摘要
高分辨率的遥感影像中蕴含着丰富的地物信息，而道路作为地理信息基本特征之中尤为重要的组成成分，分布范围十分广泛。从遥感图像中提取道路一直是现代社会的一个研究热点，对于城市的发展也具有重要意义。目前，从高分辨率的遥感影像中提取道路网已被广泛应用于城市规划、车辆导航和地理信息管理等城市服务中。尽管在过去的十年中得到了相当多的关注，但由于其他地物（如停车场、建筑屋顶和树冠）的干扰以及道路网络的复杂性，从高分辨率的遥感影像中进行道路提取仍然是一项具有挑战性的工作。研究如何获得更加优越的特征表示，如何合理的构造深度网络，如何聚焦于图像中局部有区分性的区域是提升道路提取结果准确性的关键点。因此，本文针对于图像分割算法对高分遥感影像的特征表示不够全面的问题，着眼于优化网络的特征提取能力，并由此展开研究工作，所进行的主要工作如下： 1、引入SGE（SpatialGroup-wisedEnhance）注意力机制改进U-Net图像分割算法。针对U-Net算法在特征提取阶段对高维空间信息捕捉不足的缺陷，采用SGE注意力机制增强对空间特征的提取，以提高特征表示全面性的优势。注意力强化模块可以强调显示具有区分性的区域，所以在进行特征提取之前，将经注意力强化的区域添加到编码器部分和译码器部分。最后，将该方法和现有的几种常用方法进行了对比，结果表明该方法是可行的。此外，为了提高图像的分割精度，数据增强被用来扩充道路数据集规模，实验结果显示，经过改进的算法在MassachusettsRoad数据集上道路提取精确度和IoU（交并比）分别达到了74.82%和61.31%。 2、根据三种不同的网络拓扑结构：串行，并行和迁移，实现了基于深度学习的道路中心线自动提取算法。通过道路中心线提取网络和道路本身提取网络的合并，为整个流程节约了大量计算资源。在选取的DeepGlobe道路数据集上进行实验，算法的查准率，查全率和质量分别达到了90.2%，95.7%，91.6%。
NETL