CN119399637A 高分遥感图像道路提取方法、装置、设备及存储介质 （西安石油大学）

本申请公开了一种高分遥感图像道路提取通过目标道路提取模型对输入的高分遥感图像有技术中对于有着复杂背景的道路网络的道路2获取样本集，所述样本集包括多个样本，每个样本包括高分遥构建道路提取模型，通过所述样本集对所述道路提将所述第一中间输出特征输入所述第二提取模块进行特征提取，得到末端输出特征，将所述末端输出特征输入所述空洞卷积网络进行空洞卷积特征将所述第一中间输出特征和所述空洞卷积特征输入解码网络进行所述下采样双残差卷积注意力模块和所述双残差卷积注意力模块中均包含卷积注意所述卷积注意力模块，用于针对输入所述卷积注意力模块将所述第一中间输出特征输入所述第二提取模块进行特征提取将所述第一中间输出特征、所述第二中间输出特征和所述空3LOSS=BCELOSS+DiceLOSS+入·connectivityLOSS（1）其中x表示当前像素的对所述样本集中样本的高分遥感图像进行归一化处理，以及随机进行图像增强处理；模型构建及训练模块，用于构建道路提取模型，通过所述样本集对所道路提取模块，用于通过所述目标道路提取模型对输入的高分遥感图像进行道路提洞卷积特征；将所述第一中间输出特征和所述空洞卷积特征输入解码网络进行道路提取，4单元，残差提取单元包括下采样双残差卷积注意力模块和至少一个双残差卷积注意力模5间输出特征包括前M_1个残差提取单元各LOSS=BCELOSS+DiceLOSS+入·connectivityLOSS（1）对样本集中样本的高分遥感图像进行归一化处理，以及随机进行图像增强处理；根据预设筛选阈值，对样本集中的样本进行筛选，剔除包含道路占比小于全图6[0019]道路提取模块，用于通过目标道路提取模型对输入的高分遥感图像进行道路提7图9为通过NL_LinkNet模型对图7的高分遥感图像进行道路提取所得到的道路图图10为通过NL_LinkNet模型对图8的高分遥感图像进行道路提取所得到的道路图图11为通过本实施例的道路提取模型对图7的高分遥感图像进行道路提取所得到图12为通过本实施例的道路提取模型对图8的高分遥感图像进行道路提取所得到[0032]本公开实施例提供的高分遥感图像道路提取方法的执行主体可以是计算机或服方法的执行主体还可以是上述电子设备中安装的能够实现该方法的功能的应用程序8对样本集中的样本进行筛选，剔除包含道路占比小于全图0.2%像素的高分遥感图像的样元，残差提取单元包括下采样双残差卷积注意力模块和至少一个双残差卷积注意力模块；9间输出特征包括前M_1个残差提取单元各[0053]下面用一个具体实施例来进一步说明该高分遥感图像道路提取方法中道路提取（即kernel=1×1步长为1（即stride=1第二个卷积层的卷积核为3×3（即kernel=3×3步长为2（即stride=2第三卷积层的卷积核为1×1（即kernel=1×1步长为1（即批归一化层和第一个GELU激活函数后，得到尺寸为512×512×64的特征。尺寸为512×512×64的特征通过第二个卷积层、第二个批归一化层和第二个GELU激活函数后，得到尺寸为256×256×64的特征。尺寸为256×256×64的特征通过第三个卷积层、第三个批归一化层[0055]道路提取模型中编码网络的残差卷积模块（图2中未直接示出包含第一提取模取单元包括一个GroupD模块（即下采样双残差卷积注意力模块）和三个堆叠的Group模块（即双残差卷积注意力模块第二个残差提取单元包括一个GroupD模块和十三个堆叠的1Conv）、通道为C（即channel=C）的卷积层，批归一化层，卷积注意力模块（即图中的所示，双残差卷积注意力模块（即Group模块用于将输入的通道为2C（即图中的input积层，批归一化层，卷积注意力模块（即图中的Attention模块卷积核为1×1（即1×与第三中间特征进行叉乘并重塑形状后通过卷积核为1×1的卷积层，得到第五中间特征；BatchNorm2d得到卷积注意力模块的输出特征并输出。块得到的特征的尺寸仍为256×256×256；第一提取模块的输出特征（即第一中间输出特组卷积可以在降低计算量的同时实现多头注[0068]同时，本实施例在卷积注意力模块的基础上构建了双残差卷积注意力模块（即[0071]在较大的特征图上计算全局注意力会大幅增加计算量，[0073]示例性地，对图2所示的道路提取模型进行训练时，可以将总训练epochs设置为300，初始学习率设置为1e_4，权重衰减设置为5e_6，余弦退火最小学习率设置为1e_8，LOSS=BCELOSS+DiceLOSS+入·connectivityLOSS（1）表示所有前景点的集合，IIS-ol表示像素点x到前景像输入目标道路提取模型，目标道路提取模型对该高分遥感图像中的道路进行识别并提表1所示的不同模型在DeepGlobe数据集上的测试结下面通过现有技术中用于道路提取的NL_LinkNet模型和本实施例的道路提取模[0087]通过本实施例的道路提取模型分别对图7、图8所示的高分遥感图像进行道路提[0090]图13为本实施例的道路提取模型在训练过程中用到的图8对应的标签图像。参考[0098]本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、