CN110929690B - 一种基于深度神经网络的遥感影像路网提取方法 - Google Patents
一种基于深度神经网络的遥感影像路网提取方法 Download PDFInfo
- Publication number
- CN110929690B CN110929690B CN201911262993.9A CN201911262993A CN110929690B CN 110929690 B CN110929690 B CN 110929690B CN 201911262993 A CN201911262993 A CN 201911262993A CN 110929690 B CN110929690 B CN 110929690B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- road network
- deep neural
- sensing image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
Abstract
本发明公开了一种基于深度神经网络的遥感影像路网提取方法,包括如下步骤:步骤1:算法架构;步骤2:线形与提取路网比对功能架构。本发明针对高分二号卫星高分辨率遥感影像,能够有效提取影像中的路网;读取GPS采集的路线线形,与高分遥感影像提取的路网比对,获得GPS采集线形与影像提取路网的匹配度,有效提升遥感影像识别精度,提升遥感影像与GPS线形比对效率,达到提升路线,采用了一种基于链码的路线追踪加权算法,能够有效识别路线特征进行比对,排除GPS精度误差产生的位置偏移对路线比对结果的影响,排除公共路网数据库因加密产生的位置平移带来的影响,同时能消除公共路网数据库多条路线交叉对比对过程带来的影响。
Description
技术领域
本发明涉及公路建设管理领域,具体为一种基于深度神经网络的遥感影像路网提取方法。
背景技术
目前,GIS技术与高分辨率卫星遥感影像已广泛用于公路规划、建设与管理领域,如基于GPS采集公路的路线线形线位信息,并通过与高分遥感影像对GPS采集信息进行核对,对公路建设进度与建设规模进行分析,按照行业管理的要求,部分省份每年都需核对约为15万公里的农村公路电子地图信息,核对工作多采用人工目视解译方式完成,严重影响规划建设管理效率,GIS软件提供的路网提取工具识别精度不高,且需要大量前期处理工作,无法应用于较大批量影像数据的分析。因此我们对此做出改进,提出一种基于深度神经网络的遥感影像路网提取方法。
发明内容
为解决现有技术存在的缺陷,本发明提供一种基于深度神经网络的遥感影像路网提取方法。
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明一种基于深度神经网络的遥感影像路网提取方法,包括如下步骤:
步骤1:算法架构;
步骤2:线形与提取路网比对功能架构。
作为本发明的一种优选技术方案,所述算法架构包括如下步骤:
步骤101:算法采用两层深度神经网络级联的方式,前级网络为N1,次级网络为N2;
步骤103:前级架构用于识别提取遥感影像中的路面;次级网络用于后期处理,包括短中断衔接、小斑点消除等。
作为本发明的一种优选技术方案,所述线形与提取路网比对功能架构包括如下步骤:
步骤201:由GPS采集线形数据库读取一条GPS线形实采数据Li;
步骤202:获取线形的最小外接矩形;
步骤203:以该矩形裁剪需提取路网的遥感影像,保留矩形区域内影像;
步骤204:将影像以640x640像素分幅裁剪为n幅,依次输入算法构成的深度神经网络,获得n个输出图像Gout(n);
步骤205:将Gout(n)依照原始位置拼接,进行栅矢转换,将提取路面转换为多边形矢量;
步骤206:计算Li落入多边形矢量范围内的比例Di为所求。
作为本发明的一种优选技术方案,所述遥感影像提取是将遥感影像分幅裁剪成多个,再分幅依次输入到深度神经网络识别模块中,深度神经网络识别模块分隔依次输出黑白二值tif.格式,再分隔依次转变为多边形矢量,影像内路网提取及显示流程是先完成一景影像内路网提取,再将将提取路网转换为封闭的多边形矢量,读入1条GPS轨迹,调用arcgis Desktip intersect工具箱,通过该工具计算出GPS轨迹落入多边形矢量区域内的比例,并在arcgis中显示。
本发明的有益效果是:该种基于深度神经网络的遥感影像路网提取方法,针对高分二号卫星高分辨率遥感影像,能够有效提取影像中的路网;读取GPS采集的路线线形,与高分遥感影像提取的路网比对,获得GPS采集线形与影像提取路网的匹配度,有效提升遥感影像识别精度,提升遥感影像与GPS线形比对效率,达到提升路线,采用了一种基于链码的路线追踪加权算法,能够有效识别路线特征进行比对,排除GPS精度误差产生的位置偏移对路线比对结果的影响,排除公共路网数据库因加密产生的位置平移带来的影响,同时能消除公共路网数据库多条路线交叉对比对过程带来的影响,达到提升路线比对精度的目的。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1是本发明一种基于深度神经网络的遥感影像路网提取方法的高分遥感影像识别提取流程图;
图2是本发明一种基于深度神经网络的遥感影像路网提取方法的影像内路网提取及显示流程图;
图3是本发明一种基于深度神经网络的遥感影像路网提取方法的组成示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:如图1、图2和图3所示,本发明一种基于深度神经网络的遥感影像路网提取方法,包括如下步骤:
步骤1:算法架构;
步骤2:线形与提取路网比对功能架构。
其中,算法架构包括如下步骤:
步骤101:算法采用两层深度神经网络级联的方式,前级网络为N1,次级网络为N2;
步骤103:前级架构用于识别提取遥感影像中的路面;次级网络用于后期处理,包括短中断衔接、小斑点消除等。
