CN113505650A - 地形特征线提取方法及装置、设备 - Google Patents

Abstract

本发明实施例提供一种地形特征线提取方法及装置、设备，该方法包括：获取目标区域中的多种地形数据；提取多种地形数据中的地形特征，其中地形特征包括多种地形数据各自的地形物理特征和/或视觉特征；将多种地形数据中的地形特征输入多通道地形特征融合网络，以通过多通道地形特征融合网络对多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到目标区域的联合特征；基于目标区域的联合特征生成目标区域的地形特征线，从而，通过融合有多维度地形特点的联合特征，能够避免相关技术中存在的特征线误提、漏提及伪特征线等问题，提高地形特征线的提取效率以及准确性。

Description

地形特征线提取方法及装置、设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种地形特征线提取方法及装置、设备。

背景技术

地形形态特征中的线状要素能够反映地面形态空间分布特征，利用线状元素可以描述地形的骨架特征，并决定最终的地貌形态。

山脊线与山谷线是地形中最为重要的地形特征线，对地形分析、水文分析、地形三维重建都具有重要意义。但是，相关技术中，提取山脊线与山谷线时往往难以避免特征线误提、漏提及伪特征线问题。

因此，如何从地形数据中提取山脊线与山谷线，成为地形地貌学研究中亟待解决的重要问题之一。

发明内容

本发明实施例提供一种地形特征线提取方法及装置、设备，用以提高地形特征线的提取效率以及准确性。

第一方面，本发明实施例提供一种地形特征线提取方法，该方法包括：

获取目标区域中的多种地形数据；

提取所述多种地形数据中的地形特征，所述地形特征包括所述多种地形数据各自的地形物理特征和/或视觉特征；

将所述地形特征输入多通道地形特征融合网络，以通过所述多通道地形特征融合网络对所述多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到所述目标区域的联合特征；

基于所述目标区域的联合特征，生成所述目标区域的地形特征线。

第二方面，本发明实施例提供一种地形特征线提取装置，该装置包括：

获取模块，用于获取目标区域中的多种地形数据；

提取模块，用于提取所述多种地形数据中的地形特征，所述地形特征包括所述多种地形数据各自的地形物理特征和/或视觉特征；

特征融合模块，用于将所述地形特征输入多通道地形特征融合网络，以通过所述多通道地形特征融合网络对所述多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到所述目标区域的联合特征；

生成模块，用于基于所述目标区域的联合特征，生成所述目标区域的地形特征线。

第三方面，本发明实施例提供一种电子设备，其中包括处理器和存储器，其中，存储器上存储有可执行代码，当可执行代码被处理器执行时，使处理器至少可以实现第一方面中的地形特征线提取方法。

第四方面，本发明实施例提供了一种非暂时性机器可读存储介质，非暂时性机器可读存储介质上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器至少可以实现第一方面中的地形特征线提取方法。

本发明实施例提供的技术方案中，首先可以获取目标区域中的多种地形数据，从而，提取多种地形数据中的地形特征，其中地形特征包括多种地形数据各自的地形物理特征和/或视觉特征。进而，将多种地形数据中的地形特征输入多通道地形特征融合网络，以通过多通道地形特征融合网络对多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到目标区域的联合特征，使得目标区域中各种地形地貌特征相互融合，以保留地形地貌中的细节信息。最终，基于目标区域的联合特征生成目标区域的地形特征线，从而，通过融合有多维度地形特点的联合特征，能够避免相关技术中基于单一地形数据提取地形特征线时存在的特征线误提、漏提及伪特征线等问题，大大提高地形特征线的提取效率以及准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。

图1为本发明实施例提供的一种地形特征线提取方法的流程图；

图2为本发明实施例提供的一种地形特征线提取方法的原理示意图；

图3为本发明实施例提供的一种地形特征线提取方法的原理示意图；

图4为本发明实施例提供的一种地形特征线提取装置的结构示意图；

图5为与图4所示实施例提供的地形特征线提取装置对应的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。

本发明实施例提供的地形特征线提取方法可以由一电子设备来执行，该电子设备可以是诸如PC机、笔记本电脑、智能手机等终端设备，也可以是服务器。该服务器可以是包含一独立主机的物理服务器，或者也可以为主机集群承载的虚拟服务器，或者也可以为云服务器。

本发明实施例提供的地形特征线提取方法可以适用于各种地形特征线提取场景。例如，针对西北干旱荒漠地区的地形特征线提取场景，针对丘陵地区的地形特征线提取场景。

实际应用中，需要提取的区域可能包含单一地形，也可能包含多种地形。比如，A区域位于沙漠的边缘地带，该地区地势整体上较为平缓，从地貌类型上看，该地区为低缓剥蚀残丘地貌。比如，B区域则位于宁蒙交界处，东临银川平原，处于干旱半干旱交界处，为石质山区。

下面结合以下实施例对该地形特征线提取方法的执行过程进行说明。

山脊线与山谷线是地形中最为重要的地形特征线，对地形分析、水文分析、地形三维重建都具有重要意义。但是，相关技术中，提取山脊线与山谷线时往往难以避免特征线误提、漏提及伪特征线问题。具体地，目前，相关技术中，主要采用以下几种方式提取地形特征线：

其一，用窗口分析等图像处理技术对DEM数据进行特征线提取。但这种方式的特征提取结果会受到分析窗口的影响，计算复杂，且难以抑制噪声，山脊(山谷)分支连接处易产生断裂，使得特征线提取的空间定位误差大，准确性不佳。

其二，基于地表几何形态分析方法。通过地形表面起伏变化规律从而确定特征线。但这种方式的特征提取结果包含大量噪声，容易受窗口分析、噪声与伪特征的影响，存在漏提、误提和伪特征线的问题。

其三，基于地表流水模拟方法。通过模拟水流顺谷而下的客观规律提取地形特征线，但这种方式按照水流方向确定算法的执行效率较低，提取的结果受阈值影响，地形特征线提取结果常常不符合实际地形，准确性差。

其四，基于地形几何分析和流水物理模拟相结合的提取方式，一方面可能在特征提取过程中存在最终阈值选取问题，另一方面提取结果可能存在部分非特征线，或者由边界效应造成的特征线误判问题。

综上，亟待提出一种用于提取地形特征线的方案，用以解决上述至少一个问题。

下面结合以下实施例对本文提供的地形特征线提取方法的执行过程进行说明。

图1为本发明实施例提供的一种地形特征线提取方法的流程图，如图1所示，该方法包括如下步骤：

101、获取目标区域中的多种地形数据。

102、提取多种地形数据中的地形特征，地形特征包括多种地形数据各自的地形物理特征和/或视觉特征。

103、将地形特征输入多通道地形特征融合网络，以通过多通道地形特征融合网络对多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到目标区域的联合特征。

104、基于目标区域的联合特征，生成目标区域的地形特征线。

本发明实施例中，目标区域是指需要进行特征线提取的地形区域。

之所以101中要获取目标区域中的多种地形数据，以及102中提取多种地形数据中的地形特征，是为了通过多种地形数据从不同维度描述目标区域的地形地貌。这些地形特征包括但不限于多种地形数据各自的地形物理特征和/或视觉特征。进而，在103中，将多种地形数据中的地形特征输入多通道地形特征融合网络，以通过多通道地形特征融合网络对多种地形数据各自的地形物理特征和/或视觉特征进行融合得到目标区域的联合特征，使得目标区域中各种地形地貌特征相互补充，尽可能保留了地形地貌中的细节信息。最终，104中，基于目标区域的联合特征生成目标区域的地形特征线，从而，通过融合有多维度地形特点的联合特征，能够避免相关技术中基于单一地形数据提取地形特征线时存在的特征线误提、漏提及伪特征线等问题，大大提高地形特征线的提取效率以及准确性。

值得说明的是，本发明实施例中提供了一种多通道融合地形特征线提取网络。例如，图2示出的多通道融合地形特征线提取网络，其中，该网络包括：多通道地形特征提取网络、多通道地形特征融合网络、上采样模块。

下面将结合图2示出的各个部分的具体功能结构，对图1示出的各个步骤的具体实现方式进行说明。

本发明实施例中，目标区域的地形数据(简称地形数据)包括但不限于以下之一或组合：数字高程模型(DEM)图像数据、遥感影像数据、基础地形数据。其中，基础地形数据包括以下之一或组合：坡向数据、坡度数据、曲率数据。

实际应用中，地形数据可以是图像数据，也可以是其他类型的数据。地形数据的编码格式可以是One-Hot，或者也可以是其它类型编码，本发明并不限制。

当然，除了上述地形数据外，地形数据还包括其他数据，例如水文数据。通过这些数据也可从不同维度反映目标区域的地形地貌特征，从而，便于后续基于这些地形地貌特征来提取目标区域的地形特征线。

在上述或下述实施例中，目标区域的地形数据可以是存储在服务器中，也可存储于各种采集设备的本地客户端中，还可存储运行各种存储系统的云服务器中。上述存储设备仅为示例，本发明实施例中并不限定。

可选地，从不同存储设备中分别获取不同类型的地形数据。例如，从遥感影像采集设备中获取遥感影像数据，从云存储系统中查询目标区域，并获取目标区域相应的基础地形数据。当然，也可以将不同类型的地形数据存储至同一存储设备中，便于从同一存储设备中提取到更多的地形数据。

在地形学研究中，地形是多种特征的复杂组合，其特征不能基于一种数据进行表达。但目前相关技术中多采用单一地形数据源来识别地形地貌，例如识别/提取地形特征线，因此，相关技术在提取山脊线与山谷线时往往难以避免特征线误提、漏提及伪特征线问题。

为解决上述至少一个技术问题，首先，101中，获取目标区域中的多种地形数据。

实际应用中，需要获取的地形数据的类型可以根据适用场景确定。例如，在一些场景下，多种地形数据包括DEM数据、遥感影像数据、坡向数据、坡度数据。另一些场景下，多种地形数据包括DEM数据、遥感影像数据、坡向数据、坡度数据、曲率数据、水文数据。

可选地，对目标区域中的多种地形数据进行预处理，以提高地形数据的质量，便于后续提取更精确的地形特征。

例如，假设地形数据包括遥感影像数据。那么，对遥感影像数据的预处理包括以下方式：对遥感影像数据进行正射校正和大气校正。具体地，可以采用FLAASH模块工具对影像大气校正，以便避免因光照、大气中水蒸气、氧气等大气分子以及气溶胶散射等因素地物反射对遥感影像造成影响。针对遥感影像数据受传感器影响导致的地形起伏不均衡的现象，可以基于DEM数据和影像RPC信息采用ENVI15.3中的RPC Orthorectification模块，来进行数据定位，从而，在遥感影像数据中，对全色波段与多光谱数据分别进行辐射校正与正射校正。此外，还可采用施密特正交化(Gram Schmidt)方法进行图像融合，并裁剪得到最终的遥感影像数据。经过上述处理后，遥感影像数据能够保留多光谱的真彩色信息以及全色波段的高空间分辨率信息。

例如，假设地形数据包括DEM数据、坡向数据、坡度数据。由于原始DEM数据中每个栅格点存储的是地表对应的高程值，而坡向数据、坡度数据中每个栅格点代表的是坡面与水平面之间的夹角值、坡面的方向角度数，因而，为了提升深度学习模型的泛化性，对DEM数据、坡向数据、坡度数据的预处理包括以下方式：将DEM数据、坡向数据、坡度数据转换为与深度学习模型相适应的多通道灰度图像数据。

进而，获取多种地形数据之后，102中，提取多种地形数据中的地形特征。其中，多种地形数据中的地形特征包括但不限于：多种地形数据各自的地形物理特征和/或视觉特征。例如，采用多通道地形特征提取网络实现步骤102。

具体而言，以多通道地形特征提取网络为多通道地形特征提取网络为例，102中提取多种地形数据中的地形特征的步骤，可以实现为：

将多种地形数据输入多通道地形特征提取网络中，以通过多通道地形特征提取网络分别对多种地形数据进行特征提取，得到多种地形数据各自对应的地形物理特征向量和/或视觉特征向量。

其中，多通道地形特征提取网络包括多个特征提取通道，多种地形数据与多个特征提取通道一一对应。多种地形数据与多个特征提取通道的对应关系除了一一对应外，实际应用中，可选地，获取特征提取通道中待提取的特征，动态配置多种地形数据与多个特征提取通道的对应关系。从而，增加特征提取维度，提高多通道地形特征提取网络的灵活性。例如，地形数据a与1个特征提取通道对应，地形数据a和地形数据b的组合与2个特征提取通道对应，地形数据b和地形数据c、地形数据d的组合与3个特征提取通道对应。

