基于高分辨率遥感影像与深度学习方法的路网核查技术

摘要

本发明公开了基于高分辨率遥感影像与深度学习方法的路网核查技术，属于路网核查技术领域，包括样本集制作、模型训练、路网提取和路网核查四个步骤；所述样本集制作使用的数据集来源于高分二号卫星影像；所述模型训练包括设置目标函数、目标函数优化和迭代训练；所述路网提取出路网栅格二值化图像，并对其进行矢量化，输出路网矢量结果；所述路网核查利用缓冲区分析方法对二者的空间匹配关系进行判定。本发明极大程度上降低了人力物力成本，并且在提取效率、提取精度和普适性上更具优势，且适用于多种地形地貌环境。

说明书

技术领域

本发明属于路网核查技术领域，具体是基于高分辨率遥感影像与深度学习方法的路网核查技术。

背景技术

路网的大规模建设与升级改造已经极大促进了我国交通事业和经济的发展，但同时也对路网的综合监管提出了更高的要求。尤其对于路网核查来说，传统的人工外业核查费时费力，且数据采集周期过长，无法满足当下的实际工作需要，因此亟需更加智能化与自动化的技术手段。

路网核查的基础是路网提取。高分辨率(高分)遥感作为一种先进的对地观测手段，可全面、快速、准确、客观地获取大范围地面目标的影像，非常适合于路网提取工作。国内外学者提出了各类基于高分遥感的路网自动提取算法，大幅节省人力物力，但仍存在准确率不高，提取效率低、泛化能力弱等问题。近年来飞速发展的人工智能技术，使得深度学习方法在图像识别、检测及追踪等领域取得了显著的成绩，为路网提取提供了新的思路与灵感。

基于高分遥感的路网提取方法有多种。传统上应用较多的为人工解译方法，即通过人工目视在高分遥感影像上勾画出道路轮廓。人工解译虽然提取精度高，技术难度小，但在面对大范围的路网提取任务时，具有高成本、低效率的劣势。随着计算设备的性能提升和路网提取算法的深入研究，国内外学者又提出了多种基于高分遥感的路网自动提取算法。这些方法大多基于分类模型，因此可以将它们大体上分为监督分类方法与无监督分类方法。其中，监督分类方法是目前较为主流的方法，包括Mnih and Hinton(2010)的人工神经网络方法，Huang et al.(2009)的基于支持向量机的面向对象方法以及Zhu et al.(2011)的马尔可夫随机场方法等。无监督分类方法包括Maurya et al.(2011)的k-means聚类方法，Miao et al.(2014)的mean shift聚类方法以及Unsalan and Sirmacek(2012)的概率论和图论方法。其他经典的方法还包括Laptev et al.(2000)的snake方法和Wegner etal.(2015)的高阶CRF方法。这些方法相比人工解译方法均大幅节省了人力物力，同时保持较高的准确率，使得路网提取的自动化成为了可能。

目前较为主流的基于高分遥感影像的路网提取方法包括人工解译和监督分类方法。人工解译的精度高，但是提取效率很低。传统的监督分类方法能够初步实现自动化提取。但其提取准确率较低，并且提取前期的需要大量的特征工程工作，而且受提取准确率较低的影响，人工后处理工作较多，导致整体提取过程速率较慢。此外在大范围、地形地貌情况复杂地区的迁移效果不佳。

现有的监督分类路网提取方法虽然有效地降低了人工提取的成本并保持较高的提取准确率，但仍存在以下不足之处：

1)受到树木、阴影等路面遮挡的影响，路网提取准确率仍不能达到实际应用的要求。

2)路网提取工作的前期需要大量的特征工程工作，并且由于提取准确率较低，需要大量的人工后处理工作，导致整体提取过程速率较慢，自动化程度偏低。

3)现在的方法在小范围、特定区域内提取效果较好，但在大范围、地形地貌情况复杂地区的迁移效果不佳。

实用新型内容

本发明的目的在于提供基于高分辨率遥感影像与深度学习方法的路网核查技术，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于高分辨率遥感影像与深度学习方法的路网核查技术，包括样本集制作、模型训练、路网提取和路网核查四个步骤，其具体操作步骤如下：

步骤一：样本集制作：所述样本集制作使用的数据集来源于高分二号卫星影像；所有影像的云覆盖量均小于5％；对获取的高分二号影像进行了预处理，包括辐射纠正、几何纠正与多波段融合，融合后的高分二号影像共四波段。

步骤二：模型训练：所使用的深度学习模型为Wasserstein GAN，WGAN模型中生成器 G由通用的语义分割网络构成，鉴别器D由简单的残差网络构成，在判断数据来源于生成样本G(x，z)还是真实样本y后，输出数据为真实样本的概率p；具体步骤如下：

S1、设置目标函数；

S2、目标函数优化；

S3、迭代训练；

步骤三：路网提取：将用于测试的高分二号影像裁剪为512×512的影像切片，输入步骤二得到的生成器G*中，提取出路网栅格二值化图像，并对其进行矢量化，最终输出路网矢量结果。

