CN113888670B - 一种基于深度学习生成单向河道高精度二维地形的方法 - Google Patents
一种基于深度学习生成单向河道高精度二维地形的方法 Download PDFInfo
- Publication number
- CN113888670B CN113888670B CN202111212259.9A CN202111212259A CN113888670B CN 113888670 B CN113888670 B CN 113888670B CN 202111212259 A CN202111212259 A CN 202111212259A CN 113888670 B CN113888670 B CN 113888670B
- Authority
- CN
- China
- Prior art keywords
- river
- river channel
- terrain
- target
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学***滑后即为目标河道的高精度二维地形散点数据。
Description
技术领域
本发明涉及河流动力模拟技术领域,更具体地,涉及一种基于深度学习生成单向河道高精度二维地形的方法。
背景技术
纵观全国经济发展格局,河道周边地区往往是人口密集、经济高度发达的区域,而推动经济发展的重要建设是河道资源的使用。准确掌握河道地貌特征,是开展河道动力相关科学研究、规划制定、工程论证等工作的前提,也是更好利用和保护河道资源不可或缺的一步。
河道断面数据是河道地貌特征辨别的基础资料,一般数据来源有两个:①针对河道整治的设计断面资料;②针对天然河道或整治较久的河道的测量资料,而测量是一项耗时耗力的工作,测绘部门通常只测量在地形地貌上比较有特点的断面。因此无论哪种方式,在仅有河道断面资料的条件下,进行河道模拟计算,直接利用河道断面少量的测点进行地形插值,往往得到的河道地形模拟文件失真或存在大量的畸形点,而对于地形差值现象,常用方法是人为修改地形,具有很大的主观性。因此,在掌握河道设计断面资料的情况下,如何得到满足精度要求的河道地形散点数据,继而用以河道地形插值模拟,是基础工作中常被忽视的一点。
发明内容
本发明为克服上述现有技术所述的缺陷,提供一种基于深度学习生成单向河道高精度二维地形的方法。
为解决上述技术问题,本发明的技术方案如下:
本发明第一方面提供一种基于深度学习生成单向河道高精度二维地形的方法,包括如下步骤:
S1、获取目标河道R0的平均宽度W和岸线长度L,对两者比例进行计算,得到比例参数a,a=L/W;
S2、基于平均宽度W、岸线长度L和比例参数a特征对已有其他河道数据进行几何增强,得到针对以上参数特征的河道地形图像集IMAGER和河道数据集DR,并建立两者的映射关系;
S3、将河道数据集DR拆分为与河道地形图像集IMAGER范围对应的岸线数据集DL和地形数据集DB,确保DR、DL与IMAGER的映射关系存在;
S4、对河道地形图像集IMAGER进行深度学习下基于卷积神经网络(CNN)的图像分类,按照河道走向、岸线曲率划分四类河道,得到河道地形图像分类集IMAGERi,i=1、2、3、4;
S5、对于IMAGERi,i=1、2、3、4,利用深度学习下关键点检测CPM进行河道岸线特征识别,并进行训练及验证,建立训练集模型结果DTi,i=1、2、3、4;
S6、利用关键点检测CPM模型对目标河道进行识别,选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到设定阈值的已知若干河道Rj,j=1、2、…、n,并提取已有对应的地形散点数据库DBj,j=1、2、…、n;
S7、提取地形散点数据库DBj,j=1、2、…、n,中与目标河道R0上游相似度最高的河道Rg1和与目标河道R0下游相似度最高的河道Rg2,并计算参数比例scale1、scale2、ratio1、ratio2;
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S02H02)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2)
其中:Sg1表示河道Rg1断面面积,Sg2表示河道Rg2断面面积,S01表示目标河道R0上游断面面积,S02表示目标河道R0上游断面面积,Hg1表示河道Rg1断面最低点高程,Hg2表示河道Rg2断面最低点高程,H01表示目标河道R0上游断面最低点高程,H02表示目标河道R0上游断面最低点高程;
S8、用河道Rg表示由Rg1、Rg2构成的河道,以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1、Rg2地形散点数据至目标河道R0岸线范围内并按ratio1、ratio2拼接,平滑后即得到河道高精度二维地形散点数据。
进一步地,步骤S2的具体过程为:
S2.1、搜集其他河道数据,生成初始高清图像集和初始河道数据集并建立两者映射关系,确保随后的变化反映至河道数据集;
