一种DEM重建模型训练方法及DEM重建方法

本发明涉及数字高程模型重建领域，更具体地说，涉及一种dem重建模型训练方法及dem重建方法。

背景技术：

1、数字高程模型(digital elevation models，dem)是重要的地理空间基础数据，在地表过程模拟、地形地貌分析、地质灾害预警、军事仿真等领域都有着广泛应用。高分辨率、高质量的dem数据能够提供更加准确的地形信息，对于地学领域的精确建模与分析具有重要意义。dem超分辨率重建的目标是突破现有dem数据产品有限的空间分辨率限制，增强现有dem数据其在地表精细建模与分析等应用中的潜力。

2、随着高分辨率遥感影像的逐渐普及，面向精细尺度的地学应用，dem数据的分辨率限制是一个重要的制约因素。通常情况下，dem数据的超分辨率通过插值方法或挖掘多尺度同质数据之间的互补关系来实现，但无法突破地形数据本身尺度信息的限制，难以从根本上解决测高数据受到观测技术、生成方法和地形条件等多因素影响产生的质量问题。

技术实现思路

1、本发明的目的在于，提供一种dem重建模型训练方法及dem重建方法，有效提升dem数据产品的空间分辨率和地形特征连续性，实现dem地形精细特征的重建。

2、本发明解决其技术问题所采用的技术方案是提供一种dem重建模型训练方法，其中，dem重建模型包括内容分支、边缘分支和融合通道；内容分支，用于融合数字高程模型和遥感影像，得到地形纹理特征；边缘分支，用于利用遥感图像的边缘特征来增强数字高程模型的地形结构边缘，得到最终边缘特征；融合通道，用于融合地形纹理特征和最终边缘特征，得到输出数字高程模型；训练方法，包括以下步骤：s1：获取高分辨率数字高程模型，高分辨率数字高程模型用于在模型训练中作为真实标签；获取低分辨率数字高程模型和同一位置的遥感影像，对低分辨率数字高程模型和同一位置的遥感影像进行预处理，得到预处理遥感影像和预处理数字高程模型图；s2：将预处理数字高程模型图和预处理遥感影像，输入内容分支，得到地形纹理特征；s3：将预处理数字高程模型图和预处理遥感影像，输入边缘分支，得到最终边缘特征；s4：将地形纹理特征和最终边缘特征，输入融合通道，得到输出数字高程模型；s5：利用输出数字高程模型和高分辨率数字高程模型，得到总损失函数，总损失函数用于监督dem重建模型训练；s6：获取总损失预设值，当总损失函数不小于总损失预设值，返回步骤s2，继续训练dem重建模型；当总损失函数小于总损失预设值，停止训练，得到训练好的dem重建模型。

3、进一步地，上述的dem重建模型训练方法的内容分支，包括依次串联连接的拼接器、4个依次串联连接的残差通道空间注意力模块、1×1卷积层；拼接器，用于拼接遥感影像特征图和数字高程模型特征图，得到拼接特征图；残差通道空间注意力模块，包括一次串联连接的第一1×1卷积层、激活函数leakyrelu、空间注意力模块、第一逐元素相乘器、通道注意力模块、第二逐元素相乘器、逐元素相加器；第二1×1卷积层的输出端与空间注意力模块的输入端和第一逐元素相乘器的第一输入端连接，空间注意力模块的输出端与第一逐元素相乘器的第二输入端连接，第一逐元素相乘器的输出端与通道注意力模块的输入端和第二逐元素相乘器的第一输入端连接，通道注意力模块的输除端和第二逐元素相乘器的第二输入端连接，第二逐元素相乘器的输出端和逐元素相加器的第一输入端连接，第一1×1卷积层的输入端与逐元素相加器的第二输入端连接；空间注意力模块，包括依次串联连接的空间平均池化层和激活函数sigmoid；通道注意力模块，包括并联连接的通道平均池化层、最大池化层和依次串联连接的通道第一1×1卷积层、通道激活函数leakyrelu、通道第二1×1卷积层、通道激活函数sigmoid。

4、进一步地，上述的dem重建模型训练方法的边缘分支，包括依次串联连接的残差像素注意力模块和1×1卷积层；残差像素注意力模块，包括残差单元、像素注意力单元、逐元素相乘器和逐元素相加器；残差单元的输出端和逐元素相乘器第一输入端连接，像素注意力单元的输出端和逐元素相乘器第二输入端连接，逐元素相乘器输出端和逐元素相加器的第一输入端连接，像素注意力单元的输入端和逐元素相加器的第二输入端连接；残差单元，包括依次串联连接的残差第一3×3卷积层、残差激活函数leakyrelu、残差第二3×3卷积层；像素注意力单元，包括依次串联连接的像素第一1×1卷积层、像素激活函数leakyrelu、残差第二1×1卷积层和像素激活函数sigmoid。

5、进一步地，上述的dem重建模型训练方法的融合通道，包括依次连接的逐元素相加器和3×3卷积层。

6、进一步地，上述的dem重建模型训练方法的步骤s1具体包括：s11：获取低分辨率数字高程模型和同一位置的遥感影像，利用插值算法，将低分辨率数字高程模型进行上采样，得到输入数字高程模型，输入数字高程模型的分辨率为预设目标分辨率；s12：利用投影变换，将遥感影像进行预投影，得到输入遥感影像，输入遥感影像与低分辨率数字高程模型对齐；s13：将输入数字高程模型和输入遥感影像进行剪裁、归一化，得到预处理数字高程模型图和预处理遥感影像。

