卷积神经网络支持下的无人机低空摄影测量DEM修补

摘要

DEM（Digital Elevation Model）可为数字城市建设、军事、基础测绘实施和灾后应急救援等方面工作提供重要的数据支持。无人机低空摄影测量DEM生成技术是测绘地理信息数据处理研究热点之一，低空摄影测量通过密集匹配可获取数字地表模型（Digital Surface Model，DSM），相比卫星摄影测量，其获取的地表细节信息更为丰富突出，但也为DEM自动生成带来较大困难，解决此类问题常用方法主要包括人工后处理和DSM滤波方法。但人工后处理耗时、自动化程度低，而已有滤波方法难以针对性过滤建筑物、树林等地物高程信息，对其他区域也会进行平抑，具有一定盲目性。因此，自动识别建筑物、树林等目标区并进行DEM修补，对DEM自动生成具有一定的价值。　　近年来，以深度学习为代表的人工智能算法在遥感目标识别与分类中表现了优异的性能，本文采用卷积神经网络（Convolution Neural Network，CNN），利用构建的CNN低空遥感分类模型识别建筑物、树林等目标区，通过抗差径向神经网络高程曲面拟合法修补目标区高程，旨在实现由无人机低空遥感数据自动化修补DEM。针对上述内容，本文主要开展以下研究工作：　　（1）基于卷积神经网络原理，构建CNN低空遥感分类模型，并测试该模型对房屋、植被、道路等非地面要素的分类精度，取得较好效果，验证了该CNN模型的有效性。　　（2）针对DSM中含有大量非地面要素的点云数据，利用构建的CNN低空遥感分类模型对DSM数据进行判别，提取非地面要素构建DEM修补目标区，剔除修补目标区高程点，并利用目标区邻近高程点拟合其高程。采用高差能量衰减函数迭代搜索修补目标区邻近高程点的选取区间，同时顾及邻近高程点的粗差，通过抗差径向神经网络高程曲面拟合法实现修补目标区的高程曲面拟合。　　（3）采用DSM滤波以及人工后处理方法与本文研究方法进行对比实验，分别生成DEM、三维地形、等高线，同时选取均匀分布的检核点进行精度比较，结果表明本文方法残差较小且外符合精度与人工后处理方法接近，验证了本文方法的有效性。　　（4）采用克里金、IDW、RBF、局部多项式四种插值算法与本文研究方法进行对比实验，实验结果表明DEM精度受建筑物、树林等非地面要素干扰较大，本文方法精度高于克里金、IDW、RBF、局部多项式插值算法，适用于低空摄影测量DEM自动修补，修补后的DEM能准确表达地形地貌。

目录

声明

1 绪论

1.1 研究背景和意义

1.2 国内外研究现状及趋势

1.3 研究内容

1.4 论文结构安排

2 无人机摄影测量数据处理

2.1 相机标定

2.2 影像匹配

2.3 低空影像空中三角测量

2.4 DSM点云数据处理

2.5 本章小结

3 CNN低空遥感分类模型

3.1 神经网络模型

3.2 构建CNN低空遥感分类模型

3.3 CNN低空遥感分类模型分类精度测试

3.4 本章小结

4 CNN支持下的DEM修补

4.1 常用DEM插值方法

4.2 DEM修补区构建

4.3 修补区高程训练样本选取

4.4 修补区高程曲面拟合

4.5 本章小结

5 实验及分析

5.1 实验数据介绍

5.2 实验过程及结果分析

6 总结与展望

6.1 本文总结

6.2 研究展望

致谢

参考文献

攻读硕士期间完成的主要工作