CN115620149B - 一种基于遥感图像的道路检测方法 - Google Patents

一种基于遥感图像的道路检测方法 Download PDF

Info

Publication number
CN115620149B
CN115620149B CN202211545341.8A CN202211545341A CN115620149B CN 115620149 B CN115620149 B CN 115620149B CN 202211545341 A CN202211545341 A CN 202211545341A CN 115620149 B CN115620149 B CN 115620149B
Authority
CN
China
Prior art keywords
road
remote sensing
representing
synthetic aperture
aperture radar
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
Application number
CN202211545341.8A
Other languages
English (en)
Other versions
CN115620149A (zh
Inventor
李冠群
俞伟学
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.)
Genyu Muxing Beijing Space Technology Co ltd
Original Assignee
Genyu Muxing Beijing Space Technology Co ltd
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 Genyu Muxing Beijing Space Technology Co ltd filed Critical Genyu Muxing Beijing Space Technology Co ltd
Priority to CN202211545341.8A priority Critical patent/CN115620149B/zh
Publication of CN115620149A publication Critical patent/CN115620149A/zh
Application granted granted Critical
Publication of CN115620149B publication Critical patent/CN115620149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域，公开了一种基于遥感图像的道路检测方法，包括：获取遥感图像，提取合成孔径雷达道路特征，提取光学遥感道路特征，将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征，将所述融合道路特征输入至道路提取网络，得到道路检测结果。本发明充分利用光学遥感图像和合成孔径雷达图像的观测信息优势，通过两个分支提取各自的道路特征，使用融合分支将多源遥感数据的道路特征进行合并融合，采用多尺度融合损失对网络进行训练，得到预测的道路检测结果，同时考虑合成孔径雷达图像全天时全天候的特性和光学遥感图像的地物观察色彩信息，有效提高对于遥感图像的道路检测精度。

Description

一种基于遥感图像的道路检测方法
技术领域
本发明涉及图像数据处理领域，尤其涉及一种基于遥感图像的道路检测方法。
背景技术
光学遥感图像受其成像机制的限制，容易受到光照和天气（如云、雾）等因素的影响，无法在夜晚和极端恶劣天气条件下进行地物的道路检测。合成孔径雷达（SyntheticAperture Radar，SAR）图像具有全天时和全天候的工作能力，可以在任何时间段、任何天气条件工作。但合成孔径雷达图像没有色彩信息，且容易收到斑点噪声的污染，使得观测的道路信息较为模糊，难以直接容易地进行视觉辨认。光学遥感图像具有直观丰富的色彩信息，直观易懂。两者各具优势与劣势，可互相弥补。因此，利用多源遥感信息（即融合光学遥感图像和合成孔径雷达图像）可充分利用两者的优势，在保持观测稳定性的前提下提高对地表的道路检测精度。
近年来，深度学习广泛应用于遥感图像处理领域，包括对于遥感图像的道路检测任务。如中国发明专利“一种识别光学遥感图像道路的Y型神经网络系统及方法”（CN201811215645.1）公开了一种识别光学遥感图像道路的Y型神经网络，通过对光学遥感图像的环境背景细节抑制和深层细节信息分析，进而得出光学遥感图像中的道路识别结果。再如中国发明专利“基于全卷积神经网络的道路提取方法及系统”（CN202210605408.6）公开了一种基于全卷积神经网络的道路提取方法及系统，在FCN的基础上改进网络模型，并将合成孔径雷达图像作为网络输入从而提取道路预测。通过国内外专利和文献检索，目前关于遥感图像的道路检测的研究比较多，但是现有的研究一般采用单源遥感图像进行道路检测，未见利用多源遥感数据（尤其是光学遥感图像和合成孔径雷达图像）融合的深度学习遥感图像道路检测。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种基于遥感图像的道路检测方法。
为实现上述目的，本发明提供的一种基于遥感图像的道路检测方法，包括：
获取遥感图像；
提取合成孔径雷达道路特征；
提取光学遥感道路特征；
将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征；
将所述融合道路特征输入至道路提取网络，得到道路检测结果。
根据本发明的一个方面，提取合成孔径雷达道路特征的方法为：
提取所述遥感图像中的合成孔径雷达图像，将所述合成孔径雷达图像标记为
Figure DEST_PATH_IMAGE001
，使用合成孔径雷达道路提取分支提取所述合成孔径雷达图像的道路特征得到所述合成孔径雷达道路特征，所述合成孔径雷达道路提取分支包含9个合成孔径雷达模块，得到所述合成孔径雷达道路特征的计算公式为，
Figure 112072DEST_PATH_IMAGE002
；
其中，
Figure DEST_PATH_IMAGE003
表示9个合成孔径雷达模块中从1到9的序号；
Figure 167884DEST_PATH_IMAGE004
表示9个合成孔径雷达模块中第/>
Figure 564230DEST_PATH_IMAGE003
个模块；
Figure DEST_PATH_IMAGE005
表示经过合成孔径雷达模块后得到的合成孔径雷达道路特征；
Figure 47295DEST_PATH_IMAGE006
表示下采样系数为2的最大池化操作；
Figure DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure 240511DEST_PATH_IMAGE008
表示特征之间的通道叠加操作；
Figure DEST_PATH_IMAGE009
表示一个尺寸为3的卷积操作；
Figure 552543DEST_PATH_IMAGE010
表示整流线性激活函数。
根据本发明的一个方面，提取所述光学遥感道路特征的方法为：
提取所述遥感图像中的光学遥感图像，将所述光学遥感图像标记为
Figure DEST_PATH_IMAGE011
，使用光学遥感道路提取分支提取所述光学遥感图像的道路特征得到所述光学遥感道路特征，所述光学遥感道路提取分支包含9个光学遥感模块，得到所述光学遥感道路特征的计算公式为，
Figure 347936DEST_PATH_IMAGE012
；
其中，
Figure 720012DEST_PATH_IMAGE003
表示9个光学遥感模块中从1到9的序号；
Figure DEST_PATH_IMAGE013
表示9个光学遥感模块中第/>
Figure 603785DEST_PATH_IMAGE003
个模块；
Figure 719509DEST_PATH_IMAGE014
表示经过光学遥感模块后得到的光学遥感道路特征；
Figure 372338DEST_PATH_IMAGE006
表示下采样系数为2的最大池化操作；
Figure 852998DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure 207756DEST_PATH_IMAGE008
表示特征之间的通道叠加操作；
Figure 877903DEST_PATH_IMAGE009
表示一个尺寸为3的卷积操作；
Figure 634506DEST_PATH_IMAGE010
表示整流线性激活函数。
根据本发明的一个方面，所述合成孔径雷达道路特征和所述光学遥感道路特征通过融合分支进行多尺度融合得到所述融合道路特征，根据所述融合道路特征得到所述道路提取网络，得到所述融合道路特征的计算公式为，
Figure DEST_PATH_IMAGE015
；
Figure 102047DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE017
；
Figure 209680DEST_PATH_IMAGE018
；
其中，
Figure DEST_PATH_IMAGE019
表示上采样系数为8的双线性插值操作；
Figure 480255DEST_PATH_IMAGE020
表示上采样系数为4的双线性插值操作；
Figure 29048DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure DEST_PATH_IMAGE021
、/>
Figure 992456DEST_PATH_IMAGE022
、/>
Figure DEST_PATH_IMAGE023
和/>
