張永宏，嚴(yán) 斌，田 偉，王劍庚

1.南京信息工程大學(xué) 自動(dòng)化學(xué)院，南京210044

2.南京信息工程大學(xué) 計(jì)算機(jī)與軟件學(xué)院，南京210044

3.南京信息工程大學(xué) 大氣科學(xué)學(xué)院，南京210044

在遙感技術(shù)與計(jì)算機(jī)技術(shù)的飛速發(fā)展的過(guò)程中，獲取高分辨率遙感圖像已不在是難題，如何快速、智能地從遙感圖像中獲取目標(biāo)信息是當(dāng)今遙感界迫切需要解決的問題，它關(guān)系到遙感技術(shù)的利用價(jià)值及應(yīng)用的普及程度[1-2]。道路作為基礎(chǔ)地理信息至關(guān)重要，是遙感圖像目標(biāo)提取研究的關(guān)鍵內(nèi)容[3]。

如何從遙感圖像中識(shí)別并提取出道路經(jīng)過(guò)這些年的發(fā)展，很多方法陸續(xù)被提出。傳統(tǒng)的方法有文獻(xiàn)[4]提出Otsu閾值法，通過(guò)灰度特征將圖像分割成背景和目標(biāo)的二值圖，此方法分割時(shí)速度較慢且對(duì)無(wú)關(guān)特征的干擾處理也有些許欠缺。文獻(xiàn)[5]提出了通過(guò)方向模板檢測(cè)邊緣點(diǎn)的方法，將邊緣圖分為8 個(gè)方向的塊，再?gòu)姆謮K圖像中檢索出子線段，該方法提取道路的精度還待提高，處理的步驟也較為繁瑣?？梢钥吹?，傳統(tǒng)的方法僅從低層的一些顏色、形狀等視覺特征入手，提取到的的特征也較為單一。隨著深度學(xué)習(xí)的發(fā)展，文獻(xiàn)[6]提出了的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)憑借其自動(dòng)提取高維特征的功能在圖像領(lǐng)域得到了廣泛的應(yīng)用，一些學(xué)者已將其遷移到遙感領(lǐng)域。如文獻(xiàn)[7]使用CNN 進(jìn)行像素的分類，將其分為道路與非道路，然后對(duì)圖像進(jìn)行孔洞填充，得到較為純凈的道路。文獻(xiàn)[8]提出的基于NiN 架構(gòu)的FCN 模型，通過(guò)利用大量的上下文特征信息，保持較快處理時(shí)間的同時(shí)提取較完整的道路。

鑒于深度學(xué)習(xí)方法能有效提取高維特征和充分利用上下文信息的特點(diǎn)，本文提出了一種基于PPMU-net神經(jīng)網(wǎng)絡(luò)的多特征道路提取方法。首先在數(shù)據(jù)上考慮到地形對(duì)結(jié)果的干擾，將光譜信息與地形信息多特征融合并利用CNN 篩選出包含道路的圖像，其次模型上使用了以Zhao等[9]提出的PSPnet分割網(wǎng)絡(luò)為原型，在此基礎(chǔ)上做出改進(jìn)的一種新的網(wǎng)絡(luò)模型（PPMU-net）。該模型通過(guò)內(nèi)部的空洞卷積層進(jìn)行多尺度融合，并利用跳躍結(jié)構(gòu)處理位置信息，語(yǔ)義信息。最終實(shí)驗(yàn)也證明了在復(fù)雜地形條件下，PPMU-net 模型可提取道路的高維復(fù)雜的特征，對(duì)道路的特征信息做了較好的處理，避免了人為提取特征代表性不強(qiáng)、信息丟失的現(xiàn)象。

1 數(shù)據(jù)的預(yù)處理

在高分遙感圖像山地道路提取中，由于地形條件較為復(fù)雜，導(dǎo)致道路被環(huán)境干擾，阻礙判斷。僅靠3通道的光譜信息不能有效的提取道路，所以這里額外提供了一種數(shù)字高程信息（Digital Elevation Model，DEM）。首先利用軟件arcgis得到相應(yīng)坡度（slop）、坡向（aspect）地形信息。再將處理好的地形信息和高分遙感圖像的光譜信息進(jìn)行向量拼接來(lái)達(dá)到通道融合，形成一個(gè)6通道多特征圖像。向量拼接的數(shù)學(xué)表達(dá)為：現(xiàn)有特征向量ν1∈?n，ν2∈?m，將其進(jìn)行融合，特征向量變?yōu)棣?[ν1,ν2]∈?n+m。

