基于DeepLabV3+的遙感影像道路中心線提取

張榮軍，譚海，馬天浩，于永帥，黃小賢

(1.遼寧工程技術(shù)大學(xué) 測(cè)繪與地理科學(xué)學(xué)院，遼寧 阜新 123000；2.自然資源部國(guó)土衛(wèi)星遙感應(yīng)用中心，北京 100048；3.核工業(yè)航測(cè)遙感中心，石家莊 050000)

0 引言

隨著遙感技術(shù)的發(fā)展，從遙感影像上獲取所需信息已經(jīng)成為一種非常重要的信息獲取手段。道路信息作為一種重要的地理信息，在城市建設(shè)和規(guī)劃、交通導(dǎo)航等方面發(fā)揮著重要作用。從遙感影像中提取道路，已經(jīng)成為一種有效、快捷的道路提取手段，目前也是遙感信息提取的研究熱點(diǎn)之一。

國(guó)內(nèi)外眾多學(xué)者對(duì)遙感影像中道路提取做了許多研究，根據(jù)道路提取的方法不同，可以分為基于模板匹配提取方法[1-3]、基于面向?qū)ο筇崛》椒╗4-6]、基于深度學(xué)習(xí)語(yǔ)義分割提取方法[7-11]。基于模板匹配的提取方法是根據(jù)道路在遙感影像中的特征，利用幾何信息、輻射信息、拓?fù)潢P(guān)系等，設(shè)計(jì)道路提取模板，通過(guò)模板計(jì)算待定區(qū)域與已知區(qū)域間的相似性程度，根據(jù)相似程度確定待定像素區(qū)域是否為道路[12]。朱長(zhǎng)青等[13]提出了一種矩形模板匹配方法，通過(guò)不斷地調(diào)整矩形的寬度和方向，根據(jù)影像特征、道路拓?fù)渲R(shí)以及結(jié)合數(shù)學(xué)形態(tài)學(xué)的方法，將最佳匹配矩形區(qū)域作為道路，該方法提取效果較好，但是對(duì)道路模板的自適應(yīng)能力要求較高。Wang等[14]提出了一種半自動(dòng)的高分辨率道路提取方法，通過(guò)人工輸入一個(gè)種子點(diǎn)，設(shè)定道路的方向、寬度和起始點(diǎn)信息，生成道路參考模板，用模板自動(dòng)搜索和跟蹤道路。曹帆之等[15]提出了一種基于均值漂移的道路中心點(diǎn)匹配算法，運(yùn)用卡爾曼濾波，實(shí)現(xiàn)高分辨率遙感影像道路中心線追蹤，準(zhǔn)確地提取了高分影像中的道路中心線，對(duì)車(chē)輛、樹(shù)蔭等的遮擋具有很好的魯棒性。譚仁龍等[16]提出基于圓形模板的道路提取方法，克服了傳統(tǒng)矩形模板的局限，使用圓形模板代替矩形模板，省去了旋轉(zhuǎn)角度計(jì)算，降低了算法的時(shí)間復(fù)雜度，并結(jié)合影像灰度、形態(tài)學(xué)梯度等信息，用迭代內(nèi)插法對(duì)道路中心點(diǎn)加密，最終得到較為準(zhǔn)確的道路中心線。

面向?qū)ο蠓椒▽⒌缆纷鳛橐环N具體的對(duì)象，具有獨(dú)特的幾何紋理特征；依據(jù)特征進(jìn)行圖像分類(lèi)或者分割，實(shí)現(xiàn)提取道路信息。余長(zhǎng)慧等[17]先將圖像進(jìn)行預(yù)處理分割成多個(gè)小區(qū)域，然后引入基于對(duì)象的MRF方法來(lái)提取道路。金靜等[18]提出區(qū)域增長(zhǎng)算法，其主要做法是在預(yù)處理得到的分割結(jié)果中，選取一個(gè)或者多個(gè)區(qū)域作為種子點(diǎn)，然后以種子點(diǎn)為起點(diǎn)，對(duì)相鄰四個(gè)方向區(qū)域的像素進(jìn)行相似度比較，滿足條件的作為新的種子點(diǎn)繼續(xù)迭代下去，直到所有的種子點(diǎn)都不滿足條件為止。曹云剛等[19]提出了一種融合像元多尺度對(duì)象級(jí)特征的道路中心線提取算法，通過(guò)像素級(jí)上提取影像的紋理和形狀結(jié)構(gòu)特征和多尺度分割集影像上提取對(duì)象的區(qū)域光譜特征，再將像元級(jí)特征與多尺度對(duì)象特征進(jìn)行決策級(jí)融合，提取出道路網(wǎng)絡(luò)，最后利用非道路區(qū)域自動(dòng)去除算法和張量投票算法，實(shí)現(xiàn)道路中心線的精提取。為了解決僅依靠光譜信息提取道路的方法中道路特征與背景難以完全分離，以及提取出來(lái)的道路中心線出現(xiàn)毛刺等現(xiàn)象，Miao等[20]提出了一種基于形狀特征和多元自適應(yīng)樣條回歸的遙感影像道路中心線提取算法，改進(jìn)了傳統(tǒng)的道路長(zhǎng)寬比指數(shù)，然后利用該指數(shù)對(duì)遙感影像分割結(jié)果進(jìn)行濾波，提取線性特征；再結(jié)合光譜特征從線性特征中提取純凈道路段，最后利用多元自適應(yīng)樣條回歸算法提取道路中心線。

深度學(xué)習(xí)語(yǔ)義分割方法通過(guò)設(shè)計(jì)語(yǔ)義分割網(wǎng)絡(luò)模型，利用道路樣本數(shù)據(jù)，訓(xùn)練出參數(shù)模型，再利用參數(shù)模型提取道路。李代棟等[21]提出了一種基于SPUD-ResNet的道路提取方法，利用空洞卷積構(gòu)建殘差網(wǎng)絡(luò)編碼器，通過(guò)跳躍連接與對(duì)應(yīng)解碼器相連，構(gòu)建了條形池化模塊和混合池化模塊，增強(qiáng)網(wǎng)絡(luò)對(duì)條形道路結(jié)構(gòu)特征的獲取能力。王卓等[22]提出了一種改進(jìn)U-Net網(wǎng)絡(luò)的高分辨率影像道路提取方法，設(shè)計(jì)了以VGG16作為網(wǎng)絡(luò)編碼結(jié)構(gòu)的U-Net網(wǎng)絡(luò)結(jié)構(gòu)，利用batch normalization與dropout解決網(wǎng)絡(luò)訓(xùn)練過(guò)程中出現(xiàn)的過(guò)擬合。Wei等[23]提出了一種新的基于回歸的方法，直接從航空影像中提取道路中心線和邊緣線。首先，訓(xùn)練基于CNN的端到端回歸網(wǎng)絡(luò)來(lái)預(yù)測(cè)道路中心線的置信度圖和估計(jì)道路寬度；然后，在CNN預(yù)測(cè)自信圖后，采用非最大值抑制和道路跟蹤的方法提取準(zhǔn)確的道路中心線，構(gòu)建道路拓?fù)浣Y(jié)構(gòu)，同時(shí)，根據(jù)CNN估計(jì)的道路寬度生成道路邊緣線；最后，為了提高提取的路網(wǎng)的連通性，采用張量投票的方法檢測(cè)交叉口，并將檢測(cè)到的交叉口作為克服不連續(xù)性的指導(dǎo)。

綜上所述，近年來(lái)許多專家、學(xué)者對(duì)基于高分辨率遙感影像提取道路中心線進(jìn)行了大量深入研究，提出了多種道路中心線提取算法，但受影像中道路兩旁樹(shù)木遮擋、高大建筑物及其陰影覆蓋和道路上車(chē)輛等干擾因素影響，基于模板匹配方法、基于面向?qū)ο笠约盎谏疃葘W(xué)習(xí)的道路中心線提取方法提取出來(lái)的道路中心線在一定程度上均存在斷裂、不完整問(wèn)題。此外，在復(fù)雜場(chǎng)景下，道路的中心線提取精度較差。因此，本文提出了一種基于深度學(xué)習(xí)提取道路掩膜，對(duì)掩膜進(jìn)行形態(tài)學(xué)膨脹處理，再提取道路矢量中心線，并對(duì)其進(jìn)行優(yōu)化處理的道路中心線提取方法，在一定程度上消除了樹(shù)木遮擋、建筑物及其陰影覆蓋和道路上車(chē)輛干擾等因素造成的不完整、斷裂情況，提高了道路中心線的完整性。

1 本文方法

本文的道路中心線提取算法主要由道路掩膜提取、道路矢量中心線提取和矢量中心線優(yōu)化處理三個(gè)模塊組成。道路掩膜提取模塊主要利用DeepLabV3+語(yǔ)義分割模型，訓(xùn)練道路提取模型參數(shù)，提取道路掩膜；道路矢量中心線提取模塊中對(duì)提取出來(lái)的道路掩膜進(jìn)行形態(tài)學(xué)膨脹處理，盡可能消除樹(shù)木遮擋、高大建筑物及其陰影覆蓋和道路上車(chē)輛的干擾，在此基礎(chǔ)上提取矢量道路中心線；矢量中心線優(yōu)化處理模塊利用斷裂矢量道路中心線間在空間、幾何上的約束關(guān)系，建立優(yōu)化模型，對(duì)滿足條件的斷裂線段進(jìn)行重連接。本文具體技術(shù)流程如圖1所示。

圖1 技術(shù)流程

1.1 基于DeepLabV3+語(yǔ)義分割網(wǎng)絡(luò)道路掩膜提取

本文采用DeepLabV3+語(yǔ)義分割模型提取道路掩膜。首先利用Photoshop等標(biāo)簽制作軟件制作符合模型訓(xùn)練要求的道路標(biāo)簽。通過(guò)對(duì)高分辨率遙感影像中的道路進(jìn)行分析，道路在影像中均呈條帶狀，且通常情況下道路間是相連的，可形成道路網(wǎng)狀結(jié)構(gòu)。DeepLabV3+語(yǔ)義分割模型具有帶孔卷積(atrous convolution)、多尺度分割物體(multiplescales)、空洞空間卷積池化金字塔(atrous spatial pyramid pooling，ASPP)模塊。該網(wǎng)絡(luò)采用帶孔卷積模板進(jìn)行卷積運(yùn)算，增加了感受野面積，能有效地綜合道路周?chē)纳舷挛男畔?，同時(shí)結(jié)合多尺度分割和ASPP模塊，充分挖掘不同尺度的特征，最大限度地消除影響道路掩膜提取結(jié)果斷裂的因素，盡可能地提取出完整的道路。

DeepLabV3+語(yǔ)義分割模型可以分為編碼器模塊和解碼器模塊，如圖2所示。首先輸入原始圖像進(jìn)行編碼處理，經(jīng)過(guò)一序列的卷積運(yùn)算，生成大小為原圖像1/16的特征張量，再將這些特征張量傳入ASPP結(jié)構(gòu)中。ASPP結(jié)構(gòu)由一個(gè)1×1的卷積層、三個(gè)3×3擴(kuò)張率不同的并行空洞卷積層以及一個(gè)全池化層組成。將這些層進(jìn)行通道拼接處理，之后將拼接處理后的圖層進(jìn)行1×1卷積處理。在解碼器模塊中，提取出骨干網(wǎng)絡(luò)產(chǎn)生的大小為原圖像1/4的卷積特征圖層，將ASPP結(jié)果圖層經(jīng)過(guò)四倍上采樣，形成大小相同的圖層進(jìn)行通道拼接，再將拼接后的圖層進(jìn)行3×3卷積處理和四倍上采樣處理，形成與原始圖像大小相同的輸出圖像。