实际应用中，多通道地形特征提取网络是基于U-net网络结构构建的。具体地，通过网络层次深化、激活函数优化以及多通道网络框架搭建几个方面来实现多通道地形特征提取网络的构建。从而，通过多通道地形特征提取网络可以将多种地形数据中提取出地形物理特征和/或视觉特征，以便后续对这些地形物理特征和/或视觉特征进行互补融合，保留地形中的细节信息，进一步提高特征线识别的准确性。

具体来说，在上下文实施例中，该多通道地形特征提取网络的改进主要体现为以下几个方面：

首先，针对多通道地形特征提取网络的网络结构，需要网络层次深化。为了抓取更深层次的局部信息，提取不同层次的更为复杂的地形特征细节信息，本发明实施例中，在多通道地形特征提取网络中，增加下采样过程和上采样过程，用以加深U-net网络的深度，提高模型的准确率。

例如，改进的多通道地形特征提取网络中，设置有5次下采样和5次上采样。下采样过程(左半部分)是由5组卷积层与最大池化层构成，其前1、2组每两个3×3的卷积层之后一个2×2的最大池化层操作，卷积核数量分别为64、128，而第3、4、5组采用3次3×3的卷积核进行卷积运算，卷积核数量依次为256、512、512。其中，每次编码器与解码器卷积运算后，可选地，还可引入BN(Batch Norm，BN)算法，对上一层输出的地形特征向量批量归一化为方差1、均值0的分布，将最终得到的结果输入到激活函数中。在每次卷积运算后，可选地，还可加入批量归一化算法，可以减少内部协变量，对每层的特征做归一化，降低了数据之间的绝对差异，从而每层的特征分布达到更加均匀的效果，在加快模型收敛能力并且能够提高网络模型的容错能力。

每一次上采样地形特征向量的尺寸增大至两倍，经过5次上采样之后，地形特征向量恢复输入时的尺寸(256像素×256像素)。在网络末端采用卷积核大小为1×1的卷积层将地形特征向量数目缩减为2。

其次，使用指数线性单元(Exponential Linear Unit，ELU)函数作为激活函数应用于多通道地形特征提取网络中，从而提高地形特征线提取的准确率。ELU函数的效果比ReLU函数、LReLU函数和PReLU函数更佳，该函数能有效的缩短训练时间，同时加快收敛能力，有更高的准确性。

最后，通过多通道网络框架的搭建来改进U-Net网络。

通过上述几个方面的优化可以得到多通道地形特征提取网络，下面结合示例介绍本发明实施例应用的多通道地形特征提取网络。

例如，假设多种地形数据为DEM数据、遥感影像数据、坡向数据、坡度数据、曲率数据。假设多通道地形特征提取网络为5通道地形特征提取网络，基于此，这5种地形数据与多通道地形特征提取网络中的5个特征提取通道一一对应。

基于上文假设，102中，将DEM数据、遥感影像数据、坡向数据、坡度数据、曲率数据这5种地形数据输入5通道地形特征提取网络中。进而，在5通道地形特征提取网络中，分别对这5种地形数据进行特征提取，以得到这5种地形数据各自对应的地形物理特征向量和/或视觉特征向量。

下面以图3示出的三通道融合地形特征线提取网络为例，假设三通道融合地形特征线提取网络以U-Net网络为基础构建。在图3中，三通道融合地形特征线提取网络包括：3通道地形特征提取网络(左侧框)、3通道地形特征融合网络(下侧框)、上采样模块(右侧框)。

在三通道融合地形特征线提取网络中，3通道地形特征提取网络可以如图3中左侧框内示出的网路结构。在图3中，3通道地形特征提取网络包含3个并行的特征提取通道分别针对以下三种地形数据：DEM数据(即DEM图)、遥感影像数据(即遥感影像)、坡向数据(即坡向图)。具体而言，为了保证网络结构清晰，在每个通道中，下采样与上述改进U-Net的算法相同，每个通道可采用相同的U-Net网络结构，执行特征提取操作。每个处理阶段的输入、输出都是特征向量，且每个处理阶段包含卷积运算、批量归一化(Batchnorm)、非线性转换ELU函数、池化操作。

