一种基于深度学习的山顶点识别算法制造技术

本发明专利技术公开了一种基于深度学习的山顶点算法，属于机械学习领域。本发明专利技术通过在Keras下构建ResNet

【技术实现步骤摘要】
一种基于深度学习的山顶点识别算法


[0001]本专利技术属于机械学习领域，具体地说，涉及一种基于深度学习的山顶点识别算法。

技术介绍

[0002]山顶点的准确识别与提取是一项受到国内外学者广泛关注与研究的课题，现在常用的 山顶点提取方法主要由几何形态分析法、断面高程极值法、水文流域分析法和拓扑结构分 析法四大类，而在这之后有过研究演员提出过反地形DEM的山顶点提取法，一定程度上提 高了山顶点的自动提取精度与效率，还有研究演员提出最大起伏度阈值指标，为实现山顶 点的精确数学描述提供了参考，而后提出的运用点格局相关方法探索地形特征点间的格局 特征，得出其空间分布特征与地貌类型具有相关性等结论，最后从地形特征点的几何形态 特征触发，研究了通过DEM提取山顶点的算法，但是该算法中不可避免存在地形描述误差 以及地形起伏变化，导致该算法提取的结果中存在大量的伪山顶点。
[0003]而山顶点的研究对于各种地质勘探研究，遥感地形研究都有着重要的作用，并且还可 以为旅游业开发，各种需要依靠山体的运动项目提供资料支持，通过山顶点的准确识别， 对滑雪场的建设、维护和安全保障具有极为重要的意义，因此对山顶点的研究并非是毫无 实际用处的。
[0004]而目前传统的各类型山顶点提取法对山顶点识别提取的准确性和效率均不高，所提取 出的伪山顶点也比较多，所得数据的误差较大。

