基于深度殘差卷積神經網絡的高分辨率遙感影像道路提取

殷 牧，詹煥發

（湖南省水文地質環境地質調查監測所，湖南 長沙 410131）

0 引言

城市道路網由各種不同功能的干道和區域性道路組成，是城市總體規劃布局的主要骨架，是城市發展的“命脈”，也是地方經濟發展的重要支撐?；诟叻直媛蔬b感影像的道路自動化提取對中國地理數據更新、災害監測等領域具有一定的實用價值。因此，基于遙感影像的道路提取技術研究一直是中國道路網建設過程中的重點關注課題。目前，中國主要通過人工識別手段進行遙感影像道路提取。人工提取技術不僅要求工作人員具備大量的道路先驗信息，而且無法避免樹木、路燈等地物對道路提取的影響。在實際的大面積區域遙感影像道路提取中，人工提取技術的速度與精度遠不能滿足道路網提取的要求。因此，國內部分研究學者采用計算機算法對高分辨率遙感影像道路提取方法進行深入研究。楊蘊等基于多標記像素匹配，提出一種針對高分辨率遙感圖像的道路提取方法。轉換圖像的顏色空間，將色相特征作為初始匹配項，標記不同道路，利用t 檢驗法檢索異常值，通過局部紋理算子篩選匹配結果，再根據道路形態特征對匹配結果進行優化，實現高分辨率遙感圖像道路提取[1]。葛小三等提出基于Deeplabv3+語義分割神經網絡的深度學習道路提取方法，結合編碼器-解碼器網絡和多孔空間金字塔池，提高道路邊界劃分效果，并結合數據集進行測試，能夠實現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，斷線嚴重影響道路結構的完整性，平均路徑長度相似度較低，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網絡，設計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計

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網絡為基礎，設計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技術，對高分辨率遙感影像道路特征進行預處理，增強高分辨遙感影像道路特征；構建深度殘差卷積神經網絡模型，利用梯度下降訓練模型；在高分辨率遙感影像中提取道路特征，確定道路骨架；對道路斷點進行K-means 聚類去噪，修復道路斷點，實現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

本文引入直方圖均衡化增強技術，對高分辨率遙感影像道路特征進行預處理，增強高分辨遙感影像道路特征[3]。對高分辨率遙感影像各灰度級出現的概率進行統計，計算方法如公式（1）所示。

式中：P（Hi）表示遙感影像第i個灰度級影像H出現的概率參數；xi表示遙感影像第i個灰度級的像素點數量參數；M表示遙感影像像素點總數量參數?；叶戎狈綀D在高分辨率遙感影像道路特征增強中發揮著重要作用，可以通過調節對比度、灰度等方法改變遙感影像的灰度分布，從而增強道路特征[4]。

均衡化利用灰度直方圖對原始高分辨率遙感影像集中分布的灰度進行灰度級別映射，可以提升遙感影像的局部對比度，改善背景過亮或過暗遙感影像的顯示效果，實現高分辨率遙感影像道路特征增強。遙感影像灰度直方圖均衡化增強的表達式如公式（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個灰度級出現的概率參數，且j=1，2，…，i。

1.2 深度殘差卷積神經網絡模型構建

道路作為遙感影像中的關鍵人工地物，對其進行精準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條矩形，道路細節更加豐富，道路特征更加復雜，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網絡；其具有強大的學習能力，可以有效提升道路提取方法的實用性和準確性。本文在道路特征提取時，基于深度卷積殘差網絡（Deep Residual Convolutional Neural Network，DRCNN）框架建立深度殘差卷積神經網絡模型，DRCNN 框架可以省略一些不必要的神經網絡層次，建立的模型S表達式如公式（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量參數；B表示濾波器數量參數；O表示模型卷積層的內核大小參數；L表示模型卷積層提取步長參數；C表示模型填充的數量參數。