Figure 72539DEST_PATH_IMAGE024
分别表示四个融合模块；
Figure DEST_PATH_IMAGE025
、/>
Figure 333756DEST_PATH_IMAGE026
、/>
Figure DEST_PATH_IMAGE027
和/>
Figure 547175DEST_PATH_IMAGE028
分别表示融合道路特征。
根据本发明的一个方面，使用二元交叉熵损失函数对所述道路提取网络进行训练，使用所述二元交叉熵损失函数的计算公式为：
Figure DEST_PATH_IMAGE029
；
其中，
Figure 681484DEST_PATH_IMAGE030
表示二元交叉熵计算操作；
Figure DEST_PATH_IMAGE031
表示二元交叉熵损失；
Figure 498131DEST_PATH_IMAGE032
、/>
Figure DEST_PATH_IMAGE033
、/>
Figure 48192DEST_PATH_IMAGE034
和/>
Figure DEST_PATH_IMAGE035
分别表示四个二元交叉熵计算值的权重系数。
根据本发明的一个方面，使用多尺度分割融合损失函数对所述道路提取网络进行训练，使用所述多尺度分割融合损失函数的计算公式为：
Figure 633894DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE037
；
其中，
Figure 939104DEST_PATH_IMAGE038
表示多尺度分割融合损失的系数；
Figure DEST_PATH_IMAGE039
表示多尺度分割融合损失；
Figure 719411DEST_PATH_IMAGE031
表示所述合成孔径雷达图像和所述光学遥感图像中的二元道路标签；
Figure 322431DEST_PATH_IMAGE040
表示交运算；
Figure DEST_PATH_IMAGE041
表示绝对值运算。
根据本发明的一个方面，将所述融合道路特征输入至所述道路提取网络中得到所述检测结果，计算所述检测结果的计算公式为，
Figure 778951DEST_PATH_IMAGE042
；
其中，
Figure DEST_PATH_IMAGE043
表示所述检测结果。
为实现上述目的，本发明提供一种基于遥感图像的道路检测系统，包括：
遥感图像获取模块：获取遥感图像；
合成孔径雷达道路特征获取模块：提取合成孔径雷达道路特征；
光学遥感道路特征获取模块：提取光学遥感道路特征；
融合道路特征获取模块：将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征；
检测模块：将所述融合道路特征输入至道路提取网络，得到道路检测结果。
为实现上述目的，本发明提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述针对一种基于遥感图像的道路检测方法。
为实现上述目的，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述针对一种基于遥感图像的道路检测方法。
基于此，本发明的有益效果在于：
可以充分利用光学遥感图像和合成孔径雷达图像的各自的观测信息优势，通过两个分支提取各自的道路特征，使用融合分支将多源遥感数据的道路特征进行合并融合，进而采用多尺度融合损失对网络进行训练，最终得到预测的道路检测结果，通过这样的方法，可以同时考虑合成孔径雷达图像全天时全天候的特性和光学遥感图像的地物观察色彩信息，有效提高对于遥感图像的道路检测精度。
附图说明
图1示意性表示根据本发明的一种基于遥感图像的道路检测方法的流程图；
图2示意性表示根据本发明的一种基于遥感图像的道路检测方法的道路提取网络图；
图3示意性表示根据本发明的一种基于遥感图像的道路检测系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于遥感图像的道路检测方法的流程图，如图1所示，本发明的一种基于遥感图像的道路检测方法，包括：
获取遥感图像；
提取合成孔径雷达道路特征；
提取光学遥感道路特征；
将合成孔径雷达道路特征和光学遥感道路特征进行融合得到融合道路特征；
将融合道路特征输入至道路提取网络，得到道路检测结果。
根据本发明的一个实施方式，提取合成孔径雷达道路特征的方法为：
图2示意性表示根据本发明的一种基于遥感图像的道路检测方法的道路提取网络图，如图2所示，提取遥感图像中的合成孔径雷达图像，将合成孔径雷达图像标记为
Figure 176434DEST_PATH_IMAGE001
，使用合成孔径雷达道路提取分支提取合成孔径雷达图像的道路特征得到合成孔径雷达道路特征，合成孔径雷达道路提取分支包含9个合成孔径雷达模块，得到合成孔径雷达道路特征的计算公式为，
Figure 718405DEST_PATH_IMAGE044
；
其中，
Figure 859536DEST_PATH_IMAGE003
表示9个合成孔径雷达模块中从1到9的序号；
Figure 357514DEST_PATH_IMAGE004
表示9个合成孔径雷达模块中第/>
Figure 676631DEST_PATH_IMAGE003
个模块；
Figure 892849DEST_PATH_IMAGE005
表示经过合成孔径雷达模块后得到的合成孔径雷达道路特征；
Figure 837671DEST_PATH_IMAGE006
表示下采样系数为2的最大池化操作；
Figure 274DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure 942823DEST_PATH_IMAGE008
表示特征之间的通道叠加操作；
Figure 443074DEST_PATH_IMAGE009
表示一个尺寸为3的卷积操作；
Figure 676740DEST_PATH_IMAGE010
表示整流线性激活函数。
根据本发明的一个实施方式，提取光学遥感道路特征的方法为：
提取遥感图像中的光学遥感图像，将光学遥感图像标记为
Figure 149310DEST_PATH_IMAGE011
，使用光学遥感道路提取分支提取光学遥感图像的道路特征得到光学遥感道路特征，光学遥感道路提取分支包含9个光学遥感模块，得到光学遥感道路特征的计算公式为，
Figure 59497DEST_PATH_IMAGE012
；
其中，
Figure 797777DEST_PATH_IMAGE003