7、进一步地，上述的dem重建模型训练方法的步骤s2具体包括：s21：对预处理数字高程模型图和预处理遥感影像分别进行特征提取，得到数字高程模型特征图和遥感影像特征图；s22：利用内容分支，对数字高程模型特征图和遥感影像特征图进行拼接，得到拼接特征图；s23：利用内容分支和拼接特征图，得到地形纹理特征，如公式：

8、f＝[fdem，frs]，rn＝f1×1(δ(f1×1(fn-1)))，

9、

10、ms＝σ(avgpoolc(rn))，

11、mc＝σ(f1×1(δ(f1×1(avgpools(rs))))+f1×1(δ(f1×1(maxpool(rs)))))，

12、fn＝fn-1+rc

13、其中，f为拼接特征图，rn为第n个残差通道空间注意力模块的残差输出，f1×1(·)表示卷积核为1×1的卷积层，δ(·)为leakyrelu激活函数，fn-1为第n个残差通道空间注意力模块的输入，rs为空间注意力模块得到的残差输出，ms为空间注意力图，rc为通道注意力模块得到的残差输出，mc为通道注意力图，表示逐元素相乘，avgpoolc(·)是沿通道维度的平均池化操作，用于获得二维特征映射，σ(·)是激活函数sigmoid，avgpools(·)表示沿空间维度的平均池化操作，maxpool(·)表示沿空间维度的最大池化操作，fn为第n个残差通道空间注意力模块的残差输出。

14、进一步地，上述的dem重建模型训练方法的步骤s3具体包括：s31：利用利用索贝尔算子，提取预处理数字高程模型图和预处理遥感影像的边缘特征，得到数字高程模型边缘特征和遥感影像边缘特征，如公式：

15、

16、

17、

18、其中，f是输入特征映射，fedge-x和fedge-y分别是在x和y方向上计算的梯度；为结合水平和垂直方向的偏导数得到的边缘特征；s32：利用边缘分支和数字高程模型边缘特征和遥感影像边缘特征，得到地形纹理特征，如公式：

19、

20、

21、

22、

23、其中，为边缘残差，f3×3(·)表示卷积核为3×3的卷积层，δ(·)为leakyrelu激活函数，为遥感影像边缘特征，mp为使用像素注意力机制基于数字高程模型边缘特征计算的像素注意力图，σ(·)是激活函数sigmoid，f1×1(·)表示卷积核为1×1的卷积层，为数字高程模型边缘特征，表示逐元素相乘，为边缘残差与像素注意力图逐元素相乘的结果，为残差像素注意力模块的输出；s33：利用1×1卷积层，对残差像素注意力模块的输出进行进一步处理，得到最终边缘特征。

24、进一步地，上述的dem重建模型训练方法的步骤s4具体包括：将地形纹理特征和最终边缘特征，输入融合通道，得到输出数字高程模型，如公式所示：

25、isr＝f3×3(fedge+fcontent)

26、其中，isr为输出数字高程模型，f3×3(·)表示卷积核为3×3的卷积层，fedge为最终边缘特征，fcontent为地形纹理特征。

27、进一步地，上述的dem重建模型训练方法的步骤s5具体包括：利用输出数字高程模型和高分辨率数字高程模型，得到总损失函数，总损失函数用于监督dem重建模型训练，如公式：

28、

29、

30、

31、ltotal＝lcontent+λ1lt-feature+λ2lconsist

32、其中，lcontent为内容特征损失函数，isr为输出数字高程模型，ihr为高分辨率数字高程模型，ε2为调节参数，用于防止分母为0，lt-feature为地形特征损失函数，δ(·)为坡度提取算子，为坡向提取算子，α为超参数，用于约束坡度和坡向之间的数量级保持一致，lconsist为类内相似性损失函数，fedge为最终边缘特征，为从高分辨率数字高程模型提取得到的边缘特征，为将输入边缘分支的特征替换成遥感影像经过特征迁移得到的边缘特征图，为从遥感影像提取得到的边缘图，ltotal为总损失函数，λ1和λ2为平衡各项损失函数的权重参数。

33、本发明还提供一种dem重建方法，包括以下步骤：获取待重建的数字高程模型dem和同一位置的遥感影像；获取模型，采用上述的模型训练方法对模型进行训练，得到训练好的dem重建模型；利用训练好的dem重建模型对待重建的数字高程模型dem和同一位置的遥感影像进行重建，得到超分辨率重建模型dem。

34、实施本发明提供的dem重建模型训练方法及dem重建方法，具有以下

35、有益效果：

36、本发明考虑到影像与地形之间在尺度上的共性和互补特性，提出一种基于异质特征迁移与融合学习的dem超分辨率重建方法，借助从对应区域的高分辨率遥感影像中提取的纹理结构和边缘细节的高频特征信息作为补充模态，有效提升dem数据产品的空间分辨率和地形特征连续性，突破地形数据本身尺度信息的限制、有效捕获图像的全局信息、适应多样化图像特性，实现dem地形精细特征的重建，提高融合图像在高级视觉任务中的表现，使其更好地服务于地形地貌分析、地表过程建模以及地理信息相关产业应用。