CN110097505A - 一种数字高程模型数据处理方法及装置 - Google Patents

一种数字高程模型数据处理方法及装置 Download PDF

Info

Publication number
CN110097505A
CN110097505A CN201910404035.4A CN201910404035A CN110097505A CN 110097505 A CN110097505 A CN 110097505A CN 201910404035 A CN201910404035 A CN 201910404035A CN 110097505 A CN110097505 A CN 110097505A
Authority
CN
China
Prior art keywords
matrix
data
training
obtains
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910404035.4A
Other languages
English (en)
Inventor
张瑞辰
边少锋
李厚朴
纪兵
金际航
翟国君
刘雁春
黄辰虎
金绍华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN201910404035.4A priority Critical patent/CN110097505A/zh
Publication of CN110097505A publication Critical patent/CN110097505A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种数字高程模型数据处理方法及装置，用于改善对数字高程模型数据处理获得的结果存在精度不够的问题。该方法包括：使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图，第一应用矩阵为对第一数字高程模型数据进行预处理获得的矩阵；使用子像素卷积网络模型中的亚像素卷积层，对多个通道中的每个通道的特征图的数值重新排列，获得第二应用矩阵，第二应用矩阵的值的数量大于第一应用矩阵的值的数量。

Description

一种数字高程模型数据处理方法及装置
技术领域
本申请涉及数字高程模型数据处理的技术领域，具体而言，涉及一种数字高程模型数据处理方法及装置。
背景技术
基于面绘制的地形三维建模方法是基于对离散点高程数据建立多边形集合以模拟真实的地面形态，即在原有已知点的基础上推求同一区域未知点数据，该三维建模方法能够在已有较低分辨率的数字高程模型(Digital Elevation Model，DEM)的基础上，通过一定方法实际输出更高分辨率的DEM数据。
目前，对DEM数据进行处理的传统方法是采用内插方法，比较流行的内插方法例如：双三次插值、最近邻插值及双线性插值等方法，然而这些方法对数字高程模型数据处理获得的结果存在精度不够的问题。
发明内容
本申请实施例的目的在于提供一种数字高程模型数据处理方法，用于改善对数字高程模型数据处理获得的结果存在精度不够的问题。
本申请实施例提供了的一种数字高程模型数据处理方法，包括：使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图，所述第一应用矩阵为对第一数字高程模型数据进行预处理获得的矩阵；使用所述子像素卷积网络模型中的亚像素卷积层，对所述多个通道中的每个通道的特征图的数值重新排列，获得第二应用矩阵，所述第二应用矩阵的值的数量大于所述第一应用矩阵的值的数量。在上述的实现过程中，通过使用深度学习训练后的子像素卷积网络模型中的至少一个卷积层和亚像素卷积层，该模型已经学习到了不同区域特征的数字高程模型的不同概率分布规律，从而兼顾宏观和局部地形特征，因此提高了对数字高程模型数据处理的精度，从而有效地解决了对数字高程模型数据处理获得的结果存在精度不够的问题。
可选地，在本申请实施例中，在所述使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图之前，还包括：将第一数字高程模型数据中的数值取绝对值，获得第一数据；将所述第一数据进行归一化运算，获得第二数据；将所述第二数据使用矩阵进行表示，获得第一应用矩阵。在上述的实现过程中，对第一数字高程模型数据进行取绝对值和归一化运算获得矩阵表示的第一应用矩阵，加快了对数字高程模型数据处理获得更高分辨率的结果数据的速度。
可选地，在本申请实施例中，所述使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图，包括：使用多个第一卷积层对所述第一应用矩阵进行卷积运算，获得多个通道的第一特征图，所述第一卷积层的个数与所述第一特征图的通道数量相同；使用多个第二卷积层对所述第一特征图进行卷积运算，获得多个通道的第二特征图，所述第二卷积层的个数与所述第二特征图的通道数量相同；使用多个第三卷积层对所述第二特征图进行卷积运算，获得多个通道的第三特征图，所述第一卷积层的个数、所述第二卷积层的个数和所述第三卷积层的个数均不相同。在上述的实现过程中，通过不同个数的第一卷积层、第二卷积层和第三卷积层对第一应用矩阵进行卷积运算，有效地减少了卷积层的参数，加快了对数字高程模型数据处理获得更高分辨率的结果数据的速度。
可选地，在本申请实施例中，还包括：获得多个第一训练矩阵，以及获得多个第二训练矩阵，其中，所述第二训练矩阵是将第二数字高程模型数据使用矩阵表示获得的，每个所述第一训练矩阵是将每个所述第二训练矩阵进行降维运算获得的，所述第一训练矩阵的数量与所述第二训练矩阵的数量是相同的；以所述多个第一训练矩阵为输入数据，以所述多个第二训练矩阵为输入标签，对子像素卷积网络进行训练，获得所述子像素卷积网络模型。在上述的实现过程中，使用多个第一训练矩阵为输入数据，以多个第二训练矩阵为输入标签，对子像素卷积网络进行训练，获得子像素卷积网络模型，从而有效地避免了重复的循环计算，从而呈指数减少了计算的复杂度。
可选地，在本申请实施例中，所述获得多个第二训练矩阵，包括：将每个第二数字高程模型数据取绝对值，获得多个第三数据；将所述多个第三数据进行归一化运算，获得多个第四数据；将所述多个第四数据中的多通道数据进行均值灰度处理，获得多个第五数据；将所述多个第五数据使用矩阵表示，获得多个第二训练矩阵。在上述的实现过程中，对第二数字高程模型数据进行取绝对值、归一化运算和均值灰度处理，获得矩阵表示的第二训练矩阵，加快了对子像素卷积网络进行训练和获得子像素卷积网络模型的速度。
