CN117172134B - 基于融合地形特征的月表多尺度dem建模方法 - Google Patents
基于融合地形特征的月表多尺度dem建模方法 Download PDFInfo
- Publication number
- CN117172134B CN117172134B CN202311352195.1A CN202311352195A CN117172134B CN 117172134 B CN117172134 B CN 117172134B CN 202311352195 A CN202311352195 A CN 202311352195A CN 117172134 B CN117172134 B CN 117172134B
- Authority
- CN
- China
- Prior art keywords
- dem
- resolution
- preset
- dem data
- data
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 69
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 title abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- IXUZXIMQZIMPSQ-ZBRNBAAYSA-N [(4s)-4-amino-4-carboxybutyl]azanium;(2s)-2-amino-4-hydroxy-4-oxobutanoate Chemical compound OC(=O)[C@@H](N)CCC[NH3+].[O-]C(=O)[C@@H](N)CC(O)=O IXUZXIMQZIMPSQ-ZBRNBAAYSA-N 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims description 27
- 238000005520 cutting process Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 abstract description 25
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000011439 discrete element method Methods 0.000 description 436
- 238000012876 topography Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 101150049580 Esam gene Proteins 0.000 description 3
- NPPQSCRMBWNHMW-UHFFFAOYSA-N Meprobamate Chemical compound NC(=O)OCC(C)(CCC)COC(N)=O NPPQSCRMBWNHMW-UHFFFAOYSA-N 0.000 description 3
- 241000791876 Selene Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression 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
- 230000010339 dilation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于融合地形特征的月表多尺度DEM建模方法及***,属于地形测绘技术领域,包括:获取月表南极LOLA DEM数据和LROC NAC DEM数据,确定多个高分辨率DEM数据集和多个低分辨率DEM数据集;将残差融合卷积神经网络应用于DEM精细建模,得到多级分辨率DEM模型;利用地形特征结合神经网络重构高分辨率DEM,构造地形特征相关损失函数,进而重建出月球南极高精度大范围任意尺度精细DEM。本发明采用深度学习方法进行训练样本集制作,逐级对月球南极DEM数据进行精细建模,利用残差融合神经网络对空间特征进行有效提取和整合,并支持任意尺度超分辨率重建,为月球南极DEM精细建模提供新思路。
Description
技术领域
本发明涉及地形测绘技术领域,尤其涉及一种基于融合地形特征的月表多尺度DEM建模方法及***。
背景技术
随着空间探测技术的不断发展,月球与深空探测已经成为空间信息科学的前沿和挑战。利用月球轨道器遥感观测数据,各研究机构制作的不同分辨率的全月或局部月球地形数字高程模型(Digital Elevation Model, DEM)产品为月表形貌特征分析、着陆区评估与选址、巡视器路径规划等工程探测和科学研究提供了有力支撑与保障。月球南极地形复杂,高程起伏大,具有最古老、最深的撞击坑,软着陆探测的工程难度要高于中低纬度地区,探测与研究均离不开南极精细地表形貌数据,高精度DEM产品为重大工程任务提供至关重要的基础数据支撑。
针对月球轨道器遥感观测数据,各研究机构制作了不同分辨率的全月或局部月球地形数字高程模型产品。如基于嫦娥二号立体影像制作了7、20、50米不同分辨率的月球区域地形产品;利用日本的SELENE立体影像及激光高度计制作了全月10米分辨率的DEM;采用激光高度计(Lunar Orbiter Laser Altimeter,LOLA)数据制成了覆盖不同纬度的5、10、20、30、60米不同分辨率DEM,其中覆盖极地87.5°至极点范围的DEM分辨率达到了5米,而此精度还不足以满足月球探测工程的实际需求。德国宇航中心(DLR)利用LRO(LunarReconnaissance Orbiter,LRO)窄角相机影像(Narrow Angle Camera,NAC)通过摄影测量方法制作了南极沙克尔顿局部区域2m分辨率DEM,以支撑欧空局月球南极探测选址需要(DLR,2012)。目前基于LRO NAC制作的高分辨率DEM产品可达到局部区域分辨率0.5~2米,但其覆盖范围非常有限。然而,现有的多尺度DEM数据存在尺度破碎、尺度不连续、数据冗余等问题,无法满足多尺度地形分析的需求,因此研制大区域乃至全球高分辨率月表形貌数据是当前亟待解决的关键问题。
目前主要有三种方式对月球南极DEM进行精细建模,一是基于立体影像的三维建模,李春来等人筛选嫦娥一号卫星的628轨影像,基于SIFT特征匹配和最小二乘匹配结合的方法有效解决了月面纹理匮乏、低反照率、低对比度月球影像匹配的技术难题。王奋飞等人利用分辨率更高的嫦娥二号卫星影像,基于RPD模型进行金字塔影像匹配,实现了逐像素匹配,然后利用反距离插值方法生成月表三维地形,最后基于径向基函数对漏洞进行填补。而月球表面形态复杂,传统空洞填补方法依然不能很好的恢复月表细节,空洞的填补方法还需要进一步研究。
二是基于激光点云的三维建模,李春来等人利用嫦娥一号激光高度计数据生成空间分辨率3km的DEM数据,精度上优于美国ULCN2005,与日本SELENE激光高度计的DEM数据相当。胡文敏等对嫦娥一号激光高度计进行轨道交叉点分析和平差方法研究,平差后上产生的DEM条带现象消失或减弱能明显改进DEM的质量。Hu等人提出了一种基于局部地形约束的交叉调整方法,利用嫦娥1号激光高度计数据衍生的一种新的月球全球数字高程模型。而基于激光高度计生成的DEM相对没有较高的空间分辨率。
三是基于多源数据融合的三维建模。Wu等人提出了一种新的组合块调整方法,将中国嫦娥2号图像和美国宇航局的月球勘测轨道飞行器LOLA数据相结合,用于精确的月球地形建模,这种方式避免了单独使用影像或激光高度仪造成的不一致现象。Barker等人通过月球轨道飞行器激光高度计和SELENE地形照相机生成一种新的月球地形模型,通过结合两个共配准数据集获得了一个具有高大地测量精度的近全局DEM,且不需要表面插值。李新等人使用LOLA DEM数据和月球勘测轨道飞行器窄角相机影像等,构建了月球南极局部关键区域1.5米分辨率的三维地形,建模结果与高精度LOLA数据具有较好的一致性。
然而,上述月表DEM精细建模方法,算法较为复杂,且由于未引入高频信息,生成的高分辨率DEM精度有限。随着卷积神经网络的不断发展,许多研究者探索了将卷积神经网络应用于DEM精细尺度推演的方法。Chen等人利用三层卷积神经网络对DEM进行特征提取、特征压缩及特征转化实现了低分辨率DEM到高分辨率DEM的重构。Xu等人提出一种基于迁移学习和梯度先验的卷积神经网络训练学习方法,并将其应用到EDSR和SRCNN两种网络结构中。Li等人将山脊山谷线的地形知识融入了深度学习框架,较好的实现了DEM缺失区域的填补。但目前的研究多着眼于将深度卷积神经网络直接应用于DEM重构,网络结构设计没有更好地针对DEM数据特点进行相应优化,且未充分考虑不同地形特征的重要性影响,同时,多数模型依然存在研究区域固定,迁移性能不佳的问题。
发明内容
本发明提供一种基于融合地形特征的月表多尺度DEM建模方法及***,用以解决现有技术中针对月表DEM精细建模的算法实现复杂,精度不高以及无法很好地实现迁移转化的缺陷。
第一方面,本发明提供一种基于融合地形特征的月表多尺度DEM建模方法,包括:
获取月表南极的LOLA DEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集;
利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集;
构建残差融合卷积神经网络,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型;
采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据;
由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型;
将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,获取LOLADEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集,包括:
获取所述月表南极中同一区域范围内的所述LOLA DEM数据中第一级分辨率DEM、第二级分辨率DEM、第三级分辨率DEM、第四级长度分辨率DEM和第五级分辨率DEM,以及所述LROC NAC DEM数据中第六级分辨率DEM,得到所述多个预设高分辨率DEM数据集和所述多个预设低分辨率DEM数据集,其中第一级分辨率、第二级分辨率、第三级分辨率、第四级分辨率、第五级分辨率和第六级分辨率依次变高;
将所述多个预设低分辨率DEM数据集投影到所述多个预设高分辨率DEM数据集的坐标系下,得到统一坐标系的多个预设低分辨率DEM数据集和多个预设高分辨率DEM数据集;
采用第一预设像素方块对统一坐标系的多个预设高分辨率DEM数据集进行裁切,去掉边界处小于所述第一预设像素方块的区域,得到第一整数倍的多个预设高分辨率DEM数据集;
利用所述第一整数倍的多个预设高分辨率DEM数据集得到的边界范围线,以及第二预设像素方块对统一坐标系的多个预设低分辨率DEM数据集进行裁切,得到第二整数倍的多个预设低分辨率DEM数据集;
其中,所述第一整数倍为所述第二整数倍的两倍。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集,包括:
采用所述地形特征提取算子提取所述多个预设高分辨率DEM数据对应的山脊线数据集和山谷线数据集;
将所述山脊线数据集和所述山谷线数据集转化成栅格数据,对所述栅格数据进行重分类并赋予标识地形特征线,利用所述多个预设高分辨率DEM数据集的边界范围线对预设低分辨率坡度图进行裁切,分割为多个高分辨率地形特征线图像素块;
将所述多个高分辨率地形特征线图像素块与所述多个预设高分辨率DEM数据进行对应,得到所述地形特征图数据集。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,构建残差融合卷积神经网络,包括:
所述残差融合卷积神经网络包括依次连接的特征浅层提取模块、中间层模块和增强空间残差注意力模块;
所述特征浅层提取模块包括一个卷积层,大小为3×3的卷积核;
所述中间层模块包括30个残差融合模块,每个残差融合模块包括四个残差模块;
所述增强空间残差注意力模块包括依次连接的1×1卷积层、空洞卷积、三个3×3卷积层组成的卷积组、特征拼接、1×1卷积层和Sigmoid层。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型,包括:
将所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集构成的数据集划分为训练数据集和测试数据集;
利用所述训练数据集初始化网络参数,将地形特征图数据集融入所述残差融合卷积神经网络的总体损失函数中,获得所述多级分辨率DEM模型。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,将地形特征图数据集融入所述残差融合卷积神经网络的总体损失函数中,包括:
由单个DEM中包含的像素个数、真实高程值和预测高程值得到全局损失函数;
由X方向高程值和像元大小得到X方向坡度,由Y方向高程值和像元大小得到Y方向坡度,由所述X方向坡度、所述Y方向坡度和默认容差得到坡度,由所述坡度中任一DEM单元格的真实坡度值和任一DEM单元格的预测坡度值得到所述坡度损失函数;
由每个DEM像素值对应类别标识、单个DEM中地形特征点地形特征线对应像素、所述真实高程值和所述预测高程值得到所述地形特征线损失函数;
由第一调整权重、所述坡度损失函数、第二调整权重、所述地形特征线损失函数和所述全局损失函数,构成所述总体损失函数。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据,包括:
将第一长度分辨率DEM和第二长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第二长度分辨率DEM;
将所述重构的第二长度分辨率DEM和第三长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第三长度分辨率DEM;
将所述重构的第三长度分辨率DEM和第四长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第四长度分辨率DEM;
将所述重构的第四长度分辨率DEM和第五长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第五长度分辨率DEM。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型,包括:
由所述重构的第五长度分辨率DEM构建第六长度分辨率DEM;