S2.2、根据步骤S1所涉参数特征,利用深度学习预处理网络进行图像预处理,包括图像缩放、图像旋转、图像剪切,得到分类河道图像集IMAGER和河道数据集DR,其中经过预处理网络的河道图像具有的特征为:
①河道为单向河道,无分汊;
②所有河道图像尺寸一致;
③单一河道图像中河道所占图像面积大体相近;
所述河道数据集DR包括单向河道初始、终点2条平面直线与河道左、右岸2条平面曲线以及此河道范围的河道地形高程散点数据。
进一步地,步骤S3的具体过程为:
对于步骤S2处理得到的河道数据集DR,将前线段提取拆分为岸线数据集DL,将河道地形高程散点数据提取为地形数据集DB,并确保DR、DL与IMAGER的映射关系依然存在。
进一步地,步骤S4的具体过程为:
S4.1、划分四个象限,限定河道流向为从西向东并且河道均共计越过3个象限,根据河道依次跨越的象限的不同将河道划分为四类,分别记为IR1、IR2、IR3、IR4,具体的分类规则为:
IR1:河道依次经过第二象限、第三象限、第四象限;
IR2:河道依次经过第二象限、第一象限、第四象限;
IR3:河道依次经过第三象限、第二象限、第一象限;
IR4:河道依次经过第三象限、第四象限、第一象限;
S4.2、对已分类好的河道地形图像集IMAGER,利用提出的河道象限分类规则进行深度学习下基于卷积神经网络(CNN)的图像分类,得到河道地形图像分类集IMAGERi,i=1、2、3、4。
进一步地,步骤S5的具体过程为:
S5.1、定义IMAGERi,i=1、2、3、4,中识别关键点特征包括:①左岸起点1;左岸岸线中距起点至终点连线垂直距离最大的点2;左岸终点3;②右岸起点4;右岸岸线中距起点至终点连线垂直距离最大的点5;右岸终点6;
S5.2、对于带关键点特征的IMAGERi,i=1、2、3、4,利用深度学习下的关键点检测CPM模型进行河道岸线特征识别,并进行训练及测试,建立训练集模型结果DTi,i=1、2、3、4。
进一步地,步骤S6的具体过程为:
S6.1、利用已建的关键点检测CPM模型对目标河道进行关键点识别;
S6.2、选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到预设阈值(90%、95%、...99%等)的已知若干河道Rj,j=1、2、…、n,提取已有对应的地形散点数据库DBj,j=1、2、…、n。
进一步地,步骤S7的具体过程为:
S7.1、对提取的地形散点数据库DBj,j=1、2、…、n,进行起点断面与终点断面地形的三角剖分插值;
S7.2、提取目标河道R0的上、下游2处断面的断面面积S01、S02,断面最低点高程H01、H02;
S7.3、提取与目标河道R0上游断面面积和断面最低点高程参数相似度最高的河道Rg1和下游断面面积和断面最低点高程参数相似度最高的河道Rg2,统计对应参数Sg1、Sg2,断面最低点高程Hg1、Hg2,并计算参数比例:
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S01H01)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2)。
进一步地,步骤S8的具体过程为:
S8.1、以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1和Rg2地形散点高程数据;
S8.2、按目标河道R0岸线范围缩放Rg1和Rg2数据范围;
S8.3、取Rg1上游至下游ratio1比例长度的河道和Rg2下游至上游ratio2比例长度的河道进行拼接;
S8.4、将拼接后的地形散点高程数据平滑后即得到河道高精度二维地形散点数据。
本发明第二方面提供一种基于深度学习生成单向河道高精度二维地形的***,包括存储器和处理器,所述存储器中包括基于深度学习生成单向河道高精度二维地形的方法程序,所述基于深度学习生成单向河道高精度二维地形的方法程序被所述处理器执行时实现如下步骤:
S1、获取目标河道R0的平均宽度W和岸线长度L,对两者比例进行计算,得到比例参数a,a=L/W;
S2、基于平均宽度W、岸线长度L和比例参数a特征对已有其他河道数据进行几何增强,得到针对以上参数特征的河道地形图像集IMAGER和河道数据集DR,并建立两者的映射关系;
S3、将河道数据集DR拆分为与河道地形图像集IMAGER范围对应的岸线数据集DL和地形数据集DB,确保DR、DL与IMAGER的映射关系存在;
S4、对河道地形图像集IMAGER进行深度学习下基于卷积神经网络(CNN)的图像分类,按照河道走向、岸线曲率划分四类河道,得到河道地形图像分类集IMAGERi,i=1、2、3、4;
S5、对于IMAGERi,i=1、2、3、4,利用深度学习下关键点检测CPM进行河道岸线特征识别,并进行训练及验证,建立训练集模型结果DTi,i=1、2、3、4;
S6、利用关键点检测CPM模型对目标河道进行识别,选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到设定阈值的已知若干河道Rj,j=1、2、…、n,并提取已有对应的地形散点数据库DBj,j=1、2、…、n;
S7、提取地形散点数据库DBj,j=1、2、…、n,中与目标河道R0上游相似度最高的河道Rg1和与目标河道R0下游相似度最高的河道Rg2,并计算参数比例scale1、scale2、ratio1、ratio2;
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S02H02)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2)
其中:Sg1表示河道Rg1断面面积,Sg2表示河道Rg2断面面积,S01表示目标河道R0上游断面面积,S02表示目标河道R0上游断面面积,Hg1表示河道Rg1断面最低点高程,Hg2表示河道Rg2断面最低点高程,H01表示目标河道R0上游断面最低点高程,H02表示目标河道R0上游断面最低点高程;
S8、用河道Rg表示由Rg1、Rg2构成的河道,以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1、Rg2地形散点数据至目标河道R0岸线范围内并按ratio1、ratio2拼接,平滑后即得到河道高精度二维地形散点数据。
本发明第三方面提供一种可读存储介质,所述可读存储介质中包括基于深度学习生成单向河道高精度二维地形的方法程序,所述基于深度学习生成单向河道高精度二维地形的方法程序被处理器执行时,实现所述的基于深度学习生成单向河道高精度二维地形的方法的步骤。
与现有技术相比,本发明技术方案的有益效果是:本发明提供一种基于深度学***滑后即为目标河道的高精度二维地形散点数据。
附图说明
图1为本发明的方法流程示意图。
图2为本发明依次跨越的象限的不同将河道分类的示意图。
图3为实施例4中目标河道R0示意图。
图4为实施例4中已有河道图像集IMAGER示意图。
图5为实施例4中岸线数据集DL和地形数据集DB示意图。
图6为实施例4中关键点检测示意图。
图7为实施例4中目标河道上游与相似度最高的河道Rg1断面示意图。
图8为实施例4中目标河道下游与相似度最高的河道Rg2断面示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程。但仅用于示例性说明,本发明的保护范围并不限于本实施例,不能理解为对本发明的限制。
实施例1
如图1所示,本实施例提供一种基于深度学习生成单向河道高精度二维地形的方法,包括如下步骤:
S1、获取目标河道R0的平均宽度W和岸线长度L,对两者比例进行计算,得到比例参数a,a=L/W;
S2、基于平均宽度W、岸线长度L和比例参数a特征对已有其他河道数据进行几何增强,得到针对以上参数特征的河道地形图像集IMAGER和河道数据集DR,并建立两者的映射关系;
S3、将河道数据集DR拆分为与河道地形图像集IMAGER范围对应的岸线数据集DL和地形数据集DB,确保DR、DL与IMAGER的映射关系存在;
S4、对河道地形图像集IMAGER进行深度学习下基于卷积神经网络(CNN)的图像分类,按照河道走向、岸线曲率划分四类河道,得到河道地形图像分类集IMAGERi,i=1、2、3、4;
S5、对于IMAGERi,i=1、2、3、4,利用深度学习下关键点检测CPM进行河道岸线特征识别,并进行训练及验证,建立训练集模型结果DTi,i=1、2、3、4;
S6、利用关键点检测CPM模型对目标河道进行识别,选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到设定阈值的已知若干河道Rj,j=1、2、…、n,并提取已有对应的地形散点数据库DBj,j=1、2、…、n;
S7、提取地形散点数据库DBj,j=1、2、…、n,中与目标河道R0上游相似度最高的河道Rg1和与目标河道R0下游相似度最高的河道Rg2,并计算参数比例scale1、scale2、ratio1、ratio2;
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S02H02)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2)
其中:Sg1表示河道Rg1断面面积,Sg2表示河道Rg2断面面积,S01表示目标河道R0上游断面面积,S02表示目标河道R0上游断面面积,Hg1表示河道Rg1断面最低点高程,Hg2表示河道Rg2断面最低点高程,H01表示目标河道R0上游断面最低点高程,H02表示目标河道R0上游断面最低点高程;
S8、用河道Rg表示由Rg1、Rg2构成的河道,以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1、Rg2地形散点数据至目标河道R0岸线范围内并按ratio1、ratio2拼接,平滑后即得到河道高精度二维地形散点数据。
本实施例根据已有其他河道测量资料和目标河道图像、上游和下游断面资料,基于深度学***滑后即为目标河道的高精度二维地形散点数据。
进一步地,步骤S2的具体过程为:
S2.1、搜集其他河道数据,生成初始高清图像集和初始河道数据集并建立两者映射关系,确保随后的变化反映至河道数据集;
