基于深度殘差卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像道路提取

殷 牧，詹煥發(fā)

（湖南省水文地質(zhì)環(huán)境地質(zhì)調(diào)查監(jiān)測(cè)所，湖南 長(zhǎng)沙 410131）

0 引言

城市道路網(wǎng)由各種不同功能的干道和區(qū)域性道路組成，是城市總體規(guī)劃布局的主要骨架，是城市發(fā)展的“命脈”，也是地方經(jīng)濟(jì)發(fā)展的重要支撐。基于高分辨率遙感影像的道路自動(dòng)化提取對(duì)中國(guó)地理數(shù)據(jù)更新、災(zāi)害監(jiān)測(cè)等領(lǐng)域具有一定的實(shí)用價(jià)值。因此，基于遙感影像的道路提取技術(shù)研究一直是中國(guó)道路網(wǎng)建設(shè)過(guò)程中的重點(diǎn)關(guān)注課題。目前，中國(guó)主要通過(guò)人工識(shí)別手段進(jìn)行遙感影像道路提取。人工提取技術(shù)不僅要求工作人員具備大量的道路先驗(yàn)信息，而且無(wú)法避免樹(shù)木、路燈等地物對(duì)道路提取的影響。在實(shí)際的大面積區(qū)域遙感影像道路提取中，人工提取技術(shù)的速度與精度遠(yuǎn)不能滿足道路網(wǎng)提取的要求。因此，國(guó)內(nèi)部分研究學(xué)者采用計(jì)算機(jī)算法對(duì)高分辨率遙感影像道路提取方法進(jìn)行深入研究。楊蘊(yùn)等基于多標(biāo)記像素匹配，提出一種針對(duì)高分辨率遙感圖像的道路提取方法。轉(zhuǎn)換圖像的顏色空間，將色相特征作為初始匹配項(xiàng)，標(biāo)記不同道路，利用t 檢驗(yàn)法檢索異常值，通過(guò)局部紋理算子篩選匹配結(jié)果，再根據(jù)道路形態(tài)特征對(duì)匹配結(jié)果進(jìn)行優(yōu)化，實(shí)現(xiàn)高分辨率遙感圖像道路提取[1]。葛小三等提出基于Deeplabv3+語(yǔ)義分割神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)道路提取方法，結(jié)合編碼器-解碼器網(wǎng)絡(luò)和多孔空間金字塔池，提高道路邊界劃分效果，并結(jié)合數(shù)據(jù)集進(jìn)行測(cè)試，能夠?qū)崿F(xiàn)最終的高分辨率遙感圖像道路提取[2]。但上述2 種方法提取的道路存在殘缺，斷線嚴(yán)重影響道路結(jié)構(gòu)的完整性，平均路徑長(zhǎng)度相似度較低，降低了道路提取的精度。

為了解決上述方法存在的不足、提升高分辨率遙感影像道路提取精度，本文基于深度殘差卷積神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)一種高分辨率遙感影像道路提取方法。

1 高分辨率遙感影像道路提取方法設(shè)計(jì)

為了提高高分辨率遙感影像道路提取精度，本文以深度殘差卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，設(shè)計(jì)高分辨率遙感影像道路提取流程，如圖1 所示。采用直方圖均衡化增強(qiáng)技術(shù)，對(duì)高分辨率遙感影像道路特征進(jìn)行預(yù)處理，增強(qiáng)高分辨遙感影像道路特征；構(gòu)建深度殘差卷積神經(jīng)網(wǎng)絡(luò)模型，利用梯度下降訓(xùn)練模型；在高分辨率遙感影像中提取道路特征，確定道路骨架；對(duì)道路斷點(diǎn)進(jìn)行K-means 聚類去噪，修復(fù)道路斷點(diǎn)，實(shí)現(xiàn)高分辨率遙感影像道路提取。

圖1 高分辨率遙感影像道路提取流程

1.1 道路特征增強(qiáng)

本文引入直方圖均衡化增強(qiáng)技術(shù)，對(duì)高分辨率遙感影像道路特征進(jìn)行預(yù)處理，增強(qiáng)高分辨遙感影像道路特征[3]。對(duì)高分辨率遙感影像各灰度級(jí)出現(xiàn)的概率進(jìn)行統(tǒng)計(jì)，計(jì)算方法如公式（1）所示。

式中：P（Hi）表示遙感影像第i個(gè)灰度級(jí)影像H出現(xiàn)的概率參數(shù)；xi表示遙感影像第i個(gè)灰度級(jí)的像素點(diǎn)數(shù)量參數(shù)；M表示遙感影像像素點(diǎn)總數(shù)量參數(shù)。灰度直方圖在高分辨率遙感影像道路特征增強(qiáng)中發(fā)揮著重要作用，可以通過(guò)調(diào)節(jié)對(duì)比度、灰度等方法改變遙感影像的灰度分布，從而增強(qiáng)道路特征[4]。

均衡化利用灰度直方圖對(duì)原始高分辨率遙感影像集中分布的灰度進(jìn)行灰度級(jí)別映射，可以提升遙感影像的局部對(duì)比度，改善背景過(guò)亮或過(guò)暗遙感影像的顯示效果，實(shí)現(xiàn)高分辨率遙感影像道路特征增強(qiáng)。遙感影像灰度直方圖均衡化增強(qiáng)的表達(dá)式如公式（2）所示。

式中：Q（Hi）表示均衡化的遙感影像灰度直方圖；P（Hj）表示遙感影像H的第j個(gè)灰度級(jí)出現(xiàn)的概率參數(shù)，且j=1，2，…，i。

1.2 深度殘差卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

道路作為遙感影像中的關(guān)鍵人工地物，對(duì)其進(jìn)行精準(zhǔn)提取尤為重要且十分必要。通常情況下，高分辨率遙感影像中的道路為長(zhǎng)條矩形，道路細(xì)節(jié)更加豐富，道路特征更加復(fù)雜，所以提取難度更大[5]。因此，本文為快速、有效地提取道路特征，引入深度殘差卷積神經(jīng)網(wǎng)絡(luò)；其具有強(qiáng)大的學(xué)習(xí)能力，可以有效提升道路提取方法的實(shí)用性和準(zhǔn)確性。本文在道路特征提取時(shí)，基于深度卷積殘差網(wǎng)絡(luò)（Deep Residual Convolutional Neural Network，DRCNN）框架建立深度殘差卷積神經(jīng)網(wǎng)絡(luò)模型，DRCNN 框架可以省略一些不必要的神經(jīng)網(wǎng)絡(luò)層次，建立的模型S表達(dá)式如公式（3）所示。

式中：G表示模型中輸入的待提取高分辨率遙感影像數(shù)量參數(shù)；B表示濾波器數(shù)量參數(shù)；O表示模型卷積層的內(nèi)核大小參數(shù)；L表示模型卷積層提取步長(zhǎng)參數(shù)；C表示模型填充的數(shù)量參數(shù)。

基于DRCNN 框架構(gòu)建的深度殘差卷積神經(jīng)網(wǎng)絡(luò)模型主要由5 個(gè)部分組成，本文需要對(duì)模型各層次的5個(gè)參數(shù)進(jìn)行賦值。第一層為卷積層（1，224，3，1，1），主要負(fù)責(zé)提取輸入的高分辨率遙感影像道路特征，該層存在3 個(gè)3×3 的卷積內(nèi)核，用于遙感影像的卷積計(jì)算，計(jì)算結(jié)果會(huì)被傳輸至下面的殘差層。第二層為殘差層（224，224，3，1，1），存在64個(gè)殘差塊，主要負(fù)責(zé)將接收的數(shù)據(jù)傳輸至下一層。第三層為過(guò)渡層（224，224，3，1，1），該層中的卷積核會(huì)對(duì)上一層輸入的數(shù)據(jù)再次進(jìn)行卷積計(jì)算，并將計(jì)算結(jié)果傳輸至下一層。第四層為upscale4x 層（224，224×4，3，1，1），主要負(fù)責(zé)將輸入的特征圖進(jìn)行4 倍的上采樣，提高特征圖的分辨率。第五層為卷積層（224，1，3，1，1），主要負(fù)責(zé)集成處理其他層次輸出的數(shù)據(jù)，輸出最終的預(yù)測(cè)結(jié)果。

