申请/专利权人：兰州交通大学

申请日：2023-10-19

公开（公告）日：2024-03-08

公开（公告）号：CN117671481A

主分类号：G06V20/10

分类号：G06V20/10;G06V10/44;G06V10/82;G06V10/774;G06V10/80;G06V10/52;G06N3/0464;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.26#实质审查的生效;2024.03.08#公开

摘要：本发明公开了一种基于改进UNet模型的DEM谷底线提取方法，包括：1先对数据集进行特征构建，结合地表高程、地形起伏度、地表切割深度组成多通道融合特征，作为数据集特征以用于模型训练；2谷底线标签数据集构建；3Attention_ASPP_UNet谷底线提取模型构建，在UNet模型的基础上引入注意力模块Attention、多尺度特征融合模块ASPP和类别不平衡处理机制；4模型评价，选择像素准确率、平均交并比、召回率、Dice指数和FWIoU作为模型评价指标；5Attention_ASPP_UNet谷底线提取模型训练与泛化。本发明的方法可以基于DEM数据有效地提取不同地貌类型、不同尺度特征谷底线，具有计算简单、结果直观、适用范围广等优点。

主权项：1.本发明提出了一种基于改进UNet模型的DEM谷底线提取方法，步骤如下：步骤1，基于多通道融合构建特征工程，步骤如下；步骤1.1，对DEM高程数据进行焦点统计，分别获取3×3邻域范围内的最高点高程数据、最低点高程数据、平均高程数据；步骤1.2，将步骤1.1获取得到的DEM邻域内最高、最低点高程数据进行相减，生成地形起伏度数据；步骤1.3，将步骤1.1获取得到的DEM邻域内平均高程与最低点高程数据进行相减，生成地表切割深度数据；步骤1.4，将步骤1.1，1.2，1.3获取的高程特征、地形起伏度特征、地表切割深度特征进行融合叠加，生成多通道的地形特征数据，构建特征工程；步骤2，构建谷底线标签数据集，步骤如下：步骤2.1，对DEM数据进行坑洼填充，生成无洼点DEM数据；步骤2.2，对步骤2.1获取得到的无洼点DEM进行流向分析，计算每个像元到其最陡坡降相邻像元的方向，生成流向数据；步骤2.3，对步骤2.2获取得到的流向数据计算每个像元的累计流量，生成汇流量数据；步骤2.4，利用“均值变点法”计算谷底线提取的汇流量截断最佳阈值；步骤2.5，提取步骤2.3汇流累积量数据中汇流量大于步骤2.4计算得到的汇流量最佳阈值的栅格，即为谷底线；对于上述步骤2.4，利用“均值变点法”提取谷底线数据的步骤如下：步骤2.4.1，基于给定的汇流量阈值N100,200,300,...,1000，将步骤2.3汇流累计量数据中汇流量大于给定阈值的栅格像元设为1，其他栅格设为NoData，生成谷底线标签数据；步骤2.4.2，计算步骤2.4.1给定的每个阈值下的谷底线长度值，并计算相应的沟谷密度值T；步骤2.4.3：对于计算得到的沟谷密度值T序列，取对数InT，得到非线性样本序列{X}，其中i＝1,2,...,N，N为样本数；步骤2.4.4：对于每个kk≥2，将非线性样本序列{X}划分为两段，即X1,X2,...,Xk-1和Xk,Xk+1,...,XN。分别计算前后两段样本序列的算术平均值和同时计算总体样本的统计量和S，其中为总样本的平均值，S为总样本的离差平方和。计算公式为： 步骤2.4.5：计算统计量Sk，Sk为前后两段样本的离差平方和之和。找到S和Sk差值最大的点对应的汇流阈值，该汇流阈值即为该样区的最佳汇流阈值。计算公式为： 步骤3，构建适于谷底线提取的改进的UNet模型，步骤如下：步骤3.1，构建模型编码器部分，构建两个3x3的卷积层和一个2×2的最大池化层MaxPooling，每个卷积层后面跟随一个激活函数ReLU以引入非线性；上述为一层编码层，重复上述编码层构建4层，形成编码器；步骤3.2，构建解码器部分，构建一个反卷积层上采样层、特征拼接concat和两个3x3的卷积层，每个卷积层后会跟随一个激活函数ReLU以引入非线性；上述为一层解码层，重复上述编码层构建4层，形成编码器；步骤3.3，构建空间注意力模块，将该层解码层的特征图与其上一层的编码层特征图经过一个卷积核大小为1×1的卷积层后相加，并依次通过ReLU操作、卷积操作和Sigmoid操作，得到注意力权重系数；通过对注意力权重系数与编码层特征图进行相乘，得到空间注意力加权后的特征图；步骤3.4，构建通道注意力模块，对该层编码层特征图进行全局平均池化操作，将特征图的空间维度压缩为一个通道维度；然后将全局特征向量输入到卷积层中，得到一个通道注意力映射，通道映射为每个通道生成一个权重值，用于指示该通道对于最终结果的重要程度；最后将通道注意力映射应用于原始编码器特征图，对每个通道进行逐通道的缩放；步骤3.5，构建ASPP模块，构建一个1×1卷积分支和两个3×3卷积分支，分别采用曲率为2和3的空洞卷积，然后将所有分支生成的特征进行串联；步骤3.6，构建改进的UNet模型，即Attention_ASPP_UNet模型，基于图1Attention_APP_UNet模型示意图，依据上述步骤所构建的各个模块组成Attention_ASPP_UNet模型；步骤4，模型评价，选择像素准确率、平均交并比、召回率、Dice指数和FWIoU作为模型评价指标；其中像素准确率是将正确预测的像素数量除以总像素数量，计算公式为：Accuracy＝TP+TNTP+FP+FN+TN3FWIoU是通过将每个类别的IoU与该类别在数据集中的频率进行加权平均来计算，计算公式为：FWIoU＝ΣIoU_i*n_iΣnN4Dice系数为预测的前景区域和真实的前景区域之间的重叠部分与它们的平均值之比，计算公式为：Dice＝TP2TP+FP+FN5MeanIoU是一种基于IoU的评价指标，计算所有类别的IoU的平均值，计算公式为：MeanIoU＝ΣIoU_iN6步骤5，Attention_ASPP_UNet谷底线提取模型训练与测试，步骤如下：步骤5.1,随机选取数据集的80％作为训练样本，另外20％分别作为验证样本以及测试样本；设置优化器、损失函数、epoch个数、初始学习率等；步骤5.2，利用上述参数初始化模型，利用测试集对模型进行训练，所有模型都被一次性训练，直到训练损失收敛；步骤5.3，利用测试集对上述步骤4训练好的模型进行测试；经测试后的模型即可泛化应用于DEM谷底线提取。

全文数据：

权利要求：

百度查询： 兰州交通大学 一种基于改进UNet模型的DEM谷底线提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD