一种基于深度学习的DSM局部缺失修复方法技术

本发明专利技术涉及一种基于深度学习的DSM局部缺失修复方法，属于DSM数据处理技术领域。本发明专利技术构建包含有特征提取模块、通道融合模块和分辨率恢复模块的修复模型，其中特征提取模块采用部分卷积进行特征提取，使卷积核的形状可以根据掩膜形状任意改变，增强不规则缺失边缘特征的提取能力；通道融合模块通过在通道和空间两个维度增加特征权重，选取重要的特征进行修复；分辨率恢复模块通过上采样和部分卷积的方式恢复特征图的分辨率。通过上述修复模型本发明专利技术不仅修复精度整体更高，同时在缺失比例变化上具有更好的鲁棒性。

【技术实现步骤摘要】
一种基于深度学习的DSM局部缺失修复方法
本专利技术涉及一种基于深度学习的DSM局部缺失修复方法，属于DSM数据处理

技术介绍
数字地表模型(DigitalSurfaceModel)是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。在军事、城市规划等领域具有重要作用。其获取方式主要通过机载激光雷达，数字摄影测量工作站以及高分辨率卫星遥感影像立体像对三种方式获取。其中机载雷达获取是一种主动式对地观测，受天气、光照等影响相对较小，获取数据精度高，速度较后两者更快，特别适用于军事、突发自然灾害的DSM获取。特别是近些年，随着传感采集技术的不断发展，各种硬件成本不断下降，机光雷达测量在未来的测绘中定会有重要的一席之地。但由于外部环境、被测物体的几何特性、光学特性以及扫描系统本身稳定性等因素的影响，测量获得的DSM数据可能存在局部缺失，而这对DSM的产品质量有着较大的影响，因此需要对DSM数据进行修复。现有的DSM修复方法主要有反距离插值、克里金插值、最邻近插值、曲面拟合修复法和光学影像匹配法，其中反距离插值、克里金插值和最邻近插值本文档来自技高网...

【技术保护点】
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：/n1)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；/n2)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；/n3)再将融合后的结果通过分辨率...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：金飞，刘智，官恺，韩佳容，芮杰，王淑香，林雨准，谢功健，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：河南;41