步骤四：路网核查：将步骤三中提取的路网结果与已有路网数据转换到统一的坐标系下，利用缓冲区分析方法对二者的空间匹配关系进行判定，即可实现初步的路网核查。

作为本发明的进一步方案：所述步骤一样本集制作生成的二值化栅格图像中道路值为 1，非道路值为0。

作为本发明的进一步方案：所述步骤二模型训练中的真实样本的概率输出值若p＞0.5 则输出1，否则输出0。

作为本发明的进一步方案：所述步骤二模型训练中在传统的L

如果像素j是路，则ω设为1；如果像素j不是路，则ω设为α，α＞1。

作为本发明的再进一步方案：所述路网核查的三种类型为对已有路网线型错误与偏移的核查、对已有路网线型变更的核查和对新增路网线型的核查。

与现有技术相比，本发明极大程度上降低了人力物力成本，并且在提取效率、提取精度和普适性上更具优势，且适用于多种地形地貌环境，且适用于多种地形地貌环境；通过对路网提取结果与已有路网数据的空间匹配关系进行判定，可以获取客观准确的路网核查数据，减少错报、误报、瞒报、漏报等数据现象；将深度学习方法引入路网提取中，将高分遥感与WGAN深度学习模型相结合，进一步提升路网提取的准确率、速率与迁移能力，为路网核查提供技术保障；通过对路网提取结果与已有路网数据的空间匹配关系进行判定，可初步实现已有路网线型错误、偏移、改道以及新增路网线型的核查。

附图说明

图1为基于高分辨率遥感影像与深度学习方法的路网核查技术样本数据集的分布图。

图2为基于高分辨率遥感影像与深度学习方法的路网核查技术二值化的标记样本集图。

图3为基于高分辨率遥感影像与深度学习方法的路网核查技术中WGAN的模型结构图。

图4为基于高分辨率遥感影像与深度学习方法的路网核查技术路网提取结果整体效果图。

图5为基于高分辨率遥感影像与深度学习方法的路网核查技术已有路网线型错误核查图。

图6为基于高分辨率遥感影像与深度学习方法的路网核查技术已有路网线型缺失核查图。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

请参阅图1-6，基于高分辨率遥感影像与深度学习方法的路网核查技术，包括样本集制作、模型训练、路网提取和路网核查四个步骤，其具体操作步骤如下：

步骤一：样本集制作：所述样本集制作使用的数据集来源于高分二号卫星影像，高分二号卫星是由我国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星，搭载1米分辨率全色相机和4米分辨率多光谱相机，并具有高精度、长寿命、多角度等特点；所有影像的云覆盖量均小于5％，且成像清晰，以保证后续的路网提取结果覆盖区域完整且质量可靠；此外对获取的高分二号影像进行了预处理，包括辐射纠正、几何纠正与多波段融合，融合后的高分二号影像共四波段(蓝、绿、红、近红外波段)，星下点空间分辨率可达0.8 米。

如图1、2所示，所述模型训练在进行之前，需要人工对数据集进行切割和标记，具体步骤如下：

S1、将高分二号影像裁剪为512×512的影像切片，并选取覆盖各类地形地貌且包含道路元素的2万张切片作为训练样本集x；

S2、对于训练样本集x中的每张切片，在ArcGIS软件中绘制道路线矢量；

S3、根据线矢量生成对应切片的二值化栅格图像y，其中道路(正样本)值为1，非道路(负样本)值为0。

步骤二：模型训练：GAN模型是由Goodfellow在2014年提出，它需要训练一个能从随机噪声中生成逼近真实样本的生成样本的生成器(Generator，简称G)，以及一个能判断输入数据来自于真实样本还是生成样本的鉴别器(Discriminator，简称D)；最终训练目标是使G具有以假乱真的能力,并且D无法区分输入数据是真实样本还是生成样本；本发明所使用的深度学习模型为WassersteinGAN(WGAN)，它能够有效解决一般GAN生成器训练过程中存在的“梯度消失”、“模式崩溃”等缺陷，其模型结构如图3所示。

所述WGAN模型中生成器G由通用的语义分割网络(如U-Net)构成，将大小为512×512 的高分影像切片样本集x与随机噪声z输入生成器后，即得到根据原始影像特征生成的道路元素生成样本G(x,z)，鉴别器D由简单的残差网络构成，在判断数据来源于生成样本 G(x,z)还是真实样本y后，输出数据为真实样本的概率p，p＞0.5则输出1，否则输出0；具体步骤如下：

S1、设置目标函数：总体目标函数L

L

其中L

E

由于路网在高分影像中分布稀疏，从而导致正负样本不均衡问题，我们在传统的L

如果像素j是路，则ω设为1；如果像素j不是路，则ω设为α(α＞1)。L

E

传统的L

其中

S2、目标函数优化：将训练样本集输入WGAN网络的生成器与鉴别器中，根据式(1)计算目标函数L

S3、迭代训练：重复训练过程，直至优化结果接近纳什均衡或生成器和鉴别器的损失函数梯度几乎不再变化，得到最优生成器G*。

步骤三：路网提取：如图4所示，将用于测试的高分二号影像裁剪为512×512的影像切片，输入步骤二得到的生成器G*中，提取出路网栅格二值化图像，并对其进行矢量化，最终输出路网矢量结果。

步骤四：路网核查：如图5、6所示，所述路网核查将步骤三中提取的路网结果与已有路网数据转换到统一的坐标系下，利用缓冲区分析方法对二者的空间匹配关系进行判定，即可实现初步的路网核查；目前主要实现三种类型的核查：一是对已有路网线型错误与偏移的核查，二是对已有路网线型变更(道路改扩建)的核查，三是对新增路网线型(新修道路或已有道路缺失)的核查。

上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。