其中,线形与提取路网比对功能架构包括如下步骤:
步骤201:由GPS采集线形数据库读取一条GPS线形实采数据Li;
步骤202:获取线形的最小外接矩形;
步骤203:以该矩形裁剪需提取路网的遥感影像,保留矩形区域内影像;
步骤204:将影像以640x640像素分幅裁剪为n幅,依次输入算法构成的深度神经网络,获得n个输出图像Gout(n);
步骤205:将Gout(n)依照原始位置拼接,进行栅矢转换,将提取路面转换为多边形矢量;
步骤206:计算Li落入多边形矢量范围内的比例Di为所求。
工作时,高分遥感影像识别提取是将遥感影像分幅裁剪成多个,再分幅依次输入到深度神经网络识别模块中,深度神经网络识别模块分隔依次输出黑白二值tif.格式,再分隔依次转变为多边形矢量,影像内路网提取及显示流程是先完成一景影像内路网提取,再将将提取路网转换为封闭的多边形矢量,读入1条GPS轨迹,调用arcgis Desktipintersect工具箱,通过该工具计算出GPS轨迹落入多边形矢量区域内的比例,并在arcgis中显示。
本方法实现了GPS采集公路线形与遥感影像对应位置道路的自动化提取与比对;本方法能有效消除路网提取过程中产生的大量小斑块,部分因树木或建筑遮蔽产生的路面短断开可被有效连接。
本发明设计了新的基于深度神经网络的高分辨率遥感影像路网提取算法,以及基于该算法的GPS采集线形与遥感影像路网提取软件流程。该算法能够有效提升识别精度,基于算法的对比流程能够大幅提升基于高分遥感影像的公路规划、建设及管理效率。
在本发明的描述中,需要说明的是,术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于深度神经网络的遥感影像路网提取方法,其特征在于,包括如下步骤:步骤1:算法架构;步骤2:线形与提取路网比对功能架构;所述算法架构包括如下步骤:步骤101:算法采用两层深度神经网络级联的方式,前级网络为N1,次级网络为N2;步骤102:设输入图像为Gin,经过深度神经网络识别并提取路网后的输出图像为Gout,则有其中为两个深度神经网络级联构成的处理架构;步骤103:前级架构用于识别提取遥感影像中的路面;次级网络用于后期处理,
其中,所述线形与提取路网比对功能架构包括如下步骤:步骤201:由GPS采集线形数据库读取一条GPS线形实采数据Li;步骤202:获取线形的最小外接矩形;步骤203:以该矩形裁剪需提取路网的遥感影像,保留矩形区域内影像;步骤204:将影像以640x640像素分幅裁剪为n幅,依次输入算法构成的深度神经网络,获得n个输出图像Gout(n);步骤205:将Gout(n)依照原始位置拼接,进行栅矢转换,将提取路面转换为多边形矢量;步骤206:计算Li落入多边形矢量范围内的比例Di为所求。
2.根据权利要求1所述的一种基于深度神经网络的遥感影像路网提取方法,其特征在于,所述后期处理包括短中断衔接。
3.根据权利要求1所述的一种基于深度神经网络的遥感影像路网提取方法,其特征在于,所述后期处理包括小斑点消除。
4.根据权利要求1所述的一种基于深度神经网络的遥感影像路网提取方法,其特征在于,所述遥感影像提取是将遥感影像分幅裁剪成多个,再分幅依次输入到深度神经网络识别模块中,深度神经网络识别模块分隔依次输出黑白二值tif.格式,再分隔依次转变为多边形矢量,影像内路网提取及显示流程是先完成一景影像内路网提取,再将提取路网转换为封闭的多边形矢量,遍历所有的GPS轨迹,每次读入1条GPS轨迹,调用GIS桌面工具intersect工具箱,通过该工具计算出GPS轨迹落入多边形矢量区域内的比例,并在GIS中显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262993.9A CN110929690B (zh) | 2019-12-10 | 2019-12-10 | 一种基于深度神经网络的遥感影像路网提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262993.9A CN110929690B (zh) | 2019-12-10 | 2019-12-10 | 一种基于深度神经网络的遥感影像路网提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929690A CN110929690A (zh) | 2020-03-27 |
CN110929690B true CN110929690B (zh) | 2022-12-30 |
Family
ID=69859909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911262993.9A Active CN110929690B (zh) | 2019-12-10 | 2019-12-10 | 一种基于深度神经网络的遥感影像路网提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929690B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158726A (zh) * | 2020-12-30 | 2021-07-23 | 交通运输部科学研究院 | 一种基于遥感影像识别农村公路路面类型的方法 |
CN114419116B (zh) * | 2022-01-11 | 2024-04-09 | 江苏省测绘研究所 | 一种基于网匹配的遥感影像配准方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770581A (zh) * | 2010-01-08 | 2010-07-07 | 西安电子科技大学 | 高分辨率城区遥感图像中道路中心线的半自动检测方法 |
KR20150021168A (ko) * | 2013-08-19 | 2015-03-02 | (주)아이지(Ig) | 스마트기기를 이용한 현장 조사 시스템 |
