深度學習大規模道路網絡自動提取

       很久沒有更新了，近期作了一個工做，就是用深度學習方法來自動提取高分辨率遙感影像上的道路網絡，16年的時候都是用的什麼SVM，什麼加強線性指數等

手工設計的線性目標加強特徵，而後去提取道路，那些個東西說白了，沒啥用，在一個小區域可能作的有那麼點效果，可是換一個場景，立馬就沒了，沒有任何普適性

可言，以前用深度學習方法作太高分辨率影像變化監測工做，這一次，我從新把網絡進行了設計，用於提取道路網絡，最終生成道路中心，並進行大規模場景實驗，結果

仍是很是不錯的，我的以爲在必定程度上能夠減小人工提取道路網絡的工做量。如須要代碼：Email：1044625113@qq.com,qq:1044625113,添加好友時，請備註：道路網絡自動提取！

       好了很少說了，介紹下道路網絡提取的部分工做，首先是樣本部分，樣本採用開源的道路網絡數據和標籤（應該是國外某個地區），你們能夠到開源數據網站下載，

訓練集大概是6000多張1024*1024的三通道高分辨率影像，看下面：

                                           圖1 樣本和標籤

     其實，客觀的說，這個樣本作的確實不夠好，爲何呢，由於有一些道路該畫出來的，沒有畫出來，好比說這個樣本上的中間那條路，就沒有畫出來，可是總的來講，在深度學習裏面，

樣本是燃料，有總比沒有要好，是吧！接下來就輸入到我設計的網絡中來，整體來講，參考了Deeplabv3+的思想，使用多尺度特徵進行提取，可是所有采用分離卷積替換resnet50層，這樣

有一個好處，學習速度快，並且輕量，比Deeplab輕了5倍，更爲關鍵的是，一張卡能夠扔進更多的樣本。一張RTX2080ti能夠扔進16個1024*1024的樣本，而通常的Deeplabv3v 只能扔進4個，

多了就out of memory了，可能在學術上意義不大，可是在工程上意義巨大，由於工頭每每不會有那麼多時間給你訓練！！！！！（開個玩笑）

    模型訓練完畢，測試結果代碼以下所示：

function resultBlock = testDLmodel(imgBlock, inputSize, net)
% we can use this function to process big image

TestImg = imgBlock(:,:,1:3);                                            % google 地圖下載的是四個通道

patchSize = inputSize;                                                 % 按照訓練圖像塊的大小去分塊預測
Result = segmentImage(TestImg, net, patchSize);
Result = im2bw(mat2gray(Result), 0.1);

line = extractionLine(Result);                                         % 提取中心線

se = strel('disk',2);
line = imdilate(line, se);
resultBlock = labeloverlay(mat2gray(TestImg),line,'Transparency',0);          % 疊加到原始影像上

fprintf(['a block has been finished...\n']);

% imwrite(mat2gray(line),[path(1:end-4),'_LiteSeg_out_Line.tif']);
% imwrite(mat2gray(Result),[path(1:end-4),'_LiteSeg_out.tif']);

end

　　因爲影像實在太大，我用了分塊處理的方式進行解決，這樣簡單而又方便的解決IO，內存不足的問題了，這個比較工程手段了，其實我我的學術上也作了一點工做，

我發現學院派有一個很大的缺點，就是小區域作個實驗就完事了，可是真正的工程不是這樣的，小區域實驗成功後，應當大規模應用起來，因此個人博客都是一些實際而

又有用的工做，好比下面這個分塊處理大影像問題：

%% read test image
load net_liteSegModel.mat
inputSize = [4096, 4096];


%% block process to extract road line
fun = @(block_struct) testDLmodel(block_struct.data, inputSize, net);        % 調用分塊處理超大影像
blockproc('嶽麓區.tif', inputSize, fun, 'Destination', '嶽麓區中心線.tif');

　    在開源數據訓練完畢後，我直接爬了google數據進行測試，地區選擇國內湖南地區，大小是4萬*3萬像素，總共是14個g，跑完大概花了30分鐘，若是換成固態硬盤會快的多，若是並行的話，

控制在10分鐘之內應該問題不大，主要時間花在IO上面了，窮人只能用機械硬盤，唉。。。。。好了，直接看結果吧！

 

                                                                            圖2 道路提取結果

      圖中藍色區域爲道路中心線，你們可能看的不是很是清晰，下面我放大幾個區域：

                       

                                                                         圖3 農田部分

                        

                                                                        圖4 山區公路部分  

                        

                                                                圖5 山區盤山泥濘小路

                        

                                                             圖6 丘陵地帶道路提取結果

     從結果來看，確實是不錯的，可是仍然存在部分道路網絡斷裂，彎曲等等，這些能夠經過後續優化來改進，不是特別難的問題了，

    下面咱們來測試一下這個模型的極限性能，它在複雜的城市道路網表現如何呢？我選擇了深圳全市做爲測試區域，進行了測試，結果看下面;

 

 

咱們挑選幾個複雜的場景看看：

 

 再看幾個其餘區域：

 

 

 再看：

 

     從這個結果來看，已經很是不錯了，城市這種很是複雜的環境，跑出這個結果，已經出乎個人預料了，下一步改進應該能夠直接工程化了，先寫到這裏吧。

    好吧，若是你們有須要的代碼的，請聯繫我吧。qq：1044625113，加時備註「全自動道路網絡提取」。