CN113111938A - 基于数字高程模型数据的地形分类方法 - Google Patents

基于数字高程模型数据的地形分类方法 Download PDF

Info

Publication number
CN113111938A
CN113111938A CN202110384418.7A CN202110384418A CN113111938A CN 113111938 A CN113111938 A CN 113111938A CN 202110384418 A CN202110384418 A CN 202110384418A CN 113111938 A CN113111938 A CN 113111938A
Authority
CN
China
Prior art keywords
sample
network
training
feature extraction
test sample
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
CN202110384418.7A
Other languages
English (en)
Inventor
贺迅
方敏
杜辉
李海翔
郭龙飞
刘友江
曹韬
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.)
Xidian University
Institute of Electronic Engineering of CAEP
Original Assignee
Xidian University
Institute of Electronic Engineering of CAEP
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 Xidian University, Institute of Electronic Engineering of CAEP filed Critical Xidian University
Priority to CN202110384418.7A priority Critical patent/CN113111938A/zh
Publication of CN113111938A publication Critical patent/CN113111938A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于数字高程模型数据的地形分类方法，其方案是：构建训练集及测试集；构建特征提取网络及识别网络；对训练样本进行剪裁增强，并将其依次输入到特征提取网络和识别网络，得到训练样本预测类别向量；利用训练样本真实标签及预测类别向量获取交叉熵损失；通过最小化交叉熵损失对特征提取网络及识别网络进行训练；将测试样本随机剪裁并输入到训练好的特征提取网络中，得到测试样本的样本特征；将测试样本特征输入到训练好的识别网络中，得到测试样本预测类别向量；测试样本预测类别向量中最大元素所对应的类别标签即为测试样本预测类别标签。本发明只需待分类样本就可区分山地、丘陵、盆地及平原地形，可用于数字高程模型地形分类。

