【技术实现步骤摘要】
本专利技术涉及遥感影像道路提取，尤其涉及一种基于多尺度特征融合与连通性感知的道路提取方法。
技术介绍
1、遥感影像道路提取是近几年来备受关注的热门研究课题。在道路提取研究中，往往会先使用图像处理、计算机视觉领域的技术对遥感影像进行处理，提取出道路的掩码图。目前，研究人员们提出了很多道路提取的算法，分为传统道路提取算法和基于深度学习的道路提取算法，传统道路提取方法着重于道路与其他物体之间的辐射特征差异，通常先利用图像中的光谱信息对图像进行分割，然后根据道路的形状特征、光谱特征、纹理特征来提取道路。基于深度学习的道路提取算法无需繁琐的手工设计就可以从海里数据中学习出如何提取生成道路所需要的特征，所提取出的特征鲁棒性更好、泛化能力更强，因此提取出的道路中包含的错误更少。
2、而目前主流的基于深度学习的道路提取算法都是采用语义分割的算法对遥感影像进行处理，将每个像素分为背景像素和道路像素，由此得到道路的掩码图。然而，遥感影像相较于自然影像来说更加复杂。在遥感影像中存在大量的建筑物、车辆、树木等地物，这些地物会遮挡道路。除此之外，道路光谱特征与周围的地物具有很高的相似性，如农村土路与周围农田视觉特征极为相似，很容易造成误判。因此以像素分类方式提取道路，没有有效利用道路拓扑分布的先验知识，提取出的道路往往存在碎片化的问题。其次，相较于建筑物、车辆、植被等地物，道路既具有较小尺寸的局部特征，如路口、交汇点等，还具有较大尺寸的特征，如长距离的高速公路等，因此道路具有多尺度特征。遥感影像中的道路目标尺寸差别较大，同时还呈现出密集分布不
技术实现思路
1、本专利技术提供一种基于多尺度特征融合与连通性感知的道路提取方法，以克服上述技术问题。
2、为了实现上述目的，本专利技术的技术方案是：
3、一种基于多尺度特征融合与连通性感知的道路提取方法，具体包括以下步骤：
4、s1：获取遥感影像道路数据集，
5、且所述遥感影像道路数据集中的样本图像包括原始遥感图像与其对应的真实道路标签图像；
6、并对遥感影像道路数据集进行数据预处理获取优化遥感影像道路数据集，按照预设比例随机划分为训练集、验证集以及测试集；
7、所述数据预处理包括对遥感影像道路数据集中的样本图像进行翻转操作，以扩充遥感影像道路数据集中的样本图像获取扩充数据集；
8、基于opencv技术，根据图像分辨率对扩充数据集中的样本图像进行切割裁剪，获取样本子图像；所述样本子图像包括遥感子图像及与其对应的真实道路标签子图像；
9、并根据真实道路标签子图像获取基于道路像素的若干道路连通性标签图像；
10、s2：构建基于多尺度特征融合与连通性感知的道路提取模型；
11、s3：根据训练集对道路提取模型进行训练，获取训练后的道路提取模型，并通过所述验证集对所述训练后的道路提取模型进行测试，获取最优道路提取模型；
12、s4：根据所述最优道路提取模型对所述测试集进行预测，以实现多尺度特征融合与连通性感知的道路提取过程。
13、进一步的，s2中构建的基于多尺度特征融合与连通性感知的道路提取模型，包括编码器模块、解码器模块、多尺度特征融合模块msfm、连通性感知模块cam以及fuse模块；
14、所述编码器模块包括依次连接的第一编码层、第二编码层、第三编码层以及第四编码层；
15、所述第一编码层包括ope层与第一biformer注意力层；
16、所述ope层用于对输入的遥感图像进行下采样操作，以获取第一遥感图像特征图；所述第一biformer注意力模块用于提取第一遥感图像特征图中的局部道路纹理特征与道路连接特征，获取第一特征提取图；
17、并将所述第一特征提取图分别传输至第二编码层与多尺度特征融合模块msfm；
18、所述第二编码层包括第一patch merging层与第二biformer注意力层，所述第一patch merging层用于对第一特征提取图进行下采样操作，获取第二遥感图像特征图；所述第二biformer注意力层用于提取第二遥感图像特征图的局部道路纹理特征与道路连接特征，获取第二特征提取图；
19、并将所述第二特征提取图分别传输至第三编码层与多尺度特征融合模块msfm；
20、所述第三编码层包括第二patch merging层与第三biformer注意力层，所述第二patch merging层用于对第二特征提取图进行下采样操作，获取第三遥感图像特征图；所述第三biformer注意力层用于提取第三遥感图像特征图的局部道路纹理特征与道路连接特征，获取第三特征提取图；