基于所述第六长度分辨率DEM训练所述多级分辨率DEM模型,得到第五长度分辨率到第六长度分辨率的DEM超分辨率模型。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据,包括:
将所述重构的第五长度分辨率DEM输入所述第五长度分辨率到第六长度分辨率的DEM超分辨率模型,得到第六长度分辨率精细DEM数据。
根据本发明提供的一种基于融合地形特征的月表多尺度DEM建模方法,将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据之后,还包括:
对所述预设小范围DEM超分辨率模型的超分辨率模型精度进行评价。
第二方面,本发明还提供一种基于融合地形特征的月表多尺度DEM建模***,包括:
获取模块,用于获取月表南极的LOLA DEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集;
提取模块,用于利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集;
第一训练模块,用于构建残差融合卷积神经网络,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型;
精细模块,用于采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据;
第二训练模块,用于由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型;
处理模块,用于将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于融合地形特征的月表多尺度DEM建模方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于融合地形特征的月表多尺度DEM建模方法。
本发明提供的基于融合地形特征的月表多尺度DEM建模方法及***,通过采用深度学习方法进行训练样本集制作,逐级对月球南极DEM数据进行精细建模,利用残差融合神经网络对空间特征进行有效提取和整合,并支持任意尺度超分辨率重建,为月球南极DEM精细建模提供新思路。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于融合地形特征的月表多尺度DEM建模方法的流程示意图之一;
图2是本发明提供的基于融合地形特征的月表多尺度DEM建模方法的流程示意图之二;
图3是本发明提供的残差融合卷积神经网络的网络结构图;
图4是本发明提供的残差融合模块的结构图;
图5是本发明提供的增强的空间残差注意力模块的结构图;
图6是本发明提供的基于融合地形特征的月表多尺度DEM建模***的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的基于融合地形特征的月表多尺度DEM建模方法的流程示意图之一,如图1所示,包括:
步骤100:获取月表南极的LOLA DEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集;
步骤200:利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集;
步骤300:构建残差融合卷积神经网络,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型;
步骤400:采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据;
步骤500:由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型;
步骤600:将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据。
如图2所示,首先从LOLA官方网站,获取月球南极LOLA DEM数据和LROC NAC DEM数据,进行坐标变换、裁切预处理,获得对应的多个高分辨率DEM与低分辨率DEM数据集。此外,还利用地形特征提取算子提取构建高分辨率DEM数据对应的山脊线数据集和裂谷线数据集
然后构建对月表任意精细尺度进行建模的结合地形特征的残差融合卷积神经网络,将前述得到的数据集划分为训练数据集和测试数据集,使用各个训练数据集中对应的高、低分辨率DEM数据和高分辨率地形特征图像分别训练构建的残差融合卷积神经网络,初始化网络参数,将坡度以及提取到的地形特征融入到神经网络的损失函数中,获得对应每一级分辨率DEM对应的多级分辨率DEM模型。
采用训练得到的多级分辨率DEM模型和以及多个尺度分辨率的DEM数据,得到更精细尺度的高精度DEM数据;利用得到的更精细尺度的高精度DEM数据进行网络的构建和训练,初始化网络参数,得到预设小范围DEM超分辨率模型。
最后将多个高精度DEM数据输入至预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据。
本发明通过采用深度学习方法进行训练样本集制作,逐级对月球南极DEM数据进行精细建模,利用残差融合神经网络对空间特征进行有效提取和整合,并支持任意尺度超分辨率重建,为月球南极DEM精细建模提供新思路。
基于上述实施例,获取LOLA DEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集,包括:
获取所述月表南极中同一区域范围内的所述LOLA DEM数据中第一级分辨率DEM、第二级分辨率DEM、第三级分辨率DEM、第四级分辨率DEM和第五级分辨率DEM,以及所述LROCNAC DEM数据中第六级分辨率DEM,得到所述多个预设高分辨率DEM数据集和所述多个预设低分辨率DEM数据集,其中第一级分辨率、第二级分辨率、第三级分辨率、第四级分辨率、第五级分辨率和第六级分辨率依次变高;
将所述多个预设低分辨率DEM数据集投影到所述多个预设高分辨率DEM数据集的坐标系下,得到统一坐标系的多个预设低分辨率DEM数据集和多个预设高分辨率DEM数据集;
采用第一预设像素方块对统一坐标系的多个预设高分辨率DEM数据集进行裁切,去掉边界处小于所述第一预设像素方块的区域,得到第一整数倍的多个预设高分辨率DEM数据集;
利用所述第一整数倍的多个预设高分辨率DEM数据集得到的边界范围线,以及第二预设像素方块对统一坐标系的多个预设低分辨率DEM数据集进行裁切,得到第二整数倍的多个预设低分辨率DEM数据集;
其中,所述第一整数倍为所述第二整数倍的两倍。
具体地,本发明实施例对月球表面南极同一区域范围的LOLA 60米分辨率DEM(60°S–90°S)、30米分辨率DEM(75°S–90°S)、20米分辨率的DEM(80°S–90°S)、10米分辨率DEM(85°S–90°S)以及5米分辨率DEM(87.5°S–90°S),以及LROC NAC数据中分布在月球南极的2米分辨率DEM进行相应坐标变换,将低分辨率DEM投影到与高分辨率DEM同一坐标系下。
选取高分辨率DEM中高程值变化明显的区域,使用192×192像素大小的块进行裁切,将边界处不足192×192像素大小的区域舍去,最终得到192×192整数倍的DEM;同时,使用得到的边界范围线对低分辨率DEM进行裁切,将裁切后的低分辨率DEM分割成若干个96×96像素块,并根据各级DEM产品分辨率及覆盖范围先建立高、低分辨率DEM像素块之间的对应关系,生成60m-30m、40m-20m、20m-10m和10m-5m这四个高低分辨率 DEM数据集,这里先将生成的30m重采样到40m,以满足2倍超分辨率关系。