Description

基于数字高程模型数据的地形分类方法
技术领域
本发明属于数据处理技术领域，特别涉及一种地形分类方法，可用于区分数字高程模型地形数据的类别。
背景技术
地形分为山地、丘陵、平原及盆地多种类型。数字高程模型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，即地表形态的数字化表达，它的数据是离散化的，从坐标角度观察，其(X，Y)坐标为一个一个的小方格，每个小方格上标识出其Z轴，即高程数值。DEM的建立方法多种多样，包括：①根据航空或航天影像，通过摄影测量途径获取；②利用水平导轨、测针及相对高程测量板等构件直接从地面测量；③从现有地图上采集等。
在利用数字高程模型数据进行项目实现时，针对项目所需，通常可选取不同分辨率的DEM数据。DEM分辨率是DEM刻画地形精确程度的重要指标，同时也是决定其使用范围的主要影响因素，分辨率数值越小，DEM的分辨率就越高。通常，高分辨率DEM数据获取代价较大，而低分辨率数据较容易获得，网上对大部分地区已有公开低分辨率的数字高程模型。
在当前研究中，单纯针对数字高程模型数据的分类研究并不多，其主要是在各种其他类型项目实现时有所涉及。
陶宇等人在《DEM建模视角下的城市道路分类与表达》中提出了一种顾及道路形态的城市道路分类方法，其目的是为城市道路DEM建模建立重要基础，以此构建高精度城市道路DEM数据。该方法虽然对一些数字高程模型数据做了分类研究，但其是充分利用各种道路形态并参考城市特有特征完成的分类工作，只适用于城市道路地形分类，而针对山地、丘陵、盆地及平原地形的DEM数据进行分类时，并没有类似道路形态的其他数据特征作为参考，因此不能完成这些地形的分类工作。
赵青松在《黔西南州数字地貌类型划分及信息提取》中主要针对黔西南州地区构建了喀斯特山区数字地貌分类体系，在该文中，作者充分利用现有的地形地貌信息以及多源高分影像对相关DEM数据进行分类研究，该分类研究的完成及分类体系的提出充分利用了该地区的高分影像数据，使得利用该分类体系对其他地区数据进行分类时必须得到相对应的高分影像数据，但由于这种高分影像数据并不是所有地区的都能轻易获取，因而使用该分类体系难以对其他地区的DEM地形数据进行分类。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种地形分类方法，以区分DEM格式的山地、丘陵、盆地及平原地形数据。
为实现上述目的，本发明的技术方案包括如下步骤：
(1)从网络上收集包括山地、丘陵、盆地及平原4种地形的数字高程模型地形数据并构成样本数据集，取该样本数据集的70％作为训练样本集，其余30％作为测试样本集；
(2)构建特征提取网络及识别网络，并设定该特征提取网络的输入尺寸标准；
(3)根据特征提取网络的输入尺寸标准对训练样本进行随机剪裁；
(4)设定旋转角度范围，对剪裁后的训练样本进行随机旋转，完成训练样本增强工作；
(5)随机选定n个增强后的训练样本输入到特征提取网络中，得到训练样本特征；
(6)将训练样本特征输入到识别网络中，得到训练样本的预测类别向量；
(7)根据训练样本的真实标签及预测类别向量，计算得到交叉熵损失CE(x)，其中，x为输入到特征提取网络的n个增强后训练样本；
(8)循环(5)-(7)，并通过最小化交叉熵损失完成对特征提取网络及识别网络的训练；
(9)将测试样本按照特征提取网络的输入尺寸标准进行随机剪裁，并将剪裁后的样本输入到训练好的特征提取网络中，得到测试样本的样本特征，再将该样本特征输入到训练好的识别网络中，得到测试样本的预测类别向量；
(10)取测试样本预测类别向量中最大元素值所对应的类别标签，该标签即为测试样本的最终类别标签。
本发明由于在进行分类任务时直接对待分类样本进行处理，即通过对待分类样本进行剪裁、特征提取及识别直接得到该样本的类别标签，因此不需要类似道路形态、高分影像数据等其他数据特征作为参考，避免了收集其他参考数据所带来的困难，便于区分DEM格式的山地、丘陵、盆地及平原地形数据，完成对数字高程模型地形数据的分类。
附图说明
图1为本发明的实现流程图；
图2为本发明中构建的特征提取网络结构图；
图3为本发明中构建识别网络的网络结构图。
具体实施方式
下面结合附图，对本发明的实施和效果做进一步的详细描述。
参照图1，本实例的实现步骤如下：
步骤1，构建训练样本集及测试样本集。
1.1)收集数字高程模型地形数据，建立样本数据集：
从网络上收集包括山地、丘陵、盆地及平原四种地形的数字高程模型地形数据并构成样本数据集；
1.2)利用所述样本数据集构建训练样本集及测试样本集：
取所述样本数据集的70％作为训练样本集，其余30％作为测试样本集。
步骤2，建立特征提取网络，设定该网络的输入尺寸标准。
如图2所示，本实例构建特征提取网络是由6个卷积层和5个池化层组成的卷积神经网络，其结构关系为：第1卷积层->第1池化层->第2卷积层->第2池化层->第3卷积层->第3池化层->第4卷积层->第4池化层->第5卷积层->第5池化层->第6卷积层。其中，每个卷积层所用的激活函数均为ReLU激活函数，卷积核大小均为3×3，每个池化层均为卷积步长为2、卷积核尺寸为2的最大值池化。
根据本实例特征提取网络第1卷积层的预设输入参数，设定该网络的输入尺寸标准为像素500×500。
步骤3，建立识别网络。
如图3所示，本实例构建的识别网络是由2个全连接层和1个SoftMax层依次级联组成的全连接神经网络，即第1全连接层->第2全连接层->SoftMax层，其中，每个全连接层所用的激活函数均为ReLU激活函数。
步骤4，对训练样本进行随机剪裁和数据增强。
4.1)根据特征提取网络的输入尺寸标准，利用python自带的软件包，将所有的训练样本剪裁为像素为500×500的大小，以便可直接输入到特征提取网络中；
4.2)对剪裁后的训练样本随机旋转进行数据增强：
4.2.1)设定旋转角度范围为-90°～90°，并通过如下旋转角度公式进行旋转：
x1＝cosθ×x-sinθ×y
y1＝cosθ×y+sinθ×x
其中，θ为旋转角度值，其取值范围为-90°～90°，x、y为旋转前某一训练样本中一像素点相对于该训练样本中心像素点的坐标，x1、y1为该像素点旋转θ角度之后相对于该训练样本中心像素点的坐标；
4.2.2)对剪裁后的样本进行随机旋转得到增强后的训练样本。
步骤5，获取到训练样本特征，得到预测类别向量。
5.1)随机选择n个增强后的训练样本输入到特征提取网络中，得到训练样本特征；
5.2)将训练样本特征输入到识别网络中，得到训练样本的预测类别向量q(xij)，即第i个训练样本第j类标签的预测值，其中j＝1,2,...,4，i＝1,2,3,...,n，n表示输入到特征提取网络中的训练样本数。
步骤6，利用训练样本的真实标签及预测类别向量，得到交叉熵损失CE(x)。
6.1)根据所构建的训练样本集，得到训练样本的真实标签p(xij)，即第i个训练样本的第j类标签的真值，该真值根据训练样本的所属类别来确定：当样本xi属于第j类样本时，p(xij)的值为1，否则，p(xij)为0；
6.2)利用训练样本的真实标签p(xij)及预测类别向量q(xij)，计算训练样本的交叉熵损失CE(x)：
Figure BDA0003014243560000041
步骤7，对特征提取网络及识别网络进行训练。
7.1)循环步骤5至步骤6，并将所得的交叉熵损失CE(x)反传到特征提取网络及识别网络中；
7.2)通过最小化该交叉熵损失CE(x)对特征提取网络及识别网络的参数进行更新，得到训练好的特征提取网络及识别网络。
步骤8，通过训练好的网络获得测试样本预测类别向量。
8.1)将测试样本剪裁为像素500×500大小，并将剪裁后的测试样本输入到训练好的特征提取网络中，得到测试样本的样本特征；
8.2)将8.1)中所得的样本特征输入到训练好的识别网络中，得到测试样本的预测类别向量。
步骤9，利用测试样本预测类别向量得到测试样本最终类别标签。
取测试样本预测类别向量中最大元素值所对应的类别标签，该标签即为测试样本的最终类别标签。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围内。

