孔祥穩(wěn)，王常穎，張世超，李勁華，隋毅

(青島大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，山東 青島 266071)

0 引言

高質(zhì)量的道路信息提取在許多實(shí)際應(yīng)用中起著重要作用[1]。傳統(tǒng)的自動(dòng)提取道路方法主要包括基于光譜特征的方法[2]、面向?qū)ο蟮姆椒╗3]、淺層機(jī)器學(xué)習(xí)方法[4]等。然而隨著遙感影像分辨率的提高，影像包含的地物細(xì)節(jié)更加豐富，以上方法提取道路的精度已經(jīng)不能達(dá)到實(shí)際需求。

近幾年，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域得到了廣泛的應(yīng)用。如經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)[5]和全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional neural network，F(xiàn)CN)[6]以及包括U-Net、SegNet[7]和DeepLab[8]在內(nèi)的編碼-解碼網(wǎng)絡(luò)在語義分割應(yīng)用中都展現(xiàn)了優(yōu)異的性能。道路分割作為語義分割問題的一個(gè)子集，國內(nèi)外學(xué)者對(duì)其做了大量的研究，得到了較大的發(fā)展。Wang等[9]利用滑動(dòng)窗口方法預(yù)測道路樣本，提出了一種提取道路網(wǎng)絡(luò)的神經(jīng)動(dòng)態(tài)框架。Wei等[10]使用FCN架構(gòu)提取道路得到了較好的結(jié)果，但該方法無法完全恢復(fù)輸入圖像的分辨率，在分割小細(xì)節(jié)方面表現(xiàn)不佳。王卓等[11]提出一種基于U-Net改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)，改善了道路提取精度。U-Net、SegNet、DeepLab等高性能的編碼-解碼網(wǎng)絡(luò)模型使用一系列卷積和池化操作來提高道路提取效率，但由于沒有考慮道路的結(jié)構(gòu)特征，對(duì)于較為復(fù)雜的區(qū)域提取效果不佳。

綜上可以看出，必須要結(jié)合道路目標(biāo)的結(jié)構(gòu)特性改進(jìn)模型，才能更適合解決道路提取問題?？紤]到道路目標(biāo)呈現(xiàn)細(xì)長形狀，而且寬度極其有限，不同的感受野大小設(shè)置在道路提取任務(wù)中至關(guān)重要。研究發(fā)現(xiàn)，空洞卷積在擴(kuò)大感受野的同時(shí)不會(huì)引入額外的計(jì)算參數(shù)。此外，空洞空間金字塔池化(atrous spatial pyramid pooling，ASPP)也可以改善感受野的大小，馬天浩等[12]將空洞空間金字塔池化引用到道路識(shí)別場景中，有效改善了局部道路提取完整性。分析原理可知，空洞空間金字塔池化只是將一個(gè)正方形窗口變成了多個(gè)尺寸的正方形窗口進(jìn)行并行池化操作，仍然會(huì)不可避免地捕捉到不相關(guān)區(qū)域的干擾信息，最終限制捕捉長條狀的道路區(qū)域，依然難以實(shí)現(xiàn)高精度的道路提取。

為解決上述問題，進(jìn)一步提升道路提取的完整性，結(jié)合U-Net網(wǎng)絡(luò)和遙感影像數(shù)據(jù)特征，本文提出了一種結(jié)合條紋池化模塊(strip pooling module，SPM)和混合池化模塊(mixed pooling module，MPM)[13]的SM-Unet網(wǎng)絡(luò)，并以國產(chǎn)高分二號(hào)影像為數(shù)據(jù)源開展了基于SM-Unet的道路提取實(shí)驗(yàn)。