其中，3通道地形特征提取网络中最终由第5个最大池化层提取出的上述三种地形数据各自对应的高程信息、纹理信息、坡向信息，用以构成上述三种地形数据各自对应的地形特征向量。进而，上述三种地形数据各自对应的地形特征向量用于作为多通道地形特征融合网络的输入。

值得说明的是，图3示出的网络结构中，各种配置参数均可根据实际情况设置，例如网络层数、数据格式、通道数量等。图3中的配置参数值仅为示例，本发明实施例并不限定。

U-net网络中主要包括两部分内容：收缩路径和扩展路径。该U-net网络结构可接收输入的任意大小的图像，收缩路径是由卷积层和池化层构成的结构，每次降采样后特征通道减半，其功能是从输入的数据中提取有价值的信息并压缩图像。其中，U-net网络与传统卷积神经网络的明显区别在于扩展路径的体系结构：用于上采样的上卷积替换了完全连接的层，先使用反卷积或者插值将特征通道减半，将特征尺寸加倍，最后将两者通过解码器将当前的特征与编码器中每一个降采样之前的特征进行融合，从而将浅层细节信息和深层语义信息结合在一起。这样，U-net网络可以受益于浓缩在深层地形特征向量中的全局信息，以及受益于保留在靠近输入层的地形特征向量中的本地信息。

U-net网络中，通过复制和剪切操作，能够融合不同网络深度的地形特征向量，以避免信息丢失并为上采样步骤提供更丰富的特征。U-net网络采用效果更好的地形特征融合方式，即拼接方式，将地形特征向量在通道维度拼接组合并，以便保留更多维度的地形特征信息，避免上采样恢复出来的地形特征向量过于粗糙。

可选地，还可重叠-切片(Overlap-tile)策略，用以是适用于数据量较少或者不适合原图进行插值操作的情况，其策略可解决图像细节损失问题，可直接对边界区域提供上下文信息，并在数据量较少时能够扩充数据量，在输入网络前对图像进行镜像填充，使得最终的输出尺寸与原图一致。

当然，除了上文介绍的U-net网络之外，102中多通道地形特征提取网络还可采用其他类型的深度学习模型或算法来实现。例如，深度学习模型可以是卷积神经网络，也可以是全卷积网络，还可以是其他模型，本发明并不限制。

可以理解的是，无论是何种类型的深度学习模型，102中涉及的深度学习模型应具有多个特征提取通道，以便实现多种地形数据的特征提取。

可选地，若任一个特征提取通道的地形数据量不符合预设条件，则可选地，还可重叠-切片(Overlap-tile)策略，用以解决图像细节损失问题。具体地，可以获取地形数据中边界区域的上下文信息，并基于上下文信息对地形数据进行镜像填充，使得最终的输出特征图像尺寸与原图一致。

进而，提取多种地形数据中的地形特征之后，为避免，还需要将这些地形特征融合为联合特征。

具体而言，103中，将地形特征输入多通道地形特征融合网络，以通过多通道地形特征融合网络对多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到目标区域的联合特征。

例如，多通道地形特征融合网络可以采用图3中下侧框内示出的残差学习模型实现。

举例来说，假设多通道地形特征融合网络包括残差学习模型。基于此，103中，将地形特征输入多通道地形特征融合网络，以通过多通道地形特征融合网络对多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到目标区域的联合特征，可以具体实现为：

将多种地形数据各自对应的地形物理特征向量和/或视觉特征向量拼接为合并特征向量；将拼接得到的合并特征向量输入残差学习模型，以通过残差学习模型对合并特征向量进行特征融合，得到联合特征向量。

从而，通过联合特征向量能够充分表达多种地形数据对应的地形物理特征向量和视觉特征向量，保留更多维度的地形地貌特征。

在地形特征研究中，地形容易受到内部和外部环境过程的各种影响，例如地貌地形容易受到风力侵蚀、水力侵蚀的影响，从而导致地貌的自然特征和理论特征之间存在一些偏差，使得地形数据中存在大量无法通过手动视觉解释并加以区分提取的特征线样本。针对这一问题，可选地，将弹性形变特性应用到地形特征的提取中，模拟目标区域中的部分地形变化，增强多通道地形特征融合网络的地形图像分割能力，提取到一些无法通过手动视觉解释并加以区分提取的特征线。

