[发明专利]基于目标上下文卷积神经网络的数字高程模型提取方法

说明书

本发明涉及基于目标上下文卷积神经网络的数字高程模型提取方法，包括步骤：对立体像对影像依次进行立体区域网平差、核线影像生成、影像密集匹配、前方交会的处理，从而生成数字地表模型DSM；利用目标上下文卷积神经网络对立体像对影像进行地物分类，提取地物边界；根据目标上下文卷积神经网络的分类结果将数字地表模型DSM分为修正目标区和非修正区；并针对修正目标区采用高程曲面拟合处理，对非修正区采用平滑滤波处理，共同生成数字高程模型DEM。本发明使用目标上下文卷积神经网络在立体像对影像上生成数字高程模型DEM，保证生产精度的同时提升了数字高程模型DEM的生产效率，实现了不同区域的数字高程模型DEM高精度自动提取。

技术领域

本发明涉及数字高程模型提取技术领域，特别涉及一种基于目标上下文卷积神经网络的数字高程模型提取方法。

背景技术

数字高程模型（DEM）是地形表面高度的数字化表达，被广泛应用于科学和工程领域。传统的数字高程模型数据采集方式包括航天遥感和传统航空遥感，航天遥感具有数据源稳定、数据获取成本低、成像范围大、获取周期短，且平台稳定，姿态控制与测量精度较高等优点，能够充分保证三维测量的精度和更新周期，是目前生产单位针对大区域生产数字高程模型的主要手段。

传统的数字高程模型生成方法主要包括滤波和人工目视解译，滤波算法主要是基于地面的曲面特征，虽然可以去除部分噪声点，但是无法彻底去除树木、建筑物等物体；人工目视解译方法则需要人工干预，自动化程度比较低，非地面物体信息去除效果取决于人的操作水平。

因此，利用航天遥感采集的数据进行快速、高效和精准的遥感影像信息挖掘，生成高精度的数字高程模型是具有非常重要的研究意义。

发明内容

本发明的目的在于使用目标上下文卷积神经网络在立体像对影像上生成数字高程模型DEM，提供一种基于目标上下文卷积神经网络的数字高程模型提取方法，具有精准和便捷的优势，保证生产精度的同时提升了数字高程模型DEM的生产效率，实现了不同区域的数字高程模型DEM高精度自动提取。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

基于目标上下文卷积神经网络的数字高程模型提取方法，包括以下步骤：

步骤1，对立体像对影像依次进行立体区域网平差、核线影像生成、影像密集匹配、前方交会的处理，从而生成数字地表模型DSM；

步骤2，利用目标上下文卷积神经网络对立体像对影像进行地物分类，提取地物边界；

步骤3，根据目标上下文卷积神经网络的分类结果将数字地表模型DSM分为修正目标区和非修正区；并针对修正目标区采用高程曲面拟合处理，对非修正区采用平滑滤波处理，共同生成数字高程模型DEM。

在上述方案中，首先利用高分辨率的立体像对影像进行立体区域网平差、核线影像生成、影像密集匹配、前方交会的处理，得到地物细节丰富的数字地标模型DSM，然后利用目标上下文卷积神经网络自动识别建筑物、植被、水域等地物边界区域，最后在边界约束条件下通过径向神经网络对高程曲面进行拟合，实现不同区域的高精度DEM自动提取。本方案将目标上下文卷积神经网络加入到数字高程模型DEM的生成中，相比于传统的数字高程模型DEM生成过程中采用人工编辑所带来的低效与误差问题，能大幅提升地形生产效率，满足1:50000的高精度数字高程模型DEM生产精度要求。

与现有技术相比，本发明的有益效果：

本方案相较于传统的数字地表模型DSM滤波后进行人工后处理的方式，能够更有效的解决作业处理耗时且自动化程度低、对其他区域平抑并具有一定盲目性等问题，并能够针对性的对水域、建筑物等高程进行修补，同时能够较好地完成相应地区的修补，生成的数字高程模型DEM比较平滑，接近人工后处理的结果。

附图说明