(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210199318.1 (22)申请日 2022.03.02 (71)申请人 青岛星科瑞升信息科技有限公司 地址 266000 山东省青岛市黄岛区前湾港 路579号山东科技大学科技园综合楼 204室 (72)发明人 孙超　于会泳　陈勇　赵元昊　 (74)专利代理 机构 成都宏田知识产权代理事务 所(普通合伙) 51337 专利代理师 杨伟 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/44(2022.01)G06V 20/13(2022.01) (54)发明名称 一种基于U-net强化道路边缘信息的多尺度 道路提取模型的方法 (57)摘要 本发明涉及一种利用模型提取道路技术领 域， 具体地说是一种基于U ‑net强化道路边缘信 息的多尺度道路提取模型的方法， 对原始高分影 像的多光谱RGB波段和全色波段进行图像融合， 利用标签制作软件制作道路分割标签进行数据 扩充， 用道路分割标签提取边缘标签并数据集划 分， 增加边缘提取任务分支， 强化边缘信息， 引入 级联空洞卷积层， 利用制作的高分遥感道路数据 集训练模型， 利用模型完成高分遥感道路提取， 本发明同现有技术相比， 通过搭建多任务学习网 络， 利用道路的边缘标签对道路的边缘信息进行 强化学习， 利用级联的空洞卷积模块实现了多尺 度深度道路特征的提取与融合， 最终使得提取出 的道路边 缘更加完整、 道路主体连通 性更高。 权利要求书2页 说明书6页 附图3页 CN 114581665 A 2022.06.03 CN 114581665 A 1.一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的方法， 其特征在于， 包括 高分遥感影像道路数据集的制作和构建基于U ‑net并强化道路边缘信息的多尺度 道路提取 模型， 所述高分遥感影 像道路数据集的制作包括以下步骤： S1： 对原始高分影 像的多光谱RGB波段和全色波段进行图像融合； S2： 利用标签制作软件制作道路分割标签， 同时进行 数据扩充； S3： 利用道路分割标签提取边 缘标签， 并进行 数据集划分； 所述构建基于U ‑net并强化道路边 缘信息的多尺度道路提取模型， 包括以下步骤： S10： 基于U ‑net道路分割网络增 加边缘提取任务分支， 强化 边缘信息； S20： 引入级联的空洞卷积层， 实现深层特 征上的多尺度特 征提取融合； S30： 利用制作的高分遥感道路数据集训练模型， 利用模型完成高分遥感道路提取。 2.根据权利要求1所述的一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的 方法， 其特征在于， 所述S1具体为使用ENVI软件选取高分遥感影像中的红绿蓝波段和全色 波段进行Brovey图像融合， 得到高空间分辨 率的彩色影 像。 3.根据权利要求1所述的一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的 方法， 其特征在于， 所述S2具体为使用Lab elme对遥感影像进行 目视解译， 制作高分遥感道 路影像标签， 对影像及标签进 行旋转、 色彩抖动、 图像平移、 缩放的形式进 行数据扩充， 得到 成倍的道路影 像与对应的标签。 4.根据权利要求1所述的一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的 方法， 其特征在于， 所述S 3具体为对道路标签中属于道路类别的所有像素进 行逐个分析， 如 果其八邻域至少有一点为背景标签， 那么这一点将会被认为是边缘点， 据此提取出道路的 边缘标签并按照3： 1的比例将数据集划分为训练集和 测试集。 5.根据权利要求1所述的一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的 方法， 其特征在于， 所述S10和S20具体为基于U ‑Net网络基础架构改进， 新增一个并行的边 缘提取任务网络分支， 使所述模型具有道路分割与道路边缘两个任务输出， 边缘提取网络 能够强化模型中道路分割的边缘特征， 所述特征层由道路分割网络中不同深度的特征层构 成， 利用反卷积上采样技术保证特征层的图尺寸大小一致， 将特征层的图在通道维度上进 行拼接， 融合不同深度的特征信息， 使用分类函数得到边缘的分类概率图。 在主干 分割网络 的深度特征图使用了级联 的空洞卷积层， 不同分支提取了不同尺度的特征图， 对多尺度特 征图进行补零保持尺寸 一致， 并进行了深层特 征上的多尺度特 征融合。 6.根据权利要求1所述的一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的 方法， 其特征在于， 所述S 30具体为利用制作的高分影像数据集和tensorflow深度学习框架 对所述模型进行训练， 同时为模型添加道路分割网络损失和边缘提取网络损失， 训练完毕 之后即可利用模型实现道路目标的高精度提取。 7.根据权利要求6所述的一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的 方法， 其特征在于， 所述道路分割网络损失使用了二进制 交叉熵损失函数与Dice  soft损 失。 8.根据权利要求6所述的一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的 方法， 其特 征在于， 所述 二进制交叉熵损失函数为权　利　要　求　书 1/2 页 2 CN 114581665 A 2其中yi是像素i预测为道路的概率， 而 是地 面 真实标签， N是像素总数； 所述Dice  soft损失为 其中 yi是像素i的预测为道路的概率， 而 是地面真实标签， N是像素总数； 所述道路分割网络损 失函数为 lossseg＝lDice soft+lBCE。 9.根据权利要求6所述的一种基于U ‑net强化道路边缘信息的多尺度道路提取模型的 方法， 其特征在于， 所述tensorflow深度学习框架进行训练的方式为使用Adam优化算法迭 代优化， 部分参数设置为： 指数衰减率β1＝0.9， β2＝0.999， 常数设置ε＝10‑8， 批次大小设置 为4， 迭代训练20epoch， Adam优化算法的初始学习率为0.001， 采用自适应学习率的策略， 连 续3个epoc h验证集的准确率 不下降， 学习率变为原来的0.5倍。权　利　要　求　书 2/2 页 3 CN 114581665 A 3