(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211125718.4 (22)申请日 2022.09.16 (71)申请人 自然资源部第一 地形测量队 （陕西 省第二测绘工程院） 地址 710054 陕西省西安市测绘 路4号 (72)发明人 曹南　李昕　田怀启　雷梦欣　 弋淑琦　王玥　吴满意　 (74)专利代理 机构 陕西佳禾宏盛知识产权代理 事务所 (特殊普通合伙) 61280 专利代理师 宁文涛 (51)Int.Cl. G06T 17/05(2011.01) G06V 10/764(2022.01) (54)发明名称 一种基于深度学习模型的DSM植被自动降高 方法 (57)摘要 本发明提供了一种基于深度学习模 型的DSM 植被自动降高方法， 包括以下步骤： 构建植被识 别模型以及植被自动降高模型； 分别通过植被识 别模型和植被自动降高模型进行推理， 得到DSM 全图幅降高成果和植被分类成果； 通过植被分类 成果的范围对原始DSM以及经修正后的DSM全图 幅降高成果进行分割， 使用原始DSM的非林地区 域替换经修正后的DSM全图幅降高成果的非林地 区域， 最终形成高程替换成果； 在高程替换结果 的基础上设置林地和非林地 缓冲区， 使用高斯平 滑进行平滑处理， 形成最终的降高后的成果。 本 发明利用RFRNET深度学习模型进行区域整体降 高， 然后通过加入植被和非植被分类信息， 替换 掉非植被区域， 经降高成果优化构成最终的DSM 降高成果。 权利要求书2页 说明书6页 附图2页 CN 115457223 A 2022.12.09 CN 115457223 A 1.一种基于深度学习模型的D SM植被自动降高方法， 其特 征在于， 包括以下步骤： 构建植被识别模型以及植被自动降高模型； 分别通过植被识别模型和植被自动降高模型进行推理， 得到DSM全图幅降高成果和植 被分类成果； 通过植被分类成果的范围对原始DSM以及经修正后的DSM全图幅降高成果进行分割， 使 用原始DS M的非林地区域替换经修正后的DS M全图幅降高成果的非林地区域， 最 终形成高程 替换成果； 在高程替换结果的基础上设置林地和非林地缓冲区， 使用高斯平滑进行平滑处理， 形 成最终的降高后的成果。 2.根据权利要求1所述的一种基于深度学习模型的DSM植被自动降高方法， 其特征在 于， 其中D SM全图幅降高成果需经作业员确定局部修 正值进行降高修 正。 3.根据权利要求1所述的一种基于深度学习模型的DSM植被自动降高方法， 其特征在 于， 对特定区域内同一位置的DOM和DS M分别使用训练出的植被识别模型和植被自动降高模 型进行推理。 4.根据权利要求1所述的一种基于深度学习模型的DSM植被自动降高方法， 其特征在 于， 所述构建植被分类模型包括： 进行植被识别训练数据集的构建， 然后使用植被识别训练数据集对HROCR模型进行模 型训练， 构成DOM植被识别模 型， 然后使用DOM植被识别模 型对待识别DOM数据集进 行模型推 理， 构成DOM植被/非植被分类成果。 5.根据权利要求4所述的一种基于深度学习模型的DSM植被自动降高方法， 其特征在 于， 植被识别模型构建主 要有三个环 节： 数据划分、 数据裁 剪、 模型训练： 数据划分过程对原始数据按照8:2的比例将区域植被识别数据集划分为训练集和验证 集； 数据裁剪过程采用 “滑窗重叠法 ”对原始影像进行裁剪， 利用该方法可以在很大程度 上 减轻由于小图边缘区域识别不精确， 在拼接成大图时在大图上出现明显的小图边缘的痕 迹， 对于每 个滑窗的预测结果只取中间有效部分的结果 拼接大图； 模型训练过程采用通用的COCO数据集上训练的模型作为预训练模型， 设置迭代次数， 对每一次迭代后的模型， 采用语义分割常用的查全率以及查准率对模型在 验证集上的指标 进行统计和分析。 6.根据权利要求1所述的一种基于深度学习模型的DSM植被自动降高方法， 其特征在 于， 构成D SM图幅整体降高成果具体包括： 首先是进行植被降高训练数据集的构建， 然后使用植被降高训练数据集对RFRNET模型 进行模型训练， 构成DSM植被自动降高模 型， 然后使用DS M植被自动降高模 型对待降高DSM数 据集进行模型推理， 构成D SM图幅整体降高成果。 7.根据权利要求6所述的一种基于深度学习模型的DSM植被自动降高方法， 其特征在 于， 构建植被自动降高模型 具体包括数据集划分、 数据裁 剪、 数据过 滤、 模型训练： 数据集划分按照8： 2的比例， 将准备的植被降高训练数据集按照8： 2的比例划分为训练 集和验证集； 数据裁剪在数据划分好后， 对训练数据和验证数据进行裁 剪；权　利　要　求　书 1/2 页 2 CN 115457223 A 2裁剪完成后， 对样本进行数据过滤， 采用既包含植被又包含非植被区域的数据进行模 型训练； 模型训练过程采用通用的COCO数据集上训练的模型作为预训练模型， 设置迭代次数， 在每一次模型迭代完成后， 采用误差度量常用指标平均绝对误差对模型在 验证集上的指标 进行统计和分析。 8.根据权利要求7所述的一种基于深度学习模型的DSM植被自动降高方法， 其特征在 于， 裁剪的方法采用 “滑窗重叠 法”对DSM数据、 D EM数据以及对应的植被 分类的DOM数据进行 裁剪。 9.根据权利要求8所述的一种基于深度学习模型的DSM植被自动降高方法， 其特征在 于， 为了提高裁剪后的子图中既包含植被又包含非植被子图的样本比例， “滑窗重叠法 ”的 窗口大小设置为512， 步长设置为128。权　利　要　求　书 2/2 页 3 CN 115457223 A 3