论文部分内容阅读
数字高程模型(DigitalElevationModel,DEM)是用一种在给定坐标下用离散数字方式表达该坐标下地面点高程的模型。DEM在科学研究和实际生产中都有广泛的运用,而高精度DEM获取一直是学者们探索的重要方向。机载激光雷达(Light Detection And Ranging,LiDAR)能在短时间内可获取海量高精度、高密度的地物表面三维点云,这些观测得到的机载LiDAR点云为获取高精度数字表面模型(Digital Surface Model,DSM)和DEM数据提供了良好的数据源。这些测绘产品中,DSM可以直接从机载的LiDAR点云获得,而DEM是由海量点云中通过滤波所得到的地面点生成的。因此,地面点的数量和质量是决定DEM精度的关键。但在许多植被茂密的山区,激光的光束几乎不能穿覆盖在地表植被,所以可以获得用于生产DEM的地面点数量非常少,这对高精度DEM的生产造成了困难。以往遇到这种情况,我们都是依赖于人工测量加上插值算法来弥补的,但是这样耗时耗力,对算法的可靠性和适应性要求也很高。因此,面对这种情况,我们需要更自动化方法来实现高精度DEM的生产。目前,深度学习理论已经在学习算法的智能化方面体现出了很大的优势,尤其在目前对火的单幅图像超分辨率重建问题上。受此启发,本文提出一种基于神经网络模型的在缺失地面点的情况下生产高精度DEM的方法。该方法通过不断学习同一地区的DEM和DSM数据间的相关性来获得重建模型,并利用DSM和所得到的重建模型,预测出该区域的DEM以实现植被剔除。经典的深度神经网络模型中堆栈自编码器(Stacked Autoencoder,SAE)和卷积神经网络(Convolutional Neural Network,CNN)都具备很强的特性学习能力,所以本文重点讨论这两种模型在山区高精度DEM生成问题上的应用。本文的主要创新点如下:(1)从信号处理的角度入手,提出了一种基于SAE的植被剔除生成的方法,以达到基于机载LiDAR点云数据生产高精度DEM的目的。(2)从图像超分辨重建的角度入手,提出了一种基于CNN的植被剔除生成的方法,并利用镜像填充法抵消了对DSM矩阵做卷积所造成的边缘损失问题。通过在福建和海南的两块山区数据上进行实验,对比传统的人工处理和插值结合所得到的DEM,本文所提出DEM重建方法能更好的重建出许多地形细节,而且人力和时间成本也更低。