[发明专利]一种基于卷积神经网络的DEM超分辨率方法

权利要求书

1.一种基于卷积神经网络的DEM超分辨率方法，其特征在于，包括以下步骤：

(1)根据预先相互对应的低分辨率图像数据、以及高分辨率图像数据，训练得到的超分辨率用卷积神经网络；

(2)利用插值方法将待处理的低分辨率DEM数据扩充s倍，得到与期望的高分辨率DEM数据同一尺度大小的准高分辨率DEM数据；

(3)利用边缘提取算子得到所述准高分辨率DEM数据的梯度图；

(4)将所述步骤(3)中得到的所述梯度图输入到所述步骤(1)中得到的所述超分辨率用卷积神经网络中，得到高分辨率DEM数据的估计梯度图、以及相应的估计梯度值；

(5)基于所述步骤(4)中得到的所述估计梯度图和所述待处理的低分辨率DEM数据的约束，重建出高分辨率DEM的高度图；

其中，所述步骤(1)具体包括以下步骤：

(1-1)基于图像样本，对高分辨率图像数据进行降质处理得到相对应的低分辨率图像数据，然后利用边缘提取算子提取得到所述高分辨率图像数据、以及所述低分辨率图像数据的梯度图，接着将每个梯度图分割为多个梯度块，然后选取相对应的高分辨率图像数据的梯度块、以及低分辨率图像数据的梯度块作为训练样本；

(1-2)构建卷积神经网络并设置模型参数；

(1-3)根据所述步骤(1-1)中获取的所述训练样本训练所述步骤(1-2)中的所述卷积神经网络，得到超分辨率用卷积神经网络；

所述步骤(5)具体包括以下步骤：

(5-1)构建一个基于所述估计梯度图和所述待处理的低分辨率DEM数据约束的、关于目标高分辨率DEM数据的最小二乘函数；

(5-2)利用迭代更新的求解方法寻找所述步骤(5-1)中所述最小二乘函数的最优解；

(5-3)若对所述最优解进行降采样处理后得到的数据和所述待处理的低分辨率DEM数据之间的平均重建误差超过预先设定的阈值Th或者迭代次数未达到预先设定的要求，则返回所述步骤(5-2)；否则，所述最优解即对应最终的高分辨率DEM数据，该最优解即用于重建所述高分辨率DEM的高度图。

2.如权利要求1所述基于卷积神经网络的DEM超分辨率方法，其特征在于，所述步骤(1-2)中的所述卷积神经网络，包括多个卷积层，任意两个相邻的所述卷积层通过激励层相连；其中，首个所述卷积层用于输入低分辨率图像数据，末个所述卷积层用于输出高分辨率图像数据。

3.如权利要求1所述基于卷积神经网络的DEM超分辨率方法，其特征在于，所述步骤(5-1)中，所述最小二乘函数为其中，X为所述待处理的低分辨率DEM数据；Y为目标的高分辨率DEM数据，为Y对应的梯度，为所述步骤(4)中得到的所述高分辨率DEM数据的估计梯度值；↓_s表示s倍降采样处理，Y↓_s为对Y进行s倍降采样处理得到的数据；β是预先设定的权重因子。

4.如权利要求1所述基于卷积神经网络的DEM超分辨率方法，其特征在于，所述步骤(5-2)中所述迭代更新的求解方法为梯度下降法；第t+1次迭代更新后的Y^t+1满足：

其中，Y^t是第t次迭代更新后的数据；τ是预先设定的迭代步长；Y即第t+1次迭代更新后的Y^t+1；X为所述待处理的低分辨率DEM数据；↓_s表示s倍降采样处理，Y↓_s为对Y进行s倍降采样处理得到的数据；↑_s表示s倍上采样处理，(X-Y↓_s)↑_s为对(X-Y↓_s)进行s倍上采样处理得到的数据；为Y对应的梯度，为所述步骤(4)中得到的所述高分辨率DEM数据的估计梯度值；β是预先设定的权重因子；div为散度运算。

5.如权利要求3所述基于卷积神经网络的DEM超分辨率方法，其特征在于，所述步骤(5-3)中，Th为5；

所述步骤(5-1)、以及所述步骤(5-2)中，β为0.03。