21、并将所述第三特征提取图分别传输至第四编码层与多尺度特征融合模块msfm；
22、所述第四编码层包括第三patch merging层与第四biformer注意力层，所述第三patch merging层用于对第三特征提取图进行下采样操作，获取第四遥感图像特征图；所述第四biformer注意力层用于提取第四遥感图像特征图的局部道路纹理特征与道路连接特征，获取第四特征提取图。
23、进一步的，所述多尺度特征融合模块msfm包括若干依次连接的多尺度特征聚合模块msfa与多尺度通道transformer模块msct；
24、所述多尺度特征聚合模块msfa用于对第一特征提取图、第二特征提取图以及第三特征提取图依次进行下采样操作、恒等映射操作以及上采样操作，获取对应操作阶段的输出特征图；
25、并将所述输出特征图传输至多尺度通道transformer模块msct；
26、所述多尺度通道transformer模块msct包括第一深度卷积层dwconv、第一标准化层、交叉注意力模块、第二标准化层以及多层感知机mlp；
27、所述第一深度卷积层dwconv用于对输出特征图中道路位置信息编码，获取编码特征图并将传输至归一化层；
28、所述第一标准化层用于对编码特征图进行归一化操作，并对归一化操作后的编码特征图沿着其通道维度进行拼接，获取拼接特征图；
29、并对拼接特征图进行reshape操作获取用于作为交叉注意力模块输入的key向量与value向量，将恒等映射操作获取的输出特征图作为交叉注意力模块的query向量；
30、所述交叉注意力模块用于根据获取的key向量、value向量以及query向量进行注意力交叉运算，获取注意力特征图；
31、所述第二标准化层用于对注意力特征图进行归一化操作；
32、所述多层感知机mlp用于对第二标准化层的输出进行非线性变换操作，获取最终输出特征图；
33、所述最终输出特征图包括第一尺度特征图、第二尺度特征图以及第三尺度特征图。
34、进一步的，所述解码器模块包括依次连接的结构相同第一本文档来自技高网...
【技术保护点】
1.一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，S2中构建的基于多尺度特征融合与连通性感知的道路提取模型，包括编码器模块、解码器模块、多尺度特征融合模块MSFM、连通性感知模块CAM以及Fuse模块；
3.根据权利要求2所述的一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，所述多尺度特征融合模块MSFM包括若干依次连接的多尺度特征聚合模块MSFA与多尺度通道Transformer模块MSCT；
4.根据权利要求3所述的一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，所述解码器模块包括依次连接的结构相同第一解码层、第二解码层、第三解码层以及第四解码层；
5.根据权利要求4所述的一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，所述连通性感知模块CAM包括条形卷积层、感知模块拼接层以及第二深度卷积层DWConv；
6.根据权利要求5所述的一种基于多尺度特征融合与连
7.根据权利要求6所述的一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，S33中构建的所述连通性约束损失函数Loss表达式为
...【技术特征摘要】
1.一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，s2中构建的基于多尺度特征融合与连通性感知的道路提取模型，包括编码器模块、解码器模块、多尺度特征融合模块msfm、连通性感知模块cam以及fuse模块；
3.根据权利要求2所述的一种基于多尺度特征融合与连通性感知的道路提取方法，其特征在于，所述多尺度特征融合模块msfm包括若干依次连接的多尺度特征聚合模块msfa与多尺度通道transformer模块msct；
4.根据权利要求3所述的一种基于...
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。