1 研究方法

1.1 U-Net網(wǎng)絡(luò)結(jié)構(gòu)

如圖1所示，U-Net網(wǎng)絡(luò)是一種高度對(duì)稱的編碼器-解碼器網(wǎng)絡(luò)。在編碼器部分設(shè)置兩個(gè)3×3大小的卷積層提取特征，然后使用2×2大小的最大池化模塊對(duì)特征圖進(jìn)行下采樣。解碼器部分的每個(gè)模塊都包含一個(gè)上采樣操作，通過2×2大小的反卷積模塊實(shí)現(xiàn)。并且該網(wǎng)絡(luò)在同一層次使用了跳躍連接，這樣能夠保證恢復(fù)后的特征圖可以融合更多低水平的特征，也可以使不同尺寸的特征得到融合。

在高分辨率遙感影像中道路多呈現(xiàn)狹窄的長條狀，總體上呈網(wǎng)狀分布。由于高分辨率遙感影像中道路目標(biāo)特征復(fù)雜且背景地物多樣，其細(xì)節(jié)信息非常豐富，這就對(duì)用語義分割模型提取語義信息提出了更高的要求。U-Net網(wǎng)絡(luò)通過級(jí)聯(lián)對(duì)應(yīng)層次的特征圖，復(fù)用低層次語義信息，然而U-Net網(wǎng)絡(luò)進(jìn)行下采樣擴(kuò)大感受野范圍的同時(shí)，也會(huì)忽略部分細(xì)小道路目標(biāo)信息，因此，使用U-Net網(wǎng)絡(luò)在高分辨率遙感影像上進(jìn)行道路提取存在局限性。

1.2 SM-Unet網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的SM-Unet網(wǎng)絡(luò)是以U-Net網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)進(jìn)行改進(jìn)的，網(wǎng)絡(luò)主要由編碼器和解碼器兩部分組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 SM-Unet網(wǎng)絡(luò)結(jié)構(gòu)圖

針對(duì)從高分辨率遙感影像中提取道路任務(wù)的特殊性，本文結(jié)合U-Net網(wǎng)絡(luò)，設(shè)計(jì)了SM-Unet。U-Net網(wǎng)絡(luò)編碼器部分進(jìn)行四次下采樣來擴(kuò)大感受野范圍。然而下采樣在擴(kuò)大感受野的同時(shí)，可能會(huì)導(dǎo)致部分細(xì)小道路目標(biāo)信息丟失甚至無法重建。為了提取到更多有效的細(xì)節(jié)信息，在下采樣前加入條紋池化模塊。該模塊限制池化區(qū)域，能夠結(jié)合道路的形狀特征，既能捕獲遠(yuǎn)距離孤立道路區(qū)域信息，同時(shí)又關(guān)注局部細(xì)節(jié)。因此，在編碼器的最后一層卷積塊加入混合池化模塊，通過混合池化模塊收集更多不同位置豐富的上下文信息。最后，將編碼器產(chǎn)生的特征圖饋送到解碼器。

1)條紋池化模塊。道路是呈現(xiàn)長條狀分布的特殊網(wǎng)狀結(jié)構(gòu)，多條道路互相交錯(cuò)會(huì)形成道路網(wǎng)，且道路在影像中總體呈現(xiàn)連貫帶狀，很少出現(xiàn)斷頭路。如圖3(a)所示，傳統(tǒng)的空間池化僅使用固定大小的正方形窗口提取特征，考慮到道路結(jié)構(gòu)的特殊性，使用傳統(tǒng)的池化方法會(huì)限制提取道路場景中的各種上下文信息，同時(shí)也會(huì)不可避免地提取到不相干區(qū)域的干擾信息。SM-Unet網(wǎng)絡(luò)使用條紋池化方法可以有效地?cái)U(kuò)大感受野范圍并且收集上下文信息。如圖3(b)所示，相比于傳統(tǒng)池化，條紋池化主要有兩個(gè)優(yōu)點(diǎn)。第一，條紋池化方法沿著一個(gè)空間維度設(shè)計(jì)了N×1的長條狀的池化核形狀，該池化核形狀可以很好應(yīng)用到長條狀的道路上，且在長條形窗口內(nèi)更容易獲取道路孤立區(qū)域的遠(yuǎn)距離關(guān)系。第二，它沿著另一個(gè)空間維度設(shè)計(jì)了1×N的狹窄核形狀，這有助于捕獲空間中的局部上下文信息，并且能有效防止不相關(guān)區(qū)域的無用信息干擾標(biāo)簽的預(yù)測。條紋池化與傳統(tǒng)的僅從固定的正方形窗口收集上下文的空間池化有本質(zhì)的不同。本文網(wǎng)絡(luò)集成條紋池化模塊，這種條紋池化考慮的是較長較窄的范圍，而不是整個(gè)特征圖，避免了在相距較遠(yuǎn)的位置之間建立不必要的連接，同時(shí)更能聚合全局和上下文信息。

圖3 普通池化、條紋池化和對(duì)應(yīng)標(biāo)簽圖

傳統(tǒng)池化將方形區(qū)域?qū)?yīng)位置上特征圖的像素值求平均，以該值作為池化輸出值。池化的輸出結(jié)果如式(1)所示。

(1)

式中：x∈R，為任意二維輸入張量，R為實(shí)數(shù)集；H和W分別為池化核的高度和寬度；y的每個(gè)空間位置對(duì)應(yīng)一個(gè)大小為H×W的池化窗口；i0和j0分別指當(dāng)前池化區(qū)域相對(duì)于所有池化區(qū)域在高度方向和寬度方向的相對(duì)位置；i和j分別表示在池化區(qū)域中的高度和寬度坐標(biāo)。由式(1)也可以看出，當(dāng)該池化處理的對(duì)象為不規(guī)則形狀時(shí)，會(huì)不可避免地包含許多不相關(guān)的信息。

本文引入的條紋池化模塊由兩條路徑組成，如圖4所示。這兩條路徑分別沿著垂直和水平兩個(gè)空間維度執(zhí)行池化，以有效擴(kuò)大主干的感受野范圍。對(duì)于收集到的遙感影像中的每個(gè)空間信息，對(duì)全局的水平和垂直信息進(jìn)行編碼，然后使用編碼來平衡其自身的權(quán)重以進(jìn)行特征細(xì)化。與傳統(tǒng)池化不同，條紋池化先將輸入的二維張量通過水平和垂直條紋池化后變?yōu)镠×1和1×W，再對(duì)水平和垂直條形區(qū)域?qū)?yīng)位置上特征圖的像素分別求平均，以該值作為池化輸出值。水平池化輸出結(jié)果如式(2)所示，垂直池化輸出結(jié)果如式(3)所示。

圖4 條紋池化模塊

(2)

(3)

式中：h、v分別代表?xiàng)l帶合并方向，h為水平方向，v為垂直方向；y為池化輸出，其每個(gè)空間位置對(duì)應(yīng)一個(gè)大小為H×1和1×W的池化窗口；H和W分別為水平池化和垂直池化的長度，此處的i與j分別代表當(dāng)前池化像素在整個(gè)池化區(qū)域x中的高度和寬度坐標(biāo)。

水平和垂直池化輸出結(jié)果經(jīng)過卷積核大小為3的1D卷積沿著左右和上下方向進(jìn)行擴(kuò)容，擴(kuò)容后得到兩個(gè)尺寸相同的特征圖，對(duì)擴(kuò)容后的特征圖對(duì)應(yīng)相同位置求和得到與輸入尺寸相同的大小為H×W的融合特征圖。融合特征圖結(jié)果如式(4)所示。

(4)

最后，融合特征圖結(jié)果通過1×1卷積和sigmoid處理后，再與原輸入圖對(duì)應(yīng)位置像素相乘得到條紋池化的最終輸出結(jié)果。

在條紋池化過程中，輸出特征圖中的每個(gè)位置都和輸入特征圖中的水平和垂直位置建立了關(guān)系。在條紋池化過程中，重復(fù)聚合上述過程幾次，能夠?qū)崿F(xiàn)在遙感影像中對(duì)所有的特征信息構(gòu)建長距離依賴關(guān)系。

