当前位置: 首页 > 科学研究 > 科研成果 > 正文

基于DCGAN地形纹理生成模型的DEM空洞修复


1. 标题

基于DCGAN地形纹理生成模型的DEM空洞修复

2. 成果信息

Qiu, Z., Yue L., and Liu X. (2019). "Void Filling of Digital Elevation Models with a Terrain Texture Learning Model Based on Generative Adversarial Networks." Remote Sensing 11(23): 2829.

3. 成果团队成员

邱中航,本科,中国地质大学(武汉)地理与信息工程学院,主要研究兴趣为遥感图像处理,深度学习等。

岳林蔚,博士,中国地质大学(武汉)地理与信息工程学院,副教授,主要从事三维地理空间数据质量改善,遥感数据融合,水资源环境监测应用等研究,联系邮箱:yuelw@cug.edu.cn

刘修国,博士,中国地质大学(武汉)地理与信息工程学院,教授,主要从事遥感信息提取及其地学应用、地学大数据建模及可视分析等方面研究。

4. 成果介绍

在缺少有效观测值的情况下,传统的图像修复算法对单源DEM数据的修复难取得较好修复效果。本文利用深度卷积生成对抗网络(DCGAN)对DEM数据的特征挖掘与学习能力,通过对具备相似地形纹理的DEM数据进行训练学习,结合数据缺失区域的邻域信息对DEM进行修复,构建基于深度卷积生成对抗网络的地形纹理生成模型,模型结构如图1所示。

1 地形纹理生成模型(TTGM)结构示意图

自适应地形纹理生成模型由生成器(G)和判别器(D)组成,输入随机向量z,生成模型可以模拟训练数据生成具有地形纹理DEM数据,而判别器可以提取生成数据特征,与具备真实地形纹理的训练数据进行对比,通过判别和误差回传来更新深度网络的权值,最终得到一个可以稳定生成符合真实地形纹理特征DEM数据的模型为了得到更加符合地形起伏规律的生成数据,本文利用高程、坡度和地形起伏度等多个因子组合构建训练数据样本集;在判别器模型中使用步幅卷积(strided convolutions来替代空间池化(pooling),有效消除生成结果中的伪痕效应同时,构建由像素一致性约束项、加权区域感知约束项以及数据分布先验约束组成的损失函数,根据输入的待修复数据估计数据的分布空间,确定输入的随机向量z。

本项目在全球四个主要山脉分布区域选取DEM数据构建训练数据集(图2),通过蒙特卡洛随机裁剪的方式得到了70000幅尺寸为64x64DEM数据,其中70%用于构建训练数据集30%用于构建测试数据集经过训练的地形生成模型实现输入含空洞的山区DEM数据,可以对无数据区域进行有效修复,重建地形纹理。从实验结果可以看出,与传统插值方法相比(图3-4),本项目基于深度网络构建地形纹理生成模型,能够处理较大空洞区域,重建自然的地形纹理。同时,基于地形纹理生成模型的处理结果能够用于地形特征提取等应用,与参考数据具有较好的一致性,因此能够提升DEM数据的有效性。

                             2 训练数据选取及训练集构建

3 实验结果展示。(a)(d)为空洞数据,(b)(e)为样条插值结果,(c)(f)为本项目方法处理结果。

4 实验结果效果展示