基于DRCNN 框架構建的深度殘差卷積神經網絡模型主要由5 個部分組成，本文需要對模型各層次的5個參數進行賦值。第一層為卷積層（1，224，3，1，1），主要負責提取輸入的高分辨率遙感影像道路特征，該層存在3 個3×3 的卷積內核，用于遙感影像的卷積計算，計算結果會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個殘差塊，主要負責將接收的數據傳輸至下一層。第三層為過渡層（224，224，3，1，1），該層中的卷積核會對上一層輸入的數據再次進行卷積計算，并將計算結果傳輸至下一層。第四層為upscale4x 層（224，224×4，3，1，1），主要負責將輸入的特征圖進行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），主要負責集成處理其他層次輸出的數據，輸出最終的預測結果。

1.3 高分辨率遙感影像道路特征提取

分辨率的增加會導致細節特征更加明顯，遙感影像展示的道路結構也更加復雜[6]。本文對高分辨率遙感影像特點進行深入分析，通過深度殘差卷積神經網絡模型訓練實現道路特征提取[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，但其改變幅度相對較小且遠低于道路的長度，因此道路呈現長條矩形。2）拓撲特征。遙感影像道路具有連續性，不存在中斷現象。3）輻射特征。遙感影像道路兩邊邊緣明顯，道路位置的像素點灰度與背景區域的像素點灰度差異性較大。4）上下文特征。遙感影像道路相鄰區域受建筑物、樹木等其他地物影響。5）空間特征。高分辨率遙感影像屬于空間數據，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網絡模型的優勢，通過模型訓練實現高分辨率遙感影像道路特征的提取。殘差神經元可以有效緩解網絡訓練中梯度消失的問題，可以確保模型數據傳輸不出現降級情況，以此確保模型具有良好的性能。本文將交叉熵函數作為損失函數，利用隨機梯度下降進行深度殘差卷積神經網絡模型訓練。在機器學習中，交叉熵函數（Cross-entropy Function）常用于衡量模型預測結果與實際輸出之間的差異，尤其在分類問題。它是一種基于概率分布的測量標準，用于比較2 個概率分布的相似性。交叉熵函數可定義為公式（4）。

式中：R（p,q）是交叉熵函數；p是樣本真實的標簽概率分布；q是模型預測的標簽概率分布；n是標簽的數量。交叉熵函數值越小，表示模型預測結果與真實標簽之間的差異越小。

假設交叉熵函數R（p,q）的梯度如公式（5）所示。

模型訓練如僅依據公式（5），容易陷入局部最小值，且產生較大的計算量。在實際訓練中，本文隨機選取一個樣本數量為m的集合{x1，x2，…，xm}為輸入，將其應用于深度殘差卷積神經網絡模型并進行訓練，如公式（6）所示。

式中：wx、bx分別表示樣本x的權值和閾值；、分別表示經過訓練后樣本x的權值和閾值；η表示隨機梯度下降系數。

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，再從剩下的影像樣本中選取第二個mini batch 進行遍歷；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果輸出。

1.4 道路斷線修復

遙感影像的采集和傳輸過程可能會受到一些干擾或損失，遙感影像上的道路出現斷裂或缺失情況，這可能導致道路提取結果不完整或不連通。通過修復道路斷線部分，可以使道路提取結果更加準確、完整和連通，有助于準確地提取道路的形狀、長度和寬度等信息，從而更好地服務交通規劃、城市規劃和其他應用領域。

高分辨率遙感影像道路斷線修復是遙感影像精細化處理技術之一，主要將多像素的道路轉為單像素的目標道路，降低遙感影像中的冗余像素信息，進而提升高分辨率遙感影像道路提取中的斷點檢測效率[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，通過八鄰域檢測算法檢測道路骨架的斷點，該算法可以對高分辨率遙感影像進行逐像素檢測，實現道路骨架斷點的全方位、無遺漏檢測。

在處理圖像數據時，通常需要先對像素值進行歸一化或標準化處理，將其映射到[-1，1]值域范圍內，對影像的像素值進行歸一化處理，確保像素位于合適的值域范圍內，保證計算結果的準確性和可靠性。假設高分辨率遙感影像某道路像元點的像素值為Y0，那么該像元點周圍8 個方向像元點的像素值分別為Y1、Y2、Y3、Y4、Y5、Y6、Y7、Y8，根據八鄰域檢測算法可知，如果Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8=1，則Y0為斷點；如果Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8=0，則Y0為孤立點；如果Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8>6，則Y0為內部點。本文為描述斷點之間的相似性關系，使用K-means聚類算法剔除冗余斷點。K-means 聚類算法可以準確判別斷點之間的特征，防止出現多項式擬合噪聲斷點。一般情況下，高分辨率遙感影像道路斷點之間的相似度越高，聚類效果越好。

