一种基于改进Unet网络模型的遥感图像道路分割方法

一种基于改进unet网络模型的遥感图像道路分割方法
技术领域
1.本发明涉及遥感图像识别技术领域，尤其涉及一种基于改进unet网络模型的遥感图像道路分割方法。


背景技术：

2.随着科技的发展，获取遥感图像的成本越来越低，导致各个遥感平台可以获得比之前更多的遥感数据。常见的遥感数据包括：高中低分辨率数据，高光谱数据，雷达数据，激光数据等。而在遥感数据中，通常遥感图像中道路和其他背景特征元素复杂多样，所以对其进行语义分割对道路信息进行特征提取仍然存在精度等局限问题。而大多数仍然停留在人为的目视识别层面上，通常只是把遥感图像当做基础信息，并没有对其进行信息的提取与处理。但是随着深度学习技术的发展与加深，利用深度学习来对遥感图像中目标信息进行提取分类意义变得更加重要。
3.传统的图像分割方法有阈值分割法，边缘分割法，区域分割法等。但是遥感图像含有丰富信息，目标尺度复杂等特点，并不能像简单图像一样被传统方法所分割。并且传统图像分割方法所得出的最终结果没有语义标注。而近年来，随着深度学习的不断发展，神经网络强大的特征提取能力，基于深度学习的语义分割模型逐渐成为了主流遥感图像分割方法。不仅在精度还是速度上都有了明显提升。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于改进unet网络模型的遥感图像道路分割方法。
5.一种基于改进unet网络模型的遥感图像道路分割方法，所述方法包括：
6.步骤一、将unet训练模型中的卷积层修改为resnet残差模块，添加改进后的空洞空间金字塔池化模块融合不同尺度的信息，并对编码部分添加跳跃连接，缓解上采样的信息丢失；
7.步骤二、对训练样本进行数据增强，归一化处理；
8.步骤三、将处理后的图像数据引入训练好的改进unet模型，得到分割后的结果，最终获取遥感中的道路信息。
9.进一步的，步骤一中，所述改进后的空洞空间金字塔池化模块介于解码网络与编码网络之间添加，所述跳跃连接在解码网络中添加。
10.进一步的，步骤二和步骤三中，具体步骤包括：
11.s1、采集遥感图像，并对遥感图像进行图像预处理；
12.s2、对预处理后的图像进行标注，将标注后的图像调整为统一尺寸，制作训练数据集；
13.s3、将得到的训练数据集作为改进unet模型的输入图像数据，训练改进unet分割模型；
14.s4、将采集的图像数据输入训练好的改进unet模型之中，通过训练好的改进unet模型获得分割后的结果，最终获取遥感中的道路信息。
15.进一步的，所述s2中，对预处理后的图像进行标注，将标注后的图像调整为统一尺寸，其具体过程为：对增强预处理后的图像进行标注，获得label形式的遥感图像，并将标注后获得的图像调整为512
×
512的png图片。
16.进一步的，所述改进unet网络模型的损失函数l为：
17.其公式中，gt代表标签图ground truth，pr代表预测图prediction，gt2和pr2分别表示两样本各自的元素总数。
18.与现有技术相比，本发明的有益效果是：
19.一、添加了改进的aspp模块，能够充分获取多尺度遥感全局信息，增强不同尺度，不同形状目标物的提取能力；
20.二、在编码部分添加一部分跳跃连接，从而缓解了上采样中丢失的信息问题，并具有良好的多尺度特性；
21.三、使用残差结构代替原卷积结构，可以更多的保留原有特征，也能提升网络的特征提取能力，并增强有效特征的占重比。
22.本发明在unet原始网络模型的基础上增加改进，使得道路分割精度得到较大提高，可实现遥感图像道路信息的实时精准分割。
附图说明
23.图1为现有技术提供的unet基础网络结构的示意图；
24.图2本发明提供的改进的unet网络结构的示意图；
25.图3本发明提供的改进的aspp模块的示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
27.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
28.根据本技术实施例一，参照图1，本发明提出的一种基于改进unet网络模型的遥感图像道路分割方法，包括以下步骤：
29.s1，采集遥感图像，并对遥感图像进行图像预处理；
30.对于步骤s1，预处理方式包括：将原遥感图片进行切割成多个512
×
512的形式，并进行hsv对比度转换，空间几何变换等数据增强方法对数据进行增强；
31.s2，对预处理后的图像进行标注，将标注后的图像调整为同一尺寸，制作训练数据集；
32.对于步骤s2，利用可视化标记工具labelme读取步骤s1最后得到的图片，并将每一幅的遥感图片中道路区域用曲线进行框选，框选区域的标签设置为道路，而未被框选区域设置为背景，从而生成一系列png格式的标签图片，将其制作成数据集；
33.s3，将步骤s2中得到的训练数据集作为改进unet模型的输入数据，训练改进unet分割模型；
34.对于步骤s3的改进unet模型，如图2所示：将unet原始模型中的卷积层修改为resnet残差模块，并且使用合适的损失函数来进行反向传播更新参数，其中损失函数为dice损失函数，公式为其公式中，gt代表标签图ground truth，pr代表预测图prediction，gt2和pr2分别表示两样本各自的元素总数；
35.在编码网络与解码网络之间加入空洞卷积金字塔池化模块，保证了不同尺度的信息能够充分结合，增强了遥感图像中对道路信息的提取能力；
36.在最后的解码网络里加入跳跃连接，能够减缓上采样信息丢失，增加了信息精度；
37.s4，将采集的新图像输入训练好的改进unet模型之中，通过训练好的改进unet模型获得分割后的结果。
38.根据本技术实施例二，本实施方式与具体实施例一不同的是：所述空洞空间金字塔池化模块有所不同，其中：
39.如图3所示，本发明提供的改进空洞空间金字塔池化模块由四个并行的空洞卷积构成，首先为1个1
×
1的卷积块，之后再并联三个卷积核大小为3*3的空洞卷积，其中扩张率分别设为1、3、5。而在这三个空洞卷积后加入1
×
1的卷积块，批标准化，激活函数。这样可以让前一层在局部特征上关联到更广阔的视野，防止小目标特征在信息传递时丢失。该网络第一个支路是1
×
1标准卷积，可以保持原有的感受野。第二至第四个支路分别为不同扩张率的卷积块，能够进行特征提取来获得不同尺度的局部特征，最后一条支路直接将输入全局平均池化，从而获得全局特征。最后，将这五条支路级联到一起concat并进行一个1
×
1的标准卷积融合不同尺度的信息。得出最后特征图后送到后续网络部分。
40.根据本技术实施例三，本实施方式与具体实施例一不同的是：所述的改进后unet模型的损失函数l为：l＝-y
·
lg(y
′
)-(1-y)
·
lg(1-y
′
)
41.式中，y
′
代表预测的标签，y代表真实标签。
42.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。