光学遥感影像道路提取的方法综述(8)
而针对遮挡、路面结构变化导致的分类后道路断裂问题,很多学者采用模板匹配方法对断裂区域进行连接(Ameri 和Valadan Zoej,2015;Yin等,2015;Maboudi 等,2017,2018)。
当道路断裂区域难以通过模板匹配方法进行跟踪时,张量投票(Tensor Voting)是一种有效的手段(韩洁 等,2017;Maboudi 等,2016)。张量投票是机器视觉和机器学习中感知重组方法,具有推断和重组视觉基本结构能力。张量投票包括数据输入、张量编码、张量投票、张量分解及特征提取等步骤,其优点在于可对有一定规律的断裂曲线进行连接,但不足之处在于计算量过大,并且容易把道路破损带连接起来(Maggiori 等,
2015)。总体来看,面向对象道路提取方法虽然近些年来受到广泛的关注,并取得了大量突出的成果。但该类方法中也面临很多挑战,尤其是分割结果的准确性。图10举例说明eCognition 软件中面向对象方法的道路提取效果。由图10(a)影像与图10(b)实验结果对比不难看出,受建筑物阴影遮挡、道路灰度变化不均等问题影响,道路交叉口检测效果不佳,同时道路断裂情况大量存在,效果很难令人满意。
图10 eCognition软件道路提取效果示例Fig.10 Example of eCognition software road extraction effect
3.4 深度学习方法
道路提取属于遥感影像解译问题,而物体的特性及其相互关系,尤其语义信息是遥感影像解译的关键环节,但传统方法受技术上的限制导致研究进展缓慢,而深度学习方法则为遥感影像解译在语义方向的拓展提供了新契机(龚健雅和季顺平,2018)。深度学习是由多层神经网络构成,即多个简单非线性函数的组合(万杰和Yilmaz,2018)。卷积神经网络是深度学习中应用于影像处理的一种典型模型,当面对遥感影像中海量复杂的信息时,也促进了卷积神经网络从浅层结构到深层结构的发展。
依据深度学习理论,一些学者开展了道路提取工作,并取得了突出的成果。Mnih 和Hinton(2010)首次利用深度学习技术,提出一种基于受限玻尔兹曼机(RBM)的航空影像道路提取方法,从道路提取精度和自动化程度来看,其实验结果均远超过传统模板匹配、知识驱动及面向对象方法。Alshehhi 等(2017)以经典的LeNet(Lécun等,1998)网络结构为框架,利用全局平均池化层代替全连接层,解决了使用全连接层存在的参数冗余以及训练效率低等问题,提高了影像道路识别速度与精度。Xu 等(2018)提出DenseNet 网络结构,该网络结构构建了由局部识别到全局感知的道路提取模块。该网络提高无遮挡道路的识别精度,但针对复杂背景下的道路区域识别能力较差。Zhang 等(2018)提出了残差U 型网络,该网络以U 型网络为基础,通过增加残差模块,在保证影像分辨率不变的情况下,增加网络深度;利用跳跃结构实现端对端的道路提取目标。该网络结构可以有效解决道路被树木小范围遮挡的问题。
深度学习方法常受到样本集的数量、网络结构的深度和宽度影响,使得网络模型性能受限,未能充分体现神经网络的优势。如图11(b)为VGG16 卷 积 神 经 网 络(Simonyan 和Zisserman,2014)的提取结果。由于前向传播使得特征分辨率不断下降,导致道路的提取结果出现大量断裂、误提取问题,从局部放大图中也可以发现道路区域边界还存在模糊现象。Wei等(2017)提出了一种基于道路的改进卷积神经网络结构。该方法联合反卷积与融合层,同时提出一种道路结构约束的交叉熵损失函数,能够很好的解决复杂地物背景下误提取的情况,但道路边缘无法细化的问题依然存在。
图11不同神经网络方法的道路提取效果对比Fig.11 Comparison of road extraction effects different neural network methods
本文将多尺度卷积(图12)和残差连接综合起来构成深层神经网络,其中,I表示输入图像;X1,…,X4为不同尺度的卷积核;f1,…,f4为激活函数(一般使用ReLU 函数);F1,…,F4表示经过池化作用后产生的不同分层特征;最后将4种分层特征融合为多尺度分层特征,即F。本文多尺度卷积处分别使用1×1,3×3,5×5,7×7 等4 种尺度的卷积核,如图11(c)为应用该网络的道路提取效果。可以看到道路断裂问题已基本解决,但误提取问题依然存在。由此可以说明,单纯利用深度学习方法进行道路提取可能并不可行。故学者们尝试将深度学习与传统方法结合起来,例如Li 等(2016b)将非监督学习预处理和空间相关性与深度学习结合起来,以此提高城市场景道路提取精度。同样细化方法(Cheng 等,2017)、几何分析(Alshehhi 等,2017)、水平集(刘如意 等,2017)也用于深度学习后处理阶段。
文章来源:《光学与光电技术》 网址: http://www.gxygdjs.cn/qikandaodu/2021/0622/593.html
上一篇:安科色选全球销量超台
下一篇:放大光学增强内镜在结直肠息肉诊疗决策中的应