文章目录
摘要
准确和最新的路线图在广泛的应用中非常重要。不幸的是，由于树木和建筑物的遮挡、道路的可识别性和复杂的背景，从高分辨率遥感图像中自动提取道路仍然具有挑战性。为了解决这些问题，特别是道路的连通性和完整性，我们在本文中引入了一种新的基于深度学习的多阶段框架，以准确地同时提取路面和道路中心线。我们的框架由三个步骤组成：增强分割、多个起点跟踪和融合。利用完全卷积网络(FCN)实现初始路面分割，之后再应用另一个较轻的FCN几次，以提高初始分割的准确性和连通性。在多个起点跟踪步骤中，通过提取分割结果的道路交叉点，自动生成起点，然后通过嵌入在卷积神经网络(CNN)中的迭代搜索策略，对连续和完整的道路网络进行跟踪。融合步骤通过结合分割和跟踪结果，将道路网络的语义和拓扑信息聚合起来，生成最终和细化的道路分割和中心线图。我们利用覆盖世界40多个城市不同道路情况的三个数据集评估了我们的方法。结果表明，我们提出的框架具有优越的性能。具体来说，我们的方法在路面分割连接指标和中心线提取完整性指标方面的性能分别比其他方法高了7%和40%。
论文的贡献
- 提出了一种新的多阶段遥感图像同步提取框架，结合基于cnn的分割和跟踪的优势，聚合了道路网络的语义和拓扑信息。据我们所知，它是第一个同时进行路面分割和中心线跟踪的综合框架。
- 引入增强策略，通过应用多个分割网络来增强道路分割结果，从以往分割失败的情况中逐步学习，连接初始掩模中的分割片段。此外，还设计了一种新的光编码器-解码器结构来提高分割效果。
- 采用基于cnn的决策函数引入改进的迭代搜索算法，从增强分割预测的道路分割地图中自动得到，证明可以提高中心线地图的自动化和完整性。
- 最后，引入了一种经验融合方法，通过将上述步骤的分割和中心线图融合，生成最终细化的路面和中心线。
方法
我们提出的路面和中心线提取的多阶段框架，如图中的流程图所示。1、主要分为三个阶段：1）促进分割；2）多个起点跟踪；3）融合。首先，首先用主流的FCN方法对遥感图像进行分割，然后用我们设计的另一种FCN进行一系列增强分割步骤。利用增强分割预测的道路掩模图，采用拐角检测方法发现道路交叉口等独特点。其次，开发了一种多个起点追踪方法，用于追踪从提取的道路点开始的地形道路中心线网络。最后，通过融合过程将路面分割和中心线跟踪的结果合并，得到精细的分割和中心线图。实施细节见第II-A-II-C节。
A . Boosting Segmentation
本文将路面提取视为通过基于cnn的初始和增强分割实现的图像语义分割任务。在我们提出的方法中，应用获得冠军的D-LinkNet[23]，即道路提取挑战[37]，提取初始和粗糙的道路分割地图。我们发现，在初始分割过程中出现了许多提取过程问题，特别是路段之间的不连续，这是由所用的算法本身或阻塞引起的，并通过我们开发的增强策略来解决。以一种迭代的方式，我们的增强分割作为一个威胁，以填补空白，并连接在以前的道路分割地图中存在的碎片化路段。
B . Multiple Starting Points Tracing
道路中心线追踪旨在重建道路网络的全局拓扑结构。我们的算法被称为多起点示踪器(MSP-Tracer)，是由一种称为道路跟踪器[36]的基线方法开发而来的，该方法从道路上的一个已知点开始搜索道路中心线，并迭代地构建道路网络。关键的组成部分是一个基于cnn的决策函数。在跟踪的每一步，CNN被用来决定以一个角度走固定距离，或者停止并返回搜索树的前一个顶点。然后，更新以当前点为中心的搜索窗口，并传递给网络进行下一个预测。随着搜索的进行，将顶点（道路上的点)和边缘(连接相邻点的线段）添加到路径列表中，并构建道路网络图，直到探索搜索堆栈中的所有点为止。
我们的算法试图修复道路追踪器的两个明显的缺点。第一个缺点是起点是手动确定的，这可能不适用于实际应用，并降低了算法的自动化。它的第二个缺点是，从单个点开始搜索很容易受到障碍的影响，也可能省略许多其他道路，特别是在大规模遥感图像中。为了克服这些问题，我们的MSP-Tracer算法从多个起点跟踪中心线，这些起点是基于以前的道路分割结果自动生成的，而不是用户交互。
C. Fusion
由于忽略了道路的结构和拓扑信息以及背景的遮挡，像素道路分割往往产生许多孤立和不连续的路段，而追踪方法的中心线图受到起点位置的影响。在一个单独的道路上可能没有指定的起点，而我们的MSP-跟踪器大大推进了原始的单个起点道路跟踪器。我们试图结合上述两种方法提取的道路特征，以相互约束，并有利于其互补优势。我们提出的融合方法聚合了道路网络的语义和拓扑信息。该过程如图所示。6.