基于上述实施例,利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集,包括:
采用所述地形特征提取算子提取所述多个预设高分辨率DEM数据对应的山脊线数据集和山谷线数据集;
将所述山脊线数据集和所述山谷线数据集转化成栅格数据,对所述栅格数据进行重分类并赋予标识地形特征线,利用所述多个预设高分辨率DEM数据集的边界范围线对预设低分辨率坡度图进行裁切,分割为多个高分辨率地形特征线图像素块;
将所述多个高分辨率地形特征线图像素块与所述多个预设高分辨率DEM数据进行对应,得到所述地形特征图数据集。
具体地,本发明实施例利用地形特征提取算子提取构建高分辨率DEM数据对应的山脊线、山谷线数据集,将其转化成栅格数据,并对地形特征线重分类赋予以标识地形特征线,使用前述实施例中得到的边界范围线对低分辨率坡度图进行裁切,并分割成若干个192×192像素块,建立高分辨率地形特征线图像素块与高分辨率DEM像素块的对应关系,将分割好的地形特征图加入数据集。
基于上述实施例,构建残差融合卷积神经网络,包括:
所述残差融合卷积神经网络包括依次连接的特征浅层提取模块、中间层模块和增强空间残差注意力模块;
所述特征浅层提取模块包括一个卷积层,大小为3×3的卷积核;
所述中间层模块包括30个残差融合模块,每个残差融合模块包括四个残差模块;
所述增强空间残差注意力模块包括依次连接的1×1卷积层、空洞卷积、三个3×3卷积层组成的卷积组、特征拼接、1×1卷积层和Sigmoid层。
具体地,本发明实施例构建对月表任意精细尺度进行建模的结合地形特征的残差融合卷积神经网络,残差融合卷积神经网络结构如图3所示,网络包括3个模块。第一个模块为特征浅层提取模块,包含一个卷积层,卷积核大小为3×3,输入为低分辨率DEM,输出为提取的大小为256的特征图。第二个中间层模块为30个残差融合模块的组合,每个残差融合模块包含4个残差结构,残差融合模块(Residual Feature fusion Module, RFM)包含四个残差块(Residual Blocks),如图4所示,其中前三个残差块可以获取由残差特征添加的局部特征。前三个残差块的残差特征与最后一个残差块的输出连接在一起,作为1×1卷积层的输入,用于融合残差特征并减少空间维度,然后通过逐元素相加与从前一个RFM中提取的低级特征相结合。相对于简单的可堆叠的残差块,RFM可以以较低的代价传播中间特征的影响,从而从DEM图像中进行有效的特征提取并具有强大的表示能力。与从RFM派生的30个残差特征聚合模块简单堆叠不同,本发明实施例的框架还考虑了从每个RFM提取的局部特征的融合,将每10个RFM视为一个基本单元,其作用相当于RFM中的一个残差块,并可称为“融合后的残差特征聚合”。
进一步地,本发明实施例还提出了增强型残差模块来最大化RFM在DEM精细建模中的效果,因此我们在RFM的末尾增加了一种增强的空间残差注意力模块(ESRAM),如图5所示。通过ESRAM中的第一个1×1卷积层实现了通道维度的减少。然后设计了一个空洞卷积层,以扩大块的感受野而不改变空间维度。空洞卷积在计算机视觉领域被广泛使用以获得感受野的扩大;因此,将卷积层的扩张参数设置为6。之所以没有通过设置更大的空洞参数(如12)来扩大感受野,是因为添加到DEM图像边缘的额外的0值填充占据了大部分用于卷积的特征图,导致DEM图像的表示能力较弱。然后,由三个3×3卷积层组成的组对特征进行重组,并利用跳跃连接将低级特征转发并集中到一个1×1卷积层的输入,以恢复通道维度。最后,设计了一个sigmoid层,生成逐像素的注意力因子,该因子与从先前连接的残差块中提取的残差特征相乘。
而对于任意尺度的上采样模块,采用的方法是对高分辨率空间的每个像素计算其在LR空间的坐标以及相对距离,然后,拼接后送入到两个全连接层中进行特征提取,所得特征将用于预测权值与偏置;其次,所预测权值将用于组合两组专家知识得到成对滤波器参数;最后,所得滤波器参数将被用于对输入特征卷积生成输出特征,从而得到所需要的尺度的特征图,最后输出为所需分辨率的DEM。
本发明利用残差融合结构充分融合了不同残差模块的信息,并引入空间注意力模块作为残差模块的一部分,对空间特征进行有效提取和整合,提高了DEM精细建模的精度,并支持任意尺度超分辨率重建。
基于上述实施例,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型,包括:
将所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集构成的数据集划分为训练数据集和测试数据集;
利用所述训练数据集初始化网络参数,将地形特征图数据集融入所述残差融合卷积神经网络的总体损失函数中,获得所述多级分辨率DEM模型。
其中,将地形特征图数据集融入所述残差融合卷积神经网络的总体损失函数中,包括:
由单个DEM中包含的像素个数、真实高程值和预测高程值得到全局损失函数;
由X方向高程值和像元大小得到X方向坡度,由Y方向高程值和像元大小得到Y方向坡度,由所述X方向坡度、所述Y方向坡度和默认容差得到坡度,由所述坡度中任一DEM单元格的真实坡度值和任一DEM单元格的预测坡度值得到所述坡度损失函数;
由每个DEM像素值对应类别标识、单个DEM中地形特征点地形特征线对应像素、所述真实高程值和所述预测高程值得到所述地形特征线损失函数;
由第一调整权重、所述坡度损失函数、第二调整权重、所述地形特征线损失函数和所述全局损失函数,构成所述总体损失函数。
具体地,本发明实施例将得到的数据集分为训练数据集和测试数据集,使用各个训练数据集中对应的高、低分辨率DEM数据和高分辨率地形特征图像分别训练构建的残差融合卷积神经网络,初始化网络参数,将坡度以及提取到的地形特征融入到神经网络的损失函数中,获得对应每一级分辨率DEM对应的训练收敛的模型。
对于模型中的超参数设置,使用30个RFM,其中每个RFM模块包含四个提出的ESRAM块。每个ESRAM块的1×1卷积层的reduction因子设置为四。在末尾,除了ESRAM中的其他卷积滤波器外,输出特征图的通道数设置为64。反向传播的时候使用Adam优化器进行优化,其中β1设置为0.9,β2设置为0.999,ε设置为10-8。所有模型在PyTorch平台上进行训练,批处理大小(batch size)设置为16,使用单个GeForce GTX 3090进行1000个epoch的训练。高分辨率DEM图像被随机裁剪成96×96像素的DEM,而低分辨率DEM图像则根据相应的比例进行裁剪。使用水平和垂直翻转进行数据增强。初始学习率设置为1e-4,并应用名为余弦退火学习率的学习率策略(cosine annealing LR)进行调整。在训练300个时期后,考虑地形线的MAE损失作为整体函数的一部分。
网络训练的损失函数包括全局损失部分和地形特征损失部分,计算公式如下:
式中,代表全局损失,地形特征损失部分包含坡度损失和地形特征线损失,/>代表坡度损失,/>代表地形特征线损失,/>和/>代表对不同损失部分调整的权重。其中全局损失如下所示:
式中代表真实高程值,/>代表预测的高程值,/>代表一张DEM中包含的像素个数。
而对于坡度损失,利用坡度提取算子计算坐标变换后的高分辨率DEM以及通过残差融合网络生成的重建DEM的坡度;坡度损失的计算的公式如下:
式中:表示坡度,/>和/>为X方向的高程值,/>和/>为Y方向的高程值,/>为X方向的坡度,/>为Y方向的坡度,/>为默认容差,防止神经网络反向传播求导出现梯度***的情况,s表示像元的大小,及分辨率大小。/>代表第i个DEM单元格的坡度值,/>代表预测的第i个DEM单元格的坡度值。
而对于地形特征线损失,我们对高分辨率DEM采用地形特征线提取算子将地形特征线(山脊线和山谷线)提取出来,使用步骤1.2得到的边界范围线对高分辨率坡度图进行裁切,并分割成若干个像素块,建立高分辨率地形特征线像素块与高分辨率DEM像素块的对应关系,将分割好的地形特征图加入数据集,地形特征线损失计算公式如下所示:
式中M代表一张DEM影像中地形特征点地形特征线对应的像素,代表每个DEM像素值对应的类别,可选值为0或1,0代表非地形特征线像素,1代表地形特征线像素。
本发明在网络训练过程中,对损失函数引入了坡度以及地形特征线的损失部分,对网络进行约束训练,在保证精度的前提下,减弱了神经网络重建DEM的对地形特征一致性保持不好的问题。
基于上述实施例,采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据,包括:
将第一长度分辨率DEM和第二长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第二长度分辨率DEM;
将所述重构的第二长度分辨率DEM和第三长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第三长度分辨率DEM;
将所述重构的第三长度分辨率DEM和第四长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第四长度分辨率DEM;
将所述重构的第四长度分辨率DEM和第五长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第五长度分辨率DEM。
具体地,本发明实施例从覆盖月球南极范围最广的60米分辨率DEM开始,逐级向上恢复更为精细的DEM,首先利用30米分辨率LOLA DEM和60米分辨率LOLA DEM,经过残差融合卷积神经网络重构月球南极60°S–90°S的30米分辨率DEM;然后利用20米分辨率LOLA DEM和重构的30米分辨率DEM,经过残差融合卷积神经网络重构整个月球南极的20米分辨率DEM;接着利用10米分辨率LOLA DEM和重构的20米分辨率DEM,构建整个月球南极10米分辨率DEM;最后利用5米分辨率LOLA DEM和重构的10米分辨率DEM,构建整个月球南极5米分辨率DEM,填补60°S–87.5°S范围所缺少的5米高精度DEM数据。
基于上述实施例,由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型,包括:
由所述重构的第五长度分辨率DEM构建第六长度分辨率DEM;
基于所述第六长度分辨率DEM训练所述多级分辨率DEM模型,得到第五长度分辨率到第六长度分辨率的DEM超分辨率模型。
具体地,本发明实施例根据得到的60°S–90°S范围的5米高精度月球南极DEM数据,重新进行数据集的训练制作,构建得到从5米到2米的DEM数据集;
将测试数据集中的低分辨率DEM输入训练好的DEM超分辨率模型,得到对应的预测高分辨率DEM小块,然后将小块进行拼接得到大范围的预测高分辨率DEM,最后将部分区域已有的DEM数据替换生成的预测的DEM,最大程度上保持DEM的建模精度。
进一步地,对新构建的数据集进行网络的构建和训练,初始化网络参数,获得对应从5米到2米的DEM超分辨率模型。
基于上述实施例,将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据,包括:
将所述重构的第五长度分辨率DEM输入所述第五长度分辨率到第六长度分辨率的DEM超分辨率模型,得到第六长度分辨率精细DEM数据。
具体地,本发明实施例将得到的60°S–90°S范围的5米高精度月球南极DEM数据输入训练收敛的从5米到2米的DEM超分辨率模型,获取到月球南极60°S–90°S范围的2米高精度月球南极DEM数据。
基于上述实施例,将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据之后,还包括:
对所述预设小范围DEM超分辨率模型的超分辨率模型精度进行评价。
具体地,本发明实施例对各级分辨率DEM训练得到的超分辨率模型精度评价,将训练好收敛之后的模型对预测集进行预测,与测试数据集中的实际高分辨率DEM进行比较,计算平均绝对误(MAE)、均方根误差(RMSE)、最大误差()、坡度平均绝对误差(/>)和地形特征平均绝对误差(/>)作为评价指标;计算公式如下:
式中,N为高分辨率DEM中的像素数量,指实际高分辨率DEM中高程值,/>指预测高分辨率DEM中像素的值,/>代表每个DEM像素值对应的类别,可选值为0或1,0代表非地形特征线像素,1代表地形特征线像素,/>代表第i个DEM单元格的坡度值,/>代表预测的第i个DEM单元格的坡度值。
下面对本发明提供的基于融合地形特征的月表多尺度DEM建模***进行描述,下文描述的基于融合地形特征的月表多尺度DEM建模***与上文描述的基于融合地形特征的月表多尺度DEM建模方法可相互对应参照。
图6是本发明实施例提供的基于融合地形特征的月表多尺度DEM建模***的结构示意图,如图6所示,包括:获取模块61、提取模块62、第一训练模块63、精细模块64、第二训练模块65和处理模块66,其中:
获取模块61用于获取月表南极的LOLA DEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集;提取模块62用于利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集;第一训练模块63用于构建残差融合卷积神经网络,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型;精细模块64用于采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据;第二训练模块65用于由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型;处理模块66用于将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行基于融合地形特征的月表多尺度DEM建模方法,该方法包括:获取月表南极的LOLA DEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集;利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集;构建残差融合卷积神经网络,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型;采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据;由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型;将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于融合地形特征的月表多尺度DEM建模方法,该方法包括:获取月表南极的LOLA DEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集;利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集;构建残差融合卷积神经网络,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型;采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据;由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型;将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于融合地形特征的月表多尺度DEM建模方法,其特征在于,包括:
获取月表南极的月球轨道飞行器激光测高仪数字高程模型LOLA DEM数据和月球勘测轨道器照相机窄角相机数字高程模型LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集;
利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集;
构建残差融合卷积神经网络,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型;
采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据;
由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型;
将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据;
采用所述多级分辨率DEM模型和多个预设尺度分辨率DEM数据,得到多个预设高精度DEM数据,包括:
将第一长度分辨率DEM和第二长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第二长度分辨率DEM;
将所述重构的第二长度分辨率DEM和第三长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第三长度分辨率DEM;
将所述重构的第三长度分辨率DEM和第四长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第四长度分辨率DEM;
将所述重构的第四长度分辨率DEM和第五长度分辨率DEM输入所述多个预设尺度分辨率DEM数据,得到重构的第五长度分辨率DEM;
由所述多个预设高精度DEM数据确定预设小范围DEM数据集,基于所述预设小范围DEM数据集对所述多级分辨率DEM模型进行训练,得到预设小范围DEM超分辨率模型,包括:
由所述重构的第五长度分辨率DEM构建第六长度分辨率DEM;
基于所述第六长度分辨率DEM训练所述多级分辨率DEM模型,得到第五长度分辨率到第六长度分辨率的DEM超分辨率模型;
将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据,包括:
将所述重构的第五长度分辨率DEM输入所述第五长度分辨率到第六长度分辨率的DEM超分辨率模型,得到第六长度分辨率精细DEM数据。
2. 根据权利要求1所述的基于融合地形特征的月表多尺度DEM建模方法,其特征在于,获取LOLA DEM数据和LROC NAC DEM数据,基于所述LOLA DEM数据和所述LROC NAC DEM数据获得多个预设高分辨率DEM数据集和多个预设低分辨率DEM数据集,包括:
获取所述月表南极中同一区域范围内的所述LOLA DEM数据中第一级分辨率DEM、第二级分辨率DEM、第三级分辨率DEM、第四级分辨率DEM和第五级分辨率DEM,以及所述LROC NACDEM数据中第六级分辨率DEM,得到所述多个预设高分辨率DEM数据集和所述多个预设低分辨率DEM数据集,其中第一级分辨率、第二级分辨率、第三级分辨率、第四级分辨率、第五级分辨率和第六级分辨率依次变高;
将所述多个预设低分辨率DEM数据集投影到所述多个预设高分辨率DEM数据集的坐标系下,得到统一坐标系的多个预设低分辨率DEM数据集和多个预设高分辨率DEM数据集;
采用第一预设像素方块对统一坐标系的多个预设高分辨率DEM数据集进行裁切,去掉边界处小于所述第一预设像素方块的区域,得到第一整数倍的多个预设高分辨率DEM数据集;
利用所述第一整数倍的多个预设高分辨率DEM数据集得到的边界范围线,以及第二预设像素方块对统一坐标系的多个预设低分辨率DEM数据集进行裁切,得到第二整数倍的多个预设低分辨率DEM数据集;
其中,所述第一整数倍为所述第二整数倍的两倍。
3.根据权利要求1所述的基于融合地形特征的月表多尺度DEM建模方法,其特征在于,利用地形特征提取算子提取所述多个预设高分辨率DEM数据对应的地形特征图数据集,包括:
采用所述地形特征提取算子提取所述多个预设高分辨率DEM数据对应的山脊线数据集和山谷线数据集;
将所述山脊线数据集和所述山谷线数据集转化成栅格数据,对所述栅格数据进行重分类并赋予标识地形特征线,利用所述多个预设高分辨率DEM数据集的边界范围线对预设低分辨率坡度图进行裁切,分割为多个高分辨率地形特征线图像素块;
将所述多个高分辨率地形特征线图像素块与所述多个预设高分辨率DEM数据进行对应,得到所述地形特征图数据集。
4.根据权利要求1所述的基于融合地形特征的月表多尺度DEM建模方法,其特征在于,构建残差融合卷积神经网络,包括:
所述残差融合卷积神经网络包括依次连接的特征浅层提取模块、中间层模块和增强空间残差注意力模块;
所述特征浅层提取模块包括一个卷积层,大小为3×3的卷积核;
所述中间层模块包括30个残差融合模块,每个残差融合模块包括四个残差模块;
所述增强空间残差注意力模块包括依次连接的1×1卷积层、空洞卷积、三个3×3卷积层组成的卷积组、特征拼接、1×1卷积层和Sigmoid层。
5.根据权利要求1所述的基于融合地形特征的月表多尺度DEM建模方法,其特征在于,基于所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集训练所述残差融合卷积神经网络,得到多级分辨率DEM模型,包括:
将所述多个预设高分辨率DEM数据集、所述多个预设低分辨率DEM数据集和所述地形特征图数据集构成的数据集划分为训练数据集和测试数据集;
利用所述训练数据集初始化网络参数,将地形特征图数据集融入所述残差融合卷积神经网络的总体损失函数中,获得所述多级分辨率DEM模型。
6.根据权利要求5所述的基于融合地形特征的月表多尺度DEM建模方法,其特征在于,将地形特征图数据集融入所述残差融合卷积神经网络的总体损失函数中,包括:
由单个DEM中包含的像素个数、真实高程值和预测高程值得到全局损失函数;
由X方向高程值和像元大小得到X方向坡度,由Y方向高程值和像元大小得到Y方向坡度,由所述X方向坡度、所述Y方向坡度和默认容差得到坡度,由所述坡度中任一DEM单元格的真实坡度值和任一DEM单元格的预测坡度值得到所述坡度损失函数;
由每个DEM像素值对应类别标识、单个DEM中地形特征点地形特征线对应像素、所述真实高程值和所述预测高程值得到所述地形特征线损失函数;
由第一调整权重、所述坡度损失函数、第二调整权重、所述地形特征线损失函数和所述全局损失函数,构成所述总体损失函数。
