一种遥感测绘三维地形特征的高精度提取系统及方法与流程

本发明涉及三维图像处理，尤其涉及一种遥感测绘三维地形特征的高精度提取系统及方法。

背景技术：

1、三维图像处理技术领域涉及从二维图像或图像序列中生成、处理和分析三维数据的方法和系统，领域的核心技术包括三维重建、视差图计算、立体匹配和深度估计，通过使用先进的算法和计算技术，三维图像处理能够为虚拟现实、游戏开发、电影制作以及工业和医学应用提供精确的三维视觉表示，此技术特别重要的是其能够处理和解析来自多种传感器（如立体相机、激光扫描仪、雷达）的数据，进而创建详尽的三维模型和地形图。

2、其中，遥感测绘三维地形特征的高精度提取系统是一种专门设计用于从遥感数据中提取地形特征的高级系统，主题的核心是利用遥感技术，如卫星图像和航空摄影，通过三维图像处理技术精确地测绘地表。系统的主要用途包括环境监控、城市规划、灾害管理和地理信息系统（gis）的更新，这种系统通过提供高精度和高分辨率的地形信息，使得决策者能够更好地理解地表状况和地形变化，从而在各种应用领域中做出更为明智的决策。

3、现有技术虽然能够支持多种传感器数据的解析和三维模型的创建，但在处理快速变化的地形数据时，其参数更新和状态预测通常不够灵活，导致在灾害发生后的紧急情况下，数据处理和更新不够及时。现有技术在从遥感数据中提取地形特征时，依赖于静态的算法和模型，缺乏对地形变化动态监控的能力，这种静态的处理方式难以适应环境变化频繁和数据更新速度要求高的实际应用场景。例如，在城市规划和灾害管理中，对地形数据的即时解析和准确预测是极为关键的，现有技术未能提供足够的支持，导致决策延误或不精确，从而影响最终的应用效果和安全管理。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的一种遥感测绘三维地形特征的高精度提取系统及方法。

2、为了实现上述目的，本发明采用了如下技术方案：一种遥感测绘三维地形特征的高精度提取系统包括：

3、地形状态定义模块基于卫星遥感图像，识别正常、预警、灾害后地形状态，关联每个状态与地形特征集合，得到状态定义数据，并初始化隐马尔可夫模型，设定初始状态分布，得到初始化概率矩阵；

4、地形动态概率模型模块基于所述初始化概率矩阵，捕捉新遥感图像，通过地形特征数据，计算状态转移与观测概率，生成动态概率模型，使用所述动态概率模型，更新隐马尔可夫模型的参数，获取更新后的模型参数；

5、地形变化序列解码模块基于所述更新后的模型参数，应用维特比算法处理连续的观测数据，识别地形状态变化序列，生成状态变化结果，根据所述状态变化结果，预测未来时间段内的地形变化趋势，得到地形预测分析结果；

6、三维地形特征边界提取模块基于所述地形预测分析结果，进行遥感图像的深度学习训练，对地形特征进行语义分割，生成地形特征区分框架，应用所述地形特征区分框架，提取地形特征边界，获取三维地形特征边界提取数据。