S2.2、根据步骤S1所涉参数特征,利用深度学习预处理网络进行图像预处理,包括图像缩放、图像旋转、图像剪切,得到分类河道图像集IMAGER和河道数据集DR,其中经过预处理网络的河道图像具有的特征为:
①河道为单向河道,无分汊;
②所有河道图像尺寸一致;
③单一河道图像中河道所占图像面积大体相近;
所述河道数据集DR包括单向河道初始、终点2条平面直线与河道左、右岸2条平面曲线以及此河道范围的河道地形高程散点数据。
进一步地,步骤S3的具体过程为:
对于步骤S2处理得到的河道数据集DR,将前线段提取拆分为岸线数据集DL,将河道地形高程散点数据提取为地形数据集DB,并确保DR、DL与IMAGER的映射关系依然存在。
进一步地,如图2所示,步骤S4的具体过程为:
S4.1、划分四个象限,限定河道流向为从西向东并且河道均共计越过3个象限,根据河道依次跨越的象限的不同将河道划分为四类,分别记为IR1、IR2、IR3、IR4,具体的分类规则为:
IR1:河道依次经过第二象限、第三象限、第四象限;
IR2:河道依次经过第二象限、第一象限、第四象限;
IR3:河道依次经过第三象限、第二象限、第一象限;
IR4:河道依次经过第三象限、第四象限、第一象限;
S4.2、对已分类好的河道地形图像集IMAGER,利用提出的河道象限分类规则进行深度学习下基于卷积神经网络(CNN)的图像分类,得到河道地形图像分类集IMAGERi,i=1、2、3、4。
进一步地,步骤S5的具体过程为:
S5.1、定义IMAGERi,i=1、2、3、4,中识别关键点特征包括:①左岸起点1;左岸岸线中距起点至终点连线垂直距离最大的点2;左岸终点3;②右岸起点4;右岸岸线中距起点至终点连线垂直距离最大的点5;右岸终点6;
S5.2、对于带关键点特征的IMAGERi,i=1、2、3、4,利用深度学习下的关键点检测CPM模型进行河道岸线特征识别,并进行训练及测试,建立训练集模型结果DTi,i=1、2、3、4。
进一步地,步骤S6的具体过程为:
S6.1、利用已建的关键点检测CPM模型对目标河道进行关键点识别;
S6.2、选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到预设阈值(90%、95%、...99%等)的已知若干河道Rj,j=1、2、…、n,提取已有对应的地形散点数据库DBj,j=1、2、…、n。
进一步地,步骤S7的具体过程为:
S7.1、对提取的地形散点数据库DBj,j=1、2、…、n,进行起点断面与终点断面地形的三角剖分插值;
S7.2、提取目标河道R0的上、下游2处断面的断面面积S01、S02,断面最低点高程H01、H02;
S7.3、提取与目标河道R0上游断面面积和断面最低点高程参数相似度最高的河道Rg1和下游断面面积和断面最低点高程参数相似度最高的河道Rg2,统计对应参数Sg1、Sg2,断面最低点高程Hg1、Hg2,并计算参数比例:
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S01H01)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2)。
进一步地,步骤S8的具体过程为:
S8.1、以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1和Rg2地形散点高程数据;
S8.2、按目标河道R0岸线范围缩放Rg1和Rg2数据范围;
S8.3、取Rg1上游至下游ratio1比例长度的河道和Rg2下游至上游ratio2比例长度的河道进行拼接;
S8.4、将拼接后的地形散点高程数据平滑后即得到河道高精度二维地形散点数据。
实施例2
本实施例提供一种基于深度学习生成单向河道高精度二维地形的***,包括存储器和处理器,所述存储器中包括基于深度学习生成单向河道高精度二维地形的方法程序,所述基于深度学习生成单向河道高精度二维地形的方法程序被所述处理器执行时实现如下步骤:
S1、获取目标河道R0的平均宽度W和岸线长度L,对两者比例进行计算,得到比例参数a,a=L/W;
S2、基于平均宽度W、岸线长度L和比例参数a特征对已有其他河道数据进行几何增强,得到针对以上参数特征的河道地形图像集IMAGER和河道数据集DR,并建立两者的映射关系;
S3、将河道数据集DR拆分为与河道地形图像集IMAGER范围对应的岸线数据集DL和地形数据集DB,确保DR、DL与IMAGER的映射关系存在;
S4、对河道地形图像集IMAGER进行深度学习下基于卷积神经网络(CNN)的图像分类,按照河道走向、岸线曲率划分四类河道,得到河道地形图像分类集IMAGERi,i=1、2、3、4;
S5、对于IMAGERi,i=1、2、3、4,利用深度学习下关键点检测CPM进行河道岸线特征识别,并进行训练及验证,建立训练集模型结果DTi,i=1、2、3、4;
S6、利用关键点检测CPM模型对目标河道进行识别,选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到设定阈值的已知若干河道Rj,j=1、2、…、n,并提取已有对应的地形散点数据库DBj,j=1、2、…、n;
