【技术实现步骤摘要】
本申请涉及dem图像处理领域，尤其涉及一种地形线引导的扩散模型的dem空洞填充方法、设备及介质。
技术介绍
1、数字高程模型(dem)是一种数字地形模型，dem数据能够描述地面的起伏形态特征，因此被广泛应用于地理研究，比如灾害评估和重建工作、湖泊、冰川等气候敏感区域动态变化检测等。然而，在崎岖的山区，复杂地形对传感器发出的测量信号有一定的干扰，尤其是搭载在spacecraft上的这些传感器，使得测量信号无法完全覆盖地面，且现有测量技术也有一定的局限性，dem数据往往存在数据空洞。在高程和坡度变化较大的地区，存在着大量的数据空洞，这些空洞通常集中在山脊线和山谷线周围。数据空洞严重影响着dem数据在科学研究中的应用。因此精确填充dem数据空洞以满足地学应用研究的高要求具有十分重要的意义。
2、插值算法是常用的dem空洞填充方法，例如idw和kriging，在特定的情况下，插值方法能够实现不错的结果。但空间插值容易受到空洞周围复杂地形的影响，无法重建出复杂的地形特征，且插值方法得到的结果在空洞边界处有地形曲面不连续的问题。整合了地形特征信息的空间插值算法一定程度上提高了插值结果的精度，但其仅利用了空洞周围的局部高程信息，而不是图像整体的上下文语义信息，所以依然不适用于复杂地形。近年来随着深度学习在图像修复领域不断取得重大突破，一些研究尝试利用深度生成模型来克服传统插值方法的局限性。此前的研究已经证明了生成对抗网络gan在dem空洞填充任务上能够取得非常优秀的表现。一些研究基于条件生成对抗网络(cgan)将地形信息整合进网络
技术实现思路
1、为了解决上述问题，本申请提供一种地形线引导的扩散模型的dem空洞填充方法、设备及介质。
2、本申请的上述目的是通过以下技术方案得以实现的：
3、s1：获取dem图像，构建所述dem图像的训练集；
4、s2：通过水文分析法提取所述dem图像中的山脊线和山谷线，构造地形线掩膜；
5、s3：在所述地形线掩膜的条件下，通过所述训练集，训练扩散模型；
6、s4：利用训练好的扩散模型和已知区域的地形线掩膜，通过迭代去噪，填充未知区域的空洞。
7、可选的，步骤s1包括：
8、利用qgis导出影像裁剪成指定大小块的功能，将所述dem图像才建成大小为256×256的图像块，所述图像块大小受限于gpu算力，在算力允许的情况下，图像块的尺寸越大性能越好。
9、可选的，步骤s2包括：
10、s21：利用arcgis空间分析工具和水文分析法提取山脊线的栅格ridge_1，并计算dem图像的正地形dem_pos和负地形dem_neg；
11、s22：细化栅格ridge_1，并与正地形dem_pos相乘，得到最终的山脊线ridge；
12、s23：利用abs函数，计算得到反地形，反地形提取山脊线，得到山谷线valley；
13、s24：通过山脊线ridge以及山谷线valley，得到地形线掩膜tf_mask，山脊线像素值为1，山谷线像素值为-1，背景像素值为0。
14、可选的，步骤s3包括：
15、s31：将所述地形线掩膜划分为dem图像对应的dem块，构成训练集的地形线部分；
16、s32：初始化扩散模型的超参数；设置扩散模型前向加噪总步数t；设噪声与时间t的关系为余弦函数；
17、s33：扩散模型从训练集中随机加载dem块和对应的地形线掩膜tf_mask；随机获取时刻t以及随机高斯噪声∈t～n(0,i)；
18、扩散模型定义dem图像从零时刻逐步添加随机高斯噪声到t时刻的前向扩散过程：
19、
20、定义αt＝1-βt,则有以下关系：
21、
22、利用上面两个式子，可以推导出xt和x0的关系如下：
23、
24、而：
25、
