三维复杂微地形识别方法、装置、计算机设备及存储介质与流程

1.本发明涉及地形识别方法，更具体地说是指三维复杂微地形识别方法、装置、计算机设备及存储介质。


背景技术：

2.输电线路中的某一小段，甚至一两基铁塔之间，在系统性天气的影响下，受特殊地形影响，使得该地区某些气候因子特别增强，超过该地区设计的冰、风条件，从而可能危及输电线路运行的地区，称为“微地形微气象区”。近年来已有不少研究者意识到微地形微气象对输电铁塔影响较大，并试图从气象、地形等方面着手进行分析，但少有研究者将微地形微气象区域进行综合分类分析。
3.地貌形态指地表的几何形状特征，与地表物质组成、成因和演化过程同为地貌学研究的基本内容。地貌形态既有典型的空间差异分布现象，又在一定范围内表现出相对独立的特征，因此研究及应用中常常划分为不同的地貌形态类型。地貌形态类型具有典型的尺度和层级特点，随研究应用目的的不同，不同领域间并没有统一、确定的地貌形态类型分类体系，但为便于理解，可大致分为基本形态类型和复合形态类型。前者是地貌形态的基本类型单元，如坡位、地貌形态元素；而后者则是由基本形态类型及较低级的形态类型按一定空间格局组合而成的，例如，坡面是由不同坡位组合而成，多级阶地是若干单一阶地复合而成。地貌形态类型作为一类基础地理要素空间单元，对微地形的相关研究有重要作用。例如，地貌学研究在地貌形态类型的基础上进一步考虑物质组成、成因、演化特征等非形态因素，以识别地貌类型。地貌形态类型在生态研究、推测性土壤制图等诸多应用领域中常作为重要的输入数据。因此，高效准确地