最后將多特征的圖像切割成合適的大小并送進(jìn)卷積神經(jīng)網(wǎng)絡(luò)篩選分類，選出含道路的圖像。本文的分類任務(wù)是個(gè)二分類任務(wù)，較為簡(jiǎn)單，選用LeNet 網(wǎng)絡(luò)結(jié)構(gòu)篩選出含道路的圖像與不含道路的圖像。網(wǎng)絡(luò)由卷積、最大池化、全連接組成，結(jié)構(gòu)如圖1所示。

圖1 LeNet網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖2 道路提取流程圖

2 PPMU-net卷積網(wǎng)絡(luò)道路提取算法

對(duì)于復(fù)雜地形條件下的道路提取任務(wù)而言，基于PPMU-net 的高分辨率遙感道路提取流程圖如圖2 所示。為了提高PPMU-net對(duì)道路的提取效率，本文利用事先訓(xùn)練好的CNN 對(duì)切割出的圖像進(jìn)行分類，得到含道路的圖像。為了提高復(fù)雜地形下的分割精度，補(bǔ)充輸入相應(yīng)地區(qū)的地形信息，最終形成6通道的多特征圖像，增加了圖像的特征量。同時(shí)本文也對(duì)PSPnet 神經(jīng)網(wǎng)絡(luò)做出改進(jìn)，形成一個(gè)新的網(wǎng)絡(luò)結(jié)構(gòu)PPMU-net。PPMUnet神經(jīng)網(wǎng)絡(luò)相比較常見的語(yǔ)義分割神經(jīng)網(wǎng)絡(luò)（PSPnet、U-net）在精度上有所提高，加快了擬合的速度。

2.1 PSPnet網(wǎng)絡(luò)研究

PSPnet 網(wǎng)絡(luò)由殘差提取模塊（Resnet）、金字塔池化模塊（SPP）、上采樣模塊組成。Resnet 與AlexNet、VGG相比，可提取較深層的特征，語(yǔ)義性更強(qiáng)。上采樣模塊用來(lái)恢復(fù)圖像的分辨率，使得輸入輸出尺寸一樣。多尺度金字塔池化模塊由4個(gè)層級(jí)組成，其池化核大小分別為圖像大小的全部、一半和小部分，最終它們可融合為全局特征[9]。在道路提取的過(guò)程中，要充分考慮道路周圍其他對(duì)象的影響，引入足夠的上下文信息及不同感受野下的全局信息，金字塔池化模塊很好地滿足了此要求。但是，池化操作在獲取上下文、全局信息的同時(shí)降低了圖像的分辨率，對(duì)于一些道路邊緣細(xì)節(jié)信息的處理存在不足，對(duì)低層的特征的利用也不夠充分。

2.2 PPMU-net網(wǎng)絡(luò)模型

基于對(duì)PSPnet 網(wǎng)絡(luò)的研究，這里在此網(wǎng)絡(luò)上做出改進(jìn)，形成一個(gè)新的模型結(jié)構(gòu)PPMU-net，該模型通過(guò)上采樣將圖像恢復(fù)到原始圖像的大小，使得每個(gè)像素都會(huì)產(chǎn)生一個(gè)預(yù)測(cè)結(jié)果，由單一的分類概率變成了與原圖尺寸一致的語(yǔ)義分割圖，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 PPMU-net網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.2.1 上采樣

在PPMU-net網(wǎng)絡(luò)中，下采樣降低了圖像的分辨率，要想得到一張與輸入圖像大小一樣的圖像，則需要將特征圖擴(kuò)大相應(yīng)的倍數(shù)，這個(gè)擴(kuò)大的步驟就叫做卷積神經(jīng)網(wǎng)絡(luò)的上采樣（Upsampling）。雙線性插值[10-11]是目前在語(yǔ)義分割中用的比較多的一種方式，這種方法的特點(diǎn)是無(wú)訓(xùn)練參數(shù)，運(yùn)行速度快。上采樣的示意圖如圖4所示。

圖4 上采樣的示意圖

2.2.2 殘差網(wǎng)絡(luò)