S7、提取地形散点数据库DBj,j=1、2、…、n,中与目标河道R0上游相似度最高的河道Rg1和与目标河道R0下游相似度最高的河道Rg2,并计算参数比例scale1、scale2、ratio1、ratio2;
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S02H02)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2)
其中:Sg1表示河道Rg1断面面积,Sg2表示河道Rg2断面面积,S01表示目标河道R0上游断面面积,S02表示目标河道R0上游断面面积,Hg1表示河道Rg1断面最低点高程,Hg2表示河道Rg2断面最低点高程,H01表示目标河道R0上游断面最低点高程,H02表示目标河道R0上游断面最低点高程;
S8、用河道Rg表示由Rg1、Rg2构成的河道,以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1、Rg2地形散点数据至目标河道R0岸线范围内并按ratio1、ratio2拼接,平滑后即得到河道高精度二维地形散点数据。
实施例3
本实施例提供一种可读存储介质,所述可读存储介质中包括基于深度学习生成单向河道高精度二维地形的方法程序,所述基于深度学习生成单向河道高精度二维地形的方法程序被处理器执行时,实现所述的基于深度学习生成单向河道高精度二维地形的方法的步骤。
实施例4
本实施例通过一组实验说明本发明的方法,具体实验步骤为:
1、如图3所示,目标河道R0仅存在一张遥感底图、手绘左右岸线及上下游实测断面点,经统计河道平均宽度600m、岸线长度6000m,则根据S1步骤计算过程a=0.1。
2、搜集其他河道的实测数据,利用几何增强对河道数据进行预处理,得到已有河道图像集IMAGER和河道数据集DR,具体见图4,并建立两者的映射关系。
3、将河道数据集DR拆分为与河道图像集IMAGER范围对应的岸线数据集DL和地形数据集DB,具体见图5,确保DR、DL与IMAGER的映射关系存在;
4、对已分类好的河道地形图像集IMAGER进行深度学习下基于卷积神经网络(CNN)的图像分类,按照河道走向、岸线曲率划分四类河道,得到河道地形图像分类集IMAGERi,i=1、2、3、4;
5、对于IMAGERi,i=1、2、3、4,利用深度学习下关键点检测CPM进行河道岸线特征识别,并进行训练及验证,建立训练集模型结果DTi,i=1、2、3、4,关键点识别示意图见图6;
6、选取合适的训练集模型结果DT1,利用关键点检测CPM模型对目标河道进行识别,并找出其中与目标河道岸线相似度达到90%的已知若干河道Rj,j=1、2、…、n,并提取已有对应的地形散点数据库DBj,j=1、2、…、n;
7、在地形散点数据库DBj,j=1、2、…、n,中匹配目标河道R0上游相似度最高和下游相似度最高的河道Rg1、Rg2,断面形态,如图7和图8所示,并计算参数比例scale1为1.05、scale2为0.90、ratio1为53.8%、ratio2为46.2%;
8、按照地形高程比例1.05、0.90同步缩放Rg1、Rg2地形散点数据至目标河道R0岸线范围内并按53.8%、46.2%取Rg1、Rg2数据进行拼接,平滑后即得到河道高精度二维地形散点数据。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于深度学习生成单向河道高精度二维地形的方法,其特征在于,包括如下步骤:
S1、获取目标河道R0的平均宽度W和岸线长度L,对两者比例进行计算,得到比例参数a,a=L/W;
S2、基于平均宽度W、岸线长度L和比例参数a特征对已有其他河道数据进行几何增强,得到针对以上参数特征的河道地形图像集IMAGER和河道数据集DR,并建立两者的映射关系;
S3、将河道数据集DR拆分为与河道地形图像集IMAGER范围对应的岸线数据集DL和地形数据集DB,确保DR、DL与IMAGER的映射关系存在;
S4、对河道地形图像集IMAGER进行深度学习下基于卷积神经网络的图像分类,按照河道走向、岸线曲率划分四类河道,得到河道地形图像分类集IMAGERi,i=1、2、3、4;
S5、对于IMAGERi,i=1、2、3、4,利用深度学习下关键点检测CPM进行河道岸线特征识别,并进行训练及验证,建立训练集模型结果DTi,i=1、2、3、4;
S6、利用关键点检测CPM模型对目标河道进行识别,选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到设定阈值的已知若干河道Rj,j=1、2、…、n,并提取已有对应的地形散点数据库DBj,j=1、2、…、n;
S7、提取地形散点数据库DBj,j=1、2、…、n,中与目标河道R0上游相似度最高的河道Rg1和与目标河道R0下游相似度最高的河道Rg2,并计算参数比例scale1、scale2、ratio1、ratio2;