CN106840176A (zh) * | 2016-12-28 | 2017-06-13 | 济宁中科先进技术研究院有限公司 | Gps时空数据增量路网实时更新和轨迹匹配系统 |
CN108898092A (zh) * | 2018-06-26 | 2018-11-27 | 北京工业大学 | 基于全卷积神经网络的多光谱遥感影像路网提取方法 |
-
2019
- 2019-12-10 CN CN201911262993.9A patent/CN110929690B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770581A (zh) * | 2010-01-08 | 2010-07-07 | 西安电子科技大学 | 高分辨率城区遥感图像中道路中心线的半自动检测方法 |
KR20150021168A (ko) * | 2013-08-19 | 2015-03-02 | (주)아이지(Ig) | 스마트기기를 이용한 현장 조사 시스템 |
CN106840176A (zh) * | 2016-12-28 | 2017-06-13 | 济宁中科先进技术研究院有限公司 | Gps时空数据增量路网实时更新和轨迹匹配系统 |
CN108898092A (zh) * | 2018-06-26 | 2018-11-27 | 北京工业大学 | 基于全卷积神经网络的多光谱遥感影像路网提取方法 |
Non-Patent Citations (2)
Title |
---|
A Research on Extracting Road Network from High Resolution Remote Sensing Imagery;Yongyang Xu et al.;《2018 26th International Conference on Geoinformatics》;20181206;1-4 * |
面向对象高分辨率遥感影像城区道路及车辆信息提取研究;王浩宇;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20151015;A008-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN110929690A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vu et al. | Multi-scale solution for building extraction from LiDAR and image data | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN110929690B (zh) | 一种基于深度神经网络的遥感影像路网提取方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN109712148A (zh) | 基于盾构隧道影像的管片接缝位置自动识别方法 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN112819837B (zh) | 一种基于多源异构遥感影像的语义分割方法 | |
Hammoudi et al. | Extracting wire-frame models of street facades from 3D point clouds and the corresponding cadastral map | |
CN104809724A (zh) | 多波段遥感影像的自动精配准方法 | |
CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
CN116503705B (zh) | 一种数字城市多源数据的融合方法 | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
CN115761513A (zh) | 一种半监督深度学习的山区大型滑坡智能遥感识别方法 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN111104850A (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及系统 | |
CN114898089B (zh) | 一种融合高分影像和poi数据的功能区提取与分类方法 | |
CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
Holland et al. | Detecting changes to topographic features using high resolution imagery | |
CN114863274A (zh) | 基于深度学习的地表绿网苫盖提取方法 | |
CN111860332B (zh) | 基于多阈值级联检测器的双通道电力图零部件检测方法 | |
CN113673534A (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
CN114140703A (zh) | 一种森林松材线虫病害智能识别方法及系统 | |
Grigillo et al. | Classification based building detection from GeoEye-1 images | |
Kim et al. | Building footprints extraction of dense residential areas from Lidar data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |