CN112037226A - 一种基于深度学习的卫星图像道路分割方法及系统 - Google Patents
一种基于深度学习的卫星图像道路分割方法及系统 Download PDFInfo
- Publication number
- CN112037226A CN112037226A CN202010876470.XA CN202010876470A CN112037226A CN 112037226 A CN112037226 A CN 112037226A CN 202010876470 A CN202010876470 A CN 202010876470A CN 112037226 A CN112037226 A CN 112037226A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- satellite
- road image
- satellite road
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 22
- 238000002372 labelling Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010008 shearing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的卫星图像道路分割方法及系统,该方法包括:获取第一卫星道路图像,对第一卫星道路图像进行预处理,建立卫星道路自动分割模型,将第一卫星道路图像输入到卫星道路自动分割模型中进行训练;获取第二卫星道路图像,对第二卫星道路图像进行预处理,将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,输出分割结果。本发明通过对图像进行预处理增强数据,避免出现网络过拟合现象,基于深度学习技术对卫星道路图像进行自动分割,有效提高了道路元素分割的准确率和效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于深度学习的卫星图像道路分割方法及系统。
背景技术
道路是影响自动驾驶技术的重要因素,道路的精确度影响着地图的准确性,但是由于社会的快速发展,道路规划的频率也越来越快。目前获取道路的方式有:(一)使用车载激光扫描设备,通过遍历扫描的方式获取路面信息,但是对人力物力的消耗较大。(二)使用航空或者卫星图像,通过技术方法获取道路信息,此方法相对而言能够节省大量人力和时间。
近年来,随着计算机硬件的发展,计算能力逐步提升,深度学习在计算机视觉领域,在图像分类、图像分割等领域取得重大的成果。深度学习特殊的网络结构可以通过神经元将提取的特征值传递,每一层对上一层传递的特征再进行提取学习继续传递,从而提取最优的特征值。因此可以利用深度学习算法对卫星图像道路进行分割提取特征图,然而,现有的道路图像分割算法没有考虑到参数量、存储空间和网络深度增加所带来的梯度消失问题,导致卫星图像道路的自动分割准确率和效率不高。
发明内容
本发明的目的在于提供一种基于深度学习的卫星图像道路分割方法及系统,以克服或至少部分解决现有的道路图像分割算法所存在的上述问题。
本发明第一方面提供一种基于深度学习的卫星图像道路分割方法,该方法包括:
获取第一卫星道路图像,对第一卫星道路图像进行预处理,建立卫星道路自动分割模型,将第一卫星道路图像输入到卫星道路自动分割模型中进行训练;
获取第二卫星道路图像,对第二卫星道路图像进行预处理,将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,输出分割结果。
进一步的,所述对第一卫星道路图像进行预处理,具体包括:
对第一卫星道路图像进行优化处理,去除其中不存在道路元素的图像;
通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景。
进一步的,所述对第二卫星道路图像进行预处理,具体包括:
对第二卫星道路图像进行优化处理,去除其中不存在道路元素的图像;
通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景;
对第二卫星道路图像进行扩展处理,所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。
进一步的,所述将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,具体包括:
将第二卫星道路图像进行两次第一操作单元,生成尺寸更小的特征图,所述第一操作单元包括两次卷积操作和一次池化操作;
对第二卫星道路图像进行上采样时反卷积,进行两次第二操作单元将图像大小恢复到原尺寸,所述第二操作单元包括一次反卷积操作和两次卷积操作。
进一步的,在对第二卫星道路图像进行上采样反卷积前,加入空洞卷积层对第二卫星道路图像进行卷积操作。
进一步的,在卫星道路自动分割模型的编码阶段进行最大池化操作时提取卷积核覆盖区域的最大值,并记录最大值位置的索引,编码器保留最大值位置的索引返回给上采样相应的位置。
本发明第二方面提供一种基于深度学习的卫星图像道路分割系统,所述系统包括:
第一获取模块,用于获取第一卫星道路图像,对第一卫星道路图像进行预处理;
建模模块,用于建立卫星道路自动分割模型,将第一卫星道路图像输入到卫星道路自动分割模型中进行训练;
第二获取模块,用于获取第二卫星道路图像,对第二卫星道路图像进行预处理;
分割模块,用于将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,输出分割结果。
进一步的,所述第一获取模块具体还包括:
第一优化子模块,用于对第一卫星道路图像进行优化处理,去除其中不存在道路元素的图像;
第一标注子模块,用于通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景。
进一步的,所述第二获取模块具体还包括:
第二优化子模块,用于对第二卫星道路图像进行优化处理,去除其中不存在道路元素的图像;
第二标注子模块,用于通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景;
扩展子模块,用于对第二卫星道路图像进行扩展处理,所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。
本发明第三方面提供一种计算机可读存储介质,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行上述第一方面所述的方法。
与现有技术相比,本发明的有益效果是:
本发明提供的一种基于深度学习的卫星图像道路分割方法及系统,分别获取第一卫星道路图像和第二卫星道路图像,对第一卫星道路图像进行预处理后输入到卫星道路自动分割模型中进行训练,从而提高模型的分割准确率,对第二卫星道路图像也进行预处理从而增强数据,避免出现网络过拟合现象,再通过卫星道路自动分割模型对第二卫星道路图像进行自动分割,可以有效提高道路元素分割的准确率和效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于深度学习的卫星图像道路分割方法流程示意图。
图2是本发明实施例提供的空洞卷积层效果示意图。
图3是本发明实施例提供的卫星道路自动分割模型整体结构示意图。
图4是本发明实施例提供的引用编码-解码结构示意图。
图5是本发明实施例提供的模型训练阶段精确度变化示意图。
图6是本发明实施例提供的模型训练阶段Loss变化示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。
参照图1,本发明提供一种基于深度学习的卫星图像道路分割方法,所述方法包括:
获取第一卫星道路图像,对第一卫星道路图像进行预处理,建立卫星道路自动分割模型,将第一卫星道路图像输入到卫星道路自动分割模型中进行训练。
获取第二卫星道路图像,对第二卫星道路图像进行预处理,将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,输出分割结果。
一些实施方式中,所述第一卫星道路图像的获取可以是:通过公开地图获取一段道路的矢量信息,所述矢量信息包括道路两端的端点坐标值,使用端点坐标值在MapBox中定位该段道路位置,并截取该段道路的卫星图像。所述公开地图可以采用OpenStreetMap,也可以采用其他公开地图。
本领域技术人员可以理解,通过自动分割模型对图像元素进行分割可以通过各种图像分割模型实现,模型的不同构建方式根据需要选择相应的深度学习算法来实现。
作为一个示例,所述对第一卫星道路图像进行预处理,具体包括:
对第一卫星道路图像进行优化处理,去除其中不存在道路元素的图像。
通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景。
将经过处理的第一卫星道路图像输入到建立的卫星道路自动分割模型中,对模型进行训练。
另外,所述对第二卫星道路图像进行预处理,具体包括:
对第二卫星道路图像进行优化处理,去除其中不存在道路元素的图像。
通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景。
对第二卫星道路图像进行扩展处理,所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。由于模型需要充足的图像数据,但是人工标注工作量较大,因此本发明采用扩展处理的方式增强数据,从而避免出现网络过拟合现象。
作为一种优选的示例,所述卫星道路自动分割模型采用改进后的U-Net模型。所述将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,具体包括:
将第二卫星道路图像进行两次操作单元,生成尺寸更小的特征图,所述操作单元包括两次卷积操作和一次池化操作,通过两个卷积层和一个最大池化层实现。一些实施方式中,第一个卷积层的卷积核大小为3X3,步长为1,共有64个卷积核;第二个卷积层的卷积核大小同样为3X3,步长为1,卷积方式为SAME卷积,经过两个卷积层后,图像的尺寸不变。最大池化层的卷积核大小为2X2,步长为1,图像经过最大池化层处理后尺寸变为原先的1/2,最大池化层通过减小图像尺寸,从而增大感受野。
对第二卫星道路图像进行上采样时反卷积,进行两次操作单元将图像大小恢复到原尺寸,上采样时操作单元包括一个反卷积层和两个卷积层。一些实施方式中,反卷积层的卷积核大小为3X3,步长为2,令图像大小扩大2倍,随后进行卷积核大小为3X3的SAME卷积,步长为1,进行两次操作单元后图像大小恢复原尺寸。输入卫星道路自动分割模型的图像大小可以预调整为360X360,从而提高模型的处理速度。
作为一个示例,在对第二卫星道路图像进行上采样反卷积前,加入空洞卷积层对第二卫星道路图像进行卷积操作。
一些实施方式中,所述空洞卷积层共有5层,每层卷积核的大小都为3X3,空洞卷积的扩充率分别为1、2、4、8、16。如图2所示,通过引用空洞卷积,在参数不增加的情况下,增大了卷积核的感受野,在不做下采样损失信息的情况下,卷积输出范围更大的空间信息,使得模型可以保留更多的图像特征,最终的模型结构如图3所示。
在另一个优选的示例中,如图4所示,在卫星道路自动分割模型的编码阶段进行最大池化操作时,提取卷积核覆盖区域的最大值,并记录最大值位置的索引,编码器保留最大值位置的索引返回给上采样相应的位置。
本发明采用三个性能指标对所述分割方法进行评价,所述性能指标包括准确率、召回率和精确率。
其中,准确率为分类器正确分类的样本数与总样本数之比,表示为:
召回率为所有“正确被检索的个数(TP)”占所有“应该被检索到的个数(TP+FN)”的比例,表示为:
精确率为所有“正确被检索的个数(TP)”占所有“实际被检索到的(TP+FP)”的比例,表示为:
其中,TP、FN、FP、TN的含义如下表所示。
真实情况 | 预测结果(正) | 预测结果(反) |
正 | TP(真正例) | FN(假反例) |
反 | FP(假正例) | TN(真反例) |
本发明采用的改进的U-Net网络模型与常规的U-Net模型在同样的实验数据下,对于道路面、道路线、背景三种元素语义分割的准确率、召回率和精确率对比如下表所示,图5为模型训练阶段U-Net与本发明改进的U-Net的精确度变化示意图;图6为模型训练阶段U-Net与本发明改进的U-Net的Loss变化示意图。对比实验结果可以得知,本发明的改进的U-Net模型的语义分割效果更好。
本发明所提供的基于深度学习的卫星图像道路分割方法,充分利用卷积神经网络的解码器-编码器结构,最大可能的保留了图像的细节;同时考虑了获取的图像尺寸不同,图像内容不清晰,数据量较大训练速度慢等问题,将截取的图像预处理调整为360×360大小,提高了模型的训练速度。由于模型需要充足的图像数据,但是人工标注工作量大,因此采用随机翻转、图像加燥、增加图像亮度等方法来增强数据,避免出现网络过拟合现象,从而更好的训练模型。所述方法可以学习低层次和高层次的图像特征,提高了道路元素分割的精确率和召回率。
基于同样的发明构思,本发明另一实施例提供一种基于深度学习的卫星图像道路分割系统,所述系统包括第一获取模块、建模模块、第二获取模块和分割模块。
其中,所述第一获取模块,用于获取第一卫星道路图像,对第一卫星道路图像进行预处理。
所述建模模块,用于建立卫星道路自动分割模型,将第一卫星道路图像输入到卫星道路自动分割模型中进行训练。
所述第二获取模块,用于获取第二卫星道路图像,对第二卫星道路图像进行预处理。
所述分割模块,用于将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,输出分割结果。
一些实施方式中,所述第一获取模块具体还包括第一优化子模块和第一标注子模块。
所述第一优化子模块,用于对第一卫星道路图像进行优化处理,去除其中不存在道路元素的图像。
所述第一标注子模块,用于通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景。
所述第二获取模块具体还包括第二优化子模块、第二标注子模块和扩展子模块。
所述第二优化子模块,用于对第二卫星道路图像进行优化处理,去除其中不存在道路元素的图像。
所述第二标注子模块,用于通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景。
所述扩展子模块,用于对第二卫星道路图像进行扩展处理,所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。
具体的,所述分割模块具体还包括第一操作子模块和第二操作子模块。
其中,所述第一操作子模块用于将第二卫星道路图像进行两次第一操作单元,生成尺寸更小的特征图,所述第一操作单元包括两次卷积操作和一次池化操作。
所述第二操作子模块用于对第二卫星道路图像进行上采样时反卷积,进行两次第二操作单元将图像大小恢复到原尺寸,所述第二操作单元包括一次反卷积操作和两次卷积操作。
作为一个示例,所述分割模块还包括空洞卷积子模块。所述空洞卷积子模块用于在对第二卫星道路图像进行上采样反卷积前,加入空洞卷积层对第二卫星道路图像进行卷积操作。
所述分割模块还包括索引子模块,所述索引子模块用于在卫星道路自动分割模型的编码阶段进行最大池化操作时提取卷积核覆盖区域的最大值,并记录最大值位置的索引,编码器保留最大值位置的索引返回给上采样相应的位置。
上述系统实施例用于实现前述方法实施例,其原理和技术效果可以参考前述方法实施例,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路,或,一个或多个微处理器,或,一个或者多个现场可编程门阵列等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统的形式实现。
本发明另一实施例提供一种计算机可读介质,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行上述方法实施例的步骤。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种基于深度学习的卫星图像道路分割方法,其特征在于,所述方法包括以下步骤:
获取第一卫星道路图像,对第一卫星道路图像进行预处理,建立卫星道路自动分割模型,将第一卫星道路图像输入到卫星道路自动分割模型中进行训练;
获取第二卫星道路图像,对第二卫星道路图像进行预处理,将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,输出分割结果。
2.根据权利要求1所述的一种基于深度学习的卫星图像道路分割方法,其特征在于,所述对第一卫星道路图像进行预处理,具体包括:
对第一卫星道路图像进行优化处理,去除其中不存在道路元素的图像;
通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景。
3.根据权利要求1所述的一种基于深度学习的卫星图像道路分割方法,其特征在于,所述对第二卫星道路图像进行预处理,具体包括:
对第二卫星道路图像进行优化处理,去除其中不存在道路元素的图像;
通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景;
对第二卫星道路图像进行扩展处理,所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。
4.根据权利要求1所述的一种基于深度学习的卫星图像道路分割方法,其特征在于,所述将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,具体包括:
将第二卫星道路图像进行两次第一操作单元,生成尺寸更小的特征图,所述第一操作单元包括两次卷积操作和一次池化操作;
对第二卫星道路图像进行上采样时反卷积,进行两次第二操作单元将图像大小恢复到原尺寸,所述第二操作单元包括一次反卷积操作和两次卷积操作。
5.根据权利要求4所述的一种基于深度学习的卫星图像道路分割方法,其特征在于,在对第二卫星道路图像进行上采样反卷积前,加入空洞卷积层对第二卫星道路图像进行卷积操作。
6.根据权利要求4或5所述的一种基于深度学习的卫星图像道路分割方法,其特征在于,在卫星道路自动分割模型的编码阶段进行最大池化操作时提取卷积核覆盖区域的最大值,并记录最大值位置的索引,编码器保留最大值位置的索引返回给上采样相应的位置。
7.一种基于深度学习的卫星图像道路分割系统,其特征在于,所述系统包括:
第一获取模块,用于获取第一卫星道路图像,对第一卫星道路图像进行预处理;
建模模块,用于建立卫星道路自动分割模型,将第一卫星道路图像输入到卫星道路自动分割模型中进行训练;
第二获取模块,用于获取第二卫星道路图像,对第二卫星道路图像进行预处理;
分割模块,用于将第二卫星道路图像输入到卫星道路自动分割模型中对道路元素进行分割,输出分割结果。
8.根据权利要求7所述的一种基于深度学习的卫星图像道路分割系统,其特征在于,所述第一获取模块具体还包括:
第一优化子模块,用于对第一卫星道路图像进行优化处理,去除其中不存在道路元素的图像;
第一标注子模块,用于通过图像标注工具对优化后的第一卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景。
9.根据权利要求7所述的一种基于深度学习的卫星图像道路分割系统,其特征在于,所述第二获取模块具体还包括:
第二优化子模块,用于对第二卫星道路图像进行优化处理,去除其中不存在道路元素的图像;
第二标注子模块,用于通过图像标注工具对优化后的第二卫星道路图像的基本元素进行标注,所述基本元素包括道路线、道路面和背景;
扩展子模块,用于对第二卫星道路图像进行扩展处理,所述扩展处理包括随机剪切、随机翻转、图像加噪、增加亮度。
10.一种计算机可读存储介质,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876470.XA CN112037226A (zh) | 2020-08-27 | 2020-08-27 | 一种基于深度学习的卫星图像道路分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876470.XA CN112037226A (zh) | 2020-08-27 | 2020-08-27 | 一种基于深度学习的卫星图像道路分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112037226A true CN112037226A (zh) | 2020-12-04 |
Family
ID=73580918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010876470.XA Pending CN112037226A (zh) | 2020-08-27 | 2020-08-27 | 一种基于深度学习的卫星图像道路分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037226A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288014A (zh) * | 2017-01-09 | 2018-07-17 | 北京四维图新科技股份有限公司 | 道路智能提取方法和装置、提取模型构建方法及混合导航系统 |
CN109447994A (zh) * | 2018-11-05 | 2019-03-08 | 陕西师范大学 | 结合完全残差与特征融合的遥感图像分割方法 |
CN109840471A (zh) * | 2018-12-14 | 2019-06-04 | 天津大学 | 一种基于改进Unet网络模型的可行道路分割方法 |
CN110598673A (zh) * | 2019-09-24 | 2019-12-20 | 电子科技大学 | 基于残差网络的遥感图像道路提取方法 |
CN110705381A (zh) * | 2019-09-09 | 2020-01-17 | 北京工业大学 | 遥感影像道路提取方法及装置 |
