[发明专利]基于3D-R2N2的光学建筑目标三维重建方法

权利要求书

1.一种基于3D-R2N2的光学建筑目标三维重建方法，其特征在于，包括以下步骤：

S1、获取光学图像，并进行预处理；

S2、构建3D-R2N2网络，并将预处理后的光学图像输入构建的3D-R2N2网络；其中3D-R2N2网络包括依次连接的图像提取模块、金字塔池化层、CNN模块和3D-LSTM单元；

S3、通过金字塔池化层将输入的光学图像的尺寸调整为统一大小；

S4、利用3D-R2N2网络的CNN模块和深度残差变化对统一尺寸的光学图像进行特征提取，并对提取的特征进行编码；

S5、将编码的特征进行一维卷积，并通过编码器压缩成1024维的特征向量，即低维特征向量；

S6、将低维特征向量送入3D-LSTM单元，得到三维网格结构；其中三维网格结构包括体素；

S7、将三维网格结构输入解码器，通过解码器来提高三维网格结构的隐藏状态分辨率，直到达到目标输出分辨率；

S8、利用交叉熵损失函数将达到目标输出分辨率的三维网格结构转换成体素在体素坐标点的存在概率，并处理成伯努利分布形式；

S9、将伯努利分布形式的体素在体素坐标点的存在概率建立成一个三维概率矩阵；

S10、通过三维概率矩阵进行像素重建，即完成光学建筑目标三维重建；

步骤S2中CNN模块包括12层卷积层、5层残余连接层、4层瓶颈层和1个过渡层，其中残余连接层包括第一卷积层、第一Leaky_Relu激活函数层、第二Leaky_Relu激活函数层、第三Leaky_Relu激活函数层和PC Layer通路控制层，第一瓶颈层到第四瓶颈层均包括一个BN归一化层和一个ReLU激活函数层，且第一卷积层为7×7结构，第二卷积层到第十三卷积层均为3×3结构；

第一卷积层、第一Leaky_Relu激活函数层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第二Leaky_Relu激活函数层、第九卷积层、第一瓶颈层、第十卷积层、第二瓶颈层、第十一卷积层、第三瓶颈层、第十二卷积层、第四瓶颈层、第十三卷积层、过渡层、第三Leaky_Relu激活函数层和PC Layer通路控制层依次相连；其中第一卷积层为输入层，PC Layer通路控制层为输出层；

第二卷积层的输出端分别与第三卷积层的输入端、第四卷积层的输入端、第五卷积层的输入端、第六卷积层的输入端和第七卷积层的输入端相连；第三卷积层的输出端分别与第四卷积层的输入端、第五卷积层的输入端、第六卷积层的输入端和第七卷积层的输入端相连；第四卷积层的输出端分别与第五卷积层的输入端、第六卷积层的输入端和第七卷积层的输入端相连；第五卷积层的输出端分别与第六卷积层的输入端和第七卷积层的输入端相连；第六卷积层的输出端与第七卷积层的输入端相连；

第九卷积层的输出端分别与第一瓶颈层的输入端、第二瓶颈层的输入端、第三瓶颈层的输入端、第四瓶颈层的输入端和过渡层的输入端相连；第十卷积层的输出端分别与第二瓶颈层的输入端、第三瓶颈层的输入端、第四瓶颈层的输入端和过渡层的输入端相连；第十一卷积层分别与第三瓶颈层的输入端、第四瓶颈层的输入端和过渡层的输入端相连；第十二卷积层的输出端分别与第四瓶颈层的输入端和过渡层的输入端相连；第十三卷积层的输出端与过渡层的输入端相连。

2.根据权利要求1所述的基于3D-R2N2的光学建筑目标三维重建方法，其特征在于，步骤S1中预处理的具体方法为：

S1-1、根据公式：

得到最小化全变分；其中为对求微分，为像素点的定义域，为原始的清晰模拟噪声高频图像，为原始的清晰模拟噪声高频图像中像素点的x坐标，为原始的清晰模拟噪声高频图像中像素点的y坐标，为的微分算子，即光学图像，为对像素点的坐标x求导，为对像素点的坐标y求导；

S1-2、利用最小化全变分对光学图像进行降噪处理；

S1-3、将降噪后的光学图像处理成直方图像，并将其灰度化，得到灰度图像；

S1-4、将灰度图像中所有灰度集中的区域空间延展到所有灰度区域空间范围，得到非均匀延长拉伸的灰度图像；

S1-5、重新分配非均匀延长拉伸的灰度图像的像素值，完成预处理。