可选地，在本申请实施例中，所述第一训练矩阵的高度小于所述第二训练矩阵的高度，所述第一训练矩阵的宽度小于所述第二训练矩阵的宽度。在上述的实现过程中，通过改变输入数据和输入标签的高或宽，增加了输入数据和输入标签的多样性，从而增加了子像素卷积网络模型的泛化能力。
可选地，在本申请实施例中，在所述以所述多个第一训练矩阵为输入数据，以所述多个第二训练矩阵为输入标签，对子像素卷积网络进行训练，获得所述子像素卷积网络模型之后，还包括：将所述多个第一训练矩阵输入所述子像素卷积网络模型，获得多个第三训练矩阵；根据所述多个第二训练矩阵和所述多个第三训练矩阵，对所述子像素卷积网络模型的训练结果进行评估。在上述的实现过程中，通过对比原始数据的多个第二训练矩阵和输入模型获得的多个第三训练矩阵，获得对子像素卷积网络模型的训练结果进行评估结果，从而加快了对子像素卷积网络进行训练和获得子像素卷积网络模型的速度。
可选地，在本申请实施例中，在所述将所述多个第一训练矩阵输入所述子像素卷积网络模型，获得多个第三训练矩阵之后，还包括：对所述多个第一训练矩阵进行插值计算，获得多个第四训练矩阵；根据所述多个第二训练矩阵、所述多个第三训练矩阵和所述多个第四训练矩阵，对所述子像素卷积网络模型的训练结果进行评估。在上述的实现过程中，通过对比传统的插值计算方法获得的多个第四训练矩阵和输入模型获得的多个第三训练矩阵，获得对子像素卷积网络模型的训练结果进行评估结果，证实了使用模型比传统插值方法获得了更高精度的结果数据。
本申请实施例还提供了一种数字高程模型数据处理装置，包括：第一获得模块，用于使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图，所述第一应用矩阵为对第一数字高程模型数据进行预处理获得的矩阵；第二获得模块，用于使用所述子像素卷积网络模型中的亚像素卷积层，对所述多个通道中的每个通道的特征图的数值重新排列，获得第二应用矩阵，所述第二应用矩阵的值的数量大于所述第一应用矩阵的值的数量。在上述的实现过程中，通过使用深度学习训练后的子像素卷积网络模型中的至少一个卷积层和亚像素卷积层，该模型已经学习到了不同区域特征的数字高程模型的不同概率分布规律，从而兼顾宏观和局部地形特征，因此提高了对数字高程模型数据处理的精度，从而有效地解决了对数字高程模型数据处理获得的结果存在精度不够的问题。
可选地，在本申请实施例中，还包括：第三获得模块，用于将第一数字高程模型数据中的数值取绝对值，获得第一数据；第四获得模块，用于将所述第一数据进行归一化运算，获得第二数据；第五获得模块，用于将所述第二数据使用矩阵进行表示，获得第一应用矩阵。
可选地，在本申请实施例中，所述第一获得模块包括：第六获得模块，用于使用多个第一卷积层对所述第一应用矩阵进行卷积运算，获得多个通道的第一特征图，所述第一卷积层的个数与所述第一特征图的通道数量相同；第七获得模块，用于使用多个第二卷积层对所述第一特征图进行卷积运算，获得多个通道的第二特征图，所述第二卷积层的个数与所述第二特征图的通道数量相同；第八获得模块，用于使用多个第三卷积层对所述第二特征图进行卷积运算，获得多个通道的第三特征图，所述第一卷积层的个数、所述第二卷积层的个数和所述第三卷积层的个数均不相同。
可选地，在本申请实施例中，还包括：第九获得模块，用于获得多个第一训练矩阵，以及获得多个第二训练矩阵，其中，所述第二训练矩阵是将第二数字高程模型数据使用矩阵表示获得的，每个所述第一训练矩阵是将每个所述第二训练矩阵进行降维运算获得的，所述第一训练矩阵的数量与所述第二训练矩阵的数量是相同的；第十获得模块，用于以所述多个第一训练矩阵为输入数据，以所述多个第二训练矩阵为输入标签，对子像素卷积网络进行训练，获得所述子像素卷积网络模型。
可选地，在本申请实施例中，所述第九获得模块包括：第十一获得模块，用于将每个第二数字高程模型数据取绝对值，获得多个第三数据；第十二获得模块，用于将所述多个第三数据进行归一化运算，获得多个第四数据；第十三获得模块，用于将所述多个第四数据中的多通道数据进行均值灰度处理，获得多个第五数据；第十四获得模块，用于将所述多个第五数据使用矩阵表示，获得多个第二训练矩阵。
可选地，在本申请实施例中，所述第一训练矩阵的高度小于所述第二训练矩阵的高度，所述第一训练矩阵的宽度小于所述第二训练矩阵的宽度。
可选地，在本申请实施例中，还包括：第十五获得模块，用于将所述多个第一训练矩阵输入所述子像素卷积网络模型，获得多个第三训练矩阵；第一结果评估模块，用于根据所述多个第二训练矩阵和所述多个第三训练矩阵，对所述子像素卷积网络模型的训练结果进行评估。
可选地，在本申请实施例中，还包括：第十六获得模块，用于对所述多个第一训练矩阵进行插值计算，获得多个第四训练矩阵；第二结果评估模块，用于根据所述多个第二训练矩阵、所述多个第三训练矩阵和所述多个第四训练矩阵，对所述子像素卷积网络模型的训练结果进行评估。
本申请实施例还提供了一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如上所述的方法。
本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的电子设备的结构示意图；
图2示出了双线性插值方法对图像进行计算的示意图；
图3示出了本申请实施例提供的高效子像素卷积网络的结构示意图；
图4示出了本申请实施例提供的数字高程模型数据处理方法流程示意图；
图5示出了本申请实施例提供的数字高程模型数据的具体处理流程示意图；
图6示出了本申请实施例提供的ESPCN模型训练过程的流程示意图；
图7示出了本申请实施例提供的训练数据选择方法的示意图；
图8示出了本申请实施例提供的从低分辨率DEM数据到高分辨率DEM数据的过程；
图9示出了本申请实施例提供的ESPCN模型的损失函数曲线示意图；
图10示出了本申请实施例提供的数字高程模型数据处理装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。
请参见图1，图1示出了本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备101，包括：处理器102和存储器103，存储器103存储有处理器102可执行的机器可读指令，机器可读指令被处理器102执行时执行如下的方法。
请参见图1，本申请实施例还提供了一种存储介质104，该存储介质104上存储有计算机程序，该计算机程序被处理器102运行时执行如下的方法。
其中，存储介质104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
为了便于理解，下面先介绍本申请实施例所涉及到的一些概念：