一般情況下，越深的卷積神經(jīng)網(wǎng)絡(luò)所提取的特征越抽象，語(yǔ)義信息也越多。但網(wǎng)絡(luò)深度的提升不應(yīng)該簡(jiǎn)單通過(guò)層和層的疊加來(lái)實(shí)現(xiàn)。當(dāng)網(wǎng)絡(luò)的深度增加時(shí)，梯度消失、爆炸、退化的現(xiàn)象會(huì)越來(lái)越明顯，最終導(dǎo)致整個(gè)網(wǎng)絡(luò)變得難以訓(xùn)練[12]。所以這里引入殘差網(wǎng)絡(luò)結(jié)構(gòu)來(lái)加深網(wǎng)絡(luò)結(jié)構(gòu)，更好地提取特征。

首先殘差網(wǎng)絡(luò)由殘差塊組成，殘差塊的結(jié)構(gòu)如圖5（a）所示。x為輸入，F(xiàn)(x)為殘差塊在經(jīng)過(guò)第一層激活函數(shù)后的輸出，即公式（1），其中σ代表Relu 非線性函數(shù)，W1與W2代表一層、二層的權(quán)值。

圖5 Resnet網(wǎng)絡(luò)結(jié)構(gòu)

殘差塊輸出的最后通過(guò)一個(gè)shortcut將第2 個(gè)Relu和輸入x直接相加，得到最終輸出值y，到此也叫作恒等殘差塊（identity_block）。

當(dāng)需要對(duì)輸入和輸出維數(shù)進(jìn)行變化時(shí)（改變通道數(shù)目），可以在shortcut時(shí)對(duì)x做一個(gè)線性變換Ws，即公式（2）、（3）所示，這個(gè)過(guò)程叫做卷積殘差塊（conv_block）。

基于以上研究，本文采用圖5（b）中的殘差單元，通過(guò)2個(gè)1×1的卷積減少、增加通道數(shù)，加深網(wǎng)絡(luò)深度的同時(shí)有效地減少卷積的參數(shù)和計(jì)算量。

2.2.3 網(wǎng)絡(luò)的改進(jìn)

（1）最大池化（maxpooling）替換成步長(zhǎng)為2的卷積[13]。PSPnet網(wǎng)絡(luò)通過(guò)最大池化將圖像進(jìn)行下采樣，通過(guò)替換可以有效的減少信息的丟失。具體可考慮如下矩陣，假設(shè)其中0非道路的背景，而4代表道路：

A矩陣代表一條橫線道路，B矩陣為豎線道路，分別對(duì)這2 個(gè)矩陣應(yīng)用2×2 最大池化，這2 個(gè)矩陣變得難以區(qū)分，如下矩陣所示：

（2）增加U-net[14]的跳躍結(jié)構(gòu)（Skip）。網(wǎng)絡(luò)低層的特征分辨率較高，具有更多位置、細(xì)節(jié)信息，但是經(jīng)過(guò)的卷積較少語(yǔ)義性較低，噪聲較多。相反高層特征經(jīng)過(guò)多次卷積后語(yǔ)義信較強(qiáng)，但在細(xì)節(jié)、位置信息上卻不如低層特征豐富。PSPnet 通過(guò)上采樣還原的圖像僅僅是圖3中第四層（block4）的卷積核中的特征，位置、細(xì)節(jié)信息的丟失導(dǎo)致精度受限不能準(zhǔn)確提取道路。因此，設(shè)計(jì)網(wǎng)絡(luò)在每一層上采樣后融合特征提取部分的輸出。從block4依次向前迭代，將第三層（block3）、第二層（block2）、第一層（block1）中的卷積核特征利用跳躍結(jié)構(gòu)，與對(duì)應(yīng)各層上采樣后的特征進(jìn)行concat融合，及時(shí)補(bǔ)充上采樣后特征的位置細(xì)節(jié)信息。因此，最后一層上采樣后的特征既來(lái)自第一個(gè)卷積block1的輸出（同尺度特征），也來(lái)自各層上采樣后輸出的特征。

圖6 空洞卷積層

（3）PSPnet網(wǎng)絡(luò)在中間層引入金字塔結(jié)構(gòu)來(lái)實(shí)現(xiàn)特征的多尺度性，而金字塔模塊又是由4個(gè)全局平均池化（mean pooling）組成。全局平均池化層更多地保留了背景信息，但對(duì)紋理信息的關(guān)注還有所欠缺。具體可考慮如下，假設(shè)4代表道路，其余為非道路的背景：

