好久没有更新了，近期做了一个工作，就是用深度学习方法来自动提取高分辨率遥感影像上的道路网络，16年的时候都是用的什么SVM，什么增强线性指数等
手工设计的线性目标增强特征，然后去提取道路，那些个东西说白了，没啥用，在一个小区域可能做的有那么点效果，但是换一个场景，立马就没了，没有任何普适性
可言，之前用深度学习方法做过高分辨率影像变化监测工作，这一次，我重新把网络进行了设计，用于提取道路网络，最终生成道路中心，并进行大规模场景实验，结果
还是非常不错的，个人觉得在一定程度上可以减少人工提取道路网络的工作量。如需要代码：Email：1044625113@qq.com,qq:1044625113,添加好友时，请备注：道路网络自动提取！
好了不多说了，介绍下道路网络提取的部分工作，首先是样本部分，样本采用开源的道路网络数据和标签（应该是国外某个地区），大家可以到开源数据网站下载，
训练集大概是6000多张1024*1024的三通道高分辨率影像，看下面：
图1 样本和标签
其实，客观的说，这个样本做的确实不够好，为什么呢，因为有一些道路该画出来的，没有画出来，比如说这个样本上的中间那条路，就没有画出来，但是总的来说，在深度学习里面，
样本是燃料，有总比没有要好，是吧！接下来就输入到我设计的网络中来，总体来说，参考了Deeplabv3+的思想，使用多尺度特征进行提取，但是全部采用分离卷积替换resnet50层，这样
有一个好处，学习速度快，而且轻量，比Deeplab轻了5倍，更为关键的是，一张卡可以扔进更多的样本。一张RTX2080ti可以扔进16个1024*1024的样本，而一般的Deeplabv3v 只能扔进4个，
多了就out of memory了，可能在学术上意义不大，但是在工程上意义巨大，因为工头往往不会有那么多时间给你训练！！！！！（开个玩笑）
模型训练完毕，测试结果代码如下所示：
function resultBlock = testDLmodel(imgBlock, inputSize, net)
% we can use this function to process big image
TestImg = imgBlock(:,:,1:3); % google 地图下载的是四个通道
patchSize = inputSize; % 按照训练图像块的大小去分块预测
Result = segmentImage(TestImg, net, patchSize);
Result = im2bw(mat2gray(Result), 0.1);
line = extractionLine(Result); % 提取中心线
se = strel('disk',2);
line = imdilate(line, se);
resultBlock = labeloverlay(mat2gray(TestImg),line,'Transparency',0); % 叠加到原始影像上
fprintf(['a block has been finished...
']);
% imwrite(mat2gray(line),[path(1:end-4),'_LiteSeg_out_Line.tif']);
% imwrite(mat2gray(Result),[path(1:end-4),'_LiteSeg_out.tif']);
end
由于影像实在太大，我用了分块处理的方式进行解决，这样简单而又方便的解决IO，内存不足的问题了，这个比较工程手段了，其实我个人学术上也做了一点工作，
我发现学院派有一个很大的缺点，就是小区域做个实验就完事了，但是真正的工程不是这样的，小区域实验成功后，应当大规模应用起来，所以我的博客都是一些实际而
又有用的工作，比如下面这个分块处理大影像问题：
%% 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); % 调用分块处理超大影像
blockproc('岳麓区.tif', inputSize, fun, 'Destination', '岳麓区中心线.tif');
在开源数据训练完毕后，我直接爬了google数据进行测试，地区选择国内湖南地区，大小是4万*3万像素，总共是14个g，跑完大概花了30分钟，如果换成固态硬盘会快的多，如果并行的话，
控制在10分钟以内应该问题不大，主要时间花在IO上面了，穷人只能用机械硬盘，唉。。。。。好了，直接看结果吧！
图2 道路提取结果
图中蓝色区域为道路中心线，大家可能看的不是非常清晰，下面我放大几个区域：
图3 农田部分
图4 山区公路部分
图5 山区盘山泥泞小路
图6 丘陵地带道路提取结果
从结果来看，确实是不错的，但是仍然存在部分道路网络断裂，弯曲等等，这些可以通过后续优化来改进，不是特别难的问题了，
下面我们来测试一下这个模型的极限性能，它在复杂的城市道路网表现如何呢？我选择了深圳全市作为测试区域，进行了测试，结果看下面;
我们挑选几个复杂的场景看看：
从这个结果来看，已经非常不错了，城市这种非常复杂的环境，跑出这个结果，已经出乎我的预料了，下一步改进应该可以直接工程化了，先写到这里吧。
好吧，如果大家有需要的代码的，请联系我吧。qq：1044625113，加时备注“全自动道路网络提取”。