圖2 DeepLabV3+語(yǔ)義分割模型框架

通過(guò)調(diào)用已經(jīng)訓(xùn)練好的DeepLabV3+語(yǔ)義分割模型，結(jié)合遙感影像裁剪、拼接算法，可實(shí)現(xiàn)影像中大區(qū)域范圍內(nèi)的道路掩膜提取。

1.2 道路矢量中心線提取

1)道路掩膜形態(tài)學(xué)膨脹處理。通過(guò)對(duì)語(yǔ)義分割模型提取出來(lái)的道路掩膜進(jìn)行分析，發(fā)現(xiàn)受道路兩旁的樹(shù)木、高大建筑物及其陰影和路面上車(chē)輛等因素影響，在提取出來(lái)的道路掩膜中存在空洞，而空洞的出現(xiàn)會(huì)對(duì)道路中心線提取造成干擾，無(wú)法準(zhǔn)確提取道路中心線。所以采用形態(tài)學(xué)膨脹處理，能有效填充道路掩膜中的空洞。道路掩膜膨脹處理前后的對(duì)比，如圖3所示。

2)基于道路掩膜提取道路中心線及矢量化。通過(guò)將語(yǔ)義分割提取出來(lái)的道路掩膜經(jīng)過(guò)膨脹處理后，利用細(xì)化算法對(duì)面狀道路進(jìn)行道路中心線提取。本文引用經(jīng)典的Zhang并行快速細(xì)化算法[24]，在細(xì)化的基礎(chǔ)上進(jìn)行線段搜索，記錄每一個(gè)構(gòu)成線段點(diǎn)的像素坐標(biāo)，依次對(duì)圖像中的每一條線段進(jìn)行遍歷，再根據(jù)源圖像的空間參考信息，將像素坐標(biāo)轉(zhuǎn)化為空間坐標(biāo)，生成shp格式的道路矢量中心線。圖4為生成的矢量數(shù)據(jù)在ArcMap中的展示。

圖3 膨脹處理前后對(duì)比

圖4 道路中心線矢量數(shù)據(jù)

1.3 道路矢量中心線優(yōu)化處理

針對(duì)道路矢量中心線仍然存在斷裂、不完整的情況，本文設(shè)計(jì)了對(duì)矢量中心線重連接優(yōu)化算法。通過(guò)對(duì)道路矢量中心線進(jìn)行分析，發(fā)現(xiàn)存在斷裂的道路矢量線段間，在空間、幾何上存在一定的關(guān)系，將這些關(guān)系作為優(yōu)化的約束規(guī)則條件，對(duì)滿足條件的矢量中心線段進(jìn)行重連接優(yōu)化處理，提高道路數(shù)據(jù)的完整性。具體算法實(shí)現(xiàn)步驟如下。

步驟1：依次計(jì)算每一條矢量線段兩端的斜率信息，保存為{K11，K12，K21，K22，…，Kn1，Kn2}。

步驟2：設(shè)置距離閾值D和空間幾何斜率差閾值K。

步驟3：取出線段記錄中的一條線段L1，設(shè)置其中一個(gè)端點(diǎn)為當(dāng)前端點(diǎn)P。

步驟4：計(jì)算點(diǎn)P到其他線段端點(diǎn)的距離{D1，D2，D3，D4，…，Dn}。若Di

(1)

對(duì)滿足條件的端點(diǎn)進(jìn)行連接，將以P、Pi為端點(diǎn)的兩條線段構(gòu)成新的線段，更新線段記錄表中的線段信息。

步驟5：對(duì)步驟3中的另外一個(gè)端點(diǎn)P重復(fù)步驟4操作。

將線段列表中的每一條線段依次取出，重復(fù)步驟3、步驟4、步驟5，直到遍歷完所有的線段。

圖5為優(yōu)化前后對(duì)比。從圖中可以看出，本文優(yōu)化算法對(duì)斷裂道路中心線進(jìn)行了重連接，使道路中心線更加完整。

圖5 優(yōu)化處理前后對(duì)比

2 實(shí)驗(yàn)結(jié)果對(duì)比分析

2.1 DeepLabV3+網(wǎng)絡(luò)道路掩膜提取結(jié)果分析

1)實(shí)驗(yàn)數(shù)據(jù)集。本文選取湖南省長(zhǎng)沙市高分辨率遙感影像制作實(shí)驗(yàn)數(shù)據(jù)集，空間分辨率為0.6 m，利用Photoshop軟件制作勾畫(huà)深度學(xué)習(xí)訓(xùn)練所需要的標(biāo)簽，再將標(biāo)簽和原始數(shù)據(jù)裁剪為320像素×320像素。數(shù)據(jù)經(jīng)過(guò)預(yù)處理后共有9 280張有效標(biāo)簽數(shù)據(jù)，采用75%∶25%的比例將數(shù)據(jù)分成訓(xùn)練集6 960張和驗(yàn)證集2 320張，將75%的數(shù)據(jù)6 960張作為訓(xùn)練數(shù)據(jù)集，將25%的數(shù)據(jù)2 320張作為驗(yàn)證集，輸入到語(yǔ)義分割網(wǎng)絡(luò)模型中。此外，本文還使用了公開(kāi)的馬薩諸塞州數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)對(duì)比分析。本研究實(shí)驗(yàn)環(huán)境為Ubuntu18.04操作系統(tǒng)，顯卡型號(hào)為NVIDIA QuadroP6000，顯卡容量為32 GB，采用Pytorch深度學(xué)習(xí)框架，實(shí)驗(yàn)參數(shù)的學(xué)習(xí)率設(shè)置為0.007，迭代輪數(shù)設(shè)置為80。

2)道路掩膜提取結(jié)果評(píng)價(jià)分析。語(yǔ)義分割主要評(píng)價(jià)指標(biāo)如下。

真陽(yáng)性(true positive，TP)表示真實(shí)情況為道路，檢測(cè)結(jié)果也為道路的部分。

假陽(yáng)性(false positive，F(xiàn)P)表示真實(shí)情況為非道路的背景部分，檢測(cè)結(jié)果卻是道路部分。

真陰性(true negative，TN)表示真實(shí)情況為非道路的背景部分，檢測(cè)結(jié)果也為背景部分。

假陰性(false negative，F(xiàn)N)表示真實(shí)情況為道路，檢測(cè)結(jié)果為非道路的背景部分。

為了客觀評(píng)價(jià)深度學(xué)習(xí)提取效果，采用了語(yǔ)義分割常用的準(zhǔn)確率(accuracy)、精確率(precision)、召回率(recall)、平均交并比(MIoU)四個(gè)指標(biāo)評(píng)價(jià)DeeplabV3+提取算法的性能。

對(duì)于不同的訓(xùn)練數(shù)據(jù)集，DeepLabV3+提取結(jié)果評(píng)價(jià)指標(biāo)如表1所示。

表1 不同數(shù)據(jù)集道路掩膜提取指標(biāo)評(píng)價(jià) %

從表1可以看出，DeepLabV3+分割模型在長(zhǎng)沙影像數(shù)據(jù)集具有較好的分割效果，各項(xiàng)評(píng)價(jià)指標(biāo)接近于公開(kāi)的馬薩諸塞州數(shù)據(jù)集。本文數(shù)據(jù)集訓(xùn)練出來(lái)的模型提取道路掩膜，準(zhǔn)確度達(dá)到了98.6%，說(shuō)明DeepLabV3+模型在長(zhǎng)沙高分辨率影像中提取道路性能較好，提取出來(lái)的掩膜具有較高的可靠性。

2.2 道路中心線提取實(shí)驗(yàn)對(duì)比分析

1)道路中心線提取對(duì)比實(shí)驗(yàn)設(shè)計(jì)。為了驗(yàn)證本文的道路中心線提取優(yōu)化算法的有效性，選擇了不同的道路中心線提取算法進(jìn)行實(shí)驗(yàn)對(duì)比。實(shí)驗(yàn)數(shù)據(jù)為從湖南省長(zhǎng)沙地區(qū)的高分辨率影像中裁剪的含有建筑物陰影、植被遮擋道路的兩景影像，空間分辨率為0.6 m，影像大小分別為1 240像素×780像素和1 170像素×790像素，設(shè)計(jì)了兩個(gè)對(duì)比實(shí)驗(yàn)。

為了評(píng)價(jià)不同方法道路中心線提取的精度與提取效率，引入了準(zhǔn)確度(accuracy)、完整度(integrity)、運(yùn)行時(shí)間(time)三個(gè)評(píng)價(jià)指標(biāo)，表達(dá)如式(2)、式(3)所示。

(2)

(3)

式中：L1表示正確提取的道路中心線總長(zhǎng)度；L2表示未檢測(cè)的道路中心線總長(zhǎng)度；L3表示錯(cuò)誤提取的道路中心線總長(zhǎng)度。

本文算法實(shí)現(xiàn)過(guò)程中，通過(guò)將Pytorch框架下訓(xùn)練完成的模型進(jìn)行格式轉(zhuǎn)換，結(jié)合Libtorch、OpenCV及GDAL等開(kāi)源庫(kù)，運(yùn)用C++語(yǔ)言編程實(shí)現(xiàn)原圖像裁剪、道路掩膜提取與膨脹處理、道路矢量中心線提取及優(yōu)化等一系列操作，其運(yùn)行時(shí)間為輸入圖像至輸出道路矢量中心線時(shí)間。

2)道路中心線提取對(duì)比實(shí)驗(yàn)與分析。

(1)實(shí)驗(yàn)一。圖6為1 240像素×780像素的城市區(qū)域影像局部圖，圖中包含了存在天橋、建筑物陰影的城區(qū)道路。對(duì)于城區(qū)影像的道路中心線提取，陰影區(qū)域易造成提取出來(lái)的道路中心線出現(xiàn)斷裂、不完整現(xiàn)象。文獻(xiàn)[19]方法融合了影像的多尺度特征提取道路網(wǎng)絡(luò)和采用了張量投票算法對(duì)斷裂中心線進(jìn)行了重連接，圖6(a)為文獻(xiàn)[19]方法的提取結(jié)果。從圖中可以看出，該方法在一定程度上連接了距離較短的斷裂線段，但對(duì)于相隔距離較大的斷裂線段無(wú)法實(shí)現(xiàn)連接，而本文方法通過(guò)對(duì)深度學(xué)習(xí)提取的掩膜進(jìn)行膨脹處理，不僅能有效地去除道路上車(chē)輛、路面污染物造成的空洞，同時(shí)能對(duì)陰影造成的斷裂掩膜進(jìn)行連接修復(fù)、填充，在此基礎(chǔ)上進(jìn)行細(xì)化處理，就能提取出相對(duì)較完整的道路。文獻(xiàn)[20]的方法為基于影像分割結(jié)果提取道路的線性信息，結(jié)合道路的光譜信息，采用多元自適應(yīng)樣條回歸算法提取道路中心線，圖6(b)為文獻(xiàn)[20]方法的提取結(jié)果。從圖6(b)可以看出,由于該方法基于分割圖像濾波結(jié)果提取道路的線性形狀特征，而分割結(jié)果易受陰影的干擾，造成提取出來(lái)的道路線狀特征無(wú)法真實(shí)地表達(dá)道路的客觀形狀，易造成斷裂情況的出現(xiàn)。圖6(c)為本文方法的提取結(jié)果，該方法通過(guò)對(duì)掩膜的膨脹處理和建立優(yōu)化規(guī)則進(jìn)行優(yōu)化處理，能有效克服陰影的干擾，提取出較完整的道路中心線。