1.3 高分辨率遙感影像道路特征提取

分辨率的增加會(huì)導(dǎo)致細(xì)節(jié)特征更加明顯，遙感影像展示的道路結(jié)構(gòu)也更加復(fù)雜[6]。本文對(duì)高分辨率遙感影像特點(diǎn)進(jìn)行深入分析，通過(guò)深度殘差卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練實(shí)現(xiàn)道路特征提取[7]。一般情況下，遙感影像道路具有如下特征。1）幾何特征。遙感影像道路具有一定的寬度，但其改變幅度相對(duì)較小且遠(yuǎn)低于道路的長(zhǎng)度，因此道路呈現(xiàn)長(zhǎng)條矩形。2）拓?fù)涮卣鳌＿b感影像道路具有連續(xù)性，不存在中斷現(xiàn)象。3）輻射特征。遙感影像道路兩邊邊緣明顯，道路位置的像素點(diǎn)灰度與背景區(qū)域的像素點(diǎn)灰度差異性較大。4）上下文特征。遙感影像道路相鄰區(qū)域受建筑物、樹(shù)木等其他地物影響。5）空間特征。高分辨率遙感影像屬于空間數(shù)據(jù)，遙感影像道路具有空間屬性特征。

本文充分利用深度殘差神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)，通過(guò)模型訓(xùn)練實(shí)現(xiàn)高分辨率遙感影像道路特征的提取。殘差神經(jīng)元可以有效緩解網(wǎng)絡(luò)訓(xùn)練中梯度消失的問(wèn)題，可以確保模型數(shù)據(jù)傳輸不出現(xiàn)降級(jí)情況，以此確保模型具有良好的性能。本文將交叉熵函數(shù)作為損失函數(shù)，利用隨機(jī)梯度下降進(jìn)行深度殘差卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。在機(jī)器學(xué)習(xí)中，交叉熵函數(shù)（Cross-entropy Function）常用于衡量模型預(yù)測(cè)結(jié)果與實(shí)際輸出之間的差異，尤其在分類問(wèn)題。它是一種基于概率分布的測(cè)量標(biāo)準(zhǔn)，用于比較2 個(gè)概率分布的相似性。交叉熵函數(shù)可定義為公式（4）。

式中：R（p,q）是交叉熵函數(shù)；p是樣本真實(shí)的標(biāo)簽概率分布；q是模型預(yù)測(cè)的標(biāo)簽概率分布；n是標(biāo)簽的數(shù)量。交叉熵函數(shù)值越小，表示模型預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的差異越小。

假設(shè)交叉熵函數(shù)R（p,q）的梯度如公式（5）所示。

模型訓(xùn)練如僅依據(jù)公式（5），容易陷入局部最小值，且產(chǎn)生較大的計(jì)算量。在實(shí)際訓(xùn)練中，本文隨機(jī)選取一個(gè)樣本數(shù)量為m的集合{x1，x2，…，xm}為輸入，將其應(yīng)用于深度殘差卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，如公式（6）所示。

式中：wx、bx分別表示樣本x的權(quán)值和閾值；、分別表示經(jīng)過(guò)訓(xùn)練后樣本x的權(quán)值和閾值；η表示隨機(jī)梯度下降系數(shù)。

樣本被分成等量的子集，這些子集稱為mini batch。本文利用公式（6）遍歷所有高分辨率遙感影像mini batch 后，再?gòu)氖Ｏ碌挠跋駱颖局羞x取第二個(gè)mini batch 進(jìn)行遍歷；直到遍歷全部高分辨率遙感影像，完成一次epoch；將高分辨率遙感影像道路特征提取結(jié)果輸出。

1.4 道路斷線修復(fù)

遙感影像的采集和傳輸過(guò)程可能會(huì)受到一些干擾或損失，遙感影像上的道路出現(xiàn)斷裂或缺失情況，這可能導(dǎo)致道路提取結(jié)果不完整或不連通。通過(guò)修復(fù)道路斷線部分，可以使道路提取結(jié)果更加準(zhǔn)確、完整和連通，有助于準(zhǔn)確地提取道路的形狀、長(zhǎng)度和寬度等信息，從而更好地服務(wù)交通規(guī)劃、城市規(guī)劃和其他應(yīng)用領(lǐng)域。

高分辨率遙感影像道路斷線修復(fù)是遙感影像精細(xì)化處理技術(shù)之一，主要將多像素的道路轉(zhuǎn)為單像素的目標(biāo)道路，降低遙感影像中的冗余像素信息，進(jìn)而提升高分辨率遙感影像道路提取中的斷點(diǎn)檢測(cè)效率[8]。首先，需要利用骨架法提取高分辨率遙感影像道路骨架；然后，通過(guò)八鄰域檢測(cè)算法檢測(cè)道路骨架的斷點(diǎn)，該算法可以對(duì)高分辨率遙感影像進(jìn)行逐像素檢測(cè)，實(shí)現(xiàn)道路骨架斷點(diǎn)的全方位、無(wú)遺漏檢測(cè)。