数字高程模型，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟，即地形表面形态的数字化表达，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型(Digital Terrain Model，DTM)的一个分支，其它各种地形特征值均可由此派生，当有很多地形表面形态的数字化表达的数据时，也被称为数字高程模型数据。
卷积层(Convolutional layer)，卷积神经网络中每层卷积层是由若干卷积单元组成的，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。
本申请实施例提供的方法适用于各种类型的DEM数据处理，包括但不限于对海底DEM数据的处理，这里的海底DEM数据，在本申请实施例中，又称水深数据或水深测量数据，为了便于理解，下面以对海底DEM数据的处理方法为例，但不应将对海底DEM数据理解为对本申请实施例的限制。
下面介绍传统的对海底DEM数据的处理方法，传统的对海底DEM数据的处理方法都是基于内插算法，也被称为插值方法。传统的对海底DEM数据的处理方法主要有三种：最近邻插值、双线性插值、双三次插值。下面将分别对每一种方法进行介绍：
最近邻插值，也称作零阶插值，是指将变换后的图像中的原像素点最邻近像素的灰度值赋给原像素点的方法，就是令变换后像素的灰度值等于距它最近的输入像素的灰度值。例如：以下面左边的3×3矩阵为例，3×3的256级灰度图，也就是高为3个像素，宽也是3个像素的图像，每个像素的取值可以是0-255，代表该像素的亮度，255代表最亮，也就是白色，0代表最暗，即黑色。在这个矩阵中，元素坐标(x,y)是这样确定的，x从左到右，从0开始，y从上到下，也是从零开始计算。坐标对应源图中的坐标可以由公式srcX＝dstX×(srcWidth/dstWidth),srcY＝dstY×(srcHeight/dstHeight)得出下面右边的4×4矩阵，其中，srcX和srcY分别为源图中的X坐标和Y坐标，dstX和dstY分别为目标图中的X坐标和Y坐标，srcWidth和srcHeight分别为源图中的宽和高，dstWidth和dstHeight分别为目标图中的宽和高。
这种放大图像的方法叫做最临近插值算法，这是一种最基本、最简单的图像缩放算法，效果也是最不好的，放大后的图像有很严重的马赛克，缩小后的图像有很严重的失真。
双线性插值，又称为双线性内插，双线性插值是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为(i+u,j+v)，其中，i、j均为浮点坐标的整数部分，u和v为浮点坐标的小数部分，是取值[0,1)区间的浮点数。这个像素得值f(i+u,j+v)可由原图像中坐标为(i,j),(i+1,j),(i,j+1),(i+1,j+1)所对应的周围四个像素的值决定，即：f(i+u,j+v)＝(1-u)(1-v)f(i,j)+(1-u)v f(i,j+1)+u(1-v)f(i+1,j)+u v f(i+1,j+1)。
请参见图2，图2示出了双线性插值方法对图像进行计算的示意图。已知四个像素点为Q12,Q22,Q11,Q21，但是要插值的像素点为P点，这就要用双线性插值，首先在x轴方向上，对R1和R2两个像素点进行插值，然后根据R1和R2对P点进行插值，这就是双线性插值。首先在x方向进行线性插值，得到：
然后在y方向进行线性插值，得到：
点P处像素值为：
其中，式中f(P)为P点处像素值，x和y分别为P点的X坐标和Y坐标，Q12,Q22,Q11,Q21为图中的四个像素点，R1和R2分别为根据上述四个像素点Q12,Q22,Q11,Q21计算出来的两个像素点，P点为R1和R2插值计算的像素点。
双三次插值，是指一种更加复杂的插值方法，它能创造出比双线性插值更平滑的图像边缘。函数f在点(x,y)的值可以通过矩形网格中最近的十六个采样点的加权平均得到，在这里需要使用两个多项式插值三次函数。双三次插值的实现原理与双线性插值的实现原理类似，在此不再赘述。
第一实施例
下面介绍本申请实施例中的方案，请参见图3，图3示出了本申请实施例提供的高效子像素卷积网络的结构示意图。高效子像素卷积网络(Efficient Sub-PixelConvolutionalNeural Network，ESPCN)，又称高效亚像素卷神经网络，有时也称亚像素卷神经网络，在本申请实施例中称为子像素卷积网络，ESPCN通常包括至少一个上述的卷积层和下面即将描述的亚像素卷积层，通常将原始低分辨率的矩阵输入ESPCN后，输出放大r倍的高分辨率的矩阵。使用ESPCN的多个卷积层将原始低分辨率的矩阵进行卷积运算后，获得多个第一矩阵图或多个第n矩阵图，ESPCN的最后一个卷积层将第n矩阵图进行卷积运算获得r2(这里的r是指矩阵的目标放大倍数)通道的特征图，最后使用ESPCN的亚像素卷积层将r*r通道的特征图重新排列，获得放大r倍的高分辨率的矩阵。当使用训练数据和训练标签对子像素卷积网络进行训练后，通常将训练后的子像素卷积网络称为子像素卷积网络模型。当本申请实施例中没有特别说明的，均遵守此约定，将未训练的神经网络称为某网络，例如子像素卷积网络。将训练后的神经网络称为某网络模型，例如子像素卷积网络模型。
亚像素卷积层(sub-pixel convolutional layer，SPCL)，为上述的ESPCN中的部分结构，是指对将原始低分辨率的矩阵输入ESPCN的至少一个的卷积层获得的特征通道为r2的特征图，重新排列成一个r×r的区域，对应于高分辨率矩阵中的一个r×r大小的子矩阵，从而大小为r2×H×W的特征矩阵被重新排列成1×rH×rW大小的高分辨率矩阵，其中，r为指矩阵的目标放大倍数，H为矩阵的高，W为矩阵的宽。这个重新排列的过程虽然被称为亚像素卷积(sub-pixel convolution)，但实际上并没有卷积操作。
本申请实施例中对ESPCN模型的描述分为应用过程和训练过程，下面先介绍ESPCN模型的应用过程，后面接着会介绍ESPCN的训练过程。可以理解的是，该方法包括对DEM的预处理方法和对DEM使用ESPCN处理的方法，对DEM进行预处理后，可以加快对DEM数据处理获得更高分辨率的DEM数据，因此，下面先介绍DEM的预处理方法：
步骤S101：将第一数字高程模型数据中的数值取绝对值，获得第一数据。
第一数字高程模型数据，是指低分辨率的数字高程模型，例如可以为栅格网类型的海底DEM数据，这里表示为X1＝|xi,j|,i,j＝0,1,…n-1；
