【技术实现步骤摘要】
本专利技术属于图像处理，涉及一种融合梯度特征transformer的dem超分辨率重建方法及系统。
技术介绍
1、dem是一种地理信息系统（gis）中常用的地形数据模型，dem在各种地理分析中起着重要作用，广泛应用于地形分析、水文建模、地形辅助导航和环境模拟等领域。dem精度越高对于地理分析的结果越准确，因此如何获得高分辨率dem已成为了研究热点。采用车载激光雷达测量、航空摄影测量和卫星影像测量等方法，都是直接获取dem的方法，但耗时耗力，对于部分地方并不适合使用大规模的采集方式。并且随着dem测量方式的增多，对同一地区的dem也越来越多，呈多分辨率和多时相的特点。研究者们已经开始探索利用多源dem进行数据融合以提高dem分辨率。然而，由于部分地区dem的保密性，多源dem的获取存在一定困难。因此，目前主流的方法是对低分辨率dem进行超分辨率重建，以获取高分辨率的dem。
2、然而利用集投影法、迭代反投影法、最大后验估计法和各种插值方法都无法准确获取dem细节信息，导致重建后的dem丢失地形边缘、细节和清晰度。随着深度学习不断发展，基于卷积神经网络（convolutional neural network，cnn）的超分辨率模型能抽象学习到的高分辨率数据和低分辨率数据之间的映射关系，并实现超分辨率重建。因此研究者们将目光集中于将基于深度学习的超分辨率重建方法应用于dem上，2016年，chen等人在cnn的基础上，通过最小化误差的优化方法输出高分辨率的dem，该方法重建得到的dem和传统插值方法相比取得了更好的效果。
3、上述方法都基于cnn将dem作为普通图像的拓展，利用灰度值来表示dem的高程信息，但dem空间信息极为复杂，地形特征之间存在长期依赖关系，cnn无法充分利用，导致无法可靠重建dem的地理结构细节。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供一种融合梯度特征transformer的dem超分辨率重建方法及系统，加强了对全局信息获取能力和长距离依赖性建模能力，充分提取dem高低频特征，实现了在梯度域和高度域双重约束下进行超分辨率重建。
2、本专利技术是通过以下技术方案来实现：
3、一种融合梯度特征transformer的dem超分辨率重建方法，包括，
4、将高分辨率数字高程模型d处理后得到低分辨率数字高程模型的梯度图；
5、对低分辨率数字高程模型的梯度图进行浅层特征提取，得到特征图；
6、对特征图通过多个残差特征融合块和双滤波卷积块进行深度特征提取后，得到特征图；
7、将特征图输入到upscale模块后经过卷积层得到高分辨率数字高程模型梯度图，对高分辨率数字高程模型梯度图在梯度域和高度域双重约束下最终得到高分辨数字高程模型，实现对dem超分辨率重建。
8、优选的，对高分辨率数字高程模型的处理过程为：
9、s1：将高分辨率数字高程模型划分为若干子模块，其中将子模块中的90%作为训练集，5%作为验证集，5%作为测试集；
10、s2：将高分辨率数字高程模型中用于训练集的子模块，通过降采样方法得到低分辨率数字高程模型；
11、s3：将低分辨率数字高程模型采用图像梯度算子得到低分辨率数字高程模型的梯度图。
12、优选的，所述降采样方法为：
13、将高分辨率数字高程模型中用于训练集的子模块，分别按照缩放尺度为×2、×3、×4的因子进行下采样得到对应低分辨率数字高程模型。
14、优选的，所述对低分辨率数字高程模型的梯度图使用卷积进行浅层特征提取。
15、优选的，深度特征提取的过程为：
16、s1，将得到的特征进行深层提取，其中，深层特征提取模块中含有5个残差特征融合块和1个双滤波卷积块；
17、s2，特征图进入到第一个残差特征融合块中，对特征图中高低频特征进行提取，再采用密集连接的方式进行模块之间的对称残差链接，实现不同阶段的特征相互融合，输出特征图；
18、s3，将特征图输入到下一个残差特征融合块中，重复s2中学习步骤，将得到的特征图记为，再将其输入到下一个残差特征融合块中，重复逐步执行5个rffb后得到特征图；
19、s4，将输入双滤波卷积块中，得到并与浅层特征提取的特征图进行残差连接得到特征图。
20、优选的，每一个残差特征融合块均由多尺度金字塔切分transformer层和stl组成，两者并交替使用；
21、每一个残差特征融合块包括3个stl模块和2个多尺度金字塔切分transformer层模块；