技术实现思路

[0005]针对现有技术存在的上述问题，本专利技术的目的在于提供一种基于深度学习的山顶点识 别算法，提高现有技术中山顶点识别准确率低，效率低的问题。
[0006]为了解决上述问题，本专利技术所采用的技术方案如下：
[0007]一种基于深度学习的山顶点识别算法，能够针对复杂地形对山顶点进行精确提取，该 方法包括以下步骤：
[0008]步骤1：划分目标地区的地貌类型，取得起伏度和高程值数据，确定山顶点的最低高程 阈值并建立起学习样本集；
[0009]步骤2：通过在Keras下构建ResNet
‑
101网络，构造出一个残差网络，通过残差网络搭 建山顶点识别框架来识别山顶区域形态特征初步筛选出山地样本；
[0010]步骤3：通过RPN网络模块搜索山地样本中可能存在的目标山顶区；
[0011]步骤4：通过分类回归网络进一步筛选RPN模块所提取出的山顶区，并映射到原始DEM 数据中；
[0012]步骤5：使用映射后得到的DEM数据进一步区分山顶类型。
[0013]所述的的起伏度计算式为：
[0014]其中m和n代表栅格数，d代表区域的起伏度，代表区域的平均高程值,h
xy
网格点的高 程值.
[0015]所述的ResNet
‑
101网络模型通过ImageNet数据进行预备训练，再通过自建的山顶点样 本对参数进行微调，最后使用迁移学习的方式进行山顶点的特征提取。
[0016]所述的RPN网络模块采用均值漂移聚类算法根据山顶点标注样本，设定适用于山顶点 目标区的锚框参数，然后基于质心通过将中心点的候选点更新为滑动窗口内点的均值来完 成定位每个组/类的中心，进而对候选窗口进行筛选形成中心点集合相应的分组，再对样本 进行聚类分析，确定最终用于山顶点识别的锚框。
[0017]所述的回归网络在对RPN模块所得的目标山顶区样本进行最大池化后输入最终的分类 层和回归层计算，输出每一个候选样本符合山顶特征的概率值，之后获取样本的高程值， 再通过公式
[0018][0019]计算出山顶点的准确坐标，其中M
ij
为山顶点位置，a
ij
为坐标(i,j)处的高程值。
[0020]所述判断山顶类型的方法为；
[0021]1)确定山顶点缩在的最高连通区域并计算面积S；
[0022]2)判断S是否小于给定的极小阈值，区分出尖山顶；
[0023]3)计算上一步骤得出的尖山顶之外的所有样本点的起伏度；
[0024]4)判断起伏度是否小于给定的极小阈值，区分出平山顶和圆山顶
[0025]相比于现有技术，本专利技术通过深度学习网络对算法进行预训练和迁移学习来筛选识别 山顶点，能够显著的提高算法识别的准确度并降低误差，减少伪山顶点的识别，并且本算 法能够准确区分所识别的山顶类型，有效的避免山顶要素区受人工选择和处理软件的影响。
附图说明
[0026]图1为算法流程图；
[0027]图2为DEM数据处理流程图
[0028]图3为学习样本集PEAK
‑
100中的等高线渲染图；
[0029]图4为崇礼区海拔分布图；
[0030]图5为崇礼区起伏度示意图；
[0031]图6为崇礼区地形分布度；
[0032]图7为残差模块结构示意图；
[0033]图8为崇礼区山顶点分布图；
[0034]图9为图8的局部放大图；
[0035]图10为局部山顶点分布图；
[0036]图11为算法的山顶点提取结果；
[0037]图12为算法的山顶点类型提取结果；
[0038]图13为是否使用地貌分类的山顶点提取对比图；
[0039]图14为等高线图山顶点识别图；
[0040]图15为灰度图山顶点识别图；
[0041]图16为等高线图灰度图叠加后的山顶点识别图。
具体实施方式
[0042]下面结合具体实施例对本专利技术进一步进行描述。
[0043]实施例1
[0044]河北省张家口市的崇礼区位于河北省西北部，地处内蒙古高原与华北平原的过渡带，地貌属于坝上坝下过渡型山区，其山峰较多并且已经建成有七个滑雪场，因此我们采用崇礼区的地形来作为本实施例的实施对象。
[0045]在地理信息领域，等高线地形图主要反映山地要素的地貌形态，难以通过图像的形式对地形要素的空间高程变化进行准确描述。本专利技术的总流程如图1所示，而数字图像通过对DEM数据进行灰度渲染处理，以多层级的灰度差异反映山地的高程变化。因此，为了有效利用深度网络进行DEM数据中的地形特征提取，以等高线图像反映山地数据的地貌形态，以灰度渲染图表示山地数据中的高程变化趋势，如图2所示，对原始DEM数据作等高线生成和灰度渲染处理，以图像合成的形式融合两种模态下的的山顶特征，进而形成深度网络可接收的学习样本数据。
[0046]进行深度学习之前，我们需要搭建一个用于深度学习的样本集，本实施例使用ASTERGDEM提供的DEM数据作为基础数据，首先根据高程分布遴选出其中的山地部分，裁剪出1000个大小为320*320的山地数据块，保证每个数据块中最少有一个或多个山顶，并按照图2的方法对DEM数据进行预处理。同时采用最小外接矩形的方法对叠加图像中的山顶区域进行标注，保证每个标注矩形框中有且只有一个山顶，并且尽可能少地包含背景信息，形成山顶样本数据，图3为叠加后的山地等高线渲染图，；
[0047]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的山顶点识别算法，其特征在于，该方法包括以下步骤：步骤1：划分目标地区的地貌类型，取得起伏度和高程值数据，确定山顶点的最低高程阈值并建立起学习样本集；步骤2：通过在Keras下构建ResNet
‑
101网络，构造出残差网络，通过残差网络搭建山顶点识别框架来识别山顶区域形态特征初步筛选出山地样本；步骤3：通过RPN网络模块搜索山地样本中可能存在的目标山顶区；步骤4：通过分类回归网络进一步筛选RPN模块所提取出的山顶区，并映射到原始DEM数据中；步骤5：使用映射后得到的DEM数据进一步区分山顶类型。2.根据权利要求1所述的一种基于深度学习的山顶点识别算法，其特征在于，所述的的起伏度计算式为：其中m和n代表栅格数，d代表区域的起伏度，代表区域的平均高程值,h
xy
网格点的高程值3.根据权利要求1所述的一种基于深度学习的山顶点识别算法，其特征在于，所述的ResNet
‑
101网络模型通过ImageNet数据进行预备训练，再通过自建的山顶点样本对参数进行微调，最后使用迁移学习的方式进行山顶点的特征提取。4.根据权利要求1所述的...

【专利技术属性】
技术研发人员：高德民，孙雪莹，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：