其中，X1为第一数据，xi,j可以表示为栅格节点上的地面属性数据，例如土地权属、土壤类型和土地利用等；当该属性为海拔高度时，该模型为数字高程模型；当该属性为海底深度时，该模型即为数字海底地形模型，例如，第一数字高程模型数据可以为14×14的灰度DEM数据，将第一数字高程模型数据中的数值取绝对值，获得14×14的第一数据。
步骤S102：将第一数据进行归一化运算，获得第二数据。
在本申请实施例中，以第一数字高程模型数据放大两倍为例进行说明，即在宽和高的方向上均放大两倍。将14×14的第一数据进行归一化运算例如：其中，|xp|表示第一数据中的第p个值的绝对值，max|xp|表示第一数据中所有绝对值最大的数值。
步骤S103：将第二数据使用矩阵进行表示，获得第一应用矩阵。
其中，将第二数据使用矩阵进行表示的具体方式，可以采用Visual Studio2015和Opencv3.1.0，将该归一化后的第二数据转换为二进制数的矩阵表示形式，获得14×14的第一应用矩阵，其中，第一应用矩阵为对第一数字高程模型数据进行上述的预处理获得的矩阵。
请参见图4，图4示出了本申请实施例提供的数字高程模型数据处理方法流程示意图。如上面所说的，该方法包括对DEM的预处理方法和对DEM使用ESPCN处理的方法，下面介绍对DEM使用ESPCN处理的方法。
步骤S110：使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图。
请参见图5，图5示出了本申请实施例提供的数字高程模型数据的具体处理流程示意图。正如上面所说，ESPCN通常包括至少一个卷积层和一个亚像素卷积层，下面描述ESPCN的至少一个卷积层对DEM数据进行处理的方法。当然，在具体的实施过程中，这里的卷积层数可以为二、三或五，因此这里仅以三个卷积层的情况为例。
请参见上表，列举出了具体使用的卷积层(也称作卷积核)个数、填充、步幅、卷积核的高度(核高)和卷积核的宽度(核宽)，以及使用卷积层获得的特征图的高、宽和通道数。在本申请实施例中，步骤S110可以包括：
步骤S111：使用多个第一卷积层对第一应用矩阵进行卷积运算，获得多个通道的第一特征图。
其中，使用高为5、宽为5、64个第一卷积层对14×14的第一应用矩阵进行卷积运算，其中，填充为2和步幅为1，下面没有描述的情况下步幅均为1，获得64通道的14×14的第一特征图，第一卷积层的个数与第一特征图的通道数量均为64。
步骤S112：使用多个第二卷积层对第一特征图进行卷积运算，获得多个通道的第二特征图。
其中，使用高为3、宽为3、32个第二卷积层对14×14的第一特征图进行卷积运算，其中，填充为1和步幅为1，获得32通道的14×14的第二特征图，第二卷积层的个数与第二特征图的通道数量均为32。
步骤S113：使用多个第三卷积层对第二特征图进行卷积运算，获得多个通道的第三特征图。
其中，使用高为3、宽为3、4个第三卷积层对14×14的第二特征图进行卷积运算，其中，填充为1和步幅为1，获得4通道的14×14的第三特征图，由此可见，第一卷积层的个数、第二卷积层的个数和第三卷积层的个数均不相同。
步骤S120：使用子像素卷积网络模型中的亚像素卷积层，对多个通道中的每个通道的特征图的数值重新排列，获得第二应用矩阵。
请参见图5，正如上面所说，ESPCN通常包括至少一个卷积层和一个亚像素卷积层，下面描述ESPCN的亚像素卷积层对DEM数据进行处理的方法。对多个通道中的每个通道的特征图的数值重新排列的具体方式，可以是对4通道的14×14的第三特征图中每个通道的相同位置的像素，依次顺序顺时针排列，也可以是依次顺序逆时针排列，也可以是从上到下和从左到右排列，也可以是从上到下和从右到左排列，也可以是从下到上和从左到右排列，也可以是从下到上和从右到左排列。因此，这里排列的方式不应理解为对本申请实施例的限制。可以理解的是，这里的第二应用矩阵的值的数量大于第一应用矩阵的值的数量。
在上述的实现过程中，通过使用深度学习训练后的子像素卷积网络模型中的至少一个卷积层和亚像素卷积层，该模型已经学习到了不同区域特征的数字高程模型的不同概率分布规律，从而兼顾宏观和局部地形特征，因此提高了对数字高程模型数据处理的精度，从而有效地解决了对数字高程模型数据处理获得的结果存在精度不够的问题。
请参见图6，图6示出了本申请实施例提供的ESPCN模型训练过程的流程示意图。正如上面所描述的，本申请实施例中对ESPCN模型的描述分为应用过程和训练过程，介绍ESPCN的训练过程之前，需要获得训练数据，下面介绍获得训练数据的过程，获得训练数据的过程与第一应用矩阵的获得过程类似：
步骤S201：将每个第二数字高程模型数据取绝对值，获得多个第三数据。
第二数字高程模型数据，是指低分辨率的数字高程模型，例如可以为栅格网类型的海底DEM数据。第二数字高程模型数据的获得过程与步骤S101中的第一数字高程模型数据获得过程类似，这里便不再赘述。
步骤S202：将多个第三数据进行归一化运算，获得多个第四数据。
这里的将多个第三数据进行归一化运算的具体方法和步骤S102的步骤类似，这里便不再赘述。
步骤S203：将多个第四数据中的多通道数据进行均值灰度处理，获得多个第五数据。
其中，多通道数据进行均值灰度处理的具体方式，可以是将多通道的值进行均值处理，这里以三个通道为例：其中，Gray为第五数据中的一个值，R、G、B分别为三个不同的通道的值。
步骤S204：将多个第五数据使用矩阵表示，获得多个第二训练矩阵。
其中，这里的第五数据使用矩阵表示方法与步骤S103中描述的方法原理类似，这里便不再赘述。需要说明的是，这里与上述获得第一应用矩阵不同的是，获得第二训练矩阵中可以通过数据集增强方法对原始DEM添加标准高斯噪声，当然，在具体的实施过程中，也可以添加随机噪声，也可以添加其它的噪声，例如：X2＝X+Z＝|xi,j+zi,j|,Z～N(0,0.12),i,j＝0,1,…n-1；其中，X2表示为添加噪声后的训练矩阵，X表示为添加噪声前的训练矩阵，Z表示将要添加的噪声，Z～N(0,0.12)表示均值为0且方差为0.01的噪声。
请参见图7，图7示出了本申请实施例提供的训练数据选择方法的示意图。当然，在具体的实施过程中，训练数据的选择直接关系到模型训练的效果，对不同训练数据集选取的DEM数据重建效果进行实验比较，使用六种方法进行了训练数据集的选取，下面将详细描述训练数据的选择：
方法一是从原有的10类DEM数据中随机选择5类数据，并通过数据集增强的方式，加入高斯噪声，生成共5000张DEM数据组成“训练数据集1”；
方法二是通过人眼观察，有目的地选择具有明显海底地形特征的5类数据，同样通过数据集增强的方法，加入高斯噪声，生成共5000张特征明显的数据构成“训练数据集2”；
