本发明专利技术提供一种基于遥感图像不确定性量化的两阶段道路提取网络构建方法，包括两阶段道路提取框架，所述两阶段道路提取框架包括：第一阶段、获取不确定性信息，基于MCDropout方法构建一个近似贝叶斯网络获得遥感图像数据的不确定性图和先验图，量化遥感图像的不确定性；第二阶段、基于不确定性信息指导分割网络重点关注不确定性区域，最后提高遥感图像道路提取的精度。根据贝叶斯方法在神经网络参数上指定先验分布，从而计算给定训练数据的参数后验分布来量化不确定性。本发明专利技术量化遥感图像中的模糊性以及数据标注错误导致的不确定性，通过推进不确定性量化在道路提取中的应用，能够缓解遥感图像中的不确定性以及大量标签错误的问题。
【技术实现步骤摘要】
本专利技术涉及遥感图像提取领域，特别是涉及基于遥感图像不确定性量化的两阶段道路提取网络构建方法。
技术介绍
1、如今的地图更新、城市规划和交通管理等，需要从遥感图像中手动提取道路，成本昂贵且耗时，因此许多道路自动提取算法已经被广泛研究。然而，遥感图像中的道路与其他对象(如河流和运河)具有高度的几何相似性，使它们容易被错误分类。从遥感图像中提取道路仍存在以下挑战：1)道路可能被附近的物体(如树木或建筑物)遮挡，使得提取小而模糊的道路具有挑战性。2)此外，手动注释数据集中存在大量的噪声，包括省略噪声(标签中省略道路对象)、配准噪声(标签和真实道路之间的偏移)以及由于同一宽度标签而引起的简化噪声。这些挑战给从遥感图像中提取道路带来了极大的困难。
2、传统的遥感图像道路提取方法包括运算符、区域生长和形态学。由于遥感图像成像受光照和大气条件影响，许多传统方法需要手动设计特征并设置大量参数。因此，近年来深度学习方法被引入到道路提取中；基于深度学习的方法在道路提取方面取得了优秀的性能，但是，在实践中准确地建模嘈杂标签的分布并区分正确标签和嘈杂标签是困难的，现有方法存在局限性。
技术实现思路
1、针对上述现有技术，本专利技术的目的在于提供基于遥感图像不确定性量化的两阶段道路提取网络构建方法，实现在道路提取中准确判断较为细长，且被遮挡的模糊不清的道路，减少道路提取工作时在这些区域所耗费的时间，提高道路提取效率和准确率。
2、为达到上述目的，本专利技术提供的技术方案是：
3、基于遥感图像不确定性量化的两阶段道路提取网络构建方法，所述方法包括两阶段道路提取框架，所述两阶段道路提取框架包括：
4、第一阶段、获取不确定性信息，基于mcdropout方法构建一个近似贝叶斯网络获得遥感图像数据的不确定性图和先验图，量化遥感图像的不确定性；
5、第二阶段、基于不确定性信息指导分割网络重点关注不确定性区域，最后提高遥感图像道路提取的精度。
6、优选的，所述第一阶段还包括如下步骤：
7、a1、构建网络un，用于量化输入数据不确定性，所述网络un包括编码器和解码器，给定一个输入图像，网络un输出一个不确定性图和先验图，用表示不确定性图和用表示先验图，其中h是不确定性图或先验图的长度，w是不确定相关图或先验图的宽度，1代表不确定相关图或先验图的维度，此处1代表1个通道，1×h×w代表了不确定性图或先验图的尺寸，代表集合符号；
8、a2、根据贝叶斯方法在神经网络参数上指定先验分布，计算给定训练数据的参数后验分布来量化不确定性。
9、优选的，所述第二阶段具体包括如下步骤：
10、b1、将先验图作为先验知识，用于构造先验损失和最终的自适应损失；
11、b2、基于编解码器结构构建一个分割网络sn，并将不确定性图作为辅助信息融合在网络学习过程中；；
12、b3、将分割网络sn用于从遥感图像中提取道路，在编码器的每个卷积块后，σ被应用于与特征映射进行整合，以强制分割网络sn专注于不确定性高的区域，μ应用于损失函数中，以指导模型训练，将先验图作为软标签，将其与二值化标签的标准损失相结合，实现自适应贝叶斯损失。
13、优选的，所述a2、根据贝叶斯方法在神经网络参数上指定先验分布，计算给定训练数据的参数后验分布来量化不确定性，还包括：
14、给定一个数据集x＝{x1,…,xi,…,xn}，y＝{y1,…,yi,…,yn}，x代表所有的原始遥感图像，xn代表第n张原始遥感图像，y代表所有对应的二值化标签，yn表示第n个二值化标签,将近似贝叶斯网络的随机输出表示为fw(xi)，xi表示x中的第i张原始遥感图像，模型似然表示为p(yi|fw(xi))，yi表示y中第i个二值化标签，贝叶斯推理用于计算权重w在给定先验p(w)下的后验p(w|x,y)，该后验捕获一组合理的模型参数如下：
15、
16、其中，p(w|x,y)是贝叶斯公式的变形，p(y|x,w)表示在图片是x，权重是w的条件下，标签是y的概率；
17、给定一个新的测试样本x*，根据参数的后验分布对模型参数积分得到预测分布：
18、p(y*|x*,x,y)＝∫p(y*|x*,w)p(w|x,y)dw
19、其中，p(y*|x*,w)表示在图片是x*，权重是w的条件下，标签是y*的概率；y*是模型的预测，对应新的测试样本x*，对公式(1)和(2)进行推理可产生模型对图像中每个像素的后验加权平均，用bma表示，来自公式(1)的似然项：
20、
21、其中，w*是神经网络中的权重参数。
22、优选的，基于mcd ropout方法来量化遥感图像中的不确定性信息，在现有网络模型中增加dropout层，mcd ropout方法通过找到一个近似分布通过最小化目标形成参数θ，使接近模型的真实后验分布p(w|x,y)，最小化目标如下：
23、
24、其中参数θ表示近似分布n代表样本数量，p代表网络中dropout的概率。
