[发明专利]一种基于卷积神经网络的DEM超分辨率方法

摘要

本发明公开了一种基于卷积神经网络的DEM超分辨率方法，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，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准高分辨率DEM数据的梯度图；(4)将梯度图输入到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；(5)基于估计梯度图和待处理的低分辨率DEM数据的约束，重建出高分辨率DEM的高度图。本发明中的超分辨率方法鲁棒性强，重建结果精度高。

主权项

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：/n(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；/n(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；/n(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；/n(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；/n(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；/n其中，所述步骤(1)具体包括以下步骤：/n(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；/n(1-2)构建卷积神经网络并设置模型参数；/n(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；/n所述步骤(5)具体包括以下步骤：/n(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；/n(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；/n(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。/n