方法三是以不添加标准高斯噪声的10类原DEM数据共10张图片，不做任何处理，全部用作“训练数据集3”；
方法四是将原10类DEM数据，采用数据集增强的方式，即加入高斯噪声，生成共10000张DEM数据组成“训练数据集4”；
方法五是将原10类DEM数据，通过加入随机噪声，生成共10000张DEM数据组成“训练数据集5”；
方法六是将原10类DEM数据，有目的地选择5类并无明显海底地形特征的共5000张DEM数据组成“训练数据集6”。
正如上面所描述的，本申请实施例中对ESPCN模型的描述分为应用过程和训练过程，下面介绍ESPCN的训练过程。在本申请实施例中，ESPCN的训练过程包括：
步骤S210：获得多个第一训练矩阵，以及获得多个第二训练矩阵。
其中，第二训练矩阵是将第二数字高程模型数据使用矩阵表示获得的，每个第一训练矩阵是将每个第二训练矩阵进行降维运算获得的，第一训练矩阵的数量与第二训练矩阵的数量是相同的。需要说明的是，在本申请实施例中，第一训练矩阵的高度小于第二训练矩阵的高度，第一训练矩阵的宽度小于第二训练矩阵的宽度。
当然在训练ESPCN模型之前，还需要获得第一训练矩阵，其获得的具体过程，可以使用传统的插值方法将第二训练矩阵进行插值计算，获得第一训练矩阵，如上面所说，这里的插值方法有三种：最近邻插值、双线性插值、双三次插值。这里仅双三次插值举例：将预处理后的28×28维的第二训练矩阵，即原始DEM数据通过双三次插值方法进行降维，获得维数为14×14的第一训练矩阵，即低分辨率DEM数据，缩小了4倍。具体的计算方法若没有描述的可以参见传统的对海底DEM数据的处理方法的介绍，这里不再赘述。
步骤S220：以多个第一训练矩阵为输入数据，以多个第二训练矩阵为输入标签，对子像素卷积网络进行训练，获得子像素卷积网络模型。
其中，上述子像素卷积网络中的三个卷积层的激活函数，可以使用Sigmoid函数、tanh函数和Relu函数，在本申请实施例中，以Relu函数为例进行说明。
在本申请实施例中，在步骤S220之后，还包括获得ESPCN模型的损失值或者误差值，以便采用合适的方法对ESPCN模型的训练进行优化，下面介绍获得ESPCN模型的损失值或者误差值的方法：
步骤S230：将多个第一训练矩阵输入子像素卷积网络模型，获得多个第三训练矩阵。
步骤S240：根据多个第二训练矩阵和多个第三训练矩阵，对子像素卷积网络模型的训练结果进行评估。
其中，多个第二训练矩阵为训练样本数据，多个第三训练矩阵为生成样本数据，上述子像素卷积网络的训练结果的损失函数采用均方误差(Mean-Square Error,MSE)，即训练样本数据与生成样本数据之间的均方误差表示为：其中，n为第二训练矩阵或第三训练矩阵的行数或列数，OriginalCost为均方误差，xi,j为第二训练矩阵，yi,j为第三训练矩阵。
可选地，在本申请实施例中，在步骤S230之后，还包括对ESPCN模型获得的DEM数据效果与传统方法获得的效果进行评估，下面介绍详细的评估方法：
步骤S250：对多个第一训练矩阵进行插值计算，获得多个第四训练矩阵。
步骤S260：根据多个第二训练矩阵、多个第三训练矩阵和多个第四训练矩阵，对子像素卷积网络模型的训练结果进行评估。
当然，在本申请实施例中除了采用评价DEM内插方法的常用指标“均方根误差”外，为了更方便地衡量高分辨率效果，将DEM栅格数据转换为灰度图，并分别采用峰值信噪比(Peak Signal to Noise Ratio,PSNR)及结构相似指数(structural similarity index，SSIM)两种指标来衡量高分辨率重建后的DEM数据对于微海底地形数据的重建效果。均方根误差越小，说明与原始DEM越接近，高分辨率DEM构建的精度越高。
均方根误差的公式表示为：其中，m和n表示第二训练矩阵、第三训练矩阵或第四训练矩阵的高和宽，xp(i,j)表示多个第二训练矩阵中第p个矩阵的第i行第j列的值，yp(i,j)表示多个第三训练矩阵或多个第四训练矩阵中第p个矩阵的第i行第j列的值，RMSE表示均方根误差。
下面以峰值信噪比为例进行说明，要求得PSNR指标，还需要对数据形式进行处理，具体做法为：本申请实施例中将分辨率28×28的原DEM栅格数据归一化后生成对应的灰度数据x，作为含有微地形数据的高分辨率DEM的“原数据”；将降维后的低分辨率14×14数据作为输入通过ESPCN算法得到高分辨率28×28的DEM数据，将其归一化后生成对应的灰度数据y，即六种不同训练数据集训练得到六种不同的yi(i＝1,2,…6)，作为重建后的“重建数据”。用“原数据”x与“重建数据”y求得PSNR及SSIM。PSNR的值越大，则高分辨率数据与原高分辨率DEM数据越相似。当然，峰值信噪比使用公式可以表示为：
其中，PSNR表示峰值信噪比，m和n表示第二训练矩阵、第三训练矩阵或第四训练矩阵的高和宽，RMSE表示均方根误差，MSE表示原DEM数据x与重建后DEM数据y的均方误差，n为每个采样值所占的比特数。
结构相似指数SSIM是衡量两幅数据相似度的另一指标，该指数从数据组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性，并将失真建模为亮度、对比度和结构三种不同因素的组合，SSIM指标使用公式表示为：
其中，μx表示原DEM数据x的归一化后水深数据的平均值，μy表示重建高分辨率DEM数据y的归一化后水深数据的平均值，σx为原DEM数据x的归一化后水深数据标准差，σy为重建高分辨率DEM数据y的归一化后水深数据标准差。σxy为原DEM数据x与重建高分辨率DEM数据y的归一化后水深数据的协方差，c1,c2用于维持该式的稳定，L取经验数值255。SSIM的值在-1到1之间，SSIM越接近于1，说明高分辨率DEM数据与原高分辨率DEM数据结构越相似。
由上表可知，同一地形特征下，六种不同训练数据集对ESPCN算法的训练效果不同，第三种训练数据集的选取方法——以不添加标准高斯噪声的10类原DEM数据共10张图片作为训练数据集的PSNR值较高，SSIM值更接近与1，均方根误差最小。
由上表可以看出：
第一，在本申请实施例中所用的训练数据集构建方法中，训练数据集的样本多少对DEM高分辨率重建的质量的影响没有直接关系。从第三种方法的10张训练DEM数据到其他方法5000或10000张训练DEM数据，结果并没有形成很大的差距，经过大量迭代，均得到了较好的效果。这是由于，通过数据集增强(添加不同特征的噪声)的方法得到大量的训练数据中，对原DEM添加了多余的噪声信息，因而随着训练次数的增加，算法学习了其噪声的规律，反而影响了重建的质量。
