申请/专利权人：南京大学

申请日：2023-01-03

公开（公告）日：2024-06-21

公开（公告）号：CN116485641B

主分类号：G06T3/4053

分类号：G06T3/4053;G06N3/0455;G06N3/0464;G06N3/088;G06T17/05

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.08.11#实质审查的生效;2023.07.25#公开

摘要：本发明涉及一种集成先验与地形约束的无监督DEM超分辨率重建方法，包括：准备单张低分辨率DEM影像；将低分辨率影像以有重叠的方式裁剪为固定大小的DEM格网单元；设计卷积神经网络，包括5个降采样模块、5个上采样模块及5个跳跃连接模块；以低分辨率DEM格网单元为约束，将噪声输入网络之中进行多次迭代，使用网络结构的深度先验对神经网络参数进行更新，使用神经网络编码生成格网高分辨率DEM；在迭代过程中，使用地形约束对DEM形态进行优化；对各格网单元执行上述编码、优化过程，最后拼接成原始大小的高分辨率DEM。本发明能够自动、快速、高效地根据低分辨率DEM生成高分辨率DEM。

主权项：1.集成先验与地形约束的无监督DEM超分辨率重建方法，包括以下步骤：第一步，数据准备及预处理：准备需要进行超分辨率重建的DEM数据，对该DEM数据进行异常值剔除及空洞填充处理；随后，将低分辨率影像以重叠裁剪的方式，划分为N×N大小的格网单元；第二步，构建降采样模块：以卷积层→降采样层→批量归一化层→LeakyReLU层→卷积层→批量归一化层→LeakyReLU层的堆叠顺序，以串联的方式构建降采样模块；第三步，构建上采样模块：以批量归一化层→卷积层→批量归一化层→LeakyReLU层→卷积层→批量归一化层→LeakyReLU层→上采样层的堆叠顺序，以串联的方式构建上采样模块；第四步，构建跳跃连接模块：以卷积层→批量归一化层→LeakyReLU层的堆叠顺序，以串联的方式构建跳跃连接模块；第五步，构建神经网络：构建一个编码器-解码器类型的神经网络，具体包括5个第二步所述的降采样模块，5个第三步所述的上采样模块，5个第四步所述的跳跃连接模块；数据经由5个串联的降采样模块输出后，输入5个串联的上采样模块，跳跃连接模块安置于逐个对应尺度的上采样与降采样模块之间；第六步，基于地形约束的神经网络参数优化：针对第一步中切割后的每个格网单元，将高分辨率的高斯白噪声影像作为输入，经过神经网络运算获得高分辨率输出影像fθZ，将高分辨率输出影像fθZ与低分辨率数字高程模型DL作比较，计算高程一致性损失与地形梯度损失 式中，f是神经网络，θ是神经网络的参数，H′为高斯白噪声影像高度方向的像元数量，W′为高斯白噪声影像宽度方向的像元数量，fθZ是神经网络的输出，↓表示平均降采样操作，表示运用Roberts算子取梯度的操作；是低分辨率数字高程模型，H是低分辨率数字高程模型宽度方向的像元数量，W是低分辨率数字高程模型高度方向的像元数量；然后通过梯度下降方法对神经网络的参数θ进行更新，公式如下： 式中，k是当前迭代指数，α是网络的学习率，β是调节参数，用于平衡与之间的比例；第七步，迭代神经网络参数优化：重复第六步直到EfθZ，DL趋于收敛，获得最优神经网络的参数θ*，将高分辨率的高斯白噪声影像Z作为输入，经过最优神经网络运算获得对应格网单元的高分辨率输出影像，即为对应格网单元的高分辨率数字高程模型；第八步，拼接获得高分辨率DEM：将所有格网对应的高分辨率数字高程模型进行拼接，获得原始大小的高分辨率数字高程模型。

全文数据：

权利要求：

百度查询： 南京大学 集成先验与地形约束的无监督DEM超分辨率重建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD