基于深度学习的遥感影像道路提取研究与实现.pdf

基于深度学习的遥感影像道路提取研究与实现

摘要

遥感数据中的地面物体信息是国家获取道路网络结构和分布情况的重要手段，

通过获取到的信息可以对社会发展方向和经济发展速度进行科学地决策。在这些

信息中，道路信息是至关重要的一部分。因此，如何准确地从遥感影像中提取到

道路信息成为了许多学者青睐的研究领域，这些信息能在不同的领域发挥重要的

作用，产生不菲的价值。然而，遥感影像中存在的各种遮挡物阻碍着道路信息提

取工作的进一步发展，严重影响了道路提取结果的准确性。这些遮挡物则主要为

植被遮挡和云雾遮挡两大类。前者通常覆盖于道路两侧会导致基于传统方法和机

器学习方法提取出的道路产生中断、部分缺失等问题。而后者通常大面积覆盖在

遥感影像上，会导致提取出的道路不完整、不连续。因此，为了更好地处理遮挡

物的干扰，实现更准确、连续、完整的道路提取，本文基于深度学习分别提出了

两种对应方案来提高道路提取结果的准确性和鲁棒性。

（1）针对植被遮挡导致的道路提取结果不准确问题，本文提出了一种基于

双域均衡的植被遮挡道路提取网络以提高道路提取结果的准确性，解决道路因植

被遮挡产生的缺失、中断、不连续问题。该方法由两个卷积神经子网络组成，去

除遮挡子网络和道路提取子网络。在去除遮挡子网络中嵌入一个分层卷积模块和

双域均衡模块，前者提取输入道路图像的深层结构特征和浅层纹理特征，并将两

类特征融合；后者对融合后的特征进行通道域和距离域上的均衡化，并将均衡化

结果用于特征还原过程，以此去除目标道路上的遮挡物。道路提取子网络用于对

去除遮挡后的道路结构进行精细的分割，得到准确性更高的道路提取结果。通过

在W-N数据集上的定量和定性实验，验证了本文的方法在指标OA、Recall、F1-

Score、IoU上表现最优且具有良好的鲁棒性。

（2）针对云雾遮挡导致的道路提取结果不准确问题，本文在编解码器的基

础上提出了一种基于非对称特征融合与监督注意力的遥感图像道路提取网络，该

方法通过特征捕获模块、非对称特征融合模块和监督注意力模块三个模块来捕获

不同感受野的空间信息、融合不同分辨率的特征信息和提高道路提取的准确性和

鲁棒性。在编码过程，网络利用特征捕获模块使模型更加关注对分割结果影响较

大的特征，提高模型的特征表达能力。在解码过程中利用非对称特征融合模块进

行特征融合，以提供更准确和丰富的特征信息；利用监督注意力模块帮助网络更

加聚焦于道路区域特征，从而提高道路提取的准确性和鲁棒性。通过在

DeepGlobe、CHN6-CUG和ST-Data数据集上的定量和定性实验，验证了本文的

方法在指标OA、Recall、F1-Score、IoU上表现最优且具有良好的鲁棒性。

关键词：深度学习，遥感影像，道路提取，植被遮挡，云雾遮挡

ResearchandImplementationofRoadExtractionofRemoteSensing

ImagesBasedonDeepLearning

Abstract

Theinformationongroundobjectsinremotesensingdataisanessentialtoolfor

thecountrytoobtainthestructureanddistributionofroadnetworks,theinformation

obtainedisusedtomakescientificdecisionsonthedirectionofsocialdevelopmentand

thespeedofeconomicgrowth.Amongthisinformation,roadinformationisacrucial

part.Therefore,howtoaccuratelyextractroadinformationfromremotesensingimages

hasbecomeafavoredresearchareaformanyscholars,andtheinformationcanpl