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

式中：K表示聚類去噪后的結果；arg min（）表示目標函數取得最小值的自變量取值；yj表示高分辨率遙感影像第j個道路斷點；ci表示去噪后高分辨率遙感影像第i個道路斷點。為避免遙感影像道路與實際道路的差異性過大，道路斷線修復不僅需要考慮斷點之間的直線連接，而且需要考慮斷線的彎曲性。因此，本文通過多項式擬合修復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y的多項式函數；N表示階數；a表示常數；ω表示多項式系數。

本文綜合考慮高分辨率遙感影像道路的曲率，利用多項式擬合對道路斷線進行修復。多項式擬合可以準確描述斷點之間的聚集程度，從而實現修復后的道路更加精準。利用等值線方法將道路中心線轉換為道路表面；使用地形分析工具創建等值線圖像，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，可以確保道路表面準確地對應于地形。運用插值函數計算道路中心線上的每個點高程值，通過連接這些點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行更正和美化，可以采用反距離加權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 實驗與分析

2.1 實驗設置

本文選取國際數據集DeepGlobe、Massachusetts、Cities 并進行道路提取實驗，這3 個數據集的1 萬多張高分辨率衛星遙感影像覆蓋多個國家，其規模與對應標簽均適用于道路提取實驗。本文將數據集中的影像無縫裁剪為大小一致的樣本塊，在每個數據集中分別隨機挑選1000 張影像作為訓練集。在本文提取實驗驗證過程中，符合需求的實驗環境搭建也很重要，高分辨率遙感影像處理需要較好的顯卡支持，實驗環境硬件配置如表1 所示。

表1 實驗環境硬件配置

運用Python 語言進行程序編程，網絡訓練的初始學習率為0?0001，網絡優化器為Adam，損失函數為binary_crossentropy，batch size=2，steps_per_epoch=2000，epochs=250。

2.2 圖像提取結果

不同的提取方法得到的提取結果各不相同。因此，本文將文獻[1]提出的基于多標記像素匹配的提取方法和文獻[2]提出的基于改進DeepLabV3+網絡的提取方法進行對照。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，基于多標記像素匹配提取方法和基于改進DeepLabV3+網絡提取方法得到的道路圖像均有殘缺，斷線嚴重影響道路結構的完整性。

2.3 IoU 與F1 指數

為了增加實驗測試結果的可靠性，本文采用交并比（Intersection over Union，IoU）和F1 值作為其他評價指標并進行測試。IoU 常用于網絡檢測，計算評估檢測值與真實道路數據的重合度，通常應用于目標檢測、分割等圖像處理任務的測試。F1 值代表精確率與召回率的加權平均值。IoU 和F1 指數代表真實路網和預測路網之間的相關度，包括提取路網道路的寬度、形狀等。

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

式中：TP為指真正例，表示模型正確地將正類（Positive）識別為正類；FP為指假正例，表示模型錯誤地將負類（Negative）識別為正類；FN為指假負例，表示模型錯誤地將正類識別為負類。IoU 的取值范圍為0～1，值越大表示2 個目標區域的重疊越多、預測結果越準確。IoU 等于1 時，表示2 個目標區域完全重合；IoU 等于0 時，表示2 個目標區域沒有交集。3 種提取方法的IoU 指數如表2 所示。

表2 提取結果對比

由表2 可知，本文方法的IoU 指數和F1 指數高于其他2 種方法，基于深度殘差卷積神經網絡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 結束語

高分辨率遙感影像道路自動提取可用于監測道路建設和改建對自然資源的影響。為解決現有方法的平均路徑長度相似度較低問題，本文基于深度殘差卷積神經網絡，對高分辨率遙感影像道路自動提取方法進行了相關技術研究。通過引入聚類算法確保提取的道路更加結構化，實現了道路特征的自動提取。實驗驗證了該方法提取的道路數據精度較高，能夠為城市規劃部門提供準確的道路數據，有助于為路網規劃和城市管理提供技術支持。