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S02H02)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2)
其中:Sg1表示河道Rg1断面面积,Sg2表示河道Rg2断面面积,S01表示目标河道R0上游断面面积,S02表示目标河道R0上游断面面积,Hg1表示河道Rg1断面最低点高程,Hg2表示河道Rg2断面最低点高程,H01表示目标河道R0上游断面最低点高程,H02表示目标河道R0上游断面最低点高程;
S8、用河道Rg表示由Rg1、Rg2构成的河道,以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1、Rg2地形散点数据至目标河道R0岸线范围内并按ratio1、ratio2拼接,平滑后即得到河道高精度二维地形散点数据。
2.根据权利要求1所述的基于深度学习生成单向河道高精度二维地形的方法,其特征在于,步骤S2的具体过程为:
S2.1、搜集其他河道数据,生成初始高清图像集和初始河道数据集并建立两者映射关系,确保随后的变化反映至河道数据集;
S2.2、根据步骤S1所涉参数特征,利用深度学习预处理网络进行图像预处理,包括图像缩放、图像旋转、图像剪切,得到分类河道图像集IMAGER和河道数据集DR,其中经过预处理网络的河道图像具有的特征为:
①河道为单向河道,无分汊;
②所有河道图像尺寸一致;
③单一河道图像中河道所占图像面积大体相近;
所述河道数据集DR包括单向河道初始、终点2条平面直线与河道左、右岸2条平面曲线以及此河道范围的河道地形高程散点数据。
3.根据权利要求2所述的基于深度学习生成单向河道高精度二维地形的方法,其特征在于,步骤S3的具体过程为:
对于步骤S2处理得到的河道数据集DR,将前线段提取拆分为岸线数据集DL,将河道地形高程散点数据提取为地形数据集DB,并确保DR、DL与IMAGER的映射关系依然存在。
4.根据权利要求3所述的基于深度学习生成单向河道高精度二维地形的方法,其特征在于,步骤S4的具体过程为:
S4.1、划分四个象限,限定河道流向为从西向东并且河道均共计越过3个象限,根据河道依次跨越的象限的不同将河道划分为四类,分别记为IR1、IR2、IR3、IR4,具体的分类规则为:
IR1:河道依次经过第二象限、第三象限、第四象限;
IR2:河道依次经过第二象限、第一象限、第四象限;
IR3:河道依次经过第三象限、第二象限、第一象限;
IR4:河道依次经过第三象限、第四象限、第一象限;
S4.2、对已分类好的河道地形图像集IMAGER,利用提出的河道象限分类规则进行深度学习下基于卷积神经网络的图像分类,得到河道地形图像分类集IMAGERi,i=1、2、3、4。
5.根据权利要求4所述的基于深度学习生成单向河道高精度二维地形的方法,其特征在于,步骤S5的具体过程为:
S5.1、定义IMAGERi,i=1、2、3、4,中识别关键点特征包括:①左岸起点1;左岸岸线中距起点至终点连线垂直距离最大的点2;左岸终点3;②右岸起点4;右岸岸线中距起点至终点连线垂直距离最大的点5;右岸终点6;
S5.2、对于带关键点特征的IMAGERi,i=1、2、3、4,利用深度学习下的关键点检测CPM模型进行河道岸线特征识别,并进行训练及测试,建立训练集模型结果DTi,i=1、2、3、4。
6.根据权利要求5所述的基于深度学习生成单向河道高精度二维地形的方法,其特征在于,步骤S6的具体过程为:
S6.1、利用已建的关键点检测CPM模型对目标河道进行关键点识别;
S6.2、选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到预设阈值的已知若干河道Rj,j=1、2、…、n,提取已有对应的地形散点数据库DBj,j=1、2、…、n。
7.根据权利要求6所述的基于深度学习生成单向河道高精度二维地形的方法,其特征在于,步骤S7的具体过程为:
S7.1、对提取的地形散点数据库DBj,j=1、2、…、n,进行起点断面与终点断面地形的三角剖分插值;
S7.2、提取目标河道R0的上、下游2处断面的断面面积S01、S02,断面最低点高程H01、H02;
S7.3、提取与目标河道R0上游断面面积和断面最低点高程参数相似度最高的河道Rg1和下游断面面积和断面最低点高程参数相似度最高的河道Rg2,统计对应参数Sg1、Sg2,断面最低点高程Hg1、Hg2,并计算参数比例:
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S01H01)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2) 。
8.根据权利要求7所述的基于深度学习生成单向河道高精度二维地形的方法,其特征在于,步骤S8的具体过程为:
S8.1、以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1和Rg2地形散点高程数据;
S8.2、按目标河道R0岸线范围缩放Rg1和Rg2数据范围;