26、其中，x0为从训练集中选取的样本数据；xt表示t时刻的dem噪声图像；扩散模型的前向扩散过程应用重参数化技巧，以保证添加噪声后的图像xt对噪声∈t是可导的，便于计算梯度，从而方便神经网络的训练；扩散模型定义了t个固定的方差表，t时刻对应的方差即为βt；i表示单位矩阵；xt和x0的关系表明扩散模型不需要经过t次加噪才能从x0到xt，在βt已知从而αt已知，已知的情况下一步加噪即可；q(xt|xt-1)表示从xt-1获得的xt所服从的分布；：＝表示定义为；n(b；c,d)表示随机变量b所服从的高斯分布，均值为c，方差为d；n表示服从高斯分布n；αi＝1-βi；i＝1,2…t；
27、根据所述扩散过程，获得t时刻的噪声图像xt，将噪声图像xt与地形线掩膜tf_mask进行张量拼接，拼接得到的张量作为扩散模型的输入；
28、s34：训练一个u-net神经网络，通过u-net神经网络预测扩散模型的反向去噪过程的从x0到xt所加入的噪声；确定预测噪声∈θ与真实加入的噪声∈t之间的误差，以及噪声分布与真实噪声分布之间的变分下界lvlb；变分下界lvlb作为扩散模型的loss函数；
29、
30、lhybrid：＝lsimple+lvlb
31、其中，crf为地形线掩膜；lsimple表示简化后的mse损失函数；表示期望运算；lhybrid表示最终所采用的综合损失函数；表示在参数θ下的神经网络所预测的噪声；
32、s35：在[0，1000]的范围内随机选择时间t，t是整数，重复步骤s34，在地形线掩膜的条件下，训练扩散模型的学习能力；所述学习能力表示学习地形线和dem图像之间的映射关系。
33、可选的，步骤s4包括：
34、s41：从卫星图或其他同位置的已知dem数据，目视绘制所述已知区域对应的山脊线和山谷线，获得所述已知区域的地形线掩膜，将空洞dem和所述已知区域的地形线掩膜输入到训练好的扩散模型中。
35、s42：扩散模型的反向去噪生成图像的策略，如下：
36、
37、其中，表示在参数θ下的神经网络所预测的噪声下，推导出的xt-1的分布，根据上述扩散模型的加噪原理，推导出分布相关的参数；表示模型推导出的xt-1；μθ表示模型推导出的均值；n表示高斯分布；σθ表示模型推导出的方差；
38、获取扩散模型的预测的噪声和高斯转换中的方差σθ(xt,t,ctf)；
39、根据上述策略从时刻t本文档来自技高网...
【技术保护点】
1.一种地形线引导的扩散模型的DEM空洞填充方法，其特征在于，方法包括以下步骤：
2.如权利要求1的一种地形线引导的扩散模型的DEM空洞填充方法，其特征在于，步骤S1包括：
3.如权利要求1的一种地形线引导的扩散模型的DEM空洞填充方法，其特征在于，步骤S2包括：
4.如权利要求3的一种地形线引导的扩散模型的DEM空洞填充方法，其特征在于，步骤S3包括：
5.如权利要求4的一种地形线引导的扩散模型的DEM空洞填充方法，其特征在于，步骤S4包括：
6.一种电子设备，其特征在于，包括处理器(501)、存储器(505)、用户接口(503)及网络接口(504)，所述存储器(505)用于存储指令，所述用户接口(503)和网络接口(504)用于给其他设备通信，所述处理器(501)用于执行所述存储器(505)中存储的指令，以使所述电子设备(500)执行如权利要求1-5任意一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-5任意一项所述的方法步骤
...【技术特征摘要】
1.一种地形线引导的扩散模型的dem空洞填充方法，其特征在于，方法包括以下步骤：
2.如权利要求1的一种地形线引导的扩散模型的dem空洞填充方法，其特征在于，步骤s1包括：
3.如权利要求1的一种地形线引导的扩散模型的dem空洞填充方法，其特征在于，步骤s2包括：
4.如权利要求3的一种地形线引导的扩散模型的dem空洞填充方法，其特征在于，步骤s3包括：
5.如权利要求4的一种地形线引导的扩散模型的dem空洞填充方法，其特征在于，步骤s4包括：<...
【专利技术属性】
技术研发人员：赵济，袁颖颖，邵长亮，董宇婷，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。