25、优选的，基于mcd ropout方法，当模型被训练好时，在测试时启用dropout层，对同一张遥感图像执行多次正向预测，得到多个近似分割预测概率分布的蒙特卡洛样本，
26、基于使用mcd ropout方法采样到的蒙特卡洛样本，得到平均预测结果以及不确定性估计：
27、
28、
29、其中t是采样的次数，权重其中是近似后验分布，
30、
31、对模型输出施加sigmoid运算，μ是蒙特卡洛样本分布的均值，即后验加权平均，得出近似贝叶斯网络在高置信度下的分割结果；σ得出网络对于遥感图像中各区域的自信程度，通过使用mcd ropout方法执行近似贝叶斯推理，将μ用于表示先验图，将σ用于表示不确定性图。
32、优选的，基于二元交叉熵损失函数构建先验损失函数，先验损失函数lprior的表达式如下：
33、
34、其中，是分割网络的预测，μn是从近似贝叶斯网络获得的先验图，n是指第几个样本，其取值范围是从1到n，
35、基于二元交叉熵损失函数来度量分割网络的预测与二值化标签之间的差异，其损失函数如下：
36、
37、其中yn是二值化标签，
38、结合lprior和lhard两种损失，构建如下的新的损失函数：
39、l＝α·lprior+(1-α)·lhard-log(α·(1-α))
40、其中lprior是先验损失，lhard是预测和二值化标签之间的损失，即似然损失，log(α·(1-α))是正则化项，α是介于0和1之间的因子，当α＝0时，模型只使用二元交叉熵损失，当α＝1时，模型只使用先验损失，设置一个自适应的参数ε，并有：
41、
本文档来自技高网
...
【技术保护点】
1.基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，所述方法包括两阶段道路提取框架，所述两阶段道路提取框架包括：
2.根据权利要求1所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，所述第一阶段还包括如下步骤：
3.根据权利要求2所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，所述第二阶段具体包括如下步骤：
4.根据权利要求2所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，所述A2、根据贝叶斯方法在神经网络参数上指定先验分布，计算给定训练数据的参数后验分布来量化不确定性，还包括：
5.根据权利要求4所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，基于MCDropout方法来量化遥感图像中的不确定性信息，在现有网络模型中增加dropout层，MCDropout方法通过找到一个近似分布通过最小化目标形成参数θ，使接近模型的真实后验分布p(w|X,Y)，最小化目标如下：
6.根据权利要求5所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，基于MCDropout方法，当模型被训练好时，在测试时启用dropout层，对同一张遥感图像执行多次正向预测，得到多个近似分割预测概率分布的蒙特卡洛样本，
7.根据权利要求6所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，基于二元交叉熵损失函数构建先验损失函数，先验损失函数Lprior的表达式如下：
8.根据权利要求3所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，步骤B2具体还包括：通过将不确定性图与经过编码器中的每个卷积块得到的特征映射相融合，强制网络关注具有高度不确定性的区域，由于在编码器部分，特征图的分辨率在降低，对不确定性图分别进行最大池化和平均池化，分别得到两张下采样的不确定性图并将其在通道维度拼接后通过卷积操作恢复到单通道不确定性图，再用此不确定性图与下一卷积块的特征图进行融合，通过最大池化操作和平均池化操作，让网络同时关注到全局不确定性信息和局部不确定性信息，不确定性图通过与特征映射的多次融合引导网络学习图像中的不确定区域。
...
【技术特征摘要】
1.基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，所述方法包括两阶段道路提取框架，所述两阶段道路提取框架包括：
2.根据权利要求1所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，所述第一阶段还包括如下步骤：
3.根据权利要求2所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，所述第二阶段具体包括如下步骤：
4.根据权利要求2所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，所述a2、根据贝叶斯方法在神经网络参数上指定先验分布，计算给定训练数据的参数后验分布来量化不确定性，还包括：
5.根据权利要求4所述的基于遥感图像不确定性量化的两阶段道路提取网络构建方法，其特征在于，基于mcdropout方法来量化遥感图像中的不确定性信息，在现有网络模型中增加dropout层，mcdropout方法通过找到一个近似分布通过最小化目标形成参数θ，使接近模型的真实后验分布p(w|x,y)，最小化目标如下：
6.根据权利要求5所述的基于遥感图...
【专利技术属性】
技术研发人员：林聪，陈欣桐，徐晨星，梁力恒，毛鑫，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。