为B；

步骤2：将大小为W×H的I_s与I_l进行批量裁剪，将其裁剪为若干大小为r×c的图片(r＜M，c＜H)，组成对应的输入的正样本对(I^m，L^m)；

步骤3：构建生成对抗网络中的生成器G，用于生成语义分割的结果，其中G的输入为I^m，输出为F^m，定义(I^m，F^m)为负样本对；

步骤4：构建生成对抗网络中的判别器D，当D的输入为(I^m，L^m)时，输出趋向于1，当输入为(I^m，F^m)输出趋向于0；

步骤5：分别建立损失函数生成网络的损失函数L₁(G,D)与距离损失函数L₂(D)，网络的损失函数为L＝L₁(G,D)+λL₁(D)，其中λ表示可调节超参数；

步骤6：选择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，输入(I^m，L^m)进行网络训练，待网络收敛后保存训练好的模型，通过生成器进行结果测试。

与现有技术相比较，本发明通过生成对抗网络的方式实现遥感图像进行语义分割，进行逐像素的分类，最后得到提取的道路结果。

附图说明

图1a为原图像。

图1b标签图像。

图2为本发明的架构图。

图3a为生成器结构图。

图3b为生成器block结构图。

图4为判别器结构图。

图5为测试结果。

具体实施方式

本发明实施例提供一种基于生成对抗网络的多光谱遥感图像路网提取方法，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图像(通道数＝4，像素值∈[0，1024]，大小为29200x27620)，选择Keras为深度学习框架。

本发明的实施方案流程如下：

步骤1：对多光谱遥感图像数据I_s(30000×20000)使用Arcgis进行人工标注，得到标签图像I_l，其中标签图像I_l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，转化后R的像素值为1，B的像素值为0；

步骤2：使用gdal对多光谱遥感图像I_s与标签I_l进行批量裁剪，图片大小为512×512，见附图1a-1b所示，将其组成对应的输入的数据对(m^m，L^m)；

步骤3：选择Keras深度学习框架，构造生成器G，网络结如图3a-3b所示，该网络中的输入为4波段，大小为512x512的遥感图像I^m，输出为单通道，大小为512x512的特征图F^m，生成器使用了编码器与解码器的对称结构，共包含9个block，其中前4个bolck为编码器部分。每一个编码器中包含两个卷积层、两个批归一化层，激活函数采用LeakyRelu，每个block后跟一个最大池化层；第5个block起到连接作用，包含两个卷积层、两个批归一化层，激活函数采用LeakyRelu；第6-9个block为解码器部分，每个block中包含一个反卷积层、两个卷积层和两个批归一化层，激活函数采用Relu；在输出层中包含一个卷积层，激活函数采用tanh；

步骤4：构造判别起D，网络结构如图4所示，输入为512x512的单通道图片L^m或F^m，输出为[0,1]的值，在该网络中共包含6层，其中第1-4层为卷积层，激活函数使用LeakyRelu；第5-6层为全联接层，其中第6层采用sigmoid激活函数；

步骤5：G训练的目的为了让L^m尽可能与F^m相似,从而使D无法正确地区分正负样本；D训练的目的正确区分出正负样本。因此构建L₁(G,D)＝E[logD(L^m)]+E[log(1-D(F^m)]，L₂(D)＝E[||L^m-F^m||]，L＝L₁(G,D)+λL₁(D)；

步骤6：选择RMSprop为优化函数，迭代次数为50，将(I^m，L^m)进行标准化后输入网络进行训练，保存训练好的模型进行测试，测试结果见附图5；

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)

1.一种基于生成对抗网络的多光谱遥感图像路网提取方法，其特征在于：该方法包括以下步骤，

步骤1：对多光谱遥感影像数据I_s的道路区域进行人工标注，将标注结果表示为单通道图像I_l，其中道路区域记为R非道路区域记为B；

步骤2：将大小为W×H的I_s与I_l进行批量裁剪，将其裁剪为若干大小为r×c的图片，组成对应的输入的正样本对(I^m,L^m)；

步骤3：构建生成对抗网络中的生成器G，用于生成语义分割的结果，其中G的输入为I^m，输出为F^m，定义(I^m,F^m)为负样本对；

步骤4：构建生成对抗网络中的判别器D，当D的输入为(I^m,L^m)时，输出趋向于1，当输入为(I^m,F^m)输出趋向于0；

步骤5：分别建立损失函数生成网络的损失函数L₁(G,D)与距离损失函数L₂(D)，网络的损失函数为L＝L₁(G,D)+λL₁(D)，其中λ表示可调节超参数；

步骤6：选择优化函数对网络进行反向传播运算，同时设置迭代次数、学习率超参数，输入(I^m,L^m)进行网络训练，待网络收敛后保存训练好的模型，通过生成器进行结果测试。

2.根据权利要求1所述的一种基于生成对抗网络的多光谱遥感图像路网提取方法，其特征在于：步骤2中，r＜M,c＜H。