一种融合上下文信息的遥感影像高程提取方法技术

本发明专利技术属于地理信息技术领域，具体涉及一种融合上下文信息的遥感影像高程提取方法，包括：高程提取网络模型包括局部特征编码器、上下文特征提取器、上下文特征融合器和高程解码器；局部特征编码器用于对裁剪后的各个局部单视角遥感影像进行局部特征提取；上下文特征提取器用于对降采样后的单视角遥感影像进行上下文特征提取；上下文特征融合器用于将提取的各个局部特征和上下文特征进行融合处理；高程解码器用于对融合处理的结果进行解码处理以得到各个局部单视角遥感影像所对应的高程预测结果，从而得到整幅单视角遥感影像的高程预测结果。由此，以解决现有技术中使用单幅遥感影像进行高程预测时精度低的问题。影像进行高程预测时精度低的问题。影像进行高程预测时精度低的问题。

【技术实现步骤摘要】
一种融合上下文信息的遥感影像高程提取方法


[0001]本专利技术属于地理信息技术
，具体涉及一种融合上下文信息的遥感影像高程提取方法。

技术介绍

[0002]数字高程模型(Digital Elevation Model，DEM)记录了地理实体的空间分布，具有广泛的应用场景。比如，数字高程模型结合遥感影像被运用于对地质灾害进行监测以及预防中，对地表进行全天时、全天候的监测，依据数字高程模型对遥感影像进行辅助分析，以提取高程信息，然后依据提取的高程信息判断地表发生形变的情况，进而进行滑坡和泥石流等地质灾害的预防。
[0003]在高程预测时，大多通过在飞行平台上同时搭载多个摄像镜头，从竖直和其他倾斜方向同时获取更加丰富的影像信息，然后再利用多视角遥感影像进行高程几何信息的识别。识别过程如下：首先获取多幅遥感影像，并对获取的遥感影像进行预处理，然后对多幅遥感影像进行特征点提取，进而进行平差计算等等，以提取高程预测结果。该种识别方法融合了多角度的丰富信息，无疑可以保证高程预测的准确性，但是，该种方式需要对每幅遥感影像均进行一系列计算，计算过程复杂且耗时时间长，高程预测速度慢。为了解决该问题，可以使用单视角遥感影像进行高程预测，但是，单视角遥感影像只是一个角度的影像，而现实世界中常常存在遮挡的现象，该单视角遥感影像很可能便是存在遮挡的遥感影像，信息存在缺失，这势必会导致高程预测结果精度下降。