在處理圖像數(shù)據(jù)時(shí)，通常需要先對(duì)像素值進(jìn)行歸一化或標(biāo)準(zhǔn)化處理，將其映射到[-1，1]值域范圍內(nèi)，對(duì)影像的像素值進(jìn)行歸一化處理，確保像素位于合適的值域范圍內(nèi)，保證計(jì)算結(jié)果的準(zhǔn)確性和可靠性。假設(shè)高分辨率遙感影像某道路像元點(diǎn)的像素值為Y0，那么該像元點(diǎn)周圍8 個(gè)方向像元點(diǎn)的像素值分別為Y1、Y2、Y3、Y4、Y5、Y6、Y7、Y8，根據(jù)八鄰域檢測(cè)算法可知，如果Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8=1，則Y0為斷點(diǎn)；如果Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8=0，則Y0為孤立點(diǎn)；如果Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8>6，則Y0為內(nèi)部點(diǎn)。本文為描述斷點(diǎn)之間的相似性關(guān)系，使用K-means聚類算法剔除冗余斷點(diǎn)。K-means 聚類算法可以準(zhǔn)確判別斷點(diǎn)之間的特征，防止出現(xiàn)多項(xiàng)式擬合噪聲斷點(diǎn)。一般情況下，高分辨率遙感影像道路斷點(diǎn)之間的相似度越高，聚類效果越好。

假設(shè)K-means 聚類后的斷點(diǎn)聚簇集合是D=（di|i=1，2，…，n），di表示集合D中的一個(gè)類；n表示聚類中心數(shù)量，聚類去噪公式如公式（7）所示。

式中：K表示聚類去噪后的結(jié)果；arg min（）表示目標(biāo)函數(shù)取得最小值的自變量取值；yj表示高分辨率遙感影像第j個(gè)道路斷點(diǎn)；ci表示去噪后高分辨率遙感影像第i個(gè)道路斷點(diǎn)。為避免遙感影像道路與實(shí)際道路的差異性過(guò)大，道路斷線修復(fù)不僅需要考慮斷點(diǎn)之間的直線連接，而且需要考慮斷線的彎曲性。因此，本文通過(guò)多項(xiàng)式擬合修復(fù)高分辨率遙感影像道路斷線，方法如公式（8）所示。

式中：F（y）表示高分辨率遙感影像道路斷點(diǎn)y的多項(xiàng)式函數(shù)；N表示階數(shù)；a表示常數(shù)；ω表示多項(xiàng)式系數(shù)。

本文綜合考慮高分辨率遙感影像道路的曲率，利用多項(xiàng)式擬合對(duì)道路斷線進(jìn)行修復(fù)。多項(xiàng)式擬合可以準(zhǔn)確描述斷點(diǎn)之間的聚集程度，從而實(shí)現(xiàn)修復(fù)后的道路更加精準(zhǔn)。利用等值線方法將道路中心線轉(zhuǎn)換為道路表面；使用地形分析工具創(chuàng)建等值線圖像，利用等值線插值生成表面；借助GIS分析工具，生成等高線和連續(xù)高程表面的等值線圖像。在此圖像中，等高線代表相同高度的點(diǎn)，可以確保道路表面準(zhǔn)確地對(duì)應(yīng)于地形。運(yùn)用插值函數(shù)計(jì)算道路中心線上的每個(gè)點(diǎn)高程值，通過(guò)連接這些點(diǎn)得到道路表面的平滑曲線。

需要注意的是，生成的道路表面在某些情況下可能需要進(jìn)行更正和美化，可以采用反距離加權(quán)插值法生成平滑曲線，提高高分辨率遙感影像道路提取的精確度，完成高分辨率遙感影像道路提取。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)設(shè)置

本文選取國(guó)際數(shù)據(jù)集DeepGlobe、Massachusetts、Cities 并進(jìn)行道路提取實(shí)驗(yàn)，這3 個(gè)數(shù)據(jù)集的1 萬(wàn)多張高分辨率衛(wèi)星遙感影像覆蓋多個(gè)國(guó)家，其規(guī)模與對(duì)應(yīng)標(biāo)簽均適用于道路提取實(shí)驗(yàn)。本文將數(shù)據(jù)集中的影像無(wú)縫裁剪為大小一致的樣本塊，在每個(gè)數(shù)據(jù)集中分別隨機(jī)挑選1000 張影像作為訓(xùn)練集。在本文提取實(shí)驗(yàn)驗(yàn)證過(guò)程中，符合需求的實(shí)驗(yàn)環(huán)境搭建也很重要，高分辨率遙感影像處理需要較好的顯卡支持，實(shí)驗(yàn)環(huán)境硬件配置如表1 所示。

表1 實(shí)驗(yàn)環(huán)境硬件配置

運(yùn)用Python 語(yǔ)言進(jìn)行程序編程，網(wǎng)絡(luò)訓(xùn)練的初始學(xué)習(xí)率為0?0001，網(wǎng)絡(luò)優(yōu)化器為Adam，損失函數(shù)為binary_crossentropy，batch size=2，steps_per_epoch=2000，epochs=250。

2.2 圖像提取結(jié)果

不同的提取方法得到的提取結(jié)果各不相同。因此，本文將文獻(xiàn)[1]提出的基于多標(biāo)記像素匹配的提取方法和文獻(xiàn)[2]提出的基于改進(jìn)DeepLabV3+網(wǎng)絡(luò)的提取方法進(jìn)行對(duì)照。原始遙感影像及不同方法提取的圖像如圖2 所示。

圖2 原始遙感圖像及不同方法提取圖像

由圖2 可以看出，本文提出的道路圖像最完整，基于多標(biāo)記像素匹配提取方法和基于改進(jìn)DeepLabV3+網(wǎng)絡(luò)提取方法得到的道路圖像均有殘缺，斷線嚴(yán)重影響道路結(jié)構(gòu)的完整性。

2.3 IoU 與F1 指數(shù)

為了增加實(shí)驗(yàn)測(cè)試結(jié)果的可靠性，本文采用交并比（Intersection over Union，IoU）和F1 值作為其他評(píng)價(jià)指標(biāo)并進(jìn)行測(cè)試。IoU 常用于網(wǎng)絡(luò)檢測(cè)，計(jì)算評(píng)估檢測(cè)值與真實(shí)道路數(shù)據(jù)的重合度，通常應(yīng)用于目標(biāo)檢測(cè)、分割等圖像處理任務(wù)的測(cè)試。F1 值代表精確率與召回率的加權(quán)平均值。IoU 和F1 指數(shù)代表真實(shí)路網(wǎng)和預(yù)測(cè)路網(wǎng)之間的相關(guān)度，包括提取路網(wǎng)道路的寬度、形狀等。

IoU 指數(shù)和F1 指數(shù)越高，表示提取效果越好。IoU 和F1 的計(jì)算公式如公式（9）和（10）所示。

式中：TP為指真正例，表示模型正確地將正類（Positive）識(shí)別為正類；FP為指假正例，表示模型錯(cuò)誤地將負(fù)類（Negative）識(shí)別為正類；FN為指假負(fù)例，表示模型錯(cuò)誤地將正類識(shí)別為負(fù)類。IoU 的取值范圍為0～1，值越大表示2 個(gè)目標(biāo)區(qū)域的重疊越多、預(yù)測(cè)結(jié)果越準(zhǔn)確。IoU 等于1 時(shí)，表示2 個(gè)目標(biāo)區(qū)域完全重合；IoU 等于0 時(shí)，表示2 個(gè)目標(biāo)區(qū)域沒(méi)有交集。3 種提取方法的IoU 指數(shù)如表2 所示。

表2 提取結(jié)果對(duì)比

由表2 可知，本文方法的IoU 指數(shù)和F1 指數(shù)高于其他2 種方法，基于深度殘差卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像道路提取方法的提取效果更好，可滿足道路的高精度提取需求。

3 結(jié)束語(yǔ)

高分辨率遙感影像道路自動(dòng)提取可用于監(jiān)測(cè)道路建設(shè)和改建對(duì)自然資源的影響。為解決現(xiàn)有方法的平均路徑長(zhǎng)度相似度較低問(wèn)題，本文基于深度殘差卷積神經(jīng)網(wǎng)絡(luò)，對(duì)高分辨率遙感影像道路自動(dòng)提取方法進(jìn)行了相關(guān)技術(shù)研究。通過(guò)引入聚類算法確保提取的道路更加結(jié)構(gòu)化，實(shí)現(xiàn)了道路特征的自動(dòng)提取。實(shí)驗(yàn)驗(yàn)證了該方法提取的道路數(shù)據(jù)精度較高，能夠?yàn)槌鞘幸?guī)劃部門提供準(zhǔn)確的道路數(shù)據(jù)，有助于為路網(wǎng)規(guī)劃和城市管理提供技術(shù)支持。