一种基于深度卷积神经网络的鞍部点识别方法技术

本发明专利技术公开了一种基于深度卷积神经网络的鞍部点识别方法，包括以下步骤：1)构建训练样本集；2)建立改进的鞍部特征深度学习卷积神经网络模型；3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得其能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对鞍部点坐标进行修正，确定初选鞍部点；4)在初选鞍部点中选取识别概率大于设定阈值的threshold者作为最终鞍部点，提取该最终鞍部点的修正坐标，并将该最终鞍部点的修正坐标映射回原始DEM中，得最终的鞍部点标识图，该方法能够通过鞍部特征的深度学习神经网络对DEM数据中的鞍部点进行自动标识。

【技术实现步骤摘要】
一种基于深度卷积神经网络的鞍部点识别方法
本专利技术属于数字地形分析领域的要素识别
，涉及一种基于深度卷积神经网络的鞍部点识别方法。
技术介绍
数字地形分析以数字高程模型DEM为基础数据源，计算地形属性、提取地形要素，多角度定量解析地表形态的变化，为地学相关的科研与应用提供方法支持。在各类地形要素中，区域地形属性、地形结构线等得到了长期且细致的分析和研究。但山顶、鞍部、背坡、盆地等要素受限于语义模糊性、多尺度特征、空间支撑域不确定等难点困扰，自动提取方法成为数字地形分析研究的关注点。目前的鞍部提取方法，多采用局部分析窗对其几何形态特征进行分析，通过计算分析窗中多种曲面因子及因子间相互关系进行鞍部点提取。例如，文献“熊礼阳,汤国安,宴实江.基于DEM的山地鞍部点分级提取方法[J].测绘科学,2013,38(2):181-183.”与文献“张维,汤国安,陶旸,等.基于DEM汇流模拟的鞍部点提取改进方法[J].测绘科学,2011,36(1):158-159.”研究设计了流域边界线上相对高程低点的鞍部点提取方法、汇流模型模拟特征线求交法；文献“孔月萍,易炜,张跃鹏.利用拓扑关系快速提取鞍部点[J].计算机工程与应用,2013,49(16):165-167.”则设计了分析剖分等高面间拓扑关系的鞍部点提取方法。这些方法的关键在于建立合适的地形要素分析邻域或拓扑关系描述模型，然而均不能关注鞍部点空间延展结构、要素语义等宏观与微观特征，通过建立鞍部特征的深度学习神经网络实现要素自动识别。
技术实现思路
r>本专利技术的目的在于克服上述现有技术的缺点，提供了一种基于深度卷积神经网络的鞍部点识别方法，该方法能够通过鞍部特征的深度学习神经网络对DEM数据中的鞍部点进行自动标识。为达到上述目的，本专利技术所述的基于深度卷积神经网络的鞍部点识别方法包括以下步骤：1)构建训练样本集，所述训练样本集由m+n幅DEM山地数据构成，其中，m＝n，n为包含鞍部区域的正样本数据集A＝{A1，A2，A3，…，An}，m为不包含鞍部区域的负样本数据集B＝{B1，B2，B3，…，Bm}，对DEM样本数据做矩形裁剪，标记正样本中的鞍部点坐标，并按照设定比例将正负样本数据划分为训练集及验证集；2)分析鞍部的空间形态结构，建立改进的鞍部特征深度学习卷积神经网络模型；3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，所述各种参数包括目标函数、优化算法及损失函数，借助ImageNet数据集对Lenet-5网络模型进行预训练，直至该Lenet-5网络模型输出最优且达到稳定状态为止；利用预训练后的Lenet-5网络模型对改进的鞍部特征深度学习卷积神经网络模型进行初始化，再使用步骤1)得到的正样本数据的训练集及负样本数据的训练集对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得改进的鞍部特征深度学习卷积神经网络模型能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对鞍部点坐标进行修正，确定初选鞍部点；4)在初选鞍部点中选取识别概率大于设定阈值的threshold者作为最终鞍部点，提取该最终鞍部点的修正坐标，并将该最终鞍部点的修正坐标映射回原始DEM中，得最终的鞍部点标识图，完成基于深度卷积神经网络的鞍部点识别。步骤1)的具体操作为：11)从SRTM开源网站下载1:100万tiff格式的地形数据，再从中解析出DEM高程数据；12)观察DEM中的地形高程值分布情况，裁剪出DEM山地数据；13)读入DEM山地数据，根据鞍部的形态特征裁剪出完整的鞍部区域，并标记鞍部点的位置坐标，然后保存为深度神经网络可接受的excel格式，以形成训练样本集。步骤2)的具体操作为：改进的鞍部特征深度学习卷积神经网络模型包含1个输入层、2个卷积层、2个采样层、2个全连接层及1个Softmax分类层，其中，输入层、卷积层、采样层及全连接层采用矫正线性单元作为激活函数，卷积层、采样层及全连接层的权值参数和偏重参数通过预训练后的Lenet-5网络模型进行初始化；将DEM数据直接输入到改进的鞍部特征深度学习卷积神经网络模型中，其中，第i层的卷积特征图ki如式(1)所示：其中，Sx和Sy表示卷积核S的长度和宽度，ki-1表示第i卷积层的输入，wjn为卷积核中学习到的权值，bi为第i层滤波器的偏置，σ(·)为激活函数，σ(·)选用ReLU函数，ReLU函数的表达式为：改进的鞍部特征深度学习卷积神经网络模型的池化层采用maxpooling，池化层的输出为：其中，R为采样尺度；卷积层和池化层构成了一个分层的鞍部点特征提取器，通过多层叠加实现对鞍部区域浅层和深层特征的挖掘与学习；将池化层的输出作为全连接层的输入，全连接层的输出为:其中，选择ReLU作为激活函数σ(·)，为第l-1层上的第i个节点和第l层上的第j个节点之间的权重，为当前的偏置；softmax层输出DEM格网点是潜在鞍部点的识别概率P(c|p)，其中，其中，c为目标类别，L为最后一层的索引，NC为目标数。步骤3)的具体操作为：为使网络在训练过程中达到稳定状态，需要对网络的反向传播过程进行解析，其中，包括权重更新方式、损失函数的表达方式及控制梯度下降的优化算法选择；反向传播从全连接层开始，进行式(6)所示的操作：其中，E为损失函数，为第l层个单元到第l+1层单元的权重，为第l层个单元到第l+1层单元总的输入；反向传播时，卷积层权重通过式(7)来进行调整，其中，其中，为非线性映射函数，的值等于等于重复进行前向和后向传播过程，直到预测结果与真实结果之间的偏差达到最小；对全连接层的权重进行L2正则化操作，即对于全连接层的全连接关系，通过对原有损失函数加入λ∑ww2惩罚项，以减少训练数据中噪点对网络拟合过程造成的影响，此时对权重为w的全连接层，其损失函数E的表达式为：其中，E0为非正则化的损失函数，λ为权重衰减系数，1-ηλ为权重衰减因子，wi为学习率。本专利技术具有以下有益效果：本专利技术所述的基于深度卷积神经网络的鞍部点识别方法在具体操作时，先构建训练样本集，再分析鞍部的空间形态结构，建立改进的鞍部特征深度学习卷积神经网络模型，然后使用训练样本集对改进的鞍部特征深度学习卷积神经网络模型进行训练，再通过位置回归MLP网络对初选鞍部点的坐标进行修正，最后将修正后的鞍部坐标映射到原始DEM中，以得到鞍部点标识图，操作简单，便于实现，识别准确率较高。附图说明图1为本专利技术的流程图；图2为本专利技术中改进的鞍部特征深度学习卷积神经网络模型的结构图；图3为本专利技术中鞍部点位置回归网络MLP结构图；图4a为本专利技术中测试数据Ⅰ的三维全景图；图4b为本专利技术中测试数据Ⅰ的人工标定鞍部点图；本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的鞍部点识别方法，其特征在于，包括以下步骤：/n1)构建训练样本集，所述训练样本集由m+n幅DEM山地数据构成，其中，m＝n，n为包含鞍部区域的正样本数据集A＝{A

