针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特征图进行融合,得到原始分辨率大小的特征图;最后,将特征图输入Sigmoid分类器中进行分类。实验结果表明:本文方法的提取精度优于经典全卷积神经网络模型,准确率达到了98%以上,有效保留了道路的完整性及其边缘的细节信息。

主要用于遥感图像道路信息提取，能得到很好的效果。

深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。

马萨诸塞州建筑物数据集由波士顿地区的151张航拍图像组成，每幅图像的1500×1500像素，分辨率为1m，面积为2.25平方公里。因此，整个数据集覆盖约340平方公里。数据分为137个图像的训练集，10个图像的测试集和4个图像的验证集。通过栅格化从OpenStreetMap项目获得的建筑轮廓线来获得目标地图。广泛用于深度学习语义分割与建筑物和道路的提取，是遥感与深度学习领域科研与实验必备的对比实验数据集之一。

音视频-图像处理-融合点云与高分辨率影像的城区道路提取与表面重建研究.pdf

摘要:利用数学形态学的方法对高分辨率遥感影像道路提取进行了研究,通过对影像进行预处理增强道路信息,依据影 像灰度直方图信息,对预处理后的影像进行阈值分割,得到一个包含道路信息的二值影像;进一步使用形态开运算去除细小 噪声,同时将一部分粘连在道路上的噪声与道路信息进一步分割;接着结合形态腐蚀和形态重建运算获取影像中主要道路网 络信息,并用形态闭运算完善道路网络信息;最后对道路网络信息进行形态细化和一定次数的形态修剪处理,得到单像素宽 的道路中心线信息。利用数学计算软件MATLAB 在高分辨率遥感影像上作了实验,并进行了总结和分析。

提出一种基于非抽样Contourlet变换(NSCT)与形状特征的遥感影像道路提取算法.首先对图像进行非抽样Contourlet变换,得到不同尺度、不同方向上的变换系数,对变换系数进行增强处理并通过反变换得到增强图像;然后对增强图像进行分割处理,利用道路形状特征对分割结果进行道路提取;最后利用光谱特征对提取的道路进行判断,并利用形态学方法对道路网进行规整.对比实验结果表明:该算法取得了较好的高分辨率遥感影像道路提取效果.

基于遥感图像的道路提取和道路车辆检测算法，张岩，李文生，遥感图像中蕴含着重要的交通信息，基于遥感图像的交通信息提取技术成为研究的热点。本论文提出了一种基于遥感图像的道路提取和道

行业分类-物理装置-一种基于点的迭代式遥感图像道路提取方法.zip

【马萨诸塞州道路数据集--9.83G】用于深度学习 道路提取项目，下了蛮久的马萨诸塞州道路数据集，下载不易，感谢支持。