(2)實(shí)驗(yàn)二。圖7為1 170像素×790像素的鄉(xiāng)村區(qū)域影像局部圖，圖中包含了存在植被及其陰影遮擋的鄉(xiāng)村道路。對(duì)于鄉(xiāng)村道路，道路旁的植被遮擋是造成提取道路中心線出現(xiàn)斷裂的主要原因。鄉(xiāng)村道路的寬度通常比城市道路的寬度要小，幾何形狀也更復(fù)雜；此外，鄉(xiāng)村道路受道路旁植被遮擋相對(duì)嚴(yán)重，導(dǎo)致鄉(xiāng)村道路的幾何特征、光譜特征相對(duì)于城市道路的幾何特征、光譜特征難以提取和描述。文獻(xiàn)[19]方法融合了道路的多尺度特征提取路網(wǎng)，雖然采用了張量投票算法對(duì)斷裂道路中心線進(jìn)行了重連接，但由于鄉(xiāng)村道路存在較多的樹(shù)木遮擋，容易導(dǎo)致提取出來(lái)的路網(wǎng)出現(xiàn)斷裂。結(jié)合圖7(a)可以看出，對(duì)于遮擋區(qū)域面積較小造成相隔距離較小的斷裂中心線重連接較好，而對(duì)于大面積的遮擋造成相隔距離較大的斷裂中心線連接效果較差。文獻(xiàn)[20]方法改進(jìn)了道路的長(zhǎng)寬比指數(shù)對(duì)影像進(jìn)行分割，根據(jù)分割結(jié)果提取道路的線狀特征，再結(jié)合光譜信息提取路網(wǎng)。由于鄉(xiāng)村道路旁樹(shù)木的遮擋對(duì)道路的線狀特征的影響，樹(shù)木的光譜信息與道路的光譜信息有較大差異，造成樹(shù)木遮擋區(qū)域存在斷裂線段，如圖7(b)所示。圖7(c)為本文方法的提取結(jié)果，通過(guò)DeepLabV3+模型提取的路網(wǎng)，相對(duì)文獻(xiàn)[19]方法和文獻(xiàn)[20]方法更完整，對(duì)道路的細(xì)節(jié)提取更細(xì)致；此外，通過(guò)對(duì)掩膜的膨脹處理，能消除影像中小面積的遮擋造成的斷裂；優(yōu)化模型則能對(duì)相隔距離較大的斷裂線段進(jìn)行優(yōu)化重連接。

圖6 城區(qū)道路中心線提取

表2將不同的方法進(jìn)行了定量對(duì)比。通過(guò)對(duì)比可以得出，本文方法不考慮深度學(xué)習(xí)樣本制作及模型訓(xùn)練所耗用的時(shí)間情況下，在準(zhǔn)確度、完整度以及效率上均優(yōu)于其他方法，再次驗(yàn)證了本文方法的有效性。

圖7 鄉(xiāng)村道路中心線提取

表2 不同道路中心線提取方法對(duì)比

3 結(jié)束語(yǔ)

基于遙感影像的道路中心線提取，其準(zhǔn)確度、完整度主要受影像中道路兩旁的樹(shù)木、建筑物及其陰影以及道路上的車(chē)輛影響，造成提取出來(lái)的道路中心線出現(xiàn)斷裂、不完整，且難以直接用于實(shí)際生產(chǎn)。針對(duì)這些問(wèn)題，本文基于DeepLabV3+網(wǎng)絡(luò)分割模型提取道路掩膜，對(duì)道路掩膜進(jìn)行形態(tài)學(xué)膨脹處理后提取道路中心線并對(duì)其進(jìn)行矢量化處理，同時(shí)設(shè)計(jì)優(yōu)化算法，對(duì)矢量中心線進(jìn)行優(yōu)化處理。通過(guò)與文獻(xiàn)[19]方法、文獻(xiàn)[20]方法進(jìn)行實(shí)驗(yàn)對(duì)比分析，本文方法具有更高的準(zhǔn)確度、完整度及提取效率。但是，本文方法在道路矢量中心線優(yōu)化過(guò)程中仍存在少量錯(cuò)誤連接問(wèn)題，后續(xù)將建立更完善的優(yōu)化模型，提高中心線優(yōu)化的準(zhǔn)確度。