[发明专利]一种结合语义信息的遥感影像高程预测方法

权利要求书

1.一种结合语义信息的遥感影像高程预测方法，其特征在于：包括以下步骤：

获取单视角遥感影像，并输入至高程提取网络模型中，以得到单视角遥感影像的高程预测结果和地物分类结果；

所述高程提取网络模型利用单视角遥感影像以及与单视角遥感影像相应的数字高程模型和地物分类结果作为训练集进行训练得到，且所述高程提取网络模型包括共享权重编-解码器、语义预测分支和高程预测分支；所述共享权重编-解码器用于对单视角遥感影像执行地物分类任务和高程预测任务，从中学习到地物分类任务提取的语义信息和高程预测任务提取的几何信息之间存在的先验关系，利用所述先验关系获得特征向量；将所述特征向量中除最后一个通道的特征数据输入所述语义预测分支进行提取语义特征，获得地物分类结果；将所述特征向量中最后一个通道的特征数据输入所述高程预测分支进行提取高程特征，获得高程预测结果。

2.根据权利要求1所述的结合语义信息的遥感影像高程预测方法，其特征在于：

所述共享权重编-解码器中的解码器包括依次连接的四层结构，各层结构中依次包括：转置卷积模块和两个第一卷积模块；

所述转置卷积模块包括依次设置的转置卷积层、激活函数和转置卷积后的填充操作层。

3.根据权利要求1所述的结合语义信息的遥感影像高程预测方法，其特征在于：

所述训练集的构建方法包括以下步骤：

获取单视角遥感影像I和对应地理范围的数字高程模型D；将单视角遥感影像I切分为多张小幅图像，对每张小幅图像逐像素I(i,j)遍历像素点，使用最小二乘法对每个当前像素点按照如下方法求取所述当前像素点(r,c)与所述数字高程模型D相对应的经度X、纬度Y和高程H，以获得训练集；使用最小二乘法求取经度X、纬度Y和高程H方法为：

a.选取单视角遥感影像I所对应的有理函数成像模型RFM中的经度X₀、纬度Y₀、高程偏移量H₀，记为迭代初始值；

b.计算所述迭代初始值和有理函数成像模型RFM进行投影的像素坐标(r_p,c_p)，计算所述像素坐标与所述当前像素点的差值，所述差值记为投影误差；

c.求取所述投影误差对所述经度和纬度的偏导数，构建偏导数排列矩阵；

d.依据所述偏导数排列矩阵和所述投影误差求解所述经度和纬度方向的改正数；

f.依据所述改正数更新迭代初始值，记为当前迭代初始值，并以内插法从数字高程模型得到当前迭代初始值中经度与纬度对应的高程，更新当前迭代初始值中高程值；

g.重复步骤b-f，直至收敛，从而得到当前像素点对应的高程值。

4.根据权利要求1所述的结合语义信息的遥感影像高程预测方法，其特征在于：

所述共享权重编-解码器中的编码器为ResNet。

5.根据权利要求1所述的结合语义信息的遥感影像高程预测方法，其特征在于：

所述语义预测分支的结构包括：一个第二卷积模块和一个softmax层；所述第二卷积模块包括卷积层、批归一化层和激活函数。

6.根据权利要求1或5所述的结合语义信息的遥感影像高程预测方法，其特征在于：

在训练高程提取网络模型时，所述语义预测分支使用的损失函数为交叉熵损失函数，所述交叉熵损失函数L_s为：

其中，对于待预测样本中的每一个像素，y_i表示one-hot形式的分类标签，若当前像素属于第i类，则y_i＝1，否则y_i＝0，p是语义预测分支经过softmax层后的输出，为n×1的向量,p_i标识当前像素属于第i类类别的概率，i∈1，2，3...n。

7.根据权利要求1所述的结合语义信息的遥感影像高程预测方法，其特征在于：

所述高程预测分支的结构包括一个第三卷积模块和一个激活函数；所述第三卷积模块包括：卷积层和批归一化层。