7.根据权利要求1所述的基于融合地形特征的月表多尺度DEM建模方法,其特征在于,将所述多个预设高精度DEM数据输入所述预设小范围DEM超分辨率模型,得到预设小范围精细DEM数据之后,还包括:
对所述预设小范围DEM超分辨率模型的超分辨率模型精度进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352195.1A CN117172134B (zh) | 2023-10-19 | 2023-10-19 | 基于融合地形特征的月表多尺度dem建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352195.1A CN117172134B (zh) | 2023-10-19 | 2023-10-19 | 基于融合地形特征的月表多尺度dem建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117172134A CN117172134A (zh) | 2023-12-05 |
CN117172134B true CN117172134B (zh) | 2024-01-16 |
Family
ID=88946960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311352195.1A Active CN117172134B (zh) | 2023-10-19 | 2023-10-19 | 基于融合地形特征的月表多尺度dem建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172134B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892064B (zh) * | 2024-03-13 | 2024-05-14 | 南京信息工程大学 | 一种全球气候模型日平均气温降尺度方法、装置及存储器 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122395A (zh) * | 2011-01-31 | 2011-07-13 | 武汉大学 | 一种保持地形特征的自适应尺度dem建模方法 |
WO2020056791A1 (zh) * | 2018-09-21 | 2020-03-26 | 五邑大学 | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
CN112785499A (zh) * | 2020-12-31 | 2021-05-11 | 马培峰 | 超分辨率重建模型训练方法及计算机设备 |
CN112861669A (zh) * | 2021-01-26 | 2021-05-28 | 中国科学院沈阳应用生态研究所 | 地表坡向约束的高分辨率dem地形特征增强提取方法 |
CN113837944A (zh) * | 2021-09-29 | 2021-12-24 | 清华大学 | 基于残差网络的dem超分辨率方法和装置 |
CN114092330A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种轻量化多尺度的红外图像超分辨率重建方法 |
CN114331842A (zh) * | 2021-12-28 | 2022-04-12 | 武汉大学 | 结合地形特征的dem超分辨率重建方法 |
WO2022241995A1 (zh) * | 2021-05-18 | 2022-11-24 | 广东奥普特科技股份有限公司 | 视觉图像增强的生成方法、***、装置及存储介质 |
CN115496652A (zh) * | 2021-06-18 | 2022-12-20 | 四川大学 | 基于多尺度通道金字塔残差注意的盲压缩图像超分重建 |
CN115640670A (zh) * | 2022-09-05 | 2023-01-24 | 浙江水利水电学院 | 一种地形自适应水深模型分区加权融合方法 |
CN115861756A (zh) * | 2022-12-22 | 2023-03-28 | 西安工业大学 | 基于级联组合网络的大地背景小目标识别方法 |
CN116432702A (zh) * | 2023-06-09 | 2023-07-14 | 南京信息工程大学 | 一种用于ECMWF预报产品订正的深度学习NFC-Net网络模型 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345449B (zh) * | 2018-07-17 | 2020-11-10 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
US20230245444A1 (en) * | 2021-05-07 | 2023-08-03 | California Institute Of Technology | Unmanned aerial system (uas) autonomous terrain mapping and landing site detection |
-
2023
- 2023-10-19 CN CN202311352195.1A patent/CN117172134B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122395A (zh) * | 2011-01-31 | 2011-07-13 | 武汉大学 | 一种保持地形特征的自适应尺度dem建模方法 |
WO2020056791A1 (zh) * | 2018-09-21 | 2020-03-26 | 五邑大学 | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
CN112785499A (zh) * | 2020-12-31 | 2021-05-11 | 马培峰 | 超分辨率重建模型训练方法及计算机设备 |
CN112861669A (zh) * | 2021-01-26 | 2021-05-28 | 中国科学院沈阳应用生态研究所 | 地表坡向约束的高分辨率dem地形特征增强提取方法 |
WO2022241995A1 (zh) * | 2021-05-18 | 2022-11-24 | 广东奥普特科技股份有限公司 | 视觉图像增强的生成方法、***、装置及存储介质 |
CN115496652A (zh) * | 2021-06-18 | 2022-12-20 | 四川大学 | 基于多尺度通道金字塔残差注意的盲压缩图像超分重建 |
CN113837944A (zh) * | 2021-09-29 | 2021-12-24 | 清华大学 | 基于残差网络的dem超分辨率方法和装置 |
CN114092330A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种轻量化多尺度的红外图像超分辨率重建方法 |
CN114331842A (zh) * | 2021-12-28 | 2022-04-12 | 武汉大学 | 结合地形特征的dem超分辨率重建方法 |
CN115640670A (zh) * | 2022-09-05 | 2023-01-24 | 浙江水利水电学院 | 一种地形自适应水深模型分区加权融合方法 |