S8.3、取Rg1上游至下游ratio1比例长度的河道和Rg2下游至上游ratio2比例长度的河道进行拼接;
S8.4、将拼接后的地形散点高程数据平滑后即得到河道高精度二维地形散点数据。
9.一种基于深度学习生成单向河道高精度二维地形的***,其特征在于,包括存储器和处理器,所述存储器中包括基于深度学习生成单向河道高精度二维地形的方法程序,所述基于深度学习生成单向河道高精度二维地形的方法程序被所述处理器执行时实现如下步骤:
S1、获取目标河道R0的平均宽度W和岸线长度L,对两者比例进行计算,得到比例参数a,a=L/W;
S2、基于平均宽度W、岸线长度L和比例参数a特征对已有其他河道数据进行几何增强,得到针对以上参数特征的河道地形图像集IMAGER和河道数据集DR,并建立两者的映射关系;
S3、将河道数据集DR拆分为与河道地形图像集IMAGER范围对应的岸线数据集DL和地形数据集DB,确保DR、DL与IMAGER的映射关系存在;
S4、对河道地形图像集IMAGER进行深度学习下基于卷积神经网络的图像分类,按照河道走向、岸线曲率划分四类河道,得到河道地形图像分类集IMAGERi,i=1、2、3、4;
S5、对于IMAGERi,i=1、2、3、4,利用深度学习下关键点检测CPM进行河道岸线特征识别,并进行训练及验证,建立训练集模型结果DTi,i=1、2、3、4;
S6、利用关键点检测CPM模型对目标河道进行识别,选取合适的训练集模型结果DTi,i=1、2、3、4,并找出其中与目标河道岸线相似度达到设定阈值的已知若干河道Rj,j=1、2、…、n,并提取已有对应的地形散点数据库DBj,j=1、2、…、n;
S7、提取地形散点数据库DBj,j=1、2、…、n,中与目标河道R0上游相似度最高的河道Rg1和与目标河道R0下游相似度最高的河道Rg2,并计算参数比例scale1、scale2、ratio1、ratio2;
scale1=(Sg1*Hg1)/(S01H01)
scale2=(Sg2*Hg2)/(S02H02)
ratio1=scale1/(scale1+scale2)
ratio2=scale2/(scale1+scale2)
其中:Sg1表示河道Rg1断面面积,Sg2表示河道Rg2断面面积,S01表示目标河道R0上游断面面积,S02表示目标河道R0上游断面面积,Hg1表示河道Rg1断面最低点高程,Hg2表示河道Rg2断面最低点高程,H01表示目标河道R0上游断面最低点高程,H02表示目标河道R0上游断面最低点高程;
S8、用河道Rg表示由Rg1、Rg2构成的河道,以河道Rg为基底,按照地形高程比例scale1、scale2同步缩放Rg1、Rg2地形散点数据至目标河道R0岸线范围内并按ratio1、ratio2拼接,平滑后即得到河道高精度二维地形散点数据。
10.一种可读存储介质,其特征在于,所述可读存储介质中包括基于深度学习生成单向河道高精度二维地形的方法程序,所述基于深度学习生成单向河道高精度二维地形的方法程序被处理器执行时,实现如权利要求1至8中任一项所述的基于深度学习生成单向河道高精度二维地形的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212259.9A CN113888670B (zh) | 2021-10-18 | 2021-10-18 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212259.9A CN113888670B (zh) | 2021-10-18 | 2021-10-18 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113888670A CN113888670A (zh) | 2022-01-04 |
CN113888670B true CN113888670B (zh) | 2022-05-20 |
Family
ID=79003545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111212259.9A Active CN113888670B (zh) | 2021-10-18 | 2021-10-18 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888670B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385684B (zh) * | 2023-04-10 | 2023-11-03 | 长江水利委员会水文局 | 一种基于库岸点云的河道断面自动提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
CN112148820A (zh) * | 2020-08-24 | 2020-12-29 | 中国地质大学(武汉) | 一种基于深度学习的水下地形数据识别和服务方法及*** |