7、作为本发明的进一步方案，所述初始化概率矩阵的获取步骤具体为：

8、基于卫星遥感图像，识别地形状态，关联地形特征集合与每个状态，使用公式：

9、

10、得到状态定义数据，其中，是第个状态的特征矩阵，是第个状态的地形特征权重，表示状态定义数据，表示总地形状态数量；

11、使用所述状态定义数据，并初始化隐马尔可夫模型，设定初始状态分布，应用公式：

12、

13、生成初始化状态概率，其中，表示初始化状态概率，表示规范化常数，表示调节参数，表示状态定义数据；

14、根据所述初始化状态概率，构建概率矩阵，计算平均化处理后的概率矩阵，采用公式：

15、

16、生成初始化概率矩阵，其中，表示初始化概率矩阵，从第个状态的初始化状态概率，是状态总数量。

17、作为本发明的进一步方案，所述动态概率模型的获取步骤具体为：

18、基于所述初始化概率矩阵，捕捉新遥感图像，通过地形特征数据，应用公式：

19、

20、生成初始状态转移概率，其中，表示初始状态转移概率，表示第个状态的地形特征数据，表示初始化概率矩阵，表示调整参数；

21、基于所述初始状态转移概率，利用新遥感图像数据更新区域特征信息，将更新的特征信息与转移概率矩阵结合，采用公式：

22、

23、获取初始观测概率，其中，表示初始观测概率，表示初始状态转移概率，表示遥感图像数据，表示归一化因子；

24、结合所述初始观测概率与初始状态转移概率，进行归一化处理，强化模型对状态概率的响应，使用公式：

25、

26、生成动态概率模型，其中，表示动态概率模型，表示初始观测概率，表示初始状态转移概率。

27、作为本发明的进一步方案，所述更新后的模型参数的获取步骤具体为：

28、根据所述动态概率模型，更新隐马尔可夫模型的状态转移概率，参照模型的复杂性和适应性，使用公式：

29、

30、生成更新后的状态转移概率，其中，表示动态概率模型，代表调整系数，为归一化常数，为更新后的状态转移概率；

31、结合所述更新后的状态转移概率和当前遥感数据，更新所述初始观测概率，运用公式：

32、

33、得到更新后的观测概率，其中，为更新后的状态转移概率，为新的遥感数据，和为调整参数，为更新后的观测概率；

34、结合所述更新后的观测概率和更新后的状态转移概率，重新估计模型参数，使用公式：

35、

36、得到更新后的模型参数，其中，和分别是更新后的状态转移概率和观测概率，表示状态转移参数的权重，表示观测参数的权重，是归一化系数，表示更新后的模型参数。

37、作为本发明的进一步方案，所述状态变化结果的获取步骤具体为：

38、根据所述更新后的模型参数，利用维特比算法处理观测数据，结合观测数据和更新后的参数，采用公式：

39、

40、生成初始路径概率，其中，为更新后的模型参数，为观测数据，为初始化路径概率；

41、基于所述初始路径概率，通过每个时间点捕捉观测数据，并根据当前的状态转移概率和观测概率，逐步计算并更新多个时间点的路径概率，应用公式：

42、

43、得到更新的路径概率，其中，为前一时间点的路径概率，为时间点的模型参数，为归一化常数，为更新的路径概率；

44、基于所述更新的路径概率，根据维特比算法中计算的最优路径概率，确定状态变化序列，使用公式：

45、

46、通过选择概率高的路径，确定状态变化结果，其中，为状态变化结果，为更新的路径概率。

47、作为本发明的进一步方案，所述地形预测分析结果的获取步骤具体为：

48、根据所述状态变化结果，监测数据提供每个地形单元的历史高度变化信息，通过公式：

49、

50、得到每个地形单元的变化速率，其中代表地形单元的高度变化，代表时间间隔，表示每个地形单元的变化速率；

51、结合根据所述每个地形单元的变化速率与环境因子，计算地形调整系数，通过公式：

52、

53、得到调整后的变化速率，其中，代表每个地形单元的变化速率，代表环境因子，为常数，表示调整后的变化速率；

54、将所述调整后的变化速率应用于预测模型，分析未来时间段内的地形高度，通过公式：

55、

56、生成地形预测分析结果，其中，代表当前地形高度，代表调整后的变化速率，代表预测时间长度，表示地形预测分析结果。

57、作为本发明的进一步方案，所述三维地形特征边界提取数据的获取步骤具体为：

58、根据所述地形预测分析结果，从遥感数据集中提取关键帧图像，进行初步的地形特征标记，通过公式：

59、

60、生成初步特征标记图像集，其中，表示初步特征标记图像集，表示输入的单个遥感图像，表示应用于目标地形特征的关键区域，表示总图像数量；

61、根据所述初步特征标记图像集，应用深度神经网络模型，对图像进行学习与分析，采用公式：

62、

63、生成特征向量集，其中，表示神经网络层的权重，表示偏置，表示自然对数底数，表示特征向量集，表示第个图像的初步特征标记图像集；

64、基于所述特征向量集，执行定量分析并区分差异化的地形特征，采用公式：

65、

66、获取三维地形特征边界提取数据，其中，表示从特征向量集中提取的单个特征向量，表示特征向量的总数量，表示用于地形分类的阈值，表示三维地形特征边界提取数据。

67、一种遥感测绘三维地形特征的高精度提取方法，所述遥感测绘三维地形特征的高精度提取方法基于上述遥感测绘三维地形特征的高精度提取系统执行，包括以下步骤：

68、s1：基于卫星遥感图像，对识别的图像进行分析，识别并分类地形状态为正常、预警、灾害三类，设置隐马尔可夫模型的初始状态分布，得到初始化概率矩阵；

69、s2：根据所述初始化概率矩阵，捕获新遥感图像，提取地形特征数据，更新隐马尔可夫模型的状态转移概率和观测概率，得到更新后的模型参数；

70、s3：使用所述更新后的模型参数，对连续遥感图像数据进行处理，通过维特比算法识别地形状态变化序列，解析并记录地形状态的转换，预测未来时间段内的地形变化趋势，生成地形预测分析结果；

71、s4：基于所述地形预测分析结果，执行深度学习算法对遥感图像进行处理，通过语义分割标注地形特征，强化地形特征的识别精度，得到地形特征区分框架；

72、s5：应用所述地形特征区分框架对新捕获的遥感图像进行分析，提取地形特征边界，记录和整理边界数据，生成三维地形特征边界提取数据。

73、与现有技术相比，本发明的优点和积极效果在于：

74、本发明中，通过初始化隐马尔可夫模型并设定初始状态分布，提高了从遥感图像中提取地形特征的动态检测能力，在地形动态概率模型中，新遥感图像的持续捕获和特征数据的实时分析，允许系统实时更新模型参数，这种动态调整方式优化地形状态的监测和预测精度，使用维特比算法处理观测数据，系统能够更准确地识别地形状态变化序列，从而有效预测未来地形变化趋势，利用深度学习对地形特征进行语义分割，并从中提取三维地形特征边界，显著提高了地形数据的可用性和准确性，提升地形数据的解析能力和对复杂地形变化的响应速度，对于灾害管理、环境监控等领域提供更为精确和实时的数据支持。