22、所述多尺度金字塔切分transformer层由多头自注意力和金字塔切分注意力融合组成。
23、优选的，所述双滤波卷积块采用两个不同滤波块的并行结构，包括上方滤波块和下方滤波；通过融合这两个滤波块的特征图，实现了对dem不同尺度信息的整合；
24、所述上方滤波块采用3x3卷积核，结合relu激活函数和残差链接，下方滤波块则采用7x7卷积核。
25、一种融合梯度特征transformer的dem超分辨率重建系统，包括，
26、图像处理模块，用于将高分辨率数字高程模型处理后得到低分辨率数字高程模型的梯度图；
27、浅层特征提取模块，用于对低分辨率数字高程模型的梯度图进行浅层特征提取，得到特征图，
28、深度特征提取模块，用于对特征图通过多个残差特征融合块和双滤波卷积块进行深度特征提取后，得到特征图；
29、超分辨率重建模块，用于将特征图输入到upscale模块后经过卷积层得到高分辨率数字高程模型梯度图；
30、高度域重建模块，对高分辨率数字高程模型梯度图在梯度域和高度域双重约束得到高分辨数字高程模型.。
31、一种电子设备，包括处理器和存储器，所述存储器中存储至少一个指令，执行所述存储器中存储的指令以实现如所述的融合梯度特征transformer的dem超分辨率重建方法。
32、一种计算机可读存储介质所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如所述的融合梯度特征本文档来自技高网...
【技术保护点】
1.一种融合梯度特征Transformer的DEM超分辨率重建方法，其特征在于，包括，
2.根据权利要求1所述的一种融合梯度特征Transformer的DEM超分辨率重建方法，其特征在于，对高分辨率数字高程模型的处理过程为：
3.根据权利要求2所述的一种融合梯度特征Transformer的DEM超分辨率重建方法，其特征在于，所述降采样方法为：
4.根据权利要求1所述的一种融合梯度特征Transformer的DEM超分辨率重建方法，其特征在于，所述对低分辨率数字高程模型的梯度图使用卷积进行浅层特征提取。
5.根据权利要求1所述的一种融合梯度特征Transformer的DEM超分辨率重建方法，其特征在于，深度特征提取的过程为：
6.根据权利要求1所述的一种融合梯度特征Transformer的DEM超分辨率重建方法，其特征在于，每一个残差特征融合块均由多尺度金字塔切分Transformer层和STL组成，两者并交替使用；
7.根据权利要求1所述的一种融合梯度特征Transformer的DEM超分辨率重建方法，其特征
8.一种融合梯度特征Transformer的DEM超分辨率重建系统，基于权利要求1-7任一项所述的重建方法，包括，
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储至少一个指令，执行所述存储器中存储的指令以实现如权利要求1-7所述的融合梯度特征Transformer的DEM超分辨率重建方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7所述的融合梯度特征Transformer的DEM超分辨率重建方法。
...【技术特征摘要】
1.一种融合梯度特征transformer的dem超分辨率重建方法，其特征在于，包括，
2.根据权利要求1所述的一种融合梯度特征transformer的dem超分辨率重建方法，其特征在于，对高分辨率数字高程模型的处理过程为：
3.根据权利要求2所述的一种融合梯度特征transformer的dem超分辨率重建方法，其特征在于，所述降采样方法为：
4.根据权利要求1所述的一种融合梯度特征transformer的dem超分辨率重建方法，其特征在于，所述对低分辨率数字高程模型的梯度图使用卷积进行浅层特征提取。
5.根据权利要求1所述的一种融合梯度特征transformer的dem超分辨率重建方法，其特征在于，深度特征提取的过程为：
6.根据权利要求1所述的一种融合梯度特征transformer的dem超分辨率重建方法，其特征在于，每一个残差特征融合块均由多尺度金字塔切分transf...
【专利技术属性】
技术研发人员：李智杰，米德源，李昌华，董玮，张颉，介军，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。