2)混合池化模塊。金字塔池化模塊(pyramid pooling module，PPM)[14]是增強(qiáng)語義分割網(wǎng)絡(luò)的有效方法。不同的金字塔級(jí)別有不同的池內(nèi)核，但在擴(kuò)大主干網(wǎng)絡(luò)感受野用金字塔池化時(shí)可能會(huì)包含對(duì)某一位置預(yù)測無用甚至誤導(dǎo)的信息，所以有必要限制池化的區(qū)域。結(jié)合標(biāo)準(zhǔn)池化和條紋池化的優(yōu)點(diǎn)，設(shè)計(jì)了混合池化模塊。該模塊結(jié)合不同尺寸和各種不同正方形內(nèi)核形狀、條形內(nèi)核形狀的池化操作,聚合高分辨率遙感影像中不同類型的上下文信息，從而使道路特征表示更有辨別力。

混合池化模塊由條紋池化和金字塔池化共同組成，首先用1×1卷積層減少通道數(shù)量，然后將兩個(gè)子模塊的輸出串聯(lián)到一起，引入另一個(gè)1×1卷積層擴(kuò)展通道數(shù)量。該模塊進(jìn)行池化操作時(shí)能獲取各種不同位置之間的短距離和長距離相關(guān)關(guān)系。對(duì)于長距離依賴關(guān)系，使用水平和垂直條紋池化可以聚合此類信息。結(jié)合高分辨率遙感影像中道路的特點(diǎn)，條紋池化可以收集離散分布的道路區(qū)域的特征信息，對(duì)長條形道路區(qū)域進(jìn)行編碼。高分辨率遙感影像中道路區(qū)域也會(huì)存在分布緊密的情況，所以也需要采用金字塔池化模塊，標(biāo)準(zhǔn)空間池化不僅能收集短距離信息，也能更好地獲取道路區(qū)域的上下文信息。如圖5所示，在編碼-解碼網(wǎng)絡(luò)之間插入混合池化模塊，編碼器生成的特征圖通過使用混合池化模塊進(jìn)行處理，最后結(jié)果被反饋到解碼器。

圖5 混合池化模塊

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境

為驗(yàn)證本文提出的SM-Unet模型在高分二號(hào)遙感影像上提取道路的有效性，利用制作的高分二號(hào)遙感影像數(shù)據(jù)集進(jìn)行訓(xùn)練、驗(yàn)證、測試。實(shí)驗(yàn)基于Tensorflow+Keras深度學(xué)習(xí)框架設(shè)計(jì)。硬件設(shè)備為Intel(R)CPU E5-2690 V4 2.60 GHz，128 GB內(nèi)存，同時(shí)使用一塊Nvidia Tesla K80 GPU進(jìn)行加速。

2.2 數(shù)據(jù)集及預(yù)處理

采用2019年6月中國天津地區(qū)的部分高分二號(hào)遙感影像作為訓(xùn)練數(shù)據(jù)。高分二號(hào)遙感影像由4 m分辨率的多光譜圖像和1 m分辨率的全色圖像融合而成，融合后的圖像為tif格式的4通道影像，圖像空間分辨率為1 m。使用ENVI用目視解譯的方法對(duì)高分辨率遙感影像中的感興趣道路區(qū)域進(jìn)行勾畫，得到對(duì)應(yīng)的標(biāo)簽圖像。標(biāo)簽圖為二值圖，道路像素值為1，非道路像素值為0。考慮到單幅遙感影像數(shù)據(jù)量較大且現(xiàn)有硬件設(shè)備GPU的內(nèi)存有限，從該地區(qū)的遙感影像中分別截取14幅3 000像素×3 000像素大小的影像切片，其中10幅作為訓(xùn)練樣本，4幅作為測試樣本。