【技术特征摘要】
1.一种基于深度卷积神经网络的鞍部点识别方法，其特征在于，包括以下步骤：
1)构建训练样本集，所述训练样本集由m+n幅DEM山地数据构成，其中，m＝n，n为包含鞍部区域的正样本数据集A＝{A1，A2，A3，…，An}，m为不包含鞍部区域的负样本数据集B＝{B1，B2，B3，…，Bm}，对DEM样本数据做矩形裁剪，标记正样本中的鞍部点坐标，并按照设定比例将正负样本数据划分为训练集及验证集；
2)分析鞍部的空间形态结构，建立改进的鞍部特征深度学习卷积神经网络模型；
3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，所述各种参数包括目标函数、优化算法及损失函数，借助ImageNet数据集对Lenet-5网络模型进行预训练，直至该Lenet-5网络模型输出最优且达到稳定状态为止；利用预训练后的Lenet-5网络模型对改进的鞍部特征深度学习卷积神经网络模型进行初始化，再使用步骤1)得到的正样本数据的训练集及负样本数据的训练集对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得改进的鞍部特征深度学习卷积神经网络模型能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对鞍部点坐标进行修正，确定初选鞍部点；
4)在初选鞍部点中选取识别概率大于设定阈值的threshold者作为最终鞍部点，提取该最终鞍部点的修正坐标，并将该最终鞍部点的修正坐标映射回原始DEM中，得最终的鞍部点标识图，完成基于深度卷积神经网络的鞍部点识别。


2.根据权利要求1所述的基于深度卷积神经网络的鞍部点识别方法，其特征在于，步骤1)的具体操作为：
11)从SRTM开源网站下载1:100万tiff格式的地形数据，再从中解析出DEM高程数据；
12)观察DEM中的地形高程值分布情况，裁剪出DEM山地数据；
13)读入DEM山地数据，根据鞍部的形态特征裁剪出完整的鞍部区域，并标记鞍部点的位置坐标，然后保存为深度神经网络可接受的excel格式，以形成训练样本集。


3.根据权利要求1所述的一种基于深度卷积神经网络的鞍部点识别方法，其特征在于，步骤2)的具体操作为：
改进的鞍部特征深度学习卷积神经网络模型包含1个输入层、2个卷积层、2个采样层、2个全连接层及1个Softmax分类层，其中，输入层、卷积层、采样层及全连接层采用矫正线性单元作为激活函数，卷积层、采样层及全连接层的权值参数...

【专利技术属性】
技术研发人员：孔月萍，党爽，曾军，张晶晶，张茜，高凯，柯希林，李凯明，
申请(专利权)人：西安建筑科技大学，中国人民解放军六一五四零部队，
类型：发明
国别省市：陕西;61