Claims (5)

1.一种基于数字高程模型数据的地形分类方法，其特征在于，包括如下：
(1)从网络上收集包括山地、丘陵、盆地及平原4种地形的数字高程模型地形数据并构成样本数据集，取该样本数据集的70％作为训练样本集，其余30％作为测试样本集；
(2)构建特征提取网络及识别网络，并设定该特征提取网络的输入尺寸标准；
(3)根据特征提取网络的输入尺寸标准对训练样本进行随机剪裁；
(4)设定旋转角度范围，对剪裁后的训练样本进行随机旋转，完成训练样本增强工作；
(5)随机选定n个增强后的训练样本输入到特征提取网络中，得到训练样本特征；
(6)将训练样本特征输入到识别网络中，得到训练样本的预测类别向量；
(7)根据训练样本的真实标签及预测类别向量，计算得到交叉熵损失CE(x)，其中，x为输入到特征提取网络的n个增强后训练样本；
(8)循环(5)-(7)，并通过最小化交叉熵损失完成对特征提取网络及识别网络的训练；
(9)将测试样本按照特征提取网络的输入尺寸标准进行随机剪裁，并将剪裁后的样本输入到训练好的特征提取网络中，得到测试样本的样本特征，再将该样本特征输入到训练好的识别网络中，得到测试样本的预测类别向量；
(10)取测试样本预测类别向量中最大元素值所对应的类别标签，该标签即为测试样本的最终类别标签。
2.根据权利要求1所述的方法，其特征在于：(2)中构建的特征提取网络是由6个卷积层和5个池化层组成的卷积神经网络，每个卷积层所用的激活函数均为ReLU激活函数，卷积核大小均为3×3，每个池化层均为卷积步长为2、卷积核尺寸为2的最大值池化，结构关系为：
第1卷积层->第1池化层->第2卷积层->第2池化层->第3卷积层->第3池化层->第4卷积层->第4池化层->第5卷积层->第5池化层->第6卷积层。
3.根据权利要求1所述的方法，其特征在于：(2)中构建的识别网络，为由2个全连接层和1个SoftMax层依次级联组成的全连接神经网络，每个全连接层所用的激活函数均为ReLU激活函数。
4.根据权利要求1所述的方法，其特征在于：(4)中对剪裁后的训练样本进行随机旋转，通过如下旋转角度公式进行：
x1＝cosθ×x-sinθ×y
y1＝cosθ×y+sinθ×x
其中，θ为旋转角度值，其取值范围为-90°～90°，x、y为旋转前某一训练样本中一像素点相对于该训练样本中心像素点的坐标，x1、y1为该像素点旋转θ角度之后相对于该训练样本中心像素点的坐标。
5.根据权利要求1所述的方法，其特征在于：(7)中的交叉熵损失CE(x)，计算公式如下：
Figure FDA0003014243550000021
其中，n表示输入到特征提取网络中的训练样本数，m表示地形类别总数，其取值为4，i＝1,2,3,...,n，j＝1,2,3,...,m，p(xij)表示第i个样本的第j类标签的真值，如果样本xi为第j类样本，则p(xij)的值为1，否则为0；q(xij)表示第i个样本的第j类标签的预测值，q(xij)∈[0,1]。
CN202110384418.7A 2021-04-09 2021-04-09 基于数字高程模型数据的地形分类方法 Pending CN113111938A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110384418.7A CN113111938A (zh) 2021-04-09 2021-04-09 基于数字高程模型数据的地形分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110384418.7A CN113111938A (zh) 2021-04-09 2021-04-09 基于数字高程模型数据的地形分类方法

Publications (1)

Publication Number Publication Date
CN113111938A true CN113111938A (zh) 2021-07-13

Family

ID=76715458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110384418.7A Pending CN113111938A (zh) 2021-04-09 2021-04-09 基于数字高程模型数据的地形分类方法

Country Status (1)

Country Link
CN (1) CN113111938A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038445A (zh) * 2017-12-11 2018-05-15 电子科技大学 一种基于多视角深度学习框架的sar自动目标识别方法
CN109242038A (zh) * 2018-09-25 2019-01-18 安徽果力智能科技有限公司 一种用于标签不足情况的机器人地形分类器训练方法
CN110532878A (zh) * 2019-07-26 2019-12-03 中山大学 一种基于轻量化卷积神经网络的驾驶员行为识别方法
CN110781921A (zh) * 2019-09-25 2020-02-11 浙江农林大学 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置
CN111680613A (zh) * 2020-06-03 2020-09-18 安徽大学 一种实时检测手扶电梯乘客摔倒行为的方法
CN111862093A (zh) * 2020-08-06 2020-10-30 华中科技大学 一种基于图像识别的腐蚀等级信息处理方法及系统
CN112084977A (zh) * 2020-09-14 2020-12-15 太原理工大学 一种融合图像和时间特征的苹果物候期自动识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038445A (zh) * 2017-12-11 2018-05-15 电子科技大学 一种基于多视角深度学习框架的sar自动目标识别方法
CN109242038A (zh) * 2018-09-25 2019-01-18 安徽果力智能科技有限公司 一种用于标签不足情况的机器人地形分类器训练方法
CN110532878A (zh) * 2019-07-26 2019-12-03 中山大学 一种基于轻量化卷积神经网络的驾驶员行为识别方法
CN110781921A (zh) * 2019-09-25 2020-02-11 浙江农林大学 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置
CN111680613A (zh) * 2020-06-03 2020-09-18 安徽大学 一种实时检测手扶电梯乘客摔倒行为的方法
CN111862093A (zh) * 2020-08-06 2020-10-30 华中科技大学 一种基于图像识别的腐蚀等级信息处理方法及系统
CN112084977A (zh) * 2020-09-14 2020-12-15 太原理工大学 一种融合图像和时间特征的苹果物候期自动识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜 琳: "基于深度学习的多模态地貌识别算法研究", 《测绘与空间地理信息》, 31 August 2020 (2020-08-31), pages 1 - 3 *

Similar Documents

Publication Publication Date Title
CN107239751B (zh) 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
CN103034863B (zh) 一种结合核Fisher与多尺度提取的遥感影像道路获取方法
CN106503739A (zh) 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN111414953B (zh) 点云分类方法和装置
CN110222767B (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN114596500B (zh) 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法
CN116168246A (zh) 一种用于铁路工程的弃渣场识别方法、装置、设备及介质
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
Li et al. GeoImageNet: a multi-source natural feature benchmark dataset for GeoAI and supervised machine learning
Xu et al. Building height calculation for an urban area based on street view images and deep learning
CN111242223B (zh) 一种基于街景影像多特征融合的街道空间品质评价方法
CN118366162B (zh) 基于深度学习的图像分割方法及系统
CN113807278A (zh) 一种基于深度学习的土地利用分类及变化预测方法
CN117197462A (zh) 基于多尺度特征融合和对齐的轻量地基云分割方法及系统
CN112836590B (zh) 洪涝灾害监测方法、装置、电子设备及存储介质
Li et al. Learning to holistically detect bridges from large-size vhr remote sensing imagery
CN114266932A (zh) 一种基于自学习的遥感多光谱数据半监督标注方法
CN117830701A (zh) 基于注意力机制的多尺度特征融合星图识别方法和装置
CN116543165B (zh) 一种基于双通道复合深度网络的遥感图像果树分割方法
CN113298042A (zh) 遥感影像数据的处理方法及装置、存储介质、计算机设备
CN112766381A (zh) 有限样本下属性引导的sar图像生成方法
CN116012709B (zh) 一种高分辨率遥感影像建筑物提取方法及系统
CN117115671A (zh) 基于遥感的土壤质量分析方法、装置及电子设备
CN109190451B (zh) 基于lfp特征的遥感图像车辆检测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210713

WD01 Invention patent application deemed withdrawn after publication