【技術實現步驟摘要】
本專利技術屬于圖像分割，涉及一種基于混合卷積模塊和分塊循環注意力的圖像道路提取方法。
技術介紹
1、道路在城市中起著至關重要的作用，它連接著城市的各個部分。同時，道路包含著基本的、重要的地理信息，這些信息經常被應用于許多領域，包括城市設計規劃、車輛導航、災害預警等領域。道路形狀包括直線段、曲線段、坡度、交叉口形狀、車道寬度與數量、道路邊緣形狀及特殊設計形狀。由于道路信息的重要性，圖像分割已成為研究人員關注的重點方向。
2、傳統道路提取方法大多利用基于像元和面向對象等思想進行高分辨率遙感影像的道路信息獲取。基于像元的方法主要是依靠不同波譜的遙感影像，通過構建道路的幾何形狀等特征，僅能進行簡單背景下的道路提取任務，但面對背景信息較為復雜的遙感影像時，往往會導致提取結果出現嚴重的椒鹽噪聲現象。面向對象的方法將遙感影像劃分為大小不一的分類單元，再進行道路信息提取，具有良好的抗噪性和適用性。但這種方法由于建筑物陰影遮擋和相似地物混淆等影響，致使道路提取結果中常常存在斷裂或粘連現象。同時，對于光譜信息豐富的遙感影像，傳統道路提取方法難以顧及多樣性、高復雜的道路特征，無法適應大范圍、高精度的道路提取任務，提取效果有待進一步提升。
3、現有道路提取中，常見的建筑物和細小道路等多種道路形態影響特征提取，如何提取出更精確的道路成為重點研究方向之一。
技術實現思路
1、針對現有技術存在的不足，本專利技術的目的在于提供一種基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，提高大跨
2、為了實現上述目的，本專利技術采用如下技術方案：
3、本專利技術提供一種基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，包括：對原始圖像進行特征提取得到待處理特征和階段特征；對階段特征進行特征提取得到混合卷積模塊；對階段特征提取的特征和混合卷積模塊提取的特征進行融合，得到混合道路特征；對混合道路特征進行解碼，得到預測道路圖。
4、進一步地，所述待處理特征的分辨率為256×256；所述階段特征的分辨率為128×128、64×64、32×32、16×16，。
5、進一步地，所述對原始圖像進行特征提取得到待處理特征和階段特征，包括：使用resnet網絡作為主干，通過基礎塊的堆疊得到待處理特征和階段特征，所述基礎塊由堆疊的普通卷積層、歸一化層、激活函數、結合殘差結構組成。
6、進一步地，所述對混合道路特征進行解碼，得到預測道路圖，包括：使用堆疊反卷積層和短接操作對混合道路特征進行解碼，將解碼后的圖像恢復至原始圖像大小，得到預測道路圖。
7、進一步地，所述對階段特征進行特征提取得到混合卷積模塊，包括：使用31×31卷積核將階段特征作為各個模塊的輸入，多個模塊構成并行結構，分別對每個階段的特征進行特征提取得到混合卷積模塊。
8、進一步地，所述混合卷積模塊由大核模塊和卷積前向傳播模塊串行組成。
9、進一步地，所述大核模塊，包括：階段特征作為大卷積核和小卷積核的輸入，通過大卷積核和小卷積核兩條支路，進行進一步特征提取并將結果進行融合，結合殘差結構與隨機丟棄策略得到大核卷積層模塊。
10、進一步地，所述卷積前向傳播模塊，包括：使用堆疊普通卷積層結合殘差結構與隨機丟棄策略構成。
11、進一步地，所述對階段特征提取的特征和混合卷積模塊提取的特征進行融合，得到混合道路特征，包括：使用階段特征提取的特征和混合卷積模塊提取的特征作為分塊循環模塊輸入，將q、k、v分別分成多個組，不同組之間進行分數計算，使用掩碼隱藏非參與計算的組，得到多個組輸出，將多個組輸出進行相加獲得混合道路特征。
12、進一步地，使用堆疊反卷積層和短接操作對混合道路特征進行解碼，將解碼后的圖像恢復至原始圖像大小，得到預測道路圖，包括：由反卷積層、卷積層和泄露修正線性單元構成基礎結構，將堆疊三層基礎結構對混合道路特征進行解碼，并恢復其大小為對原始圖像大小，通過s型激活函數得到道路概率圖，根據道路概率圖的內部像素道路概率值得到預測道路圖。
13、與現有技術相比，本專利技術具有以下有益的技術效果：
14、本專利技術一種基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，采用深度卷積神經網絡resnet對原始圖像進行特征提取，通過對卷積核的改進，將卷積核大小擴大為31×31，并將卷積過程分為兩條并行之路包括大卷積支路與小卷積支路，使用混合卷積模塊對原始圖像進行特征提取，使用分塊循環模塊對階段特征提取的特征和混合卷積模塊提取的特征進行融合，得到混合道路特征，使用反卷積與短接操作對混合道路特征進行解碼，恢復解碼后圖像的大小得到預測道路圖，能夠有效提高道路提取中對大跨度而細小道路的提取性能，同時提高道路提取的計算效率。
本文檔來自技高網...【技術保護點】
1.一種基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于：
3.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，所述對原始圖像進行特征提取得到待處理特征和階段特征，包括：
4.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，所述對混合道路特征進行解碼，得到預測道路圖，包括：
5.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，所述對階段特征進行特征提取得到混合卷積模塊，包括：
6.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于：
7.根據權利要求6所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，所述大核模塊，包括：
8.根據權利要求6所述的基于混合卷積和分塊循環注意力的圖像道路提取方法，其特征在于，所述卷積前向傳播模塊
9.根據權利要求1所述的基于混合卷積和分塊循環注意力的圖像道路提取方法，其特征在于，所述對階段特征提取的特征和混合卷積模塊提取的特征進行融合，得到混合道路特征，包括：
10.根據權利要求4所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，使用堆疊反卷積層和短接操作對混合道路特征進行解碼，將解碼后的圖像恢復至原始圖像大小，得到預測道路圖，包括：
...【技術特征摘要】
1.一種基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于：
3.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，所述對原始圖像進行特征提取得到待處理特征和階段特征，包括：
4.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，所述對混合道路特征進行解碼，得到預測道路圖，包括：
5.根據權利要求1所述的基于混合卷積模塊和分塊循環注意力的圖像道路提取方法，其特征在于，所述對階段特征進行特征提取得到混合卷積模塊，包括：
6.根據權利要求1所述的基于混...
【專利技術屬性】
技術研發人員：沈超，李博文，肖鋒，劉思雨，黃姝娟，張文娟，葉昕，秦茂源，
申請(專利權)人：西安工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。