CN116486282A 一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质 （自然资源部陕西基础地理信息中心(自然资源部陕西测绘资料档案馆)）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN116486282A(43)申请公布日2023.07.25

(21)申请号202310613134.X

(22)申请日2023.05.29

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

(71)申请人自然资源部陕西基础地理信息中心

(自然资源部陕西测绘资料档案馆)

地址710000陕西省西安市友谊东路334号

(72)发明人王馨爽刘建歌张永振王祖亮万翔

GO6N3/08(2023.01)

(74)专利代理机构北京汇信合知识产权代理有

限公司11335专利代理师周冬冬

(51)Int.CI.

GO6V20/13(2022.01)

GO6V20/10(2022.01)

GO6V10/26(2022.01)

GO6V10/764(2022.01)

权利要求书2页说明书5页附图1页

(54)发明名称

一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质

(57)摘要

本发明公开了一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质，包括基于图像中的各个地物，确定降高区域类别，降高区域类别包括植被和房屋建筑；从图像中选

采集立体卫星数据图像

基于立体卫星数据图像中的各个地物，确定降高区域类别，降高区域类别包括植被和房屋建筑

从立体卫星数据图像中选取连续或多块独立的可代表整景地表景观形态的局部区域作为样本区

CN116486282A取局部区域作为样本区；对样本区中每个像素进行类别标注，获得训练样本，训练样本包括植被类别样本、房屋建筑类别样本和其他类别样本；在TensorFlow框架下，训练U-Net模型；将待测试图像输入至训练完成的U-Net模型中，获得分类预测数据；基于混淆矩阵对分类预测数据进行精度验证，符合，提取到降高区域数据，不符合，调整U-Net模型参数并修改训练样本重新训练直至符合，基于降高区域数据，制作数字高程模型。本发明使用的U-Net模型，自动提取降高区域，有效提高

CN116486282A

基于降高区域类别，对样本区中每个像素进行类别标注，获得训练样本，训练样本包括

植被类别样本、房屋建筑类别样本和其他类别样本，其他类别样本为植被类别样本和房

屋建筑类别样本的剩余区域类别样本

在TensorFlow框架下，用训练样本训练U-Net模型

将待测试的遥感图像输入至训练完成的U-Net模型中，获得分类预测数据

基于混淆矩阵对分类预测数据进行精度验证，若符合，则提取到降高区域数据，若不符合，则调整U-Net模型参数并修改训练样本重新迭代训练直至精度符合要求

将立体卫星数据图像输入至训练好的U.

Net模型中，基于数字正射影像，获取立体卫星数据图像中的降高区城数据

基于降高区域数据，制作数字高程模型

CN116486282A权利要求书1/2页

2

1.一种基于深度学习的数字高程模型制作方法，其特征在于，包括：

采集立体卫星数据图像；

基于所述立体卫星数据图像中的各个地物，确定降高区域类别，所述降高区域类别包括植被和房屋建筑；

从所述立体卫星数据图像中选取连续或多块独立的可代表整景地表景观形态的局部区域作为样本区；

基于所述降高区域类别，对所述样本区中每个像素进行类别标注，获得训练样本，所述训练样本包括植被类别样本、房屋建筑类别样本和其他类别样本，所述其他类别样本为所述植被类别样本和房屋建筑类别样本的剩余区域类别样本；

在TensorFlow框架下，用所述训练样本训练U-Net模型；

将待测试的立体卫星数据图像输入至训练完成的U-Net模型中，获得分类预测数据；

基于混淆矩阵对所述分类预测数据进行精度验证，若符合，则提取到降高区域数据，若不符合，则调整所述U-Net模型参数并修改训练样本重新迭代训练直至精度符合要求；

将所述立体卫星数据图像输入至训练好的所述U-Net模型中，基于数字正射影像，获取所述立体卫星数据图像中的降高区域数据；

对所述降高区域数据进行滤波处理，并对滤波后高程值不准确的区域通过所述立体卫星数据图像中的数字表面模型进行矫正，得到数字