第二，在本申请实施例中所用的数据集增强方法中，引入高斯噪声比引入随机噪声的训练效果更好。由第四、第五类数据集相比较，第四类训练数据集(加入高斯噪声构造10000个增强数据)比第五类训练数据集(加入随机噪声构造10000个增强数据)的PSRN值更大，SSIM的值更接近于1。这是由于高斯噪声更具有规律性，在训练过程中更易判断噪声与原始数据的差异。
第三，在本申请实施例中所用的训练数据集构建方法中，不同分类标签的数据之间的样本分布规律差距越大，训练效果越好。将第一、第二、第六类数据集(均加入随机噪声)与第五类数据集相比较，第二类数据集(通过人眼观察选出海底地形特征差异较大的五类数据)重建的效果较高。这说明，在选择训练样本时，不同种类的训练样本差别尽可能的明显不同有利于高分辨率重建的效果。
第四，在本申请实施例中所用的训练数据集构建方法中，不同种类的总数对训练效果没有本质的影响。对比六类数据集可以看出，海底地形特征的种类多少与高分辨率重建的质量无关。训练效果并没有因为种类的减少而得到更好的效果，也没有因为种类的增加而降低高分辨率重建的精度。
综上，本申请实施例中选择五类特征明显的DEM数据作为训练样本，每类1组数据共5组数据，作为训练样本，大大缩短了训练时间，提高了训练质量。
请参见图8，图8示出了本申请实施例提供的从低分辨率DEM数据到高分辨率DEM数据的过程。不同训练数据集对DEM高分辨率重建的效果不同，根据前文对训练数据集的选择讨论，本申请实施例选择共包含陡坡、海岸带、岛礁、海沟四个不同特征的地形构造的原DEM数据共5张DEM栅格数据作为训练数据集。在训练过程中，经过50000次迭代，观察重建后的DEM数据。由图8可以直观地观察出改进后的ESPCN网络将14×14的低分辨率DEM重建为28×28高分辨率DEM栅格数据，取得了较好的效果，能够较为有效地利用有限的地形数据特征，并通过对训练样本的学习，实现高分辨率DEM的获取，经济高效，生成了更为合理的海底趋势面。该方法具有较强的识别度，秩值更低，且与训练样本保持着高度的相似，通过学习找到真实海底地形中更加明显的特征规律。因此，ESPCN网络可以用于构造高分辨率DEM。
请参见图9，图9示出了本申请实施例提供的ESPCN模型的损失函数曲线示意图。可以看出ESPCN模型的代价函数在逐渐收敛，训练前期有局部的震荡，但随着迭代的进行，代价函数逐步下降最后趋于稳定，由最初值8.9229×10-5下降至3.6716×10-7，说明ESPCN模型可以很好地学习DEM地形数据，具有较好的稳定性和泛化能力。
通过与其他常用的三种内插方法(双三次插值、最近邻插值及双线性插值)进行比较，在进行DEM内插过程中，分别采用评价DEM内插方法的常用指标“均方根误差”，评价栅格数据常用指标“峰值信噪比”及“结构相似指数”共三种指标进行精度评定，不同方法所对应的三种评价指标如下表所示。
在上述的实现过程中，引入深度学习中的子像素卷积网络模型的高分辨率重建方法ESPCN模型，通过对DEM进行高分辨率重建，分析了不同训练样本的选取对DEM高分辨率重建的影响。通过将ESPCN方法与传统DEM内插方法(双三次插值、最近邻插值及双线性插值)进行比较，使用三种评价指标(峰值信噪比、结构相似指数及均方根误差)，结果表明ESPCN方法在精度及噪声鲁棒性方面具有一定提高。
此外，水深数据的数据量是大数据，采用亚像素进行处理，以解决大数据造成的计算机处理速度慢，且需要高性能计算机的成本问题。根据水深数据的特性，制定了针对数字海底地形模型的训练数据的选择要求，这有利于对水深数据进行二次编辑，即提高了水深数据的可拓展性。
第二实施例
请参见图10，图10示出了本申请实施例提供的数字高程模型数据处理装置结构示意图。该数字高程模型数据处理装置100包括：
第一获得模块110，用于使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图，第一应用矩阵为对第一数字高程模型数据进行预处理获得的矩阵。
第二获得模块120，用于使用子像素卷积网络模型中的亚像素卷积层，对多个通道中的每个通道的特征图的数值重新排列，获得第二应用矩阵，第二应用矩阵的值的数量大于第一应用矩阵的值的数量。
可选地，在本申请实施例中，还包括：
第三获得模块，用于将第一数字高程模型数据中的数值取绝对值，获得第一数据。
第四获得模块，用于将第一数据进行归一化运算，获得第二数据。
第五获得模块，用于将第二数据使用矩阵进行表示，获得第一应用矩阵。
可选地，在本申请实施例中，第一获得模块包括：
第六获得模块，用于使用多个第一卷积层对第一应用矩阵进行卷积运算，获得多个通道的第一特征图，第一卷积层的个数与第一特征图的通道数量相同。
第七获得模块，用于使用多个第二卷积层对第一特征图进行卷积运算，获得多个通道的第二特征图，第二卷积层的个数与第二特征图的通道数量相同。
第八获得模块，用于使用多个第三卷积层对第二特征图进行卷积运算，获得多个通道的第三特征图，第一卷积层的个数、第二卷积层的个数和第三卷积层的个数均不相同。
可选地，在本申请实施例中，该装置还包括：
第九获得模块，用于获得多个第一训练矩阵，以及获得多个第二训练矩阵，其中，第二训练矩阵是将第二数字高程模型数据使用矩阵表示获得的，每个第一训练矩阵是将每个第二训练矩阵进行降维运算获得的，第一训练矩阵的数量与第二训练矩阵的数量是相同的。
第十获得模块，用于以多个第一训练矩阵为输入数据，以多个第二训练矩阵为输入标签，对子像素卷积网络进行训练，获得子像素卷积网络模型。
可选地，在本申请实施例中，第九获得模块包括：
第十一获得模块，用于将每个第二数字高程模型数据取绝对值，获得多个第三数据。
第十二获得模块，用于将多个第三数据进行归一化运算，获得多个第四数据。
第十三获得模块，用于将多个第四数据中的多通道数据进行均值灰度处理，获得多个第五数据。
第十四获得模块，用于将多个第五数据使用矩阵表示，获得多个第二训练矩阵。
可选地，在本申请实施例中，第一训练矩阵的高小于第二训练矩阵的高，第一训练矩阵的宽小于第二训练矩阵的宽。
可选地，在本申请实施例中，装置还包括：
第十五获得模块，用于将多个第一训练矩阵输入子像素卷积网络模型，获得多个第三训练矩阵。
第一结果评估模块，用于根据多个第二训练矩阵和多个第三训练矩阵，对子像素卷积网络模型的训练结果进行评估。
可选地，在本申请实施例中，该装置还可以包括：
第十六获得模块，用于对多个第一训练矩阵进行插值计算，获得多个第四训练矩阵。
第二结果评估模块，用于根据多个第二训练矩阵、多个第三训练矩阵和多个第四训练矩阵，对子像素卷积网络模型的训练结果进行评估。
以上仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。

Claims (10)

1.一种数字高程模型数据处理方法，其特征在于，包括：
使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图，所述第一应用矩阵为对第一数字高程模型数据进行预处理获得的矩阵；
使用所述子像素卷积网络模型中的亚像素卷积层，对所述多个通道中的每个通道的特征图的数值重新排列，获得第二应用矩阵，所述第二应用矩阵的值的数量大于所述第一应用矩阵的值的数量。
2.如权利要求1所述的方法，其特征在于，在所述使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图之前，还包括：
将第一数字高程模型数据中的数值取绝对值，获得第一数据；
将所述第一数据进行归一化运算，获得第二数据；
将所述第二数据使用矩阵进行表示，获得第一应用矩阵。
3.如权利要求1所述的方法，其特征在于，所述使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图，包括：
使用多个第一卷积层对所述第一应用矩阵进行卷积运算，获得多个通道的第一特征图，所述第一卷积层的个数与所述第一特征图的通道数量相同；
使用多个第二卷积层对所述第一特征图进行卷积运算，获得多个通道的第二特征图，所述第二卷积层的个数与所述第二特征图的通道数量相同；
使用多个第三卷积层对所述第二特征图进行卷积运算，获得多个通道的第三特征图，所述第一卷积层的个数、所述第二卷积层的个数和所述第三卷积层的个数均不相同。
4.如权利要求1所述的方法，其特征在于，还包括：
获得多个第一训练矩阵，以及获得多个第二训练矩阵，其中，所述第二训练矩阵是将第二数字高程模型数据使用矩阵表示获得的，每个所述第一训练矩阵是将每个所述第二训练矩阵进行降维运算获得的，所述第一训练矩阵的数量与所述第二训练矩阵的数量是相同的；
以所述多个第一训练矩阵为输入数据，以所述多个第二训练矩阵为输入标签，对子像素卷积网络进行训练，获得所述子像素卷积网络模型。
5.如权利要求4所述的方法，其特征在于，所述获得多个第二训练矩阵，包括：
将每个第二数字高程模型数据取绝对值，获得多个第三数据；
将所述多个第三数据进行归一化运算，获得多个第四数据；
将所述多个第四数据中的多通道数据进行均值灰度处理，获得多个第五数据；
将所述多个第五数据使用矩阵表示，获得多个第二训练矩阵。
6.如权利要求4所述的方法，其特征在于，所述第一训练矩阵的高度小于所述第二训练矩阵的高度，所述第一训练矩阵的宽度小于所述第二训练矩阵的宽度。
7.如权利要求4所述的方法，其特征在于，在所述以所述多个第一训练矩阵为输入数据，以所述多个第二训练矩阵为输入标签，对子像素卷积网络进行训练，获得所述子像素卷积网络模型之后，还包括：
将所述多个第一训练矩阵输入所述子像素卷积网络模型，获得多个第三训练矩阵；
根据所述多个第二训练矩阵和所述多个第三训练矩阵，对所述子像素卷积网络模型的训练结果进行评估。
8.如权利要求7所述的方法，其特征在于，在所述将所述多个第一训练矩阵输入所述子像素卷积网络模型，获得多个第三训练矩阵之后，还包括：
对所述多个第一训练矩阵进行插值计算，获得多个第四训练矩阵；
根据所述多个第二训练矩阵、所述多个第三训练矩阵和所述多个第四训练矩阵，对所述子像素卷积网络模型的训练结果进行评估。
9.一种数字高程模型数据处理装置，其特征在于，包括：
第一获得模块，用于使用子像素卷积网络模型中的至少一个卷积层，对获得的第一应用矩阵进行卷积运算，获得多个通道的特征图，所述第一应用矩阵为对第一数字高程模型数据进行预处理获得的矩阵；
第二获得模块，用于使用所述子像素卷积网络模型中的亚像素卷积层，对所述多个通道中的每个通道的特征图的数值重新排列，获得第二应用矩阵，所述第二应用矩阵的值的数量大于所述第一应用矩阵的值的数量。
10.如权利要求9所述的装置，其特征在于，还包括：
第三获得模块，用于将第一数字高程模型数据中的数值取绝对值，获得第一数据；
第四获得模块，用于将所述第一数据进行归一化运算，获得第二数据；
第五获得模块，用于将所述第二数据使用矩阵进行表示，获得第一应用矩阵。
CN201910404035.4A 2019-05-16 2019-05-16 一种数字高程模型数据处理方法及装置 Pending CN110097505A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910404035.4A CN110097505A (zh) 2019-05-16 2019-05-16 一种数字高程模型数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910404035.4A CN110097505A (zh) 2019-05-16 2019-05-16 一种数字高程模型数据处理方法及装置