本文選擇使用大小為256像素×256像素，且步長為120的滑動(dòng)窗口在遙感影像與其對(duì)應(yīng)的標(biāo)簽圖上進(jìn)行樣本子圖像截取。此外，為了有效擴(kuò)增訓(xùn)練樣本數(shù)據(jù)，對(duì)原始遙感影像和對(duì)應(yīng)的標(biāo)簽旋轉(zhuǎn)90°，并隨機(jī)進(jìn)行水平和垂直遷移，最終得到10 912張大小為256像素×256像素的樣本子影像。將其以9∶1的比例分成9 820張訓(xùn)練集圖片、1 092張驗(yàn)證集圖片，輸入到本文提出的SM-Unet網(wǎng)絡(luò)中。在訓(xùn)練模型時(shí)采用Adam優(yōu)化器，學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練集和驗(yàn)證集的批處理樣本大小均設(shè)置為4，迭代期(epoch)設(shè)置為30。在30輪迭代中，每結(jié)束一輪訓(xùn)練，都會(huì)在驗(yàn)證集上計(jì)算一次損失率和精度，最終選擇使用在驗(yàn)證集上訓(xùn)練效果最好的模型。

2.3 道路提取評(píng)價(jià)指標(biāo)

從遙感影像中提取道路是從像素級(jí)別實(shí)現(xiàn)的語義分割二分類問題。道路像素為正，非道路像素為負(fù)，由此可知，預(yù)測結(jié)果可以分為四種：真陽性(TP)、真陰性(TN)、假陽性(FP)和假陰性(FN)。TP表示被正確分類的道路像素的數(shù)量；TN表示被正確分類的非道路像素?cái)?shù)量；FP表示非道路被錯(cuò)分為道路像素的數(shù)量；FN表示道路被錯(cuò)分為非道路像素的數(shù)量。基于以上四種預(yù)測結(jié)果，本文從定量角度采用精確率(precision)、召回率(recall)、F1分值和平均交并比(IoU)作為評(píng)估指標(biāo)，評(píng)價(jià)本文從遙感影像中提取道路方法的質(zhì)量。

2.4 SM-Unet網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果和分析

用SM-Unet網(wǎng)絡(luò)和消融實(shí)驗(yàn)搭建的網(wǎng)絡(luò)在高分二號(hào)遙感影像數(shù)據(jù)集上進(jìn)行分析。實(shí)驗(yàn)中所用到的對(duì)比網(wǎng)絡(luò)和本文的網(wǎng)絡(luò)均為相同環(huán)境和相同參數(shù)設(shè)置。對(duì)高分二號(hào)遙感影像數(shù)據(jù)上訓(xùn)練完的模型，使用測試集進(jìn)行預(yù)測時(shí)的輸入圖像與訓(xùn)練集圖像大小一致，均為3 000像素×3 000像素。預(yù)測結(jié)果如圖6～圖9所示。

圖6 研究區(qū)域1四種網(wǎng)絡(luò)的提取結(jié)果對(duì)比

圖6～圖9展示了四張包含不同類型道路且地物背景復(fù)雜的遙感影像原輸入圖像、目視真值圖，及U-Net、Unet-SPM、Unet-MPM、SM-Unet預(yù)測結(jié)果圖。其中，Unet-SPM、Unet-MPM網(wǎng)絡(luò)分別是在原U-Net網(wǎng)絡(luò)上搭建的在編碼器前四次下采樣前加入條紋池化模塊、編碼器最后一層加入混合池化模塊的網(wǎng)絡(luò)。上述四景測試圖具體表現(xiàn)為：城區(qū)主干道路與影像中其他地物對(duì)比鮮明，道路邊緣相互平行且道路網(wǎng)狀多為密集；居民住宅區(qū)域道路狹窄且多被建筑物陰影遮擋；道路區(qū)域大多不會(huì)孤立存在，主干道路會(huì)和其他支路相互交錯(cuò)形成網(wǎng)狀結(jié)構(gòu)。通過預(yù)測結(jié)果圖可以看出，相比于其他三種網(wǎng)絡(luò)，本文網(wǎng)絡(luò)在增加了條紋池化模塊和混合池化模塊后，能更完整地提取狹窄細(xì)小的道路和遠(yuǎn)距離的長條形道路，達(dá)到較全面的提取效果。

