卷積神經(jīng)網(wǎng)絡支持下的無人機低空攝影測量DEM修補.pdf

1、DEM（Digital Elevation Model）可為數(shù)字城市建設、軍事、基礎測繪實施和災后應急救援等方面工作提供重要的數(shù)據(jù)支持。無人機低空攝影測量DEM生成技術是測繪地理信息數(shù)據(jù)處理研究熱點之一，低空攝影測量通過密集匹配可獲取數(shù)字地表模型（Digital Surface Model，DSM），相比衛(wèi)星攝影測量，其獲取的地表細節(jié)信息更為豐富突出，但也為DEM自動生成帶來較大困難，解決此類問題常用方法主要包括人工后處理和DSM濾波方

2、法。但人工后處理耗時、自動化程度低，而已有濾波方法難以針對性過濾建筑物、樹林等地物高程信息，對其他區(qū)域也會進行平抑，具有一定盲目性。因此，自動識別建筑物、樹林等目標區(qū)并進行DEM修補，對DEM自動生成具有一定的價值。
　　近年來，以深度學習為代表的人工智能算法在遙感目標識別與分類中表現(xiàn)了優(yōu)異的性能，本文采用卷積神經(jīng)網(wǎng)絡（Convolution Neural Network，CNN），利用構建的CNN低空遙感分類模型識別建筑物、樹林

3、等目標區(qū)，通過抗差徑向神經(jīng)網(wǎng)絡高程曲面擬合法修補目標區(qū)高程，旨在實現(xiàn)由無人機低空遙感數(shù)據(jù)自動化修補DEM。針對上述內(nèi)容，本文主要開展以下研究工作：
　　（1）基于卷積神經(jīng)網(wǎng)絡原理，構建CNN低空遙感分類模型，并測試該模型對房屋、植被、道路等非地面要素的分類精度，取得較好效果，驗證了該CNN模型的有效性。
　?。?）針對DSM中含有大量非地面要素的點云數(shù)據(jù)，利用構建的CNN低空遙感分類模型對DSM數(shù)據(jù)進行判別，提取非地面要素構

4、建DEM修補目標區(qū)，剔除修補目標區(qū)高程點，并利用目標區(qū)鄰近高程點擬合其高程。采用高差能量衰減函數(shù)迭代搜索修補目標區(qū)鄰近高程點的選取區(qū)間，同時顧及鄰近高程點的粗差，通過抗差徑向神經(jīng)網(wǎng)絡高程曲面擬合法實現(xiàn)修補目標區(qū)的高程曲面擬合。
　?。?）采用DSM濾波以及人工后處理方法與本文研究方法進行對比實驗，分別生成DEM、三維地形、等高線，同時選取均勻分布的檢核點進行精度比較，結果表明本文方法殘差較小且外符合精度與人工后處理方法接近，驗證了