CN110751111A (zh) * | 2019-10-24 | 2020-02-04 | 成都大成均图科技有限公司 | 基于高阶空间信息全局自动感知的道路提取方法和系统 |
CN110781756A (zh) * | 2019-09-29 | 2020-02-11 | 北京化工大学 | 基于遥感图像的城市道路提取方法及装置 |
CN110781773A (zh) * | 2019-10-10 | 2020-02-11 | 湖北工业大学 | 一种基于残差神经网络的道路提取方法 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN111539432A (zh) * | 2020-03-11 | 2020-08-14 | 中南大学 | 一种利用众源数据辅助遥感影像提取城市道路的方法 |
-
2020
- 2020-08-27 CN CN202010876470.XA patent/CN112037226A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288014A (zh) * | 2017-01-09 | 2018-07-17 | 北京四维图新科技股份有限公司 | 道路智能提取方法和装置、提取模型构建方法及混合导航系统 |
CN109447994A (zh) * | 2018-11-05 | 2019-03-08 | 陕西师范大学 | 结合完全残差与特征融合的遥感图像分割方法 |
CN109840471A (zh) * | 2018-12-14 | 2019-06-04 | 天津大学 | 一种基于改进Unet网络模型的可行道路分割方法 |
CN110705381A (zh) * | 2019-09-09 | 2020-01-17 | 北京工业大学 | 遥感影像道路提取方法及装置 |
CN110598673A (zh) * | 2019-09-24 | 2019-12-20 | 电子科技大学 | 基于残差网络的遥感图像道路提取方法 |
CN110781756A (zh) * | 2019-09-29 | 2020-02-11 | 北京化工大学 | 基于遥感图像的城市道路提取方法及装置 |
CN110781773A (zh) * | 2019-10-10 | 2020-02-11 | 湖北工业大学 | 一种基于残差神经网络的道路提取方法 |
CN110751111A (zh) * | 2019-10-24 | 2020-02-04 | 成都大成均图科技有限公司 | 基于高阶空间信息全局自动感知的道路提取方法和系统 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN111539432A (zh) * | 2020-03-11 | 2020-08-14 | 中南大学 | 一种利用众源数据辅助遥感影像提取城市道路的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509978B (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN110322495B (zh) | 一种基于弱监督深度学习的场景文本分割方法 | |
CN111488985B (zh) | 深度神经网络模型压缩训练方法、装置、设备、介质 | |
CN105930402A (zh) | 基于卷积神经网络的视频检索方法及系统 | |
CN116258719B (zh) | 基于多模态数据融合的浮选泡沫图像分割方法和装置 | |
CN113538457B (zh) | 利用多频动态空洞卷积的视频语义分割方法 | |
CN113888547A (zh) | 基于gan网络的无监督域自适应遥感道路语义分割方法 | |
CN112733693B (zh) | 一种全局感知高分辨率遥感影像多尺度残差道路提取方法 | |
CN116912257B (zh) | 基于深度学习的混凝土路面裂缝识别方法及存储介质 | |
CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
CN112884758A (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN115482518A (zh) | 一种面向交通场景的可扩展多任务视觉感知方法 | |
Qian et al. | Mask R-CNN for object detection in multitemporal SAR images | |
CN113066089B (zh) | 一种基于注意力引导机制的实时图像语义分割方法 | |
CN116051850A (zh) | 神经网络目标检测方法、装置、介质和嵌入式电子设备 | |
CN116452900A (zh) | 一种基于轻量级神经网络的目标检测方法 | |
CN115082778B (zh) | 一种基于多分支学习的宅基地识别方法及系统 | |
CN113255646B (zh) | 一种实时场景文本检测方法 | |
CN112037226A (zh) | 一种基于深度学习的卫星图像道路分割方法及系统 | |
CN112560719B (zh) | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 | |
CN114972851A (zh) | 一种基于遥感影像的船只目标智能检测方法 |
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 |