CN112967354A (zh) * | 2021-03-17 | 2021-06-15 | 武汉大学 | 一种基于有限固定断面地形与遥感影像资料生成二维地形的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681316B (zh) * | 2020-06-24 | 2023-05-30 | 河南省水利勘测设计研究有限公司 | 一种高精度河道地形插值方法 |
-
2021
- 2021-10-18 CN CN202111212259.9A patent/CN113888670B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
CN112148820A (zh) * | 2020-08-24 | 2020-12-29 | 中国地质大学(武汉) | 一种基于深度学习的水下地形数据识别和服务方法及*** |
CN112967354A (zh) * | 2021-03-17 | 2021-06-15 | 武汉大学 | 一种基于有限固定断面地形与遥感影像资料生成二维地形的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113888670A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657631B (zh) | 人体姿态识别方法及装置 | |
Hu et al. | Road centerline extraction in complex urban scenes from LiDAR data based on multiple features | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN103077529B (zh) | 基于图像扫描的植物叶片特征分析*** | |
CN104732553B (zh) | 一种基于多台激光辅助靶标的特征点提取方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
KR102035030B1 (ko) | 차선 정보를 이용한 자동 도화 방법 | |
CN106023298A (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
WO2011023245A1 (en) | Realigning road networks in a digital map based on reliable road existence probability data | |
CN112150804B (zh) | 一种基于MaskRCNN算法的城市多类型交叉口识别方法 | |
CN109948471A (zh) | 基于改进InceptionV4网络的交通雾霾能见度检测方法 | |
CN110634131B (zh) | 一种裂缝图像识别与建模方法 | |
CN113888670B (zh) | 一种基于深度学习生成单向河道高精度二维地形的方法 | |
Hofer et al. | Incremental Line-based 3D Reconstruction using Geometric Constraints. | |
CN112990183A (zh) | 离线手写汉字同名笔画提取方法、***、装置 | |
CN115345881A (zh) | 一种基于计算机视觉的路面病害检测方法 | |
Kim et al. | A robust matching network for gradually estimating geometric transformation on remote sensing imagery | |
CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
Neuhausen et al. | Automatic window detection in facade images | |
Schmidt et al. | Forest point processes for the automatic extraction of networks in raster data | |
CN114120129B (zh) | 基于无人机图像和深度学习的滑坡滑移面的三维识别方法 | |
CN114463720A (zh) | 一种基于线段交并比损失函数的车道线检测方法 | |
Fretes et al. | A review of existing evaluation methods for point clouds quality | |
CN115909099A (zh) | 基于无人机巡检的边坡危岩识别与监测方法 | |
Ma et al. | Complex buildings orientation recognition and description based on vector reconstruction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |