一种LiDAR先验引导的卫星影像DEM生成方法、介质及设备

本发明属于航天摄影测量数据处理领域，具体涉及一种lidar先验引导的卫星影像dem生成方法、介质及设备。

背景技术：

1、光学卫星立体观测可在轨获取任意区域空间连续覆盖的遥感数据，是全球地理信息资源建设及森林资源调查的重要手段。利用高分卫星影像高效生产全球/区域数字地形产品(如dsm、dem等)及森林高度数据具有重大现实意义。

2、目前，基于卫星立体影像的dsm(digital surface model，数字表面模型)生产流程已相对成熟，但如何利用卫星影像dsm(digital elevation model，数字高程模型)数据自动生成dem依然困扰着国际学界。作为地理空间数据处理领域的一个经典问题，dem的自动提取已被广泛研究。早期的研究聚焦于基于地面滤波的dem生成方法，近期的研究逐渐开始探索基于地面回归的dem生成方法。

3、基于地面滤波的dem生成方法通常包含地面滤波和高程插值两个步骤，此类方法已广泛应用于lidar(light detection and ranging，激光雷达)点云，但受卫星影像dsm缺陷的影响，其难以稳健处理卫星摄影测量数据。随着生成式ai的快速发展，近期一些研究开始探索基于地面回归的dem生成方法。此类方法试图在统一的深度学习框架中直接实现dsm到dem的转换。然而，由于采用的策略单一且缺乏合理的约束，其生成的dem相对平滑且难以直接无缝拼接。因此，迫切需要探究高分卫星影像dem自动生成的新思路与新方法。

技术实现思路

1、本发明针对现有技术中的不足，提供一种lidar先验引导的卫星影像dem生成方法、介质及设备。通过将卫星影像dem生成难题分解为三个相对单一问题(先验提取、dem回归及一致性优化)的组合，可有效降低整个问题的复杂度，从而实现卫星影像dem的稳健、高质量生成。

2、为实现上述目的，本发明采用以下技术方案：

3、一种lidar先验引导的卫星影像dem生成方法，其特征在于，包括：

4、步骤1：在整块dsm数据中随机裁剪出存在一定重叠区的两个相邻dsm切块；

5、步骤2：建立条件潜在扩散模型，并利用配套的卫星影像dsm数据和lidar dem数据进行训练，用于从两个相邻dsm切块中自适应提取出对应的地形先验特征；

6、步骤3：建立dem回归模型，所述dem回归模型采用基于交叉注意力机制的特征融合策略，将提取的地形先验特征层次化嵌入到transformer回归网络中，得到增强的dem回归特征，并据此进行dem预测；构建多元集成损失函数对dem回归模型进行训练；

7、步骤4：搭建基于dem回归模型的dem回归优化框架，并构建几何一致性损失函数对dem回归优化框架进行训练，用于显式惩罚回归过程中可能存在的尺度偏差，强制dem回归模型输出几何一致的相邻区域dem；

8、步骤5：重复步骤1-4，直至所有dsm切块的总和覆盖原始的整块dsm数据，根据所有dsm切块的dem预测结果生成全局几何一致的大范围无缝dem。

9、为优化上述技术方案，采取的具体措施还包括：

10、进一步地，步骤2中，所述条件潜在扩散模型由潜在编码器e、潜在编码器s、条件去噪扩散概率模型和潜在解码器组成；

11、所述潜在编码器e将配套的卫星影像dsm数据与lidar dem数据的合并数据编码为潜在特征z；所述潜在编码器s将卫星影像dsm数据单独编码为潜在特征c；所述条件去噪扩散概率模型将潜在特征z作为正向扩散过程的起点，并在t次迭代中逐渐向其添加高斯噪声得到zt，在给定zt和c的条件下，利用去噪网络通过t次迭代逐步将高斯噪声转变为先验特征所述潜在解码器将先验特征解码为与输入的dsm切块对应的dem。

12、进一步地，步骤2中，所述地形先验特征的提取方式如下：将训练好的条件潜在扩散模型中的潜在编码器s和条件去噪扩散概率模型的去噪网络进行组合，作为从两个相邻dsm切块中自适应提取出对应的地形先验特征的优良地形先验生成模型。

13、进一步地，步骤3中，所述dem回归模型得到增强的dem回归特征的方式如下：

14、分别将两个相邻dsm切块传给一系列transformer层提取dsm局部特征；

15、采用基于交叉注意力机制的特征融合策略，在多个尺度上将提取的地形先验特征和dsm局部特征进行融合，得到增强的dem回归特征。

16、进一步地，步骤3中，所述多元集成损失函数具体如下：

17、

18、lall＝α1l1+α2lgrad+α3lnorm

19、式中，l1表示l1范数损失，lgrad表示梯度损失，lnorm表示法向量损失，lall为多元集成损失函数，表示用于dem回归模型训练的总损失；de代表dem预测值，dr代表lidar dem真值，是x方向的分量，是y方向的分量，n是像素总数，代表代表α1、α2以及α3是各项子损失的权重；利用多元集成损失函数lall以及标注好的训练集对dem回归模型进行训练。

20、进一步地，步骤4中，所述几何一致性损失函数具体如下：

21、

22、式中，lgeo表示几何一致性损失函数，表示ea中与eb存在重叠的部分，表示eb中与ea存在重叠的部分，v代表ea与eb的重叠区域，ea与eb为dem回归模型预测生成的两个相邻dsm切块对应的dem。

23、进一步地，步骤4中，所述对dem回归优化框架进行训练具体为：采用几何一致性损失函数lgeo以及标注好的训练集对dem回归优化框架进行训练。

24、进一步地，步骤5中，所述根据所有dsm切块的dem预测结果生成全局几何一致的大范围无缝dem的过程中，对所有dsm切块的dem预测结果中的重叠区进行平均融合处理。

25、相应地，本发明还提出了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如上所述的lidar先验引导的卫星影像dem生成方法。

26、相应地，本发明还提出了一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上所述的lidar先验引导的卫星影像dem生成方法。

27、本发明的有益效果是：

28、(1)本发明结合基于交叉注意力机制的特征融合策略，采用层次化的方式，将扩散模型生成的地形先验特征高效嵌入到基于transformer的dem回归模型中，既可实现地形关联特征的选择性凸显，又能增强模型处理复杂场景的泛化能力；

29、(2)本发明在相邻区dem回归的过程中，预先引入几何一致性损失来显式惩罚可能存在的相邻区预测偏差，强制模型输出相同尺度的结果，既能促使生成全局一致的大范围无缝dem，又能提升dem回归模型的预测精度。

技术特征：

1.一种lidar先验引导的卫星影像dem生成方法，其特征在于，包括：

2.如权利要求1所述的一种lidar先验引导的卫星影像dem生成方法，其特征在于：步骤2中，所述条件潜在扩散模型由潜在编码器e、潜在编码器s、条件去噪扩散概率模型和潜在解码器组成；

3.如权利要求2所述的一种lidar先验引导的卫星影像dem生成方法，其特征在于：步骤2中，所述地形先验特征的提取方式如下：将训练好的条件潜在扩散模型中的潜在编码器s和条件去噪扩散概率模型的去噪网络进行组合，作为从两个相邻dsm切块中自适应提取出对应的地形先验特征的优良地形先验生成模型。

4.如权利要求1所述的一种lidar先验引导的卫星影像dem生成方法，其特征在于：步骤3中，所述dem回归模型得到增强的dem回归特征的方式如下：

5.如权利要求4所述的一种lidar先验引导的卫星影像dem生成方法，其特征在于：步骤3中，所述多元集成损失函数具体如下：

6.如权利要求1所述的一种lidar先验引导的卫星影像dem生成方法，其特征在于：步骤4中，所述几何一致性损失函数具体如下：

7.如权利要求6所述的一种lidar先验引导的卫星影像dem生成方法，其特征在于：步骤4中，所述对dem回归优化框架进行训练具体为：采用几何一致性损失函数lgeo以及标注好的训练集对dem回归优化框架进行训练。

8.如权利要求1所述的一种lidar先验引导的卫星影像dem生成方法，其特征在于：步骤5中，所述根据所有dsm切块的dem预测结果生成全局几何一致的大范围无缝dem的过程中，对所有dsm切块的dem预测结果中的重叠区进行平均融合处理。

9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-8任一项所述的lidar先验引导的卫星影像dem生成方法。

10.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-8任一项所述的lidar先验引导的卫星影像dem生成方法。

技术总结
本发明提出了一种LiDAR先验引导的卫星影像DEM生成方法、介质及设备，包括：在整块DSM数据中随机裁剪出存在一定重叠区的两个相邻切块；利用配套的卫星影像DSM数据和LiDAR DEM数据训练条件潜在扩散模型，并分别从两个相邻DSM切块中自适应提取出对应的地形先验特征；采用基于交叉注意力机制的特征融合策略，将生成的地形先验特征层次化嵌入到Transformer回归网络中，并构建多元集成损失函数，显式引导DSM切块到DEM预测的细节增强；构建几何一致性损失函数，显式惩罚相邻区DEM回归过程中可能存在的尺度偏差，强制模型输出几何一致的相邻区域DEM。本发明既可实现地形关联特征的选择性凸显，又能生成全局一致的大范围无缝DEM。

技术研发人员：秦楠楠
受保护的技术使用者：南京信息工程大学
技术研发日：
技术公布日：2024/9/29