[发明专利]一种基于深度卷积神经网络的鞍部点识别方法

说明书

本发明公开了一种基于深度卷积神经网络的鞍部点识别方法，包括以下步骤：1)构建训练样本集；2)建立改进的鞍部特征深度学习卷积神经网络模型；3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得其能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对鞍部点坐标进行修正，确定初选鞍部点；4)在初选鞍部点中选取识别概率大于设定阈值的threshold者作为最终鞍部点，提取该最终鞍部点的修正坐标，并将该最终鞍部点的修正坐标映射回原始DEM中，得最终的鞍部点标识图，该方法能够通过鞍部特征的深度学习神经网络对DEM数据中的鞍部点进行自动标识。

技术领域

本发明属于数字地形分析领域的要素识别技术领域，涉及一种基于深度卷积神经网络的鞍部点识别方法。

背景技术

数字地形分析以数字高程模型DEM为基础数据源，计算地形属性、提取地形要素，多角度定量解析地表形态的变化，为地学相关的科研与应用提供方法支持。在各类地形要素中，区域地形属性、地形结构线等得到了长期且细致的分析和研究。但山顶、鞍部、背坡、盆地等要素受限于语义模糊性、多尺度特征、空间支撑域不确定等难点困扰，自动提取方法成为数字地形分析研究的关注点。

目前的鞍部提取方法，多采用局部分析窗对其几何形态特征进行分析，通过计算分析窗中多种曲面因子及因子间相互关系进行鞍部点提取。例如，文献“熊礼阳,汤国安,宴实江.基于DEM的山地鞍部点分级提取方法[J].测绘科学,2013,38(2):181-183.”与文献“张维,汤国安,陶旸,等.基于DEM汇流模拟的鞍部点提取改进方法[J].测绘科学,2011,36(1):158-159.”研究设计了流域边界线上相对高程低点的鞍部点提取方法、汇流模型模拟特征线求交法；文献“孔月萍,易炜,张跃鹏.利用拓扑关系快速提取鞍部点[J].计算机工程与应用,2013,49(16):165-167.”则设计了分析剖分等高面间拓扑关系的鞍部点提取方法。这些方法的关键在于建立合适的地形要素分析邻域或拓扑关系描述模型，然而均不能关注鞍部点空间延展结构、要素语义等宏观与微观特征，通过建立鞍部特征的深度学习神经网络实现要素自动识别。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于深度卷积神经网络的鞍部点识别方法，该方法能够通过鞍部特征的深度学习神经网络对DEM数据中的鞍部点进行自动标识。

为达到上述目的，本发明所述的基于深度卷积神经网络的鞍部点识别方法包括以下步骤：

1)构建训练样本集，所述训练样本集由m+n幅DEM山地数据构成，其中，m＝n，n为包含鞍部区域的正样本数据集A＝{A₁，A₂，A₃，…，A_n}，m为不包含鞍部区域的负样本数据集B＝{B₁，B₂，B₃，…，B_m}，对DEM样本数据做矩形裁剪，标记正样本中的鞍部点坐标，并按照设定比例将正负样本数据划分为训练集及验证集；

2)分析鞍部的空间形态结构，建立改进的鞍部特征深度学习卷积神经网络模型；

3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，所述各种参数包括目标函数、优化算法及损失函数，借助ImageNet数据集对Lenet-5网络模型进行预训练，直至该Lenet-5网络模型输出最优且达到稳定状态为止；利用预训练后的Lenet-5网络模型对改进的鞍部特征深度学习卷积神经网络模型进行初始化，再使用步骤1)得到的正样本数据的训练集及负样本数据的训练集对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得改进的鞍部特征深度学习卷积神经网络模型能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对鞍部点坐标进行修正，确定初选鞍部点；