好久沒有更新了，近期做了一個工作，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么SVM，什么增強線性指數等
手工設計的線性目標增強特征，然后去提取道路，那些個東西說白了，沒啥用，在一個小區域可能做的有那么點效果，但是換一個場景，立馬就沒了，沒有任何普適性
可言，之前用深度學習方法做過高分辨率影像變化監測工作，這一次，我重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
還是非常不錯的，個人覺得在一定程度上可以減少人工提取道路網絡的工作量。如需要代碼：Email：1044625113@qq.com,qq:1044625113,添加好友時，請備注：道路網絡自動提取！
好了不多說了，介紹下道路網絡提取的部分工作，首先是樣本部分，樣本采用開源的道路網絡數據和標簽（應該是國外某個地區），大家可以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 樣本和標簽
其實，客觀的說，這個樣本做的確實不夠好，為什么呢，因為有一些道路該畫出來的，沒有畫出來，比如說這個樣本上的中間那條路，就沒有畫出來，但是總的來說，在深度學習里面，
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，總體來說，參考了Deeplabv3+的思想，使用多尺度特征進行提取，但是全部采用分離卷積替換resnet50層，這樣
有一個好處，學習速度快，而且輕量，比Deeplab輕了5倍，更為關鍵的是，一張卡可以扔進更多的樣本。一張RTX2080ti可以扔進16個1024*1024的樣本，而一般的Deeplabv3v 只能扔進4個，
多了就out of memory了，可能在學術上意義不大，但是在工程上意義巨大，因為工頭往往不會有那么多時間給你訓練！！！！！（開個玩笑）
模型訓練完畢，測試結果代碼如下所示：
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
由於影像實在太大，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，其實我個人學術上也做了一點工作，
我發現學院派有一個很大的缺點，就是小區域做個實驗就完事了，但是真正的工程不是這樣的，小區域實驗成功后，應當大規模應用起來，所以我的博客都是一些實際而
又有用的工作，比如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('岳麓區.tif', inputSize, fun, 'Destination', '岳麓區中心線.tif');
在開源數據訓練完畢后，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分鍾，如果換成固態硬盤會快的多，如果並行的話，
控制在10分鍾以內應該問題不大，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
圖中藍色區域為道路中心線，大家可能看的不是非常清晰，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，但是仍然存在部分道路網絡斷裂，彎曲等等，這些可以通過后續優化來改進，不是特別難的問題了，
下面我們來測試一下這個模型的極限性能，它在復雜的城市道路網表現如何呢？我選擇了深圳全市作為測試區域，進行了測試，結果看下面;
我們挑選幾個復雜的場景看看：
從這個結果來看，已經非常不錯了，城市這種非常復雜的環境，跑出這個結果，已經出乎我的預料了，下一步改進應該可以直接工程化了，先寫到這里吧。
好吧，如果大家有需要的代碼的，請聯系我吧。qq：1044625113，加時備注“全自動道路網絡提取”。