Publications (1)

Publication Number Publication Date
CN110097505A true CN110097505A (zh) 2019-08-06

Family

ID=67448214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910404035.4A Pending CN110097505A (zh) 2019-05-16 2019-05-16 一种数字高程模型数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN110097505A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737473A (zh) * 2019-09-24 2020-01-31 北京小米移动软件有限公司 数据处理方法及装置、终端、存储介质
CN114863053A (zh) * 2022-07-06 2022-08-05 中交第四航务工程勘察设计院有限公司 提高数字高程模型精度的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110285746A1 (en) * 2010-05-21 2011-11-24 Jerzy Wieslaw Swic Enhancing Color Images
CN108734659A (zh) * 2018-05-17 2018-11-02 华中科技大学 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法
CN109615582A (zh) * 2018-11-30 2019-04-12 北京工业大学 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
CN109614693A (zh) * 2018-12-10 2019-04-12 福州大学 基于bp神经网络模型计算各月份天文辐射量的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110285746A1 (en) * 2010-05-21 2011-11-24 Jerzy Wieslaw Swic Enhancing Color Images
CN108734659A (zh) * 2018-05-17 2018-11-02 华中科技大学 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法
CN109615582A (zh) * 2018-11-30 2019-04-12 北京工业大学 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
CN109614693A (zh) * 2018-12-10 2019-04-12 福州大学 基于bp神经网络模型计算各月份天文辐射量的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WENZHE SHI 等: "Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network", 《《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737473A (zh) * 2019-09-24 2020-01-31 北京小米移动软件有限公司 数据处理方法及装置、终端、存储介质
CN114863053A (zh) * 2022-07-06 2022-08-05 中交第四航务工程勘察设计院有限公司 提高数字高程模型精度的方法及装置

Similar Documents

Publication Publication Date Title
CN113240580B (zh) 一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法
US11257279B2 (en) Systems and methods for providing non-parametric texture synthesis of arbitrary shape and/or material data in a unified framework
CN113807210B (zh) 一种基于金字塔切分注意力模块的遥感图像语义分割方法
Li et al. Symmetrical feature propagation network for hyperspectral image super-resolution
CN108765344A (zh) 一种基于深度卷积神经网络的单幅图像雨线去除的方法
CN110462639A (zh) 信息处理设备、信息处理方法及计算机可读存储介质
CN111986075B (zh) 一种目标边缘清晰化的风格迁移方法
US20040024779A1 (en) Method for traversing quadtrees, octrees, and N-dimensional bi-trees
CN109447897B (zh) 一种真实场景图像合成方法及系统
CN109087375B (zh) 基于深度学习的图像空洞填充方法
CN113744136A (zh) 基于通道约束多特征融合的图像超分辨率重建方法和系统
CN111062432B (zh) 一种语义上多模态图像生成的方法
CN113888491B (zh) 基于非局部特征的多级高光谱图像递进超分方法及系统
CN110097505A (zh) 一种数字高程模型数据处理方法及装置
CN111325134A (zh) 一种基于跨层连接卷积神经网络的遥感影像变化检测方法
CN112907441B (zh) 一种基于地下水卫星图像超分辨率的空间降尺度方法
Lin et al. Generative adversarial image super‐resolution network for multiple degradations
Iglesias et al. Cuckoo search with Lévy flights for reconstruction of outline curves of computer fonts with rational Bézier curves
Wang Evolution of StyleGAN3
CN113011561A (zh) 一种基于对数极空间卷积对数据进行处理的方法
CN112700372A (zh) 结合Gabor特征提取与支持向量回归的地震数据插值方法
Yamada et al. Generative approaches for solving tangram puzzles
Jing et al. Cloud Image Super-Resolution Based on Residual Network
CN115601553B (zh) 一种基于多层级图片描述数据的视觉模型预训练方法
Kim Algebraic Characterization of the Voronoi Cell Structure of the $ A_n $ Lattice

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190806

RJ01 Rejection of invention patent application after publication