當(dāng)對(duì)這2個(gè)不同的矩陣分別進(jìn)行平均池化時(shí)，發(fā)現(xiàn)2個(gè)矩陣變得難以區(qū)分，如下矩陣所示：

因此提出支持感受野指數(shù)級(jí)增長(zhǎng)且可以減少訓(xùn)練參數(shù)的多尺度空洞卷積層[15-17]。根據(jù)Hybrid Dilated Vonvolution（HDC）的結(jié)構(gòu)即：通過(guò)疊加的空洞卷積膨脹率（dilation rate）不能有大于1的公約數(shù)；膨脹率設(shè)置成鋸齒結(jié)構(gòu)；需要滿足如下的公式（4），其中Mi為i層的最大膨脹率，ri為i層的膨脹率。

設(shè)計(jì)出的空洞卷積層感受野分別為3×3，7×7，11×11，15×15，如圖6所示。

空洞卷積層統(tǒng)一將卷積核定為3×3，然后利用膨脹率1、2 的空洞卷積來(lái)處理近距離的信息，膨脹率為3、4的空洞卷積來(lái)處理遠(yuǎn)距離信息。因?yàn)榘伺蛎浡蕿?的空洞卷積（standard convolution），很好地對(duì)空洞卷積的洞進(jìn)行了全覆蓋。在達(dá)到多尺度性質(zhì)的同時(shí)也解決了空洞卷積層出現(xiàn)信息連續(xù)性損失和不能同時(shí)處理不同大小物體關(guān)系的問題。

2.3 基于PPMU-net的多特征道路提取

本文道路提取方法的多特征性體現(xiàn)在原有光譜3通道圖以及道路標(biāo)簽圖的基礎(chǔ)上，新增加了處理過(guò)的地形信息（數(shù)字高程、坡度、坡向），將這幾類圖像一同作為訓(xùn)練的輸入數(shù)據(jù)，為復(fù)雜地形條件下道路提取提供了更加豐富的特征信息。

本文的PPMU-net 模型編碼部分為殘差網(wǎng)絡(luò)，中間層由4種不同膨脹率的3×3空洞卷積模塊組成，譯碼部分為上采樣層。選擇Relu作為模型的激活函數(shù)，其數(shù)學(xué)表達(dá)式如公式（5）所示：

損失函數(shù)（loss function）用來(lái)計(jì)算模型的標(biāo)簽值與預(yù)測(cè)值的誤差，損失函數(shù)的誤差值越小，代表模型擬合的就越好。為了較好地訓(xùn)練網(wǎng)絡(luò)最后選用Sigmoid激活函數(shù)與Binary Cross Entropy 二值交叉熵?fù)p失函數(shù)搭配，數(shù)學(xué)表達(dá)式如公式（6）和（7）所示：

模型在預(yù)測(cè)時(shí)，同時(shí)讀入3通道光譜、數(shù)字高程、坡度、坡向圖像，卷積通道分別對(duì)這些圖像進(jìn)行特征提取，提取的特征圖通過(guò)逐層上采樣、融合的方式恢復(fù)到原圖尺寸，最后輸出結(jié)果圖，模型預(yù)測(cè)示意圖如圖7所示。

圖7 模型預(yù)測(cè)示意圖

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)采用Windows下的Keras機(jī)器深度學(xué)習(xí)框架，使用Anaconda軟件進(jìn)行程序的編寫，實(shí)驗(yàn)平臺(tái)的配置：CPU 為AMD B450M PRO-VDH PLUS，GPU 為RTX2060 6G。

3.1 實(shí)驗(yàn)數(shù)據(jù)

