一种面向典型农村道路遥感提取的深度学习方法

技术领域

本发明涉及遥感影像农村道路提取技术领域，尤其涉及一种面向典型农村道路遥感提取的深度学习方法。

背景技术

农村道路是我国道路交通体系的重要组成部分，也是支撑农村地区经济社会发展的重要基础。随着遥感技术的迅猛发展，遥感影像的空间分辨率高达米级、亚米级，其包含的地物细节信息也更加丰富，为农村道路的监测监管提供了有力的数据保障。同时，人工智能技术为快速、高效地提取农村道路提供了方法支撑。因此，利用智能化的模型在高分辨率遥感影像中对农村道路进行自动化提取，有助于及时、准确、高效地对农村道路数据进行获取与更新，助力我国农村振兴战略。

与城市道路不同，农村道路具有背景复杂、路面细窄、蜿蜒曲折、易受遮挡等特点。在高分遥感影像中，其路面多数低于10个像素，提取较为困难。同时，在不同地形中，农村道路表现各异，例如平原地区的农村道路形状较为规整，但在高分影像中存在因边界像元混淆而产生模糊边界的现象，导致无法正确提取其边界；丘陵地带的农村道路常常表现为弯曲狭窄，易因树木等地物遮挡而出现断裂的情况，同时也因背景复杂存在边界不清晰的情况，从而难以准确刻画农村道路的边界。

目前，道路提取的方法大致可以分为三类，第一类是基于像元的提取方法，主要利用道路的光谱特征和纹理特征来提取道路信息，但它无法对全局信息进行感知，易与光谱特征相似的地物产生混淆，影响最终提取精度；第二类是面向对象的提取方法，对影像整体分割后再提取道路，其效果优于第一类方法，但也存在一定的错分情况；第三类是基于深度学习的道路提取方法，能够自动学习影像中道路的特征，相比于前两类方法，在效率和精度上都有极大的提升，在道路提取领域得到广泛应用。学者们相继应用CNN、FCN、U-Net、LinkNet等模型来进行道路提取：如Zhang等于2018年在U-Net中通过增加残差模块以增加网络深度；贺浩等在2019年设计了一种编码-解码结构来提取道路；金飞等在2019年构建了双U-Net网络联合训练和形态学后处理方式来提取道路；Lu等在2019年设计了一个多任务学习模型来同时提取道路边界和中心线。虽然这些改进模型对道路提取有一定的效果，但是被树木、建筑物等遮挡的路面依然无法准确提取。并且上述模型主要针对城市道路，大多利用公用数据集探讨各改进模型的性能，而在路面遮挡严重、形状弯曲狭窄的农村道路中，这些模型的提取精度会更低。在农村道路的提取研究中，Yi等于2020年在D-linkNet模型基础上构建FD-LinkNet提取农村道路；Yang等在2020年通过生成对抗网络对农村道路进行提取；Liu等在2023年构建了一个轻量级动态添加网络用于农村地区的道路提取；袁翠霞等在2023年利用U-Net在高分遥感影像中对高标准农田道路进行准确的提取；李朝奎在2021年结合空洞卷积和CNN模型结构，对长株潭城郊地区的农村道路进行提取，取得了一定的效果。但这些都是对单一区域的农村道路进行提取，而对不同地区或者地形差异大的农村道路进行高精度的提取还有待研究。

利用深度学习方法对典型农村道路进行遥感提取存在两个难点，一个是被遮挡道路无法正确提取；另一个是模型对道路信息进行上采样还原时会造成棋盘效应，影响道路边界轮廓的准确提取。为此，本发明提出了一种面向典型农村道路遥感提取的深度学习方法，显著提升了典型农村道路的提取精度。

发明内容

本发明需要解决的技术问题是：如何有效改善农村道路因背景复杂、路面细窄、蜿蜒曲折、易受遮挡等特点而导致遥感提取结果边界模糊和中断的问题，提供一种面向典型农村道路遥感提取的深度学习方法，在典型农村道路提取方面展现出优越性能。