技术实现思路

[0004]本专利技术的目的在于提供一种融合上下文信息的遥感影像高程提取方法，以解决现有技术中使用单幅遥感影像进行高程预测时精度低的问题。
[0005]为解决上述技术问题，本专利技术提供了一种融合上下文信息的遥感影像高程提取方法，包括以下步骤：
[0006]获取单视角遥感影像，并输入至高程提取网络模型中，以得到单视角遥感影像的高程预测结果；所述高程提取网络模型利用单视角遥感影像和相应的数字高程模型作为训练集进行训练得到，且所述高程提取网络模型包括局部特征编码器、上下文特征提取器、上下文特征融合器和高程解码器；所述局部特征编码器用于对裁剪后的各个局部单视角遥感影像进行局部特征提取；所述上下文特征提取器用于对降采样后的单视角遥感影像进行上下文特征提取；所述上下文特征融合器用于将提取的所述局部特征和上下文特征进行融合处理；所述高程解码器用于对所述融合处理的结果进行解码处理以得到各个局部单视角遥感影像所对应的高程预测结果，从而得到整幅单视角遥感影像的高程预测结果。
[0007]上述技术方案的有益效果为：首先，本专利技术使用高程提取网络模型对单幅遥感影像进行特征提取与处理，以实现对其高程进行预测，该种处理方式相较于使用多幅遥感影像进行高程预测的方式，提高了高程预测的速度。其次，在特征提取与处理的过程中，面对
原始遥感影像尺寸较大的问题，对原始遥感影像进行了裁剪处理，即每次只处理部分遥感影像。由于对原始遥感影像(单视角遥感影像)进行了切分操作，将原始遥感影像切分为多张小幅图像，出现了丢失遥感影像全局信息的现象，未融入全局信息易陷入局部最优，高程预测结果准确性低，为了解决该问题，本专利技术使用上下文特征提取器提取了上下文特征(全局信息)，将上下文特征和局部特征编码器提取的局部特征进行了融合处理，从而在提高了高程预测速度的基础上保证了高程预测的精度。
[0008]进一步地，所述高程解码器包括依次连接的四层结构，第一层结构为一个第一卷积模块，其余层结构均包括依次连接的转置卷积模块和第一卷积模块；所述转置卷积模块包括：转置卷积层、激活函数、以及转置卷积计算后的填充操作层。
[0009]上述技术方案的有益效果为：本专利技术高程解码器在U
‑
net解码器结构上做了进一步改进，不同于U
‑
Net解码器直接使用拓展尺度的upsample层，本专利技术使用分步卷积，而且在除解码器第一层结构外的其他结构中添加了转置卷积层，从而能够更好的刻画细节。具体地，本专利技术高程解码器分别在x方向和y方向执行了对应卷积核大小的卷积，从而帮助网络感知地形梯度的变化，从而丰富地形预测的纹理细节，且在转置卷积后增加了普通卷积以消融棋盘格阴影。实验结果证明，使用该改进后的高程解码器在高程预测的精度上提升了0.3m。此外，本专利技术采用U
‑
net解码器结构，通过拼接的方式实现特征融合，结构简明且稳定。
[0010]进一步地，所述训练集的构建方法包括以下步骤：
[0011]获取单视角遥感影像I和对应地理范围的数字高程模型D；
[0012]将单视角遥感影像I切分为多张小幅图像，对每张小幅图像逐像素I(i,j)遍历像素点，使用最小二乘法对每个当前像素点按照如下方法求取所述当前像素点(r,c)与所述数字高程模型D相对应的经度X、纬度Y和高程H，以获得训练集；使用最小二乘法求取经度X、纬度Y和高程H方法为：
[0013]a.选取单视角遥感影像I所对应的有理函数成像模型RFM中的经度X0、纬度Y0、高程偏移量H0，记为迭代初始值；
[0014]b.计算所述迭代初始值和有理函数成像模型RFM进行投影的像素坐标(r
p
,c
p
)，计算所述像素坐标与所述当前像素点的差值，所述差值记为投影误差；
[0015]c.求取所述投影误差对所述经度和纬度的偏导数，构建偏导数排列矩阵；
[0016]d.依据所述偏导数排列矩阵和所述投影误差求解所述经度和纬度方向的改正数；
[0017]f.依据所述改正数更新迭代初始值，记为当前迭代初始值，并以内插法从数字高程模型得到当前迭代初始值中经度与纬度对应的高程，更新当前迭代初始值中高程值；
[0018]g.重复步骤b
‑
f，直至收敛，从而得到当前像素点对应的高程值；
[0019]优选地，所述内插法为双线性内插法；优选地，所述偏导数排列矩阵为Jacobian矩阵。
[0020]上述技术方案的有益效果为：现有技术中利用数字高程模型DEM获取训练数据，在使用DEM模型获取训练数据时，一方面，遥感影像没有经过地理信息的校正，另一方面，获取的经度、纬度和高程组成的三元组数据坐标是通过内插得到，并不是实际DEM模型上的坐标值；因此，在格网采样后获得的有规则的三元组数据坐标并不能和遥感影像像素一一对应，而是存在一定偏差，导致获得的训练数据以及高程预测结果均不准确。本专利技术使用有理函
数成像模型获取训练集，通过逐像素遍历像素点，然后使用最小二乘法通过设定迭代初始值、构建误差、线性逼近和修正三元组数据坐标误差等，逐步迭代计算使得有理函数成像模型上的经度、纬度和高程组成的坐标数据严格对应遥感影像上每一个像素，遥感影像与有理函数成像模型对应关系更准确，获取的三元组数据坐标更精确，从而有利于后续获得精确的高程预测结果。
[0021]进一步地，所述上下文特征融合器所采用的计算方法为：
[0022]将所述上下文特征和局部特征分别进行数据处理，以获得维度一致的上下文特征数据序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合上下文信息的遥感影像高程提取方法，其特征在于：包括以下步骤：获取单视角遥感影像，并输入至高程提取网络模型中，以得到单视角遥感影像的高程预测结果；所述高程提取网络模型利用单视角遥感影像和相应的数字高程模型作为训练集进行训练得到，且所述高程提取网络模型包括局部特征编码器、上下文特征提取器、上下文特征融合器和高程解码器；所述局部特征编码器用于对裁剪后的各个局部单视角遥感影像进行局部特征提取；所述上下文特征提取器用于对降采样后的单视角遥感影像进行上下文特征提取；所述上下文特征融合器用于将提取的所述局部特征和上下文特征进行融合处理；所述高程解码器用于对所述融合处理的结果进行解码处理以得到各个局部单视角遥感影像所对应的高程预测结果，从而得到整幅单视角遥感影像的高程预测结果。2.根据权利要求1所述的融合上下文信息的遥感影像高程提取方法，其特征在于：所述高程解码器包括依次连接的四层结构，第一层结构为一个第一卷积模块，其余层结构均包括依次连接的转置卷积模块和第一卷积模块；所述转置卷积模块包括：转置卷积层、激活函数、以及转置卷积计算后的填充操作层。3.根据权利要求1所述的融合上下文信息的遥感影像高程提取方法，其特征在于：所述训练集的构建方法包括以下步骤：获取单视角遥感影像I和对应地理范围的数字高程模型D；将单视角遥感影像I切分为多张小幅图像，对每张小幅图像逐像素I(i,j)遍历像素点，使用最小二乘法对每个当前像素点按照如下方法求取所述当前像素点(r,c)与所述数字高程模型D相对应的经度X、纬度Y和高程H，以获得训练集；使用最小二乘法求取经度X、纬度Y和高程H方法为：a.选取单视角遥感影像I所对应的有理函数成像模型RFM中的经度X0、纬度Y0、高程偏移量H0，记为迭代初始值；b.计算所述迭代初始值和有理函数成像模型RFM进行投影的像素坐标(r
p
,c
p
)，计算所述像素坐标与所述当前像素点的差值，所述差值记为投影误差；c.求取所述投影误差对所述经度和纬度的偏导数，构建偏导数排列矩阵；d.依据所述偏导数排列矩阵和所述投影误差求解所述经度和纬度方向的改正数；f.依据所述改正数更新迭代初始值，记为当前迭代初始值，并以内插法从数字高程模型得到当前迭代初始值中经度与纬度对应的高程，更新当前迭代初始值中高程值；g.重复步骤b
‑
f，直至收敛，从而得到当前像素点对应的高程值。4.根据权利要求1所述的融合上下文信息的遥感影像高程提取方法，其特征在于：所述上下文特征融合器所采用的计算方法为：将...

【专利技术属性】
技术研发人员：张永生，王自全，戴晨光，王涛，于英，尚大帅，江志鹏，程彬彬，吕可枫，闵杰，张磊，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：