表示9个光学遥感模块中从1到9的序号；
Figure 22085DEST_PATH_IMAGE013
表示9个光学遥感模块中第/>
Figure 411478DEST_PATH_IMAGE003
个模块；
Figure 508878DEST_PATH_IMAGE014
表示经过光学遥感模块后得到的光学遥感道路特征；
Figure 921405DEST_PATH_IMAGE006
表示下采样系数为2的最大池化操作；
Figure 746142DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure 743703DEST_PATH_IMAGE008
表示特征之间的通道叠加操作；
Figure 198955DEST_PATH_IMAGE009
表示一个尺寸为3的卷积操作；
Figure 161095DEST_PATH_IMAGE010
表示整流线性激活函数。
根据本发明的一个实施方式，合成孔径雷达道路特征和光学遥感道路特征通过融合分支进行多尺度融合得到融合道路特征，根据融合道路特征得到道路提取网络，得到融合道路特征的计算公式为，
Figure 540255DEST_PATH_IMAGE015
；
Figure 576344DEST_PATH_IMAGE016
；
Figure 264814DEST_PATH_IMAGE017
；
Figure 651933DEST_PATH_IMAGE018
；
其中，
Figure 569205DEST_PATH_IMAGE019
表示上采样系数为8的双线性插值操作；
Figure 787697DEST_PATH_IMAGE020
表示上采样系数为4的双线性插值操作；
Figure 584751DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure 6637DEST_PATH_IMAGE021
、/>
Figure 242446DEST_PATH_IMAGE022
、/>
Figure 253127DEST_PATH_IMAGE023
和/>
Figure 31203DEST_PATH_IMAGE024
分别表示四个融合模块；
Figure 189652DEST_PATH_IMAGE025
、/>
Figure 635677DEST_PATH_IMAGE026
、/>
Figure 313914DEST_PATH_IMAGE027
和/>
Figure 983930DEST_PATH_IMAGE028
分别表示融合道路特征。
根据本发明的一个实施方式，使用二元交叉熵损失函数对道路提取网络进行训练，使用二元交叉熵损失函数的计算公式为：
Figure 895254DEST_PATH_IMAGE029
；
其中，
Figure 161281DEST_PATH_IMAGE030
表示二元交叉熵计算操作；
Figure 677713DEST_PATH_IMAGE031
表示二元交叉熵损失；
Figure 315368DEST_PATH_IMAGE032
、/>
Figure 386092DEST_PATH_IMAGE033
、/>
Figure 783706DEST_PATH_IMAGE034
和/>
Figure 154645DEST_PATH_IMAGE035
分别表示四个二元交叉熵计算值的权重系数。
根据本发明的一个实施方式，使用多尺度分割融合损失函数对道路提取网络进行训练，使用多尺度分割融合损失函数的计算公式为：
Figure 666265DEST_PATH_IMAGE036
；
Figure 489864DEST_PATH_IMAGE037
；
其中，
Figure 674858DEST_PATH_IMAGE038
表示多尺度分割融合损失的系数；
Figure 651035DEST_PATH_IMAGE039
表示多尺度分割融合损失；
Figure 568176DEST_PATH_IMAGE031
表示合成孔径雷达图像和光学遥感图像中的二元道路标签；
Figure 144651DEST_PATH_IMAGE040
表示交运算；
Figure 618489DEST_PATH_IMAGE041
表示绝对值运算。
根据本发明的一个实施方式，将融合道路特征输入至道路提取网络中得到检测结果，计算检测结果的计算公式为，
Figure 698440DEST_PATH_IMAGE042
；
其中，
Figure 52061DEST_PATH_IMAGE043
表示检测结果。
不仅如此，为实现上述发明目的，本发明还提供一种基于遥感图像的道路检测系统，图3示意性表示根据本发明的一种基于遥感图像的道路检测系统的流程图，如图3所示，根据本发明的一种基于遥感图像的道路检测系统，该系统包括：
遥感图像获取模块：获取遥感图像；
合成孔径雷达道路特征获取模块：提取合成孔径雷达道路特征；
光学遥感道路特征获取模块：提取光学遥感道路特征；
融合道路特征获取模块：将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征；
检测模块：将所述融合道路特征输入至道路提取网络，得到道路检测结果。
根据本发明的一个实施方式，提取合成孔径雷达道路特征的方法为：
图2示意性表示根据本发明的一种基于遥感图像的道路检测方法的道路提取网络图，如图2所示，提取遥感图像中的合成孔径雷达图像，将合成孔径雷达图像标记为
Figure 397723DEST_PATH_IMAGE001
，使用合成孔径雷达道路提取分支提取合成孔径雷达图像的道路特征得到合成孔径雷达道路特征，合成孔径雷达道路提取分支包含9个合成孔径雷达模块，得到合成孔径雷达道路特征的计算公式为，
Figure 862202DEST_PATH_IMAGE044
；
其中，
Figure 796660DEST_PATH_IMAGE003
表示9个合成孔径雷达模块中从1到9的序号；
Figure 586762DEST_PATH_IMAGE004
表示9个合成孔径雷达模块中第/>
Figure 151211DEST_PATH_IMAGE003
个模块；
Figure 419381DEST_PATH_IMAGE005
表示经过合成孔径雷达模块后得到的合成孔径雷达道路特征；
Figure 473925DEST_PATH_IMAGE006
表示下采样系数为2的最大池化操作；
Figure 716818DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure 489602DEST_PATH_IMAGE008
表示特征之间的通道叠加操作；
Figure 295884DEST_PATH_IMAGE009
表示一个尺寸为3的卷积操作；
Figure 955667DEST_PATH_IMAGE010
表示整流线性激活函数。
根据本发明的一个实施方式，提取光学遥感道路特征的方法为：
提取遥感图像中的光学遥感图像，将光学遥感图像标记为
Figure 87571DEST_PATH_IMAGE011
，使用光学遥感道路提取分支提取光学遥感图像的道路特征得到光学遥感道路特征，光学遥感道路提取分支包含9个光学遥感模块，得到光学遥感道路特征的计算公式为，
Figure 878809DEST_PATH_IMAGE012
；
其中，
Figure 239515DEST_PATH_IMAGE003
表示9个光学遥感模块中从1到9的序号；
Figure 268650DEST_PATH_IMAGE013
表示9个光学遥感模块中第/>
Figure 102614DEST_PATH_IMAGE003
个模块；
Figure 338073DEST_PATH_IMAGE014
表示经过光学遥感模块后得到的光学遥感道路特征；
Figure 751737DEST_PATH_IMAGE006
表示下采样系数为2的最大池化操作；
Figure 432117DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure 390977DEST_PATH_IMAGE008
表示特征之间的通道叠加操作；
Figure 94491DEST_PATH_IMAGE009
表示一个尺寸为3的卷积操作；
Figure 108583DEST_PATH_IMAGE010
表示整流线性激活函数。
根据本发明的一个实施方式，合成孔径雷达道路特征和光学遥感道路特征通过融合分支进行多尺度融合得到融合道路特征，根据融合道路特征得到道路提取网络，得到融合道路特征的计算公式为，
Figure 597465DEST_PATH_IMAGE015
；
Figure 242072DEST_PATH_IMAGE016
；
Figure 432882DEST_PATH_IMAGE017
；
Figure 188349DEST_PATH_IMAGE018
；
其中，
Figure 594053DEST_PATH_IMAGE019
表示上采样系数为8的双线性插值操作；
Figure 409563DEST_PATH_IMAGE020
表示上采样系数为4的双线性插值操作；
Figure 822089DEST_PATH_IMAGE007
表示上采样系数为2的双线性插值操作；
Figure 925787DEST_PATH_IMAGE021
、/>
Figure 638528DEST_PATH_IMAGE022
、/>
Figure 359360DEST_PATH_IMAGE023
和/>
Figure 541073DEST_PATH_IMAGE024
分别表示四个融合模块；
Figure 435080DEST_PATH_IMAGE025
、/>
Figure 2328DEST_PATH_IMAGE026
、/>
Figure 644793DEST_PATH_IMAGE027
和/>
Figure 297491DEST_PATH_IMAGE028
分别表示融合道路特征。
根据本发明的一个实施方式，使用二元交叉熵损失函数对道路提取网络进行训练，使用二元交叉熵损失函数的计算公式为：
Figure 995188DEST_PATH_IMAGE029
；
其中，
Figure 433254DEST_PATH_IMAGE030
表示二元交叉熵计算操作；
Figure 292626DEST_PATH_IMAGE031
表示二元交叉熵损失；
Figure 432620DEST_PATH_IMAGE032
、/>
Figure 348056DEST_PATH_IMAGE033
、/>
Figure 889896DEST_PATH_IMAGE034
和/>
Figure 920169DEST_PATH_IMAGE035
分别表示四个二元交叉熵计算值的权重系数。
根据本发明的一个实施方式，使用多尺度分割融合损失函数对道路提取网络进行训练，使用多尺度分割融合损失函数的计算公式为：
Figure 94929DEST_PATH_IMAGE036
；
Figure 337692DEST_PATH_IMAGE037
；
其中，
Figure 734038DEST_PATH_IMAGE038
表示多尺度分割融合损失的系数；
Figure 154786DEST_PATH_IMAGE039
表示多尺度分割融合损失；
Figure 800531DEST_PATH_IMAGE031
表示合成孔径雷达图像和光学遥感图像中的二元道路标签；
Figure 846984DEST_PATH_IMAGE040
表示交运算；
Figure 848570DEST_PATH_IMAGE041
表示绝对值运算。
根据本发明的一个实施方式，将融合道路特征输入至道路提取网络中得到检测结果，计算检测结果的计算公式为，
Figure 689487DEST_PATH_IMAGE042
；
其中，
Figure 822528DEST_PATH_IMAGE043
表示检测结果。
为实现上述发明目的，本发明还提供一种电子设备，该电子设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，计算机程序被处理器执行时实现上述一种基于遥感图像的道路检测方法。
为实现上述发明目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述一种基于遥感图像的道路检测方法。
基于此，本发明的有益效果在于，可以充分利用光学遥感图像和合成孔径雷达图像的各自的观测信息优势，通过两个分支提取各自的道路特征，使用融合分支将多源遥感数据的道路特征进行合并融合，进而采用多尺度融合损失对网络进行训练，最终得到预测的道路检测结果，通过这样的方法，可以同时考虑合成孔径雷达图像全天时全天候的特性和光学遥感图像的地物观察色彩信息，有效提高对于遥感图像的道路检测精度。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (6)

1.一种基于遥感图像的道路检测方法，其特征在于，包括：
获取遥感图像；
提取合成孔径雷达道路特征；
提取合成孔径雷达道路特征的方法为，
提取所述遥感图像中的合成孔径雷达图像，将所述合成孔径雷达图像标记为
Figure QLYQS_1
，使用合成孔径雷达道路提取分支提取所述合成孔径雷达图像的道路特征得到所述合成孔径雷达道路特征，所述合成孔径雷达道路提取分支包含9个合成孔径雷达模块，得到所述合成孔径雷达道路特征的计算公式为，
Figure QLYQS_2
；
其中，
Figure QLYQS_3
表示9个合成孔径雷达模块中从1到9的序号；
Figure QLYQS_4
表示9个合成孔径雷达模块中第/>
Figure QLYQS_5
个模块；
Figure QLYQS_6
表示经过合成孔径雷达模块后得到的合成孔径雷达道路特征；
Figure QLYQS_7
表示下采样系数为2的最大池化操作；
Figure QLYQS_8
表示上采样系数为2的双线性插值操作；
Figure QLYQS_9
表示特征之间的通道叠加操作；
Figure QLYQS_10
表示一个尺寸为3的卷积操作；
Figure QLYQS_11
表示整流线性激活函数；
提取光学遥感道路特征；
提取所述光学遥感道路特征的方法为，
提取所述遥感图像中的光学遥感图像，将所述光学遥感图像标记为
Figure QLYQS_12
，使用光学遥感道路提取分支提取所述光学遥感图像的道路特征得到所述光学遥感道路特征，所述光学遥感道路提取分支包含9个光学遥感模块，得到所述光学遥感道路特征的计算公式为，
Figure QLYQS_13
；
其中，
Figure QLYQS_14
表示9个光学遥感模块中从1到9的序号；
Figure QLYQS_15
表示9个光学遥感模块中第/>
Figure QLYQS_16
个模块；
Figure QLYQS_17
表示经过光学遥感模块后得到的光学遥感道路特征；
Figure QLYQS_18
表示下采样系数为2的最大池化操作；
Figure QLYQS_19
表示上采样系数为2的双线性插值操作；
Figure QLYQS_20
表示特征之间的通道叠加操作；
Figure QLYQS_21
表示一个尺寸为3的卷积操作；
Figure QLYQS_22
表示整流线性激活函数；
将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征；
所述合成孔径雷达道路特征和所述光学遥感道路特征通过融合分支进行多尺度融合得到所述融合道路特征，根据所述融合道路特征得到道路提取网络，得到所述融合道路特征的计算公式为，
Figure QLYQS_23
；
Figure QLYQS_24
；
Figure QLYQS_25
；
Figure QLYQS_26
；
其中，
Figure QLYQS_27
表示上采样系数为8的双线性插值操作；
Figure QLYQS_28
表示上采样系数为4的双线性插值操作；
Figure QLYQS_29
表示上采样系数为2的双线性插值操作；
Figure QLYQS_30
、/>
Figure QLYQS_31
、/>
Figure QLYQS_32
和/>
Figure QLYQS_33
分别表示四个融合模块；
Figure QLYQS_34
、/>
Figure QLYQS_35
、/>
Figure QLYQS_36
和/>
Figure QLYQS_37
分别表示融合道路特征；
将所述融合道路特征输入至所述道路提取网络，得到道路检测结果；使用二元交叉熵损失函数对所述道路提取网络进行训练，使用所述二元交叉熵损失函数的计算公式为：
Figure QLYQS_38
；
其中，
Figure QLYQS_39
表示二元交叉熵计算操作；
Figure QLYQS_40
表示二元交叉熵损失；
Figure QLYQS_41
、/>
Figure QLYQS_42
、/>
Figure QLYQS_43
和/>
Figure QLYQS_44
分别表示四个二元交叉熵计算值的权重系数。
2.根据权利要求1所述的一种基于遥感图像的道路检测方法，其特征在于，使用多尺度分割融合损失函数对所述道路提取网络进行训练，使用所述多尺度分割融合损失函数的计算公式为：
Figure QLYQS_45
；
Figure QLYQS_46
；
其中，
Figure QLYQS_47
表示多尺度分割融合损失的系数；
Figure QLYQS_48
表示多尺度分割融合损失；
Figure QLYQS_49
表示交运算；
Figure QLYQS_50
表示绝对值运算；
Figure QLYQS_51
，/>
Figure QLYQS_52
，/>
Figure QLYQS_53
，/>
Figure QLYQS_54
分别表示多尺度分割融合损失函数的权重系数。
3.根据权利要求2所述的一种基于遥感图像的道路检测方法，其特征在于，将所述融合道路特征输入至所述道路提取网络中得到所述检测结果，计算所述检测结果的计算公式为，
Figure QLYQS_55
；
其中，
Figure QLYQS_56
表示所述检测结果。
4.一种基于遥感图像的道路检测系统，其特征在于，包括：
遥感图像获取模块：获取遥感图像；
合成孔径雷达道路特征获取模块：提取合成孔径雷达道路特征；
提取合成孔径雷达道路特征的方法为，
提取所述遥感图像中的合成孔径雷达图像，将所述合成孔径雷达图像标记为
Figure QLYQS_57
，使用合成孔径雷达道路提取分支提取所述合成孔径雷达图像的道路特征得到所述合成孔径雷达道路特征，所述合成孔径雷达道路提取分支包含9个合成孔径雷达模块，得到所述合成孔径雷达道路特征的计算公式为，
Figure QLYQS_58
；
其中，
Figure QLYQS_59
表示9个合成孔径雷达模块中从1到9的序号；
Figure QLYQS_60
表示9个合成孔径雷达模块中第/>
Figure QLYQS_61
个模块；
Figure QLYQS_62
表示经过合成孔径雷达模块后得到的合成孔径雷达道路特征；
Figure QLYQS_63
表示下采样系数为2的最大池化操作；
Figure QLYQS_64
表示上采样系数为2的双线性插值操作；
Figure QLYQS_65
表示特征之间的通道叠加操作；
Figure QLYQS_66
表示一个尺寸为3的卷积操作；
Figure QLYQS_67
表示整流线性激活函数；
光学遥感道路特征获取模块：提取光学遥感道路特征；
提取所述光学遥感道路特征的方法为，
提取所述遥感图像中的光学遥感图像，将所述光学遥感图像标记为
Figure QLYQS_68
，使用光学遥感道路提取分支提取所述光学遥感图像的道路特征得到所述光学遥感道路特征，所述光学遥感道路提取分支包含9个光学遥感模块，得到所述光学遥感道路特征的计算公式为，
Figure QLYQS_69
；
其中，
Figure QLYQS_70
表示9个光学遥感模块中从1到9的序号；
Figure QLYQS_71
表示9个光学遥感模块中第/>
Figure QLYQS_72
个模块；
Figure QLYQS_73
表示经过光学遥感模块后得到的光学遥感道路特征；
Figure QLYQS_74
表示下采样系数为2的最大池化操作；
Figure QLYQS_75
表示上采样系数为2的双线性插值操作；
Figure QLYQS_76
表示特征之间的通道叠加操作；
Figure QLYQS_77
表示一个尺寸为3的卷积操作；
Figure QLYQS_78
表示整流线性激活函数；
融合道路特征获取模块：将所述合成孔径雷达道路特征和所述光学遥感道路特征进行融合得到融合道路特征；
所述合成孔径雷达道路特征和所述光学遥感道路特征通过融合分支进行多尺度融合得到所述融合道路特征，根据所述融合道路特征得到道路提取网络，得到所述融合道路特征的计算公式为，
Figure QLYQS_79
；
Figure QLYQS_80
；
Figure QLYQS_81
；
Figure QLYQS_82
；
其中，
Figure QLYQS_83
表示上采样系数为8的双线性插值操作；
Figure QLYQS_84
表示上采样系数为4的双线性插值操作；
Figure QLYQS_85
表示上采样系数为2的双线性插值操作；
Figure QLYQS_86
、/>
Figure QLYQS_87
、/>
Figure QLYQS_88
和/>
Figure QLYQS_89
分别表示四个融合模块；
Figure QLYQS_90
、/>
Figure QLYQS_91
、/>
Figure QLYQS_92
和/>
Figure QLYQS_93
分别表示融合道路特征；
检测模块：将所述融合道路特征输入至所述道路提取网络，得到道路检测结果；
使用二元交叉熵损失函数对所述道路提取网络进行训练，使用所述二元交叉熵损失函数的计算公式为：
Figure QLYQS_94
；
其中，
Figure QLYQS_95
表示二元交叉熵计算操作；
Figure QLYQS_96
表示二元交叉熵损失；
Figure QLYQS_97
、/>
Figure QLYQS_98
、/>
Figure QLYQS_99
和/>
Figure QLYQS_100
分别表示四个二元交叉熵计算值的权重系数。
5.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的一种基于遥感图像的道路检测方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的一种基于遥感图像的道路检测方法。
CN202211545341.8A 2022-12-05 2022-12-05 一种基于遥感图像的道路检测方法 Active CN115620149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211545341.8A CN115620149B (zh) 2022-12-05 2022-12-05 一种基于遥感图像的道路检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211545341.8A CN115620149B (zh) 2022-12-05 2022-12-05 一种基于遥感图像的道路检测方法

Publications (2)

Publication Number Publication Date
CN115620149A CN115620149A (zh) 2023-01-17
CN115620149B true CN115620149B (zh) 2023-07-11

Family

ID=84880677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211545341.8A Active CN115620149B (zh) 2022-12-05 2022-12-05 一种基于遥感图像的道路检测方法

Country Status (1)

Country Link
CN (1) CN115620149B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109829B (zh) * 2023-04-11 2023-06-16 耕宇牧星(北京)空间科技有限公司 一种基于融合网络的珊瑚礁水域图像分割方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464745A (zh) * 2020-11-09 2021-03-09 中国科学院计算机网络信息中心 一种基于语义分割的地物识别与分类方法和装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886566B (zh) * 2014-03-18 2017-03-15 河海大学常州校区 一种恶劣天气下基于图像融合的城市交通调度系统及方法
ITUB20152610A1 (it) * 2015-07-29 2017-01-29 Neptune S R L Metodo e sistema per ricercare perdite idriche attraverso l'analisi di immagini generate da sistemi di telerilevamento
CN107944377B (zh) * 2017-11-20 2020-05-15 中交信息技术国家工程实验室有限公司 一种交通基础设施安全监控方法和系统
CN110070012B (zh) * 2019-04-11 2022-04-19 电子科技大学 一种应用于遥感影像道路网络提取的细化和全局连接方法
CN111160199B (zh) * 2019-12-23 2022-09-13 云南省交通规划设计研究院有限公司 一种基于高分辨率遥感影像的公路灾害信息检测方法
CN111274976B (zh) * 2020-01-22 2020-09-18 清华大学 基于视觉与激光雷达多层次融合的车道检测方法及系统
CN111860233B (zh) * 2020-07-06 2021-05-18 中国科学院空天信息创新研究院 基于选择注意力网络的sar图像复杂建筑物提取方法及系统
CN113239736B (zh) * 2021-04-16 2023-06-06 广州大学 一种基于多源遥感数据的土地覆盖分类标注图获取方法
CN113850824B (zh) * 2021-09-27 2024-03-29 太原理工大学 一种基于多尺度特征融合的遥感图像路网提取方法
CN114550000A (zh) * 2022-01-05 2022-05-27 中国科学院计算机网络信息中心 一种基于多分辨率特征融合的遥感图像分类方法和装置
CN115077406A (zh) * 2022-05-17 2022-09-20 中国交通通信信息中心 一种利用桥梁目标提取结果的InSAR形变监测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464745A (zh) * 2020-11-09 2021-03-09 中国科学院计算机网络信息中心 一种基于语义分割的地物识别与分类方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高分辨率SAR与光学遥感影像中道路提取方法的研究;陈颖 等;测绘与空间地理信息;第34卷(第04期);第40-44页 *

Also Published As

Publication number Publication date
CN115620149A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN110363140B (zh) 一种基于红外图像的人体动作实时识别方法
CN111209810B (zh) 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构
Zhang et al. VAIS: A dataset for recognizing maritime imagery in the visible and infrared spectrums
CN109800629B (zh) 一种基于卷积神经网络的遥感图像目标检测方法
CN111915592B (zh) 基于深度学习的遥感图像云检测方法
CN103020965B (zh) 一种基于显著性检测的前景分割方法
CN112419212B (zh) 一种基于侧窗引导滤波的红外与可见光图像融合方法
CN113222835A (zh) 基于残差网络的遥感全色和多光谱图像分布式融合方法
CN112036455B (zh) 一种图像识别方法、智能终端和存储介质
CN103996198A (zh) 复杂自然环境下感兴趣区域的检测方法
CN109993692B (zh) 一种基于深度学习的电子海图和雷达图像的数据融合方法
CN115620149B (zh) 一种基于遥感图像的道路检测方法
WO2023284255A1 (en) Systems and methods for processing images
CN115641442B (zh) 一种基于融合网络的山体图像山脊线分割方法
CN114913498A (zh) 一种基于关键点估计的并行多尺度特征聚合车道线检测方法
CN115731257A (zh) 基于图像的叶片形态信息提取方法
Bustos et al. A systematic literature review on object detection using near infrared and thermal images
CN116109829B (zh) 一种基于融合网络的珊瑚礁水域图像分割方法
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
CN104463182A (zh) 基于关键点检测的nbi胃镜图像处理方法
CN115546033B (zh) 一种基于遥感图像的图像矫正方法
CN115731443A (zh) 一种输变电设备热缺陷识别方法、装置、设备和存储介质
CN115601538A (zh) 目标检测方法及目标检测器、系统和介质
Cao et al. A stable land cover patches method for automatic registration of multitemporal remote sensing images
Yu et al. MarkCapsNet: Road marking extraction from aerial images using self-attention-guided capsule network

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