本发明解决其技术问题采用以下的技术方案：

本发明提供的一种面向典型农村道路遥感提取的深度学习方法，包括以下步骤：

步骤1：获取用于典型农村道路提取的高分辨率遥感影像，并进行预处理，包括辐射定标、大气校正、几何校正、波段融合；

步骤2：依据预处理后的高分遥感影像进行人工目视解译，获取道路矢量数据，并制作模型的训练与测试数据集；

步骤3：在U-Net模型中加入优化残差模块、全局上下文注意力机制模块和DUpsampling模块，提出GDU-Net模型；

步骤4：利用训练数据集进行模型训练，并将测试数据集输入到模型中，进行道路提取与结果评价。

上述步骤2中，所述的依据预处理后的高分遥感影像进行人工目视解译，获取道路矢量数据，并制作模型的训练与测试的数据集，包括以下步骤：

步骤21：将预处理后的高分遥感影像数据，利用ArcMap软件中的矢量面构建方法绘制道路的矢量数据，非道路区域不进行绘制，获得研究区内的道路样本标签数据集；

步骤22：基于步骤21构建的样本数据集，利用ArcMap软件中的矢量转栅格工具将绘制的道路矢量数据转换为黑白二值图，农村道路为白色，非农村道路为黑色；

步骤23：为了便于模型输入，基于步骤22得到的二值图，将影像与标签数据裁剪为M*M大小；

步骤24：为了保证样本的均衡性，基于步骤23得到的裁剪数据集，进行数据筛选，将每张影像中可能不存在或者仅包含极少一部分农村道路的图片进行剔除；

步骤25：为了防止模型过拟合，提升模型鲁棒性，基于步骤24的数据集，采用图像旋转、图像翻转、随机添加噪声的方式进行数据增强处理，以扩充样本数据集，并按比例将数据集划分为训练数据集和测试数据集。

上述步骤3中，所述的在U-Net模型中加入优化残差模块、全局上下文注意力机制模块和DUpsampling模块，提出GDU-Net模型，具体包括以下步骤：

步骤31：在U-Net模型的基础上，选用ResNet 34作为模型的骨架，在模型编码器部分中加入优化残差模块，减少狭窄道路因模型运算过程导致的信息丢失问题而产生的漏提现象；

