【技術】一種遙感影像道路提取方法，多尺度特征與注意力聚合

摘要

針對遙感影像中背景特征復雜多樣導致道路提取效果不佳的問題，設計了一種改進于UNet的結合多尺度特征提取與注意力聚合的遙感影像道路提取方法(MSUNet)。該方法通過金字塔特征聚合操作融合編碼器的多層特征保留道路的空間及語義信息，并引入基于條形卷積的多尺度特征提取與注意力聚合解決空洞卷積中的像素特征損失問題，加強對道路的線性特征提取，豐富道路的上下文信息。實驗在Massachusetts Roads數據集上進行，其精確度、召回率、F1分數和交并比相比于UNet分別提升0.73%、1.44%、1.09%、1.46%；在自主標注的吉林一號光學A星道路數據集上，其4項指標相比于UNet分別提升3.97%、1.82%、2.85%、3.96%。實驗結果表明，MSUNet優于所比較的方法，能夠有效提高道路提取的準確性。

引用

[1] 范禹靜,劉繼東,靳國旺,等. 一種結合多尺度特征提取與注意力聚合的遙感影像道路提取方法[J/OL]. 測繪科學技術學報, 1-11[2025-12-29]. https://kns.cnki.net/kcms/detail/10.1974.P.20251126.1450.048.html.

引言

高分辨率遙感影像由于具備宏觀視野、實時可靠、覆蓋范圍廣以及數據量龐大等一系列優勢，成為獲取道路信息和實時更新地理信息數據庫的主要數據來源。然而，由于遙感影像背景較為復雜，從海量高分辨率遙感影像中提取道路存在諸多困難：1)道路結構不規則，具有復雜的拓撲結構；2)道路具有跨度大、狹窄且連續分布等特點，易與其他地物如河流、溝壑等產生混淆；3)地物特征細節信息較為豐富，非道路信息如植被陰影、車輛流動、高層建筑物遮擋和人流流動非常復雜，對提取道路信息帶來較大干擾。

基于編解碼器的網絡憑借其捕獲高級語義信息的能力在道路分割方面取得了顯著進展，但仍存在一些問題。首先，目前較多方法仍缺乏對不同層級特征的充分利用，對道路的上下文信息的捕獲能力有限；其次，網絡所采用的卷積核多呈方形，而道路多表現為大跨度的狹長連續區域，因此不可避免地引入了較多不相關的上下文信息。

為進一步提高道路提取的準確性，設計了一種基于UNet改進的結合多尺度特征提取與注意力聚合的遙感影像道路提取方法(MSUNet)。首先，考慮到UNet中的跳躍連接僅融合了當前階段的特征信息，缺少對不同層級特征的利用，因此設計一種結合多尺度注意聚合MSAA (Multi Scale Attention Aggregation)的跳躍連接方法，使深層特征在跳躍連接階段有效地融合淺層信息，減少道路細節特征的損失。其次，在編解碼器的中心引入多尺度特征提取MSFE (Multi Scale Feature Extraction)模塊，在空洞卷積操作之前加入條形卷積，減少像素特征的損失，擴大網絡的感受野并增強道路的語義信息。最后，采用BCE損失和Dice損失組合損失函數改善由于樣本類別不均衡對模型造成的影響。

主要圖表

圖1 UNet網絡架構

圖2 MSUNet網絡結構

圖3 多尺度注意聚合模塊

圖4 空間注意力模塊

圖5 通道注意力模塊

圖6 多尺度特征提取模塊

實驗環境為Python 3.8,使用PyTorch深度學習框架進行搭建，在單個NVIDIA GeForce RTX 4090圖形圖像處理單元（GPU）上實現。實驗的訓練批處理大小batch_size設置為16，初始學習率設為2×10??，采用按比例縮放學習率策略來動態調整學習率，使用Adam優化器來優化權重更新。在訓練過程中，所有網絡模型默認采用Xavier初始化方法用以加速模型收斂速度。此外，為有效擴充數據樣本，在訓練前對原始影像及標簽隨機進行旋轉、水平翻轉、垂直翻轉等數據增強操作。在對比實驗中，所有網絡模型均采用相同的隨機數種子以確保實驗條件的一致性，最大程度地減少因隨機性帶來的不確定因素。

圖7 Massachusetts Roads數據集不同模型分割效果

圖8 吉林一號光學A星道路數據集不同模型分割效果

結束語

針對遙感影像中背景特征復雜多樣導致狹長的道路提取效果不佳的問題，提出一種改進于UNet的結合多尺度特征提取與注意力聚合的高分辨率遙感影像道路提取方法MSUNet。該方法考慮到道路的空間幾何特性，引入條形卷積進行多尺度特征提取，解決空洞卷積中的特征損失問題；并提出改進的多尺度注意聚合模塊優化跳躍連接方式，重點關注道路的結構特征，減少復雜背景的干擾。在Massachusetts道路數據集和自主標注的吉林一號光學A星道路數據集上的實驗結果表明，本文所提方法在細小道路分支上的提取效果明顯，同時道路預測的完整性較好，各項性能指標表現優異。但該方法在提取與周圍環境顏色差異小的道路分支時仍存在一定的難度。

未來考慮采用更先進的網絡架構來改善道路提取的性能；同時，考慮到移動端設備場景下的應用需求，針對如何實現模型的精度與效率之間的平衡進行下一步的研究。

來源：測繪科學技術學報 轉自：測繪學術資訊