一种改进的融合不同尺度特征的遥感影像道路提取新方法

doi:10.13474/j.cnki.11-2246.2022.0264

测绘通报 ›› 2022, Vol. 0 ›› Issue (9): 58-62.doi: 10.13474/j.cnki.11-2246.2022.0264

一种改进的融合不同尺度特征的遥感影像道路提取新方法

闫志恒¹, 任超^1,2, 李毅³, 徐宁辉⁴, 张胜国¹

1. 桂林理工大学测绘地理信息学院, 广西桂林 541004;
2. 广西空间信息与测绘重点实验室, 广西桂林 541004;
3. 广西壮族自治区自然资源和不动产登记中心, 广西南宁 530000;
4. 南宁勘察测绘地理信息院, 广西南宁 530000

收稿日期:2021-10-21 发布日期:2022-09-30
通讯作者: 任超。E-mail:1032271611@qq.com
作者简介:闫志恒(1996—),男,硕士生,研究方向为遥感影像智能提取。E-mail:yanzhiheng@glut.edu.cn
基金资助:
国家自然科学基金(42064003)

A new and improved method for road extraction from remote sensing images by fusing different scale features

YAN Zhiheng¹, REN Chao^1,2, LI Yi³, XU Ninghui⁴, ZHANG Shengguo¹

1. College Geomatics and Geoinformation, Guilin University of Technology, Guilin 541004, China;
2. Guangxi Key Laboratory of Spatial Information and Geomatics, Guilin 541004, China;
3. Guangxi Zhuang Autonomous Region Natural Resources and Real Estate Registration Centre, Nanning 530000, China;
4. Nanning Survey and Mapping Geographic Information Institute, Nanning 530000, China

Received:2021-10-21 Published:2022-09-30

摘要/Abstract

摘要： 针对高分辨率遥感影像中细小道路纹理特征不明显、信息提取困难的问题,本文提出并实现了一种融合不同尺度特征的深度学习道路提取新方法。首先引入CoT模块构建残差网络,以充分利用局部与全局上下文信息提取不同尺度道路特征;然后构建特征金字塔注意力模块,融合不同层级道路特征信息;最后使用全局注意力上采样模块结合全局背景对道路细节进行恢复。试验结果表明,该方法的召回率、交并比均优于已有方法,能够较完整准确地提取遥感影像中的道路信息,提升道路提取效率。

关键词: 遥感影像, 道路提取, CoT模块, 特征金字塔, 全局注意力

Abstract: Aiming at the problem of inconspicuous fine road texture features and difficult information extraction in high-resolution remote sensing imagery, a new method of deep learning road extraction fusing different scale features is proposed and implemented. The method firstly introduces a CoT module to build a residual network to extract road features at different scales by making full use of local and global contextual information. Secondly, a feature pyramid attention module is built to fuse different levels of road feature information. Finally, a global attention upsampling module is used to recover road details in conjunction with the global context. The experimental results show that the proposed method is better than the existing methods in terms of recall and intersection ratio, and can extract the road information in remote sensing images more completely and accurately, which improves the efficiency of road extraction.

Key words: remote sensing image, road extraction, CoT module, feature pyramid, global attention

中图分类号:

P237

闫志恒, 任超, 李毅, 徐宁辉, 张胜国. 一种改进的融合不同尺度特征的遥感影像道路提取新方法[J]. 测绘通报, 2022, 0(9): 58-62.

YAN Zhiheng, REN Chao, LI Yi, XU Ninghui, ZHANG Shengguo. A new and improved method for road extraction from remote sensing images by fusing different scale features[J]. Bulletin of Surveying and Mapping, 2022, 0(9): 58-62.

参考文献

[1] 史文中, 朱长青, 王昱. 从遥感影像提取道路特征的方法综述与展望[J]. 测绘学报, 2001, 30(3):257-262.
[2] 戴激光, 王杨, 杜阳, 等. 光学遥感影像道路提取的方法综述[J]. 遥感学报, 2020, 24(7):804-823.
[3] 孙晨阳, 周廷刚, 陈圣波, 等. 基于矩形模板匹配的线状地物半自动提取方法研究[J]. 西南大学学报(自然科学版), 2015, 37(7):155-160.
[4] 连仁包, 王卫星, 李娟. 自适应圆形模板及显著图的高分辨遥感图像道路提取[J]. 测绘学报, 2018, 47(7):950-958.
[5] SCHUBERT H, VAN DE GRONDE J J, ROERDINK J B T M. Efficient computation of greyscale path openings[J]. Mathematical Morphology-Theory and Applications, 2016, 1(1):189-202.
[6] 王龙飞, 严春满. 道路场景语义分割综述[J]. 激光与光电子学进展, 2021, 58(12):1200002.
[7] ALSHEHHI R, MARPU P R. Hierarchical graph-based segmenta-tion for extracting road networks from high-resolution satellite images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 126:245-260.
[8] XU Yongyang, XIE Zhong, FENG Yaxing, et al. Road extraction from high-resolution remote sensing imagery using deep learning[J]. Remote Sensing, 2018, 10(9):1461.
[9] WANG Shuai, YANG Hui, WU Qiangqiang, et al. An improved method for road extraction from high-resolution remote-sensing images that enhances boundary information[J]. Sensors, 2020, 20(7):2064.
[10] 苏健民, 杨岚心, 景维鹏. 基于U-Net的高分辨率遥感图像语义分割方法[J]. 计算机工程与应用, 2019, 55(7):207-213.
[11] 吴仁哲, 蔡嘉伦, 刘国祥, 等. 针对高分影像的RDU-Net乡村路网提取方法[J]. 遥感信息, 2021, 36(1):29-36.
[12] 李代栋, 赫晓慧, 李盼乐, 等. 基于SPUD-ResNet的遥感影像道路提取网络[J]. 计算机工程与应用, 2021, 57(23):240-247.
[13] 贺浩, 王仕成, 杨东方, 等. 基于Encoder-Decoder网络的遥感影像道路提取方法[J]. 测绘学报, 2019, 48(3):330-338.
[14] XIE Saining, GIRSHICK R, DOLLÁR P, et al. Aggregated residual transformations for deep neural networks[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI:IEEE,2017.

[1]	吴虹蓉, 朱岚巍, 施冬. 面向对象的三亚珊瑚礁底质信息提取[J]. 测绘通报, 2022, 0(9): 63-67.
[2]	冯炜明, 张新长, 孙颖, 姜明, 甘巧, 侯幸幸. 融合Transformer结构的高分辨率遥感影像变化检测网络[J]. 测绘通报, 2022, 0(8): 36-40,92.
[3]	黄宇鸿, 周维勋. 高分辨率遥感影像场景变化检测的相似度方法[J]. 测绘通报, 2022, 0(8): 48-53.
[4]	刘晓忠, 冯存均, 邓小渊, 詹远增, 于辉, 王兴坤. 亚米级遥感影像的建筑物高度反演方法及其验证[J]. 测绘通报, 2022, 0(8): 128-132.
[5]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[6]	任月娟, 葛小三. 改进DeepLabV3+网络的遥感影像道路综合提取方法[J]. 测绘通报, 2022, 0(6): 55-61.
[7]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[8]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[9]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[10]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[11]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[12]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[13]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[14]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.
[15]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.

一种改进的融合不同尺度特征的遥感影像道路提取新方法

A new and improved method for road extraction from remote sensing images by fusing different scale features

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价