針對(duì)地形復(fù)雜的地區(qū)，為了給模型更充分的特征信息，采用了高分二號(hào)的光譜信息融合地形信息的方法。為了避免內(nèi)存的溢出，將訓(xùn)練的數(shù)據(jù)裁剪成100×100的圖像并事先通過(guò)CNN 分類網(wǎng)絡(luò)剔除不含道路的圖像。訓(xùn)練集分為原始圖像（包括光譜、數(shù)字高程、坡度、坡向）和與之對(duì)應(yīng)的標(biāo)簽圖像。根據(jù)手動(dòng)劃分的矢量文件制作標(biāo)簽，讓道路的灰度值為120，其他區(qū)域?yàn)?。本次實(shí)驗(yàn)共選取了500 對(duì)原始圖像和標(biāo)簽圖像，其中訓(xùn)練集500對(duì)，驗(yàn)證集100對(duì)，且訓(xùn)練集驗(yàn)證集不重復(fù)。本文通過(guò)對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行旋轉(zhuǎn)、對(duì)稱變換、增強(qiáng)圖像噪聲等操作，豐富了實(shí)驗(yàn)數(shù)據(jù)的訓(xùn)練集，防止過(guò)擬合現(xiàn)象的發(fā)生，同時(shí)提高模型的泛化能力。

3.2 精度評(píng)估方法

本文采用了語(yǔ)義分割中常用的幾種度量方式來(lái)評(píng)估不同算法在此實(shí)驗(yàn)上的表現(xiàn)[21]。

True Positive（TP）：判斷正確的正樣本（路）；

False Positive（FP）：判斷錯(cuò)誤的正樣本；

True Negative（TN）：判斷正確的負(fù)樣本（非路）；

False Negative（FN）：判斷錯(cuò)誤的負(fù)樣本。

準(zhǔn)確率（Accuracy）：

召回率（Recall）：

3.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證多特征的輸入對(duì)訓(xùn)練結(jié)果的影響，本文將對(duì)比3通道的高分衛(wèi)星圖像作為輸入和多特征的6通道的衛(wèi)星圖像作為輸入訓(xùn)練測(cè)試的效果，此次的數(shù)據(jù)集分為兩種，（1）方法1 訓(xùn)練集的數(shù)據(jù)為普通的3 通道光譜信息圖像；（2）方法2 訓(xùn)練集增加了數(shù)字高程、坡度、坡向信息，變?yōu)?通道的遙感圖像。不同的輸入源的訓(xùn)練收斂速度對(duì)比如圖8（a）所示，在驗(yàn)證集上的損失值對(duì)比如圖8（b）所示。

從中可以看出，在采用相同神經(jīng)網(wǎng)絡(luò)（U-net）的前提下，光譜3 通道的訓(xùn)練集的收斂速度慢于6 通道的遙感數(shù)據(jù)集；3通道的遙感數(shù)據(jù)集訓(xùn)練的模型在驗(yàn)證集上的精度低于6 通道數(shù)據(jù)集訓(xùn)練出來(lái)的模型。這是由于在一張相同大小的圖像上，6通道在原有通道的基礎(chǔ)上引入了地形信息，提供了更豐富的特征信息，故本文采用了6通道的多特征遙感圖像對(duì)模型進(jìn)行訓(xùn)練。

圖8 損失值對(duì)比

本次實(shí)驗(yàn)的模型是基于PPMU-net 神經(jīng)網(wǎng)絡(luò)，為了驗(yàn)證該方法在高分辨率遙感圖像道路提取上的效果，將其與傳統(tǒng)的分割網(wǎng)絡(luò)U-net 神經(jīng)網(wǎng)絡(luò)、PSPnet 神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。訓(xùn)練集與驗(yàn)證集上的loss 值對(duì)比分別如圖8（c）、（d）所示?？梢钥闯鯬PMU-net網(wǎng)絡(luò)在驗(yàn)證集上的loss值最低，擬合的效果最好。最終的分類結(jié)果圖如圖9 所示，預(yù)測(cè)的效果圖如圖9（h）所示。將U-net 網(wǎng)絡(luò)分割的效果圖與標(biāo)簽對(duì)比可見，絕大多數(shù)像素被正確分類，但對(duì)于那些被遮擋的道路而言，U-net網(wǎng)絡(luò)沒有準(zhǔn)確提取，并且邊緣的細(xì)節(jié)處理不好。PSPnet網(wǎng)絡(luò)誤將與道路顏色相近的空地識(shí)別為了道路，對(duì)于小目標(biāo)道路的提取不夠精確。而本文的PPMU-net網(wǎng)絡(luò)很好地解決了這類問題，更好地關(guān)注了道路的細(xì)節(jié)與邊緣。