CN115861756A (zh) * | 2022-12-22 | 2023-03-28 | 西安工业大学 | 基于级联组合网络的大地背景小目标识别方法 |
CN116432702A (zh) * | 2023-06-09 | 2023-07-14 | 南京信息工程大学 | 一种用于ECMWF预报产品订正的深度学习NFC-Net网络模型 |
Non-Patent Citations (9)
Title |
---|
A multi-terrain feature-based deep convolutional neural network for constructing super-resolution DEMs;Annan Zhou 等;《ELSEVIER》;1-16 * |
An Enhanced Residual Feature Fusion Network Integrated with a TerrainWeight Module for Digital Elevation Model Super-Resolution;Guodong Chen 等;《remote sensing》;1-21 * |
基于MERIT DEM 和DRT升尺度化算法的多分辨率全国河网数据集构建;黄泽群;李超群;吴欢;姜璐璐;男顶;汤秋鸿;王爱慧;赵世湖;Dai YAMAZAKI;;地理与地理信息科学(03);1-9 * |
基于卷积神经网络的地形因子降尺度方法研究;Hesheng Chen 等;《中国优秀硕士学位论文全文数据库 工程科技II辑》;C028-170 * |
基于卷积神经网络的数字高程分辨率提高方法;谢洪亮;;地理空间信息(01);28-32 * |
基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测;邓志鹏;孙浩;雷琳;周石琳;邹焕新;;测绘学报(09);485-495 * |
基于嫦娥二号立体影像的全月高精度地形重建;李春来;刘建军;任鑫;严韦;左维;牟伶俐;张洪波;苏彦;温卫斌;谭旭;张晓霞;王文睿;付强;耿良;张广良;赵葆常;杨建峰;欧阳自远;;武汉大学学报(信息科学版)(04);1216-1227 * |
基于月球探测数据的月面地形重构方法研究;马金驹;王向军;张召才;;光学与光电技术(01);81-85 * |
月球遥感制图回顾与展望;邸凯昌;刘斌;刘召芹;邹永廖;;遥感学报(05);1230-1242 * |
Also Published As
Publication number | Publication date |
---|---|
CN117172134A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288875B (zh) | 一种面向无人机矿山巡检场景的快速三维重建方法 | |
Demiray et al. | D-SRGAN: DEM super-resolution with generative adversarial networks | |
CN110058237B (zh) | 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法 | |
CN104931022B (zh) | 基于星载激光测高数据的卫星影像立体区域网平差方法 | |
CN101604018B (zh) | 高分辨率遥感影像数据处理方法及其*** | |
Nikolakopoulos et al. | SRTM vs ASTER elevation products. Comparison for two regions in Crete, Greece | |
US8427505B2 (en) | Geospatial modeling system for images and related methods | |
US7983474B2 (en) | Geospatial modeling system and related method using multiple sources of geographic information | |
CN111462329A (zh) | 一种基于深度学习的无人机航拍影像的三维重建方法 | |
CN109840553B (zh) | 耕地作物类型的提取方法及***、存储介质、电子设备 | |
CN117172134B (zh) | 基于融合地形特征的月表多尺度dem建模方法 | |
CN109100719B (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
CN116188671A (zh) | 河道水陆一体三维实景建模方法 | |
CN112785499A (zh) | 超分辨率重建模型训练方法及计算机设备 | |
CN112925870B (zh) | 一种人口空间化方法及*** | |
CN111028335A (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
CN113569760A (zh) | 基于多模态深度学习的三维变化检测方法 | |
Gong et al. | Cloud-covered MODIS LST reconstruction by combining assimilation data and remote sensing data through a nonlocality-reinforced network | |
Mao et al. | Precision evaluation and fusion of topographic data based on UAVs and TLS surveys of a loess landslide | |
Zhao et al. | On the topographic entity-oriented digital elevation model construction method for urban area land surface | |
CN116045920A (zh) | 一种基于gf7号立体像对提取dem的方法 | |
He et al. | Accurate estimation of surface water volume in tufa lake group using UAV-captured imagery and ANNs | |
Dal Poz et al. | Road network extraction using GPS trajectories based on morphological and skeletonization algorithms | |
Wang et al. | DEM construction method for slopes using three-dimensional point cloud data based on moving least square theory | |
Liao et al. | Unmanned aerial vehicle surveying and mapping trajectory scheduling and autonomous control for landslide monitoring |
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 |