步骤32：在各残差模块间引入全局上下文注意力机制，来捕获全局的道路信息以进一步增加被遮挡农村道路的提取率；

步骤33：在模型解码器部分引入DUpsampling模块来准确恢复像素级的道路预测，减少“棋盘效应”导致道路边界模糊的情况；

步骤34：模型使用Adam优化器和二分类交叉熵损失函数。

上述步骤31中，所述的优化残差模块通过改进原始残差模块得到，具体步骤如下：

步骤311：将原始残差模块中的ReLU激活函数修改为Mish函数，减少信息的损失，有助于道路信息的提取；

步骤312：将原始残差模块中的批处理归一化BN层修改为组归一化GN层，削弱模型的参数batch size对最终道路提取精度的影响。

上述步骤32中，所述的引入全局上下文注意力机制包括以下步骤：

步骤321：对输入特征图F进行上下文建模模块的计算，以获取全局信息关系向量；

步骤322：基于步骤321的计算结果，进行变换模块的计算，在减少计算量的同时进一步提取道路信息；

步骤323：基于步骤322的计算结果，将其与输入特征图F进行相加操作得到全局上下文注意力机制的输出结果。

上述步骤321中，所述的上下文建模模块计算公式如下：

F1＝Softmax(Conv

式中，F1表示上下文建模模块的计算结果，F表示输入特征图，Conv

上述步骤322中，所述的变换模块计算公式如下：

F2＝Conv

式中，F2表示变换模块的计算结果，F1表示上下文建模模块的计算结果，Conv

上述步骤33中，所述的引入DUpsampling模块包括以下步骤：

步骤331：将输入特征图F的每个像素维度(1×C)与待训练矩阵W(C×N)相乘得到一个1×N的特征；

步骤332：基于步骤331的计算结果，将其进行重新排列，生成2×2×N/4的特征。

上述步骤34中，所述的二分类交叉熵损失函数定义如下：

L＝-(y·logp(y)+(1-y)·log(1-p(y)))，

式中，L表示二分类交叉熵损失函数，y表示样本标签，即是或者不是，p(y)表示对应真是标签y的预测标签值概率。

本发明方法步骤4中，所述的利用训练数据集进行模型训练，然后将测试数据集输入到GDU-Net模型中，进行道路提取与结果评价，具体包括以下步骤：

步骤41：模型的初始学习率为lr；学习率衰减方式设置为：当模型连续5次迭代的损失值都没有下降时，便将学习率调整为原来的1/5；模型的训练批次设置为N；模型迭代次数设置为R；

步骤42：将训练数据集输入到GDU-Net模型中进行训练，将最后一次迭代的权重作为最终预测的权重；

步骤43：基于步骤42中的模型权重，对测试数据集进行预测，并输出预测结果；

步骤44：基于步骤43的预测结果，将其与对应的实际标签数据进行差值计算，统计道路提取结果的真阳性TP、假阳性FP、假阴性FN和真阴性TN，计算精准率、召回率、F1值和交并比，并依据这四种指标评价模型精度。

本发明与现有技术相比具有以下主要的优点：

本发明提出的一种面向典型农村道路遥感提取的深度学习方法，有效弥补了基于像元的道路提取方法易受光谱相似地物的干扰、面向对象的道路提取方法易与特征信息相似地物混淆的不足，也针对现有深度学习方法易因农村道路背景复杂、路面细窄、蜿蜒曲折、易受遮挡等特点而导致其提取结果边界模糊、中断的问题进行改进，能够较好的提取典型农村道路。更为重要的是，该方法不仅能够较好地提取农村道路的边界，而且增强了提取结果的完整性，显著提升了典型农村道路的提取精度，对支撑农村地区经济发展具有重要意义。

附图说明

图1是本发明的GDU-Net模型结构图。

图2是优化残差模块结构图。

图3是全局上下文注意力机制结构图。

图4是DUpsampling模块结构图。

图5是各模型农村道路提取结果展示图，其中，(a)、(b)、(c)、(d)图分别是单个道路、多个道路、曲折道路和复杂道路展示图。

图6是模型改进部分对比实验结果展示图，其中，(a)、(b)、(c)、(d)图分别是单个道路、多个道路、曲折道路和复杂道路展示图。

图7是典型农村道路提取结果展示图，其中，(a)、(b)是丘陵地区农村道路展示图，(c)、(d)是平原地区农村道路展示图。

具体实施方式

本发明针对农村道路因背景复杂、路面细窄、蜿蜒曲折、易受遮挡等特点而导致提取结果边界模糊、中断等问题，提出了一种面向典型农村道路遥感提取的深度学习方法，实现了典型农村道路的高精度提取。具体为：本发明在编码器部分引入优化残差模块来提升农村道路的特征表达能力；同时，为了捕获影像中的全局道路信息，进一步增加被遮挡道路的提取率，本发明在各残差模块间引入全局上下文注意力机制；最后，为了减少促使提取结果边界模糊的“棋盘效应”，准确恢复像素级的道路预测，本发明在模型的解码器部分引入了DUpsampling模块。

下面结合实施例及附图对本发明作进一步说明，但并不局限于下面所述内容。

一种面向典型农村道路遥感提取的深度学习方法，包括如下步骤：

步骤1：获取研究区域影像并进行数据预处理：

从中国资源卫星应用中心的陆地观测卫星数据服务平台获取高分二号影像数据，利用ENVI软件对获取的高分二号影像进行预处理，主要为：首先，对影像多光谱波段进行辐射定标、大气校正和几何校正；其次，对全色波段进行辐射定标和正射校正；最后，利用NNDiffuse Pan Sharpening方法对已经处理的全色波段和多光谱波段进行图像融合，得到分辨率为1m的高分二号多光谱影像。

步骤2，制作模型训练与测试的数据集：

基于步骤1预处理后的高分遥感影像进行人工目视解译，获取道路矢量数据，并制作模型的训练与测试数据集，具体包括以下步骤：

步骤21：基于步骤1预处理后的高分遥感影像数据，利用ArcMap软件中的矢量面构建方法绘制道路的矢量数据，非道路区域不进行绘制，获得研究区内的道路样本标签数据集；

步骤22：基于步骤21构建的样本数据集，利用ArcMap软件中的矢量转栅格工具将绘制的道路矢量数据转换为黑白二值图，农村道路为白色，非农村道路为黑色；

步骤23：为了便于模型输入，基于步骤22得到的二值图，将影像与标签数据裁剪为1024*1024大小；

步骤24：为了保证样本的均衡性，基于步骤23得到的裁剪数据集，进行数据筛选，将每张影像中可能不存在或者仅包含极少一部分农村道路的图片进行剔除，得到1015对初始数据集；

步骤25：为了防止模型过拟合，提升模型鲁棒性，基于步骤24的数据集，采用图像旋转、图像翻转、随机添加噪声的方式进行数据增强处理，以扩充样本数据集，最终得到7105对数据集，并按照9∶1的比例将其划分为6395对训练数据集和710对测试数据集。

步骤3，构建GDU-Net模型：

在U-Net模型基础上进行改进，提出GDU-Net模型，模型结构如图1所示，首先通过在模型编码器部分引入优化残差模块和全局上下文注意力机制模块在提升农村道路的特征表达能力的同时捕获全局的道路信息以进一步增加被遮挡道路的提取率，然后在模型解码器部分引入DUpsampling模块来准确恢复像素级的道路预测，减少促使提取结果边界模糊的“棋盘效应”，最后根据解码器的计算结果得到农村道路提取结果，包括以下步骤：

步骤31：在U-Net模型的基础上，选用ResNet34作为模型的骨架，在模型编码器部分中加入优化残差模块，减少狭窄道路因模型运算过程导致的信息丢失问题而产生的漏提现象，具体结构如图2所示；

步骤32：在各残差模块间引入全局上下文注意力机制，来捕获全局的道路信息以进一步增加被遮挡农村道路的提取率，具体结构如图3所示；

步骤33：在模型解码器部分引入DUpsampling模块来准确恢复像素级的道路预测，减少“棋盘效应”导致道路边界模糊的情况，具体结构如图4所示；

步骤34：模型使用Adam(adaptive moment estimation)优化器和二分类交叉熵损失函数。

步骤31中，所述的优化残差模块通过改进原始残差模块得到，具体步骤如下：

步骤311：将原始残差模块中的ReLU激活函数修改为Mish函数，减少信息的损失，有助于道路信息的提取；

步骤312：将原始残差模块中的批处理归一化BN层修改为组归一化GN层，削弱模型的参数batchsize对最终道路提取精度的影响。

步骤32中，所述的引入全局上下文注意力机制包括以下步骤：

步骤321：对输入特征图F进行上下文建模模块的计算，以获取全局信息关系向量；

步骤322：基于步骤S321的计算结果，进行变换模块的计算，在减少计算量的同时进一步提取道路信息；

步骤323：基于步骤S322的计算结果，将其与输入特征图F进行相加操作得到全局上下文注意力机制的输出结果。

步骤321中，所述的上下文建模模块计算公式如下：

F1＝Softmax(Conv

式中，F1表示上下文建模模块的计算结果，F表示输入特征图，Conv

步骤322中，所述的变换模块计算公式如下：

F2＝Conv

式中，F2表示变换模块的计算结果，F1表示上下文建模模块的计算结果，Conv

步骤33中，所述的引入DUpsampling模块包括以下步骤：

步骤331：将输入特征图F的每个像素维度(1×C)与待训练矩阵W(C×N)相乘得到一个1×N的特征；

步骤332：基于步骤S331的计算结果，将其进行重新排列，生成2×2×N/4的特征。

步骤34中，所述的二分类交叉熵损失函数定义如下：

L＝-(y·logp(y)+(1-y)·log(1-p(y)))