圖7 研究區(qū)域2四種網(wǎng)絡(luò)的提取結(jié)果對(duì)比

圖8 研究區(qū)域3四種網(wǎng)絡(luò)的提取結(jié)果對(duì)比

圖9 研究區(qū)域4四種網(wǎng)絡(luò)的提取結(jié)果對(duì)比

本節(jié)使用上文提到的道路提取質(zhì)量評(píng)價(jià)指標(biāo)驗(yàn)證本文網(wǎng)絡(luò)的有效性，在高分二號(hào)遙感影像數(shù)據(jù)集上進(jìn)行測試，各項(xiàng)評(píng)價(jià)指標(biāo)如表1所示。

表1 各模型在高分二號(hào)遙感影像測試集上結(jié)果對(duì)比

從評(píng)價(jià)指標(biāo)可以看出，本文提出的SM-Unet網(wǎng)絡(luò)的預(yù)測結(jié)果在各項(xiàng)指標(biāo)上都明顯優(yōu)于原U-Net網(wǎng)絡(luò)。U-Net網(wǎng)絡(luò)采用編碼器-解碼器對(duì)稱結(jié)構(gòu)，將同一層次的特征圖拼接在一起，形成更厚的特征，能夠有效提升地物分割精度，但該網(wǎng)絡(luò)主要用于處理醫(yī)學(xué)影像，模型結(jié)構(gòu)的設(shè)計(jì)并不完全適合提取高分辨率遙感影像中的道路。由對(duì)比結(jié)果可知，本文提出的網(wǎng)絡(luò)在精確率、召回率、F1分值和平均交并比上分別提高了3.67%、6.12%、3.3%、4.22%。同時(shí)，對(duì)比表1中的Unet-SPM、Unet-MPM網(wǎng)絡(luò)，本文網(wǎng)絡(luò)的預(yù)測結(jié)果只有召回率比Unet-MPM略低0.42%，其他指標(biāo)都明顯優(yōu)于對(duì)比網(wǎng)絡(luò)。

2.5 SM-Unet網(wǎng)絡(luò)和其他網(wǎng)絡(luò)的比較

下面討論SM-Unet網(wǎng)絡(luò)與現(xiàn)有的其他網(wǎng)絡(luò)在高分二號(hào)遙感影像數(shù)據(jù)集上的分割結(jié)果對(duì)比。預(yù)測結(jié)果如圖10～圖13所示。

