一种基于深度学习的遥感图像道路检测方法与流程

本发明涉及遥感图像处理领域，利用深度学习对遥感图像中的道路进行检测方法。

背景技术：

遥感图像是通过探测地物电磁辐射强度获得的反映地表各种地物的综合影像，其包含着从可见光到近红外的几百个窄波段内获取的地物图像，人们根据典型影像特征，可判断感兴趣的特定遥感目标。随着遥感技术的提高，遥感图像中目标地物轮廓会更加清晰，纹理特征更加复杂，空间信息更加丰富。遥感图像目标检测已被广泛研究，许多研究学者主要使用人工提取图像特征进行目标识别的方法。比如局部二值模式(lbp)、梯度方向直方图(hog)、gabor等特征，然后将这些特征以特征向量的形式输入到一个传统的分类器如svm、adaboost、决策树等进行分类，在目标识别和检测任务中取得了较好的效果。但是这种方法在人工特征提取方面、鲁棒性等方面往往表现欠佳。

近年来，卷积神经网络(cnn)作为最热门的深度神经网络之一，将人工神经网络和深度学习技术相结合，具有局部感受野、结构层次、特征抽取与分类结合的全局训练特征。以卷积神经网络为代表的深度学习方法，利用权值共享的技术，减少了网络中的参数，逐步克服神经网络中的计算量大等问题。将卷积神经网络运用在遥感图像的目标识别和检测中，这种深层的架构在图像分类和目标识别领域中具有广阔的应用背景。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种基于深度学习的遥感图像道路检测方法。可以准确检测遥感图像中的道路。

为了解决上述技术问题，本发明实施例提供了一种基于深度学习的遥感图像道路检测方法，包括以步下步骤：

s1：将遥感图像数据集分成训练集和测试集；

s2：将mfm层引入卷积神经网络层，作为所述卷积神经网络结构中的激活函数；

s3：确定卷积神经网络；

s4：使用所述训练集对所述卷积神经网络进行训练；

s5：使用所述测试集对所述卷积神经网络进行测试。

进一步地，所述mfm层跟在所述卷积神经网络层后面。

更进一步地，所述确定卷积神经网络框架通过卷积层、池化层、mfm层以及去卷积层一起构建。

更进一步地，还包括以下步骤：

对遥感图像使用人工标签对所述卷积神经网络框架进行微调。

实施本发明实施例，具有如下有益效果：本发明将遥感图像数据集分成训练集和测试集，然后利用卷积神经网络(cnn)对训练集(包含标签)进行训练，从而提取道路特征，得到包含特征、权重和偏差的模型，然后利用测试集对所得到的模型进行测试，根据测试结果，调整网络参数，并利用包含人工标签的小量数据集对模型进一步微调，使得模型精确度进一步提高

附图说明

图1是本发明的完整流程图；

图2是本发明选取的训练集的样本；

图3是本发明选取的测试集的样本；

图4是发明训练集的机器标注图2所得的标签样本；

图5是发明训练集的机器标注图3所得的标签样本；

图6是本发明中确定的神经网络框架图；

图7是本发明人工标注标签。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

参照图1所示本发明实施例的一种基于深度学习的遥感图像道路检测方法，包括了以下步骤过程。

1)将遥感图像数据集人工随机分成两部分，分别为训练集和测试集两个数据集，训练集数据集在训练阶段用于模型的训练，得到道路的特征和相关参数权重；测试集数据集用于模型测试阶段，以验证模型的准确性。训练集和测试集的样本如图2、图3所示。而训练集中的机器标注标签样本如图4、图5所示。

2)将mfm(max-feature-map)层，即最大映射特征层引入卷积神经网络层，作为该网络结构中的激活函数。mfm跟在卷积层后面。mfm得到的特征是紧凑的并且能够获得稀疏梯度，减少维度，克服传统激活函数relu(rectifiedlinearunits)所潜在的一些缺点。对于给出的一个输入卷积层mfm可定义如下：

其中输入卷积层的通道为2n，h和w分别为输入层的高和宽，并且满足1≤i≤h,1≤j≤w。通过mfm的输出结果f在范围内。

3)以卷积层、池化层、mfm层以及去卷积层一起构建确定为最终的卷积神经网络框架(cnn)。引入mfm后最后的卷积神经网络(cnn)如图6所示。

4)利用cnn对遥感图像训练集进行训练。在linux操作系统下，利用caffe开源框架，对遥感图像中的训练集进行训练，得到在caffe框架下的训练模型caffemodel，该模型存储了道路的特征和权重等相关参数。

5)人工标记小量遥感图像，得到人工标记标签，以提高后面训练的精确度。标注的标签样本如图7所示。

6)用测试集对模型进行检测。利用测试集对步骤(4)得到caffemodel模型进行测试，根据测试结果，对网络参数进行调整。结合步骤(5)中的人工标记标签，一起转入步骤(7)。

7)利用人工标签对模型进行微调，通过微调各部分的参数，从而得到精确度更高的模型。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

技术特征：

技术总结
本发明实施例公开了基于深度学习的遥感图像道路检测方法，首先，获取深度学习中卷积神经网络训练和测试所需要的训练集数据库和测试集数据库。对训练集和测试集数据库进行机器预处理，分别得到训练集和测试集数据库的标签，然后，利用卷积神经网络对训练集数据库进行训练，该卷积神经网络中的激活函数不同于一般的卷积神经网络结构，将采用MFM激活函数。在caffe开源平台训练得到caffemodel，用于存储数据特征，最后，利用得到的caffemodel对测试集数据库进行测试，为了得到更佳精确的结果，将人工标记数据标签，进一步进行微调整，从而得到最后的模型。

技术研发人员：闫敬文
受保护的技术使用者：汕头大学
技术研发日：2017.10.24
技术公布日：2018.02.16