式中，L表示二分类交叉熵损失函数，y表示样本标签，即是或者不是，p(y)表示对应真是标签y的预测标签值概率。

步骤4，对农村道路进行提取与结果评价：

基于步骤2得到的训练数据集进行模型训练得到模型训练权重参数，最后将测试数据集输入到GDU-Net模型中，进行道路提取与结果评价，包括以下步骤：

步骤41：模型的初始学习率为0.0003；学习率衰减方式设置为：当模型连续5次迭代的损失值都没有下降时，便将学习率调整为原来的1/5；模型的训练批次设置为8；模型迭代次数设置为300；

步骤42：将训练数据集输入到GDU-Net模型中进行训练，将最后一次迭代的权重作为最终预测的权重；

步骤43：基于步骤42中的模型权重，对测试数据集进行预测，并输出预测结果；

步骤44：基于步骤43的预测结果，将其与对应的实际标签数据进行差值计算，统计道路提取结果的真阳性(True Positive，TP)、假阳性(False Positive，FP)、假阴性(FalseNegative，FN)和真阴性(True Negative，TN)，计算精准率(Precision)、召回率(Recall)、F1值和交并比(Intersection of Union，IoU)，并依据这四种指标评价模型精度。

以下通过具体实验对本发明作进一步的说明。

实验数据：

本发明使用两景国产高分二号遥感影像进行实验，一景位于湖北省荆门市，另一景位于山东省德州市，采集时间均为2022年4月，经过预处理后得到分辨率为1m的四波段影像，具体为近红外、红、绿、蓝。荆门市区域为丘陵地区农村道路，其路面常呈现为宽度不一、蜿蜒曲折的特点，且由于植被繁盛，被树木遮挡的情况十分普遍，多为窄路、弯道、断头路以及林间路等；德州市区域为平原地区农村道路，视野开阔，路面较宽，结构简单且多呈“井”字形。采用人工样本标注的方式对两景影像中的全部农村道路(路宽≥3米)进行绘制，并将其转换为黑白二值图，农村道路为白色，非农村道路为黑色。为了便于模型输入，将影像和标签对数据裁剪为1024*1024。同时，由于农村道路本身的特性，某些图片中可能不存在农村道路或者仅包含极少一部分，为了保证样本的均衡性，此类数据需要进行删除，最终得到1015个样本，覆盖区域面积为1059.34km

实验方案设置：

本发明在Ubuntu系统中，使用Pytorch框架进行实验，显卡为2张Nvidia GeForceRTX3090(显存一共48GB)。模型初始学习率为0.0003，迭代次数为300，batch size为8，采用Adam优化器进行实验，学习率衰减方式设置为：当模型连续5次迭代的损失值都没有下降时，便将学习率调整为原来的1/5。利用训练数据集进行训练，得到模型的训练权重，并利用测试数据集进行最终的预测，分析模型的农村道路提取精度。

为验证本发明对典型农村道路提取的效果优于基础的深度学习模型，选用U-Net、ResU-Net、LinkNet、和D-LinkNet四种基础网络模型与GDU-Net模型的提取结果进行对比实验，各个模型均使用相同的数据集和实验参数。

为验证本发明对GDU-Net模型改进的3个部分(引入优化残差模块、全局上下文注意力机制模块和DUpsampling模块)的有效性，采用GM-Net(优化残差模块)、GC-Net(全局上下文注意力机制模块)、DU-Net(DUpsampling模块)与GDU-Net模型进行对比实验，各实验的参数和数据集均相同。

实验结果精度评价与分析：

为验证GDU-Net模型对典型农村道路的提取精度，使用本发明提出的典型农村道路提取模型对样本数据进行训练后，利用模型的训练权重数据对测试数据集进行预测，并将测试结果与相应区域人工标注的梯田样本数据进行定性和定量的比较。

实验结果定性对比：

图5，图6给出了所有对比模型的农村道路实验结果以及模型改进的实验结果。其中，图5为各模型在部分测试数据集中农村道路提取的结果对比，有助于对各个模型的提取结果进行对比。图6为GDU-Net模型改进的三个部分的实验结果对比图，能够更直观的展示个改进模块对模型的提取结果。

从图5可以看出，U-Net模型提取的农村道路完整性较差且噪声点较多。而ResU-Net模型则在U-Net基础上添加残差模块，通过加深网络在一定程度上提升了对农村道路特征的提取能力，提取结果优于U-Net模型。LinkNet模型受限于网络结构缺陷，对于非常细小的目标或细节边缘的分割表现有限，导致其细节提取能力较差，存在较多误提区域，农村道路与其光谱相似的地物无法有效分离。D-LinkNet模型在LinkNet模型基础上嵌入扩张卷积模块，通过扩大感受野来加强农村道路特征的提取，但由于损失了特征图的部分空间信息，导致农村道路漏提现象明显。而本发明提出的GDU-Net模型的提取效果明显优于其它模型，较好地保存了农村道路的结构细节信息，提取的农村道路边界更加准确，整体的农村道路提取结果更加完整，同时无明显漏提现象。

从图6可以看出，在单个道路的提取结果(图6(a))中，各个改进模块对农村道路的提取效果都比较好。在多个道路(图6(b))和曲折道路的提取结果(图6(c))中，可以看到引入优化残差模块后，减少了农村道路的漏提情况，这是因为优化的残差模块可以有效维持细微道路信息。但是在提取结果中，将一些田埂、建筑误认为农村道路，这可能是由于农村道路与某些地物的光谱相似性较高而导致的。在曲折道路(图6(c))和复杂道路的提取结果(图6(d))中，引入全局上下文注意力机制模块后，提取的农村道路的连通性较好，这是由于全局上下文注意力机制通过捕获全局的道路信息，提升了被树木、建筑物遮挡的农村道路的提取率。在四种道路的情景下，通过引入DUpsampling模块后，农村道路提取的结果更加平滑清晰，这是由于此模块减少了在通过模型上采样还原农村道路特征时而造成的棋盘效应，促进了模型对农村道路边界的正确提取，提升了农村道路的提取精度。综上所述，引入改进后残差模块、全局上下文注意力机制模块和DUpsampling模块后都能提升U-Net模型对农村道路提取的精度。

实验结果定量对比：

各模型实验结果的定量评价见表1，表中的指标依次为精确率(P)、召回率(R)、交并比(IoU)和综合评价指标(F1)。从表1可看出，本发明提出的GDU-Net网络模型的典型农村道路提取结果精度最高，具体精确率为91.74％，召回率为98.16％，IoU为90.85％，F1为95.84％，比U-Net模型的典型农村道路提取结果精确率、召回率、IoU和F1依次提升11.22％(91.74％vs80.52％)、9.04％(98.16％vs89.12％)、10.60％(90.85％vs80.25％)和10.55％(95.84％vs85.29％)。与其它3个模型的试验结果进行对比，GDU-Net模型的精确率比ResU-Net、LinkNet和D-LinkNet模型提升了9.31％(91.74％vs82.43％)、9.95％(91.74％vs81.79％)和9.73％(91.74％vs82.01％)；召回率提升了5.86％(98.16％vs92.30％)、6.33％(98.16％vs91.83％)和5.67％(98.16％vs92.49％)；IoU提升了8.24％(90.85％vs82.61％)、10.18％(90.85％vs80.67％)和8.48％(90.85％vs82.37％)；F1提升了7.56％(95.84％vs88.28％)、9.04％(95.84％vs86.80％)和7.92％(95.84％vs87.92％)。

表1各模型的农村道路提取结果精度

模型改进的3个模块的实验结果定量评价见表2，通过表2可知，引入优化残差模块(GM-Net)、全局上下文注意力机制模块(GC-Net)和DUpsampling模块(DU-Net)后，农村道路提取结果的精确率分别提升了4.20％(84.72％vs80.52％)、7.46％(87.98％vs80.52％)和0.98％(89.61％vs88.63％)；召回率分别提升了1.60％(90.72％vs89.12％)、5.73％(94.85％vs89.12％)和6.51％(95.63％vs89.12％)；IoU提升了4.25％(84.50％vs80.25％)、5.06％(85.31％vs80.25％)、7.38％(87.63％vs80.25％)；F1提升了6.31％(91.60％vs85.29％)、7.36％(92.65％vs85.29％)和8.12％(93.41％vs85.29％)。整体而言，在本发明提出的GDU-Net模型中，改进的3个模块的评价指标均优于未改进，说明改进的3个模块对农村道路的提取均有促进作用。

表2模型改进对比实验结果精度

典型农村道路提取结果分析：

以荆门市为代表的丘陵地区农村道路和以德州市为代表的平原地区农村道路差异明显，为了检验本发明提出的GDU-Net模型对各典型农村道路的提取效果，利用湖北荆门、山东德州以及荆门-德州的数据集进行实验，具体的实验结果精度见表3。

表3典型农村道路提取结果精度

通过表3可知，GDU-Net网络模型在多种数据集下的道路提取结果准确率较高，荆门、德州和荆门-德州数据集试验结果的精准率分别为89.57％、92.13％和91.74％，召回率分别为96.35％、98.42％和98.16％，IoU分别为89.61％、91.32％和90.85％，F1分别为94.13％、96.27％和95.84％。说明不论是在单一地形区域，还是多种地形区域，GDU-Net模型都能够较好的提取农村道路。此外，德州数据集试验结果的评价指标会优于荆门数据集，这是因为德州数据集中的农村道路清晰规整，易于提取；而荆门数据集中的农村道路环境更为复杂，多为窄路、弯道、断头路以及林间路，提取难度大。

图7直观展示了GDU-Net模型在多地形农村道路提取结果中的细节，其中图7(a)～(b)为丘陵地区农村道路，图7(c)～(d)为平原地区农村道路。在图7(a)中，农村道路由于周边植被繁盛，建筑物间距密集，被树木和建筑物遮挡或阻断现象较多，而GDU-Net模型可以提取农村道路的全局上下文信息，在一定程度上提升了被遮挡路段的连通性，改善了被遮挡或阻断道路难以提取的问题。在图7(b)中，农村道路受地形影响，多为窄路、弯道，而GDU-Net模型对于窄路、弯路的提取结果都较为平滑清晰，提高了边缘模糊的农村道路提取率。而在图7(c)～(d)中，平原地区的农村道路视野开阔，路面较宽，结构简单且多呈“井”字形，GDU-Net模型对这种农村道路的提取结果表现出较高的完整度。综上所述，本文提出的GDU-Net模型对各地形下的农村道路提取均达到了较好的效果，表明模型在典型农村道路提取方面的适应能力较强。

通过实验结果的定性与定量分析评价，以及典型农村道路的提取结果分析，说明了本发明提出的一种面向典型农村道路遥感提取的深度学习方法的有效性，不仅能够正确提取农村道路的边界，而且增强了提取结果的完整性，显著提升了典型农村道路的提取精度。

以上仅就本发明较佳的实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例，其具体结构允许有变化。凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明保护范围内。