最终，104中，基于目标区域的联合特征生成目标区域的地形特征线。例如，地形特征线包括山脊线和山谷线。

具体来说，104中，基于目标区域的联合特征，生成目标区域的地形特征线，可以具体实现为：将联合特征输入上采样模块，以通过上采样模块对联合特征进行图像语义分割，得到目标区域的地形特征线。

在一可选实施例中，若联合特征为联合特征图像，则将联合特征输入上采样模块，以通过上采样模块对联合特征进行图像语义分割，得到目标区域的地形特征线，可以具体实现为：

通过上采样模块提取联合特征图像中的语义特征，并基于语义特征对联合特征图像进行图像语义分割，以输出初始地形特征线。

具体来说，上采样模型可以实现为上采样路径，上采样路径例如实现为图3示出的右侧框部分，下采样的输入是联合特征图像。上采样路径中，扩展路径特征图像在与同一级低维特征连接时，还加入收缩路径中网络中上一层级特征图像进行融合，捕捉不同地形数据的语义特征进行融合，从而，增强低维特征信息，在向后传递过程中能够防止地形特征细节信息的丢失。可选地，将DEM图像的通道与扩展路径的相应层连接。

进而，为了解决地形图像同类目标边界不易识别问题，还可采用交叉熵函数和/或Softmax函数对初始地形特征线中的边缘特征信息进行增强处理，得到目标区域的地形特征线。具体而言，对每个像素对应的输出结果进行分类，使得多通道地形特征融合网络的输出结果中每个像素点的对应值处于设定范围内，从而判定表示各像素点所属类型。这样，能够增强地形特征线低维特征信息，强化模型学习特征线边缘信息，提高目标分割边缘准确度，进而准确的将特征线从非特征线区域区分出来。

通过101至104中，可以先获取目标区域中的多种地形数据，从而，提取多种地形数据中的地形特征，其中地形特征包括多种地形数据各自的地形物理特征和/或视觉特征。由于多种地形数据中的地形特征能够从多个维度反映目标区域的地形地貌特征，因而，可以将多种地形数据中的地形特征输入多通道地形特征融合网络，以通过多通道地形特征融合网络对多种地形数据各自的地形物理特征和/或视觉特征进行融合得到目标区域的联合特征，使得目标区域中各种地形地貌特征相互融合，尽可能保留地形地貌中的细节信息。最终，基于目标区域的联合特征生成目标区域的地形特征线，从而，通过融合有多维度地形特点的联合特征，能够避免相关技术中基于单一地形数据提取地形特征线时存在的特征线误提、漏提及伪特征线等问题，大大提高地形特征线的提取效率以及准确性。

在上述或下述实施例中，本发明中还可通过以下步骤获取用于训练多通道地形特征融合网络的地形数据集，具体实现为：

标注训练数据集中的多种地形数据，得到标签数据集；对标签数据集中多种地形数据进行样本划分，得到用于训练多通道地形特征融合网络的地形数据集。

上述步骤中，在一可选实施例中，对标签数据集中多种地形数据进行样本划分，可以实现为：基于预设尺寸在待处理地形数据中选取反映目标区域的地形特征线的特征以及地形的起伏变化，以保留用于地形特征线提取的地形信息。

或者，另一实施例中，也可采用随机选取预设尺寸的地形数据，对地形数据进行随机裁剪，从而，既可高效选取地形数据，又保证了地形数据样本的多样性，同时还可有效学习数据信息。进一步地，基于标签数据对应的位置及尺寸进行裁剪。

再一实施例中，还可对标签数据集中多种地形数据进行图像增强，可以实现为：利用图像生成器工具对多种地形数据进行数据扩充。具体地，对样本划分后的地形数据进行反向操作，然后分别对每个地形数据进行顺时针旋转设定角度，进而，随机将地形数据进行水平翻转、垂直翻转，以使地形数据集扩充到目标数量，保证地形数据样本不存在交叉重叠的现象。

实际上，在地形数据集的地形特征线标注过程中，为了提高地形特征线提取准确性，可选地，还可利用均值变点法提取最优汇流量阈值。然后，基于地表流水物理模拟方法提取出山脊线和山谷线作为标签数据。可选地，地形特征线标注可在上述步骤前执行。

