[发明专利]一种基于深度学习的DSM局部缺失修复方法

说明书

本发明涉及一种基于深度学习的DSM局部缺失修复方法，属于DSM数据处理技术领域。本发明构建包含有特征提取模块、通道融合模块和分辨率恢复模块的修复模型，其中特征提取模块采用部分卷积进行特征提取，使卷积核的形状可以根据掩膜形状任意改变，增强不规则缺失边缘特征的提取能力；通道融合模块通过在通道和空间两个维度增加特征权重，选取重要的特征进行修复；分辨率恢复模块通过上采样和部分卷积的方式恢复特征图的分辨率。通过上述修复模型本发明不仅修复精度整体更高，同时在缺失比例变化上具有更好的鲁棒性。

技术领域

本发明涉及一种基于深度学习的DSM局部缺失修复方法，属于DSM数据处理技术领域。

背景技术

数字地表模型(Digital Surface Model)是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。在军事、城市规划等领域具有重要作用。其获取方式主要通过机载激光雷达，数字摄影测量工作站以及高分辨率卫星遥感影像立体像对三种方式获取。其中机载雷达获取是一种主动式对地观测，受天气、光照等影响相对较小，获取数据精度高，速度较后两者更快，特别适用于军事、突发自然灾害的DSM获取。特别是近些年，随着传感采集技术的不断发展，各种硬件成本不断下降，机光雷达测量在未来的测绘中定会有重要的一席之地。但由于外部环境、被测物体的几何特性、光学特性以及扫描系统本身稳定性等因素的影响，测量获得的DSM数据可能存在局部缺失，而这对DSM的产品质量有着较大的影响，因此需要对DSM数据进行修复。

现有的DSM修复方法主要有反距离插值、克里金插值、最邻近插值、曲面拟合修复法和光学影像匹配法，其中反距离插值、克里金插值和最邻近插值受限于缺失区域大小和缺失区域高差；曲面拟合修复法修复误差大，仅体现在视觉效果；光学影像匹配法需要光学影像以及配准过程，比较复杂。

DSM栅格形式的存储与图片的存储方式类似，可将其视作一张单通道图像，其高程可看作图像的灰度值；又因为同一区域的地形相似，缺失区域存在与周围相似的特征。因此，可将图像修复方法应用到DSM修复，从而在无需其他手段的条件下，通过提取周围特征修复的方式获得误差小于插值方式结果。

传统修复图像的方法有BSCB(Bertalmio-Sapiro-Caselles-Bellster)模型、CCD(Curvature-Driven Diffusions)模型、全变分(Total Variation)模型、TV-Hilbert(Total Variation-Hilbert)模型、混合稀疏模型、中值模型。这些模型基本都是通过人工设计选取某些特征描述符，利用这些描述符提取到的特征修复缺失区域，但由于人工选取特征具有一定的局限性，使得修复效果不好。

发明内容

本发明的目的是提供一种基于深度学习的DSM局部缺失修复方法，以解决目前DSM局部确实修复方法存在的精度低、过程复杂的问题。

本发明为解决上述技术问题而提供一种基于深度学习的DSM局部缺失修复方法，该方法包括以下步骤：

1)对局部缺失的DSM数据通过特征提取模块进行特征提取，所述特征提取模块包括若干层部分卷积层，每层的部分卷积层分别用于提取DSM数据不同的尺度特征，且后一层部分卷积层的掩膜由前一层卷积的结果更新；

2)由最后一层开始，将最后一层部分卷积层的输出结果通过分辨率恢复模块进行处理，使得处理结果与上一层部分卷积层的输出结果的大小一致，将经分辨率恢复模块处理后的最后一层部分卷积层输出结果与上一层部分卷积层的输出结果进行叠加，将叠加结果输入到通道融合模块，由通道融合模块对叠加结果进行融合；

3)再将融合后的结果通过分辨率恢复模块进行处理，使得处理结果与更上一层部分卷积层的输出结果的大小一致，将处理后的数据与更上一层部分卷积层的输出结果进行叠加，将叠加结果再输入到通道融合模块，由通道融合模块对叠加结果进行融合；