圖10 研究區(qū)域1七種網(wǎng)絡(luò)的提取結(jié)果對(duì)比

圖11 研究區(qū)域2七種網(wǎng)絡(luò)的提取結(jié)果對(duì)比

圖12 研究區(qū)域3七種網(wǎng)絡(luò)的提取結(jié)果對(duì)比

圖13 研究區(qū)域4七種網(wǎng)絡(luò)的提取結(jié)果對(duì)比

如圖10～圖13所示，相比于其他網(wǎng)絡(luò)，本文網(wǎng)絡(luò)在高分二號(hào)遙感影像測試集上分割道路時(shí)，能更加完整地提取到主干道路和支路，居民區(qū)域狹窄細(xì)小的道路也能較好地識(shí)別到，雙向車道的邊界信息提取也很清晰。FCN網(wǎng)絡(luò)進(jìn)行四次下采樣，中間生成的最小特征圖僅為輸入圖像的1/32，導(dǎo)致不能很好地識(shí)別道路的細(xì)小部分。DeepLabV3+應(yīng)用了從編碼器網(wǎng)絡(luò)逐漸恢復(fù)分辨率的思想，恢復(fù)到輸入圖像分辨率的1/4，雖然加入了多尺度提取模塊，但仍然不足以完成道路提取任務(wù)。ResNet101網(wǎng)絡(luò)加入殘差網(wǎng)絡(luò)提高了神經(jīng)網(wǎng)絡(luò)的性能，但該網(wǎng)絡(luò)在編碼器部分進(jìn)行四次下采樣后直接在解碼器部分進(jìn)行四次上采樣，缺少多尺度語義信息，不能很好地提升模型的分割精度。BiSeNet雙邊網(wǎng)絡(luò)中的空間路徑的卷積層數(shù)過多，導(dǎo)致空間信息損失，因而不能達(dá)到理想的道路提取效果。HRNet和DANet網(wǎng)絡(luò)提取的道路區(qū)域均存在較明顯的孔洞和斷裂。高分辨率網(wǎng)絡(luò)HRNet中四個(gè)從低到高分辨率的分支編碼特征被連接在一起以生成特征，但上下文信息并沒有得到充分利用，該網(wǎng)絡(luò)也沒有解碼階段，不能很好地恢復(fù)細(xì)節(jié)信息。DANet提出雙重注意網(wǎng)絡(luò)，以集成局部特征和全局依賴，與本文網(wǎng)絡(luò)相比仍不可避免地會(huì)忽略細(xì)節(jié)信息，不能夠很好地應(yīng)用到提取道路任務(wù)上。

表2展示了本文網(wǎng)絡(luò)和其他網(wǎng)絡(luò)在高分二號(hào)遙感影像測試集上的平均精確率、平均召回率、平均F1分值和平均交并比。由表2可以得出，上述對(duì)比網(wǎng)絡(luò)模型均未從特征篩選方面考慮，本文網(wǎng)絡(luò)在各項(xiàng)評(píng)價(jià)指標(biāo)上均優(yōu)于其他模型。

表2 七種模型在高分二號(hào)遙感影像數(shù)據(jù)集上結(jié)果對(duì)比

3 結(jié)束語

本文對(duì)高分二號(hào)遙感影像中道路信息的提取進(jìn)行研究，結(jié)合道路目標(biāo)特點(diǎn)，為提高分割精確率，獲得更好的道路提取質(zhì)量，基于U-Net網(wǎng)絡(luò)設(shè)計(jì)了簡潔、高度對(duì)稱的解碼器-編碼器網(wǎng)絡(luò)SM-Unet,得到如下結(jié)論。

1)加入條紋池化模塊，限制池化區(qū)域，能夠有效獲取長距離依賴關(guān)系并且關(guān)注局部細(xì)節(jié)信息。

2)考慮到道路尺度信息的多樣性，加入混合池化模塊，通過各種匯集操作獲取不同類型的上下文信息，同時(shí)捕獲不同位置之間的短距離和長距離相關(guān)性，能同時(shí)較好地提取到分布離散的長條形道路區(qū)域和狹窄區(qū)域，從而提升網(wǎng)絡(luò)在復(fù)雜場景的遙感影像中提取道路信息的能力。

3)和原U-Net網(wǎng)絡(luò)提取道路結(jié)果中出現(xiàn)明顯的漏分、斷裂現(xiàn)象相比，本文網(wǎng)絡(luò)的提取結(jié)果能得到明顯改善，輸出影像中的多尺度道路目標(biāo)相對(duì)完整連續(xù)。且與現(xiàn)有的其他語義分割模型相比，本文網(wǎng)絡(luò)的提取結(jié)果在精確率、召回率、F1分值和平均交并比四項(xiàng)評(píng)價(jià)指標(biāo)上表現(xiàn)優(yōu)異，能夠應(yīng)用到地物背景復(fù)雜的遙感影像中的道路提取任務(wù)中。