具体而言，利用均值变点法提取最优汇流量阈值，可以实现为：计算不同阈值下的河网总长度和流域面积，由此，拟合出沟道密度(沟道密度＝河网总长度/流域面积)与汇流量阈值间的关系曲线，然后，采用均值变点分析法找到拐点来确定河网汇流量阈值。相对应，利用反地形的特点，提取负地形的山谷线，得到最佳汇流量阈值所提取的自然山脊线。进而，基于地表流水物理模拟方法提取出山脊线和山谷线作为标签数据，可以实现为：利用水文分析工具，并基于地表流水物理模拟方法进行水文网提取。值得说明的是，所提取的水文网即为山谷线，而将地形进行反地形处理进行水文网处理即可得到山脊线。最后，针对上述得到的自然山谷线、山脊线，对多种地形数据进行标注。例如采用labelme软件工具进行标注。

以下将详细描述本发明的一个或多个实施例的地形特征线提取装置。本领域技术人员可以理解，这些地形特征线提取装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。

图4为本发明实施例提供的一种地形特征线提取装置的结构示意图，如图4所示，该地形特征线提取装置包括：获取模块11、提取模块12、特征融合模块13、生成模块14。其中，

获取模块11，用于获取目标区域中的多种地形数据；

提取模块12，用于提取所述多种地形数据中的地形特征，所述地形特征包括所述多种地形数据各自的地形物理特征和/或视觉特征；

特征融合模块13，用于将所述地形特征输入多通道地形特征融合网络，以通过所述多通道地形特征融合网络对所述多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到所述目标区域的联合特征；

生成模块14，用于基于所述目标区域的联合特征，生成所述目标区域的地形特征线。

可选地，提取模块12提取所述多种地形数据中的地形特征时，具体用于：

将所述多种地形数据输入多通道地形特征提取网络中，以通过所述多通道地形特征提取网络分别对所述多种地形数据进行特征提取，得到所述多种地形数据各自对应的地形物理特征向量和/或视觉特征向量。

其中，所述多通道地形特征提取网络包括多个特征提取通道，所述多种地形数据与所述多个特征提取通道一一对应。

其中，可选地，若任一个特征提取通道的地形数据量不符合预设条件，则所述装置还包括镜像填充模块，用于获取地形数据中边界区域的上下文信息，并基于所述上下文信息对所述地形数据进行镜像填充。

可选地，多通道地形特征融合网络包括残差学习模型。

特征融合模块13将所述地形特征输入多通道地形特征融合网络，以通过所述多通道地形特征融合网络对所述多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到所述目标区域的联合特征时，具体用于：

将所述多种地形数据各自对应的地形物理特征向量和/或视觉特征向量拼接为合并特征向量；

将拼接得到的合并特征向量输入所述残差学习模型，以通过所述残差学习模型对所述合并特征向量进行特征融合，得到联合特征向量。

可选地，生成模块14基于所述目标区域的联合特征，生成所述目标区域的地形特征线时，具体用于：

将所述联合特征输入上采样模块，以通过所述上采样模块对所述联合特征进行图像语义分割，得到所述目标区域的地形特征线。

其中，可选地，若所述联合特征为联合特征图像，则生成模块14将所述联合特征输入上采样模块，以通过所述上采样模块对所述联合特征进行图像语义分割，得到所述目标区域的地形特征线，具体用于：

通过所述上采样模块提取所述联合特征图像中的语义特征，并基于所述语义特征对所述联合特征图像进行图像语义分割，以输出初始地形特征线。

进而，生成模块14还用于：采用交叉熵函数和/或Softmax函数对所述初始地形特征线中的边缘特征信息进行增强处理，得到所述目标区域的地形特征线。

可选地，所述装置还包括训练数据获取模块，用于标注训练数据集中的多种地形数据，得到标签数据集；对所述标签数据集中多种地形数据进行样本划分，得到用于训练所述多通道地形特征融合网络的地形数据集。

其中，可选地，所述多种地形数据包括数字高程模型DEM数据、遥感影像数据、基础地形数据。

所述基础地形数据包括以下之一或组合：坡向数据、坡度数据、曲率数据、水文数据。

图4所示地形特征线提取装置可以执行前述各实施例中提供的方法，本实施例未详细描述的部分，可参考前述实施例的相关说明，在此不再赘述。

在一个可能的设计中，上述图4所示的地形特征线提取装置的结构可实现为一电子设备。如图5所示，该电子设备可以包括：处理器21、存储器22。其中，所述存储器22上存储有可执行代码，当所述可执行代码被所述处理器21执行时，至少使所述处理器21可以实现如前述实施例中提供的地形特征线提取方法。