圖9 不同方法的分類結(jié)果圖對(duì)比

本文的PPMU-net 網(wǎng)絡(luò)在PSPnet 上做出改進(jìn)，為了證明改進(jìn)的可靠性，這里將每次改進(jìn)后的網(wǎng)絡(luò)與改進(jìn)前的網(wǎng)絡(luò)進(jìn)行對(duì)比。訓(xùn)練的loss 終值對(duì)比如表1 所示，模型結(jié)構(gòu)的細(xì)節(jié)對(duì)比通過(guò)可視化如圖10 所示。其中MP代表最大池化，CONV(s=2)代表步長(zhǎng)為2的卷積，Skip代表跳躍結(jié)構(gòu)，DCL 代表空洞卷積層，SPP 代表金字塔池化層。

表1 改進(jìn)模型結(jié)構(gòu)后損失值對(duì)比

與PSPnet 結(jié)構(gòu)相比，方案1 將原網(wǎng)絡(luò)特征提取過(guò)程中的池化層全部換成了步長(zhǎng)為2的卷積，對(duì)比可見驗(yàn)證集上損失值減小，可視化的特征圖也保留了較多的信息。

方案2是在方案1的基礎(chǔ)上添加U-net的跳躍結(jié)構(gòu)，這里結(jié)合可視化對(duì)比圖10（b），可以看出PSPnet網(wǎng)絡(luò)在提取特征后直接上采樣到輸入圖像的尺寸，邊緣鋸齒化較重且出現(xiàn)錯(cuò)誤分割，而改進(jìn)后的網(wǎng)絡(luò)經(jīng)過(guò)逐步上采樣融合恢復(fù)到原尺寸，較好地將道路提取出來(lái)。

方案3 是在方案2 的基礎(chǔ)上將金字塔全局平均池化層換成了不同膨脹率的空洞卷積層，效果對(duì)比如圖10（c）所示。可以看出經(jīng)過(guò)池化層融合后的特征圖丟失了紅線部分的信息，而換成空洞卷積后融合的特征圖很好的保存著特征信息。通過(guò)以上實(shí)驗(yàn)充分證明了改進(jìn)的合理性。

圖10 特征可視化結(jié)果對(duì)比

最后將本文提出的基于PPMU-net的多特征遙感道路提取方法與其他幾種具有代表性的網(wǎng)絡(luò)進(jìn)行精度評(píng)估比較，如3通道的U-net道路提取、6通道的U-net道路提取和基于PSPnet道路提取，結(jié)果如表2所示。數(shù)據(jù)分析顯示，6 通道多特征的U-net 網(wǎng)絡(luò)比3 通道的U-net 精度提升了超過(guò)6 個(gè)百分點(diǎn)；而本文的PPMU-net 網(wǎng)絡(luò)在精度上比PSPnet 提升11 個(gè)百分點(diǎn)，比U-net 提升7 個(gè)百分點(diǎn)，但是在速度上比較，PPMU-net網(wǎng)絡(luò)的速度比其余幾個(gè)網(wǎng)絡(luò)略慢。總體看來(lái)，在面對(duì)復(fù)雜地形條件下的道路提取時(shí)，本文基于PPMU-net 網(wǎng)絡(luò)的遙感道路提取方法可取得較好的效果。

表2 不同方法道路提取精度和測(cè)試用時(shí)對(duì)比

4 結(jié)束語(yǔ)

本文針對(duì)復(fù)雜地形條件下道路提取方法精度低的問題，提出了一種基于PPMU-net 神經(jīng)網(wǎng)絡(luò)的多特征道路提取方法。首先通過(guò)融合光譜信息與地形信息的方法來(lái)實(shí)現(xiàn)圖像的多特征性，并用CNN 網(wǎng)絡(luò)選出含道路的圖像作為數(shù)據(jù)集，再將含道路的多特征遙感圖像送進(jìn)PPMU-net神經(jīng)網(wǎng)絡(luò)中預(yù)測(cè)。實(shí)驗(yàn)證明本文方法能更好地關(guān)注復(fù)雜地形下道路的語(yǔ)義、細(xì)節(jié)位置特征，提高了分割的精度。與此同時(shí)，該方法還有許多問題值得進(jìn)一步研究，如：怎樣在保證精確度的同時(shí)進(jìn)一步加快提取道路的速度；如何將提取道路的信息這一二分類問題擴(kuò)展到多分類的問題。