基于数字高程模型数据的地形分类方法技术

本发明专利技术公开了一种基于数字高程模型数据的地形分类方法，其方案是：构建训练集及测试集；构建特征提取网络及识别网络；对训练样本进行剪裁增强，并将其依次输入到特征提取网络和识别网络，得到训练样本预测类别向量；利用训练样本真实标签及预测类别向量获取交叉熵损失；通过最小化交叉熵损失对特征提取网络及识别网络进行训练；将测试样本随机剪裁并输入到训练好的特征提取网络中，得到测试样本的样本特征；将测试样本特征输入到训练好的识别网络中，得到测试样本预测类别向量；测试样本预测类别向量中最大元素所对应的类别标签即为测试样本预测类别标签。本发明专利技术只需待分类样本就可区分山地、丘陵、盆地及平原地形，可用于数字高程模型地形分类。

【技术实现步骤摘要】
基于数字高程模型数据的地形分类方法
本专利技术属于数据处理
，特别涉及一种地形分类方法，可用于区分数字高程模型地形数据的类别。
技术介绍
地形分为山地、丘陵、平原及盆地多种类型。数字高程模型DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟，即地表形态的数字化表达，它的数据是离散化的，从坐标角度观察，其(X，Y)坐标为一个一个的小方格，每个小方格上标识出其Z轴，即高程数值。DEM的建立方法多种多样，包括：①根据航空或航天影像，通过摄影测量途径获取；②利用水平导轨、测针及相对高程测量板等构件直接从地面测量；③从现有地图上采集等。在利用数字高程模型数据进行项目实现时，针对项目所需，通常可选取不同分辨率的DEM数据。DEM分辨率是DEM刻画地形精确程度的重要指标，同时也是决定其使用范围的主要影响因素，分辨率数值越小，DEM的分辨率就越高。通常，高分辨率DEM数据获取代价较大，而低分辨率数据较容易获得，网上对大部分地区已有公开低分辨率的数字高程模型。在当前研究中，单纯针对数字高程模型数据的分类研究并不多，其主要是在各种其他本文档来自技高网...

【技术保护点】
1.一种基于数字高程模型数据的地形分类方法，其特征在于，包括如下：/n(1)从网络上收集包括山地、丘陵、盆地及平原4种地形的数字高程模型地形数据并构成样本数据集，取该样本数据集的70％作为训练样本集，其余30％作为测试样本集；/n(2)构建特征提取网络及识别网络，并设定该特征提取网络的输入尺寸标准；/n(3)根据特征提取网络的输入尺寸标准对训练样本进行随机剪裁；/n(4)设定旋转角度范围，对剪裁后的训练样本进行随机旋转，完成训练样本增强工作；/n(5)随机选定n个增强后的训练样本输入到特征提取网络中，得到训练样本特征；/n(6)将训练样本特征输入到识别网络中，得到训练样本的预测类别向量；/n(...

【技术特征摘要】
1.一种基于数字高程模型数据的地形分类方法，其特征在于，包括如下：
(1)从网络上收集包括山地、丘陵、盆地及平原4种地形的数字高程模型地形数据并构成样本数据集，取该样本数据集的70％作为训练样本集，其余30％作为测试样本集；
(2)构建特征提取网络及识别网络，并设定该特征提取网络的输入尺寸标准；
(3)根据特征提取网络的输入尺寸标准对训练样本进行随机剪裁；
(4)设定旋转角度范围，对剪裁后的训练样本进行随机旋转，完成训练样本增强工作；
(5)随机选定n个增强后的训练样本输入到特征提取网络中，得到训练样本特征；
(6)将训练样本特征输入到识别网络中，得到训练样本的预测类别向量；
(7)根据训练样本的真实标签及预测类别向量，计算得到交叉熵损失CE(x)，其中，x为输入到特征提取网络的n个增强后训练样本；
(8)循环(5)-(7)，并通过最小化交叉熵损失完成对特征提取网络及识别网络的训练；
(9)将测试样本按照特征提取网络的输入尺寸标准进行随机剪裁，并将剪裁后的样本输入到训练好的特征提取网络中，得到测试样本的样本特征，再将该样本特征输入到训练好的识别网络中，得到测试样本的预测类别向量；
(10)取测试样本预测类别向量中最大元素值所对应的类别标签，该标签即为测试样本的最终类别标签。


2.根据权利要求1所述的方法，其特征在于：(2)中构建的特征提取网络是由6个卷积层和5个池化层组成的卷积神经网络，每个卷积层所用的激活函数均为ReLU激活函数，卷积核大小均为3×3，每...

【专利技术属性】
技术研发人员：贺迅，方敏，杜辉，李海翔，郭龙飞，刘友江，曹韬，
申请(专利权)人：中国工程物理研究院电子工程研究所，西安电子科技大学，
类型：发明
国别省市：四川;51