[发明专利]一种基于深度学习的DSM局部缺失修复方法

权利要求书

1.一种基于深度学习的DSM局部缺失修复方法，其特征在于，该方法包括以下步骤：

1)对局部缺失的DSM数据通过特征提取模块进行特征提取，所述特征提取模块包括若干层部分卷积层，每层的部分卷积层分别用于提取DSM数据不同的尺度特征，且后一层部分卷积层的掩膜由前一层卷积的结果更新；

2)由最后一层开始，将最后一层部分卷积层的输出结果通过分辨率恢复模块进行处理，使得处理结果与上一层部分卷积层的输出结果的大小一致，将经分辨率恢复模块处理后的最后一层部分卷积层输出结果与上一层部分卷积层的输出结果进行叠加，将叠加结果输入到通道融合模块，由通道融合模块对叠加结果进行融合；

3)再将融合后的结果通过分辨率恢复模块进行处理，使得处理结果与更上一层部分卷积层的输出结果的大小一致，将处理后的数据与更上一层部分卷积层的输出结果进行叠加，将叠加结果再输入到通道融合模块，由通道融合模块对叠加结果进行融合；

4)重复步骤3)直至与第一层部分卷积层的输出结果进行融合，并将此次融合后的结果通过分辨率恢复模块进行处理，使其与原始DSM数据大小一致，并与原始DSM数据进行叠加和融合，对融合后的结果再通过分辨率恢复模块进行恢复处理，得到与原始DSM数据大小一致的数据，该数据即为修复后的DSM数据；

其中，所述通道融合模块包括与特征提取模块中的部分卷积层数相同的注意力模块，每一层的部分卷积层的输出结果对应输入到一个注意力模块，注意力模块用于确定特征图融合的通道权重和空间权重；

所述分辨率恢复模块包括与特征提取模块中的部分卷积层数相同的部分卷积层和上采样层，每个上采样层连接对应的部分卷积层。

2.根据权利要求1所述的基于深度学习的DSM局部缺失修复方法，其特征在于，所述特征提取模块包括7层部分卷积层，各层的卷积步长均为2，第一层和第二层的卷积核分别为7×7和5×5，第三层至第七层的卷积核均为3×3，第一层、第二层和第三层的通道数分别为64、128、256，第四层至第七层的通道数均为512。

3.根据权利要求1所述的基于深度学习的DSM局部缺失修复方法，其特征在于，每个注意力模块均包括有通道注意力子模块和空间注意力子模块，所述通道注意力子模块用于对通道特征进行加权，空间注意力子模块用于对空间特征进行加权。

4.根据权利要求3所述的基于深度学习的DSM局部缺失修复方法，其特征在于，所述通道注意力子模块包括2个最大池化层、2个平均池化层和个共享全连接层，最大池化层和平均池化层用于对特征图在空间维进行最大池化和平均池化，通过共享全连接层进行特征信息融合，输出的结果再经过最大池化和平均池化，随后将池化结果相加后输入到激活函数，得到通道间的权重。

5.根据权利要求3所述的基于深度学习的DSM局部缺失修复方法，其特征在于，所述空间注意力子模块包括1个最大池化层、1个平均池化层和1个卷积层，所述的最大池化层和平均池化层用于将特征图在空间维进行最大池化和平均池化，卷积层用于对空间维最大池化和平均池化的结果进行卷积，通过激活函数得到空间权重。

6.根据权利要求1所述的基于深度学习的DSM局部缺失修复方法，其特征在于，该方法在对由特征提取模块、通道融合模块和分辨率恢复模块构成的修复模型进行训练时，采用的损失函数由有效区域损失函数、缺失区域损失函数、感知损失函数、风格损失函数和全变分损失函数加权得到。

7.根据权利要求6所述的基于深度学习的DSM局部缺失修复方法，其特征在于，所述的损失函数L_total为：

L_total＝L_valid+6L_hole+0.05L_perceptual+120L_style+0.1L_tv

其中L_valid为有效区域损失函数L_valid，L_hole为缺失区域损失函数，L_perceptual为感知损失函数，L_style为风格损失函数，L_tv为全变分损失函数。