其中，该电子设备的结构中还可以包括通信接口23，用于与其他设备或通信网络通信。

另外，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行前述各实施例中提供的地形特征线提取方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的各个模块可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种地形特征线提取方法，其特征在于，包括：

获取目标区域中的多种地形数据；

提取所述多种地形数据中的地形特征，所述地形特征包括所述多种地形数据各自的地形物理特征和/或视觉特征；

将所述地形特征输入多通道地形特征融合网络，以通过所述多通道地形特征融合网络对所述多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到所述目标区域的联合特征；

基于所述目标区域的联合特征，生成所述目标区域的地形特征线。

2.根据权利要求1所述的方法，其特征在于，所述提取所述多种地形数据中的地形特征，包括：

将所述多种地形数据输入多通道地形特征提取网络中，以通过所述多通道地形特征提取网络分别对所述多种地形数据进行特征提取，得到所述多种地形数据各自对应的地形物理特征向量和/或视觉特征向量；

其中，所述多通道地形特征提取网络包括多个特征提取通道，所述多种地形数据与所述多个特征提取通道一一对应。

3.根据权利要求2所述的方法，其特征在于，若任一个特征提取通道的地形数据量不符合预设条件，则所述方法还包括：

获取地形数据中边界区域的上下文信息，并基于所述上下文信息对所述地形数据进行镜像填充。

4.根据权利要求1所述的方法，其特征在于，所述多通道地形特征融合网络包括残差学习模型；

所述将所述地形特征输入多通道地形特征融合网络，以通过所述多通道地形特征融合网络对所述多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到所述目标区域的联合特征，包括：

将所述多种地形数据各自对应的地形物理特征向量和/或视觉特征向量拼接为合并特征向量；

将拼接得到的合并特征向量输入所述残差学习模型，以通过所述残差学习模型对所述合并特征向量进行特征融合，得到联合特征向量。

5.根据权利要求1所述的方法，其特征在于，所述基于所述目标区域的联合特征，生成所述目标区域的地形特征线，包括：

将所述联合特征输入上采样模块，以通过所述上采样模块对所述联合特征进行图像语义分割，得到所述目标区域的地形特征线。

6.根据权利要求5所述的方法，其特征在于，若所述联合特征为联合特征图像，则

所述将所述联合特征输入上采样模块，以通过所述上采样模块对所述联合特征进行图像语义分割，得到所述目标区域的地形特征线，包括：

通过所述上采样模块提取所述联合特征图像中的语义特征，并基于所述语义特征对所述联合特征图像进行图像语义分割，以输出初始地形特征线；

所述方法还包括：

采用交叉熵函数和/或Softmax函数对所述初始地形特征线中的边缘特征信息进行增强处理，得到所述目标区域的地形特征线。

7.根据权利要求1所述的方法，其特征在于，还包括：

标注训练数据集中的多种地形数据，得到标签数据集；

对所述标签数据集中多种地形数据进行样本划分，得到用于训练所述多通道地形特征融合网络的地形数据集。

8.根据权利要求1至7任一所述的方法，其特征在于，所述多种地形数据包括数字高程模型DEM数据、遥感影像数据、基础地形数据；

所述基础地形数据包括以下之一或组合：坡向数据、坡度数据。

9.一种地形特征线提取装置，其特征在于，包括：

获取模块，用于获取目标区域中的多种地形数据；

提取模块，用于提取所述多种地形数据中的地形特征，所述地形特征包括所述多种地形数据各自的地形物理特征和/或视觉特征；

特征融合模块，用于将所述地形特征输入多通道地形特征融合网络，以通过所述多通道地形特征融合网络对所述多种地形数据各自的地形物理特征和/或视觉特征进行融合，得到所述目标区域的联合特征；

生成模块，用于基于所述目标区域的联合特征，生成所述目标区域的地形特征线。

10.一种电子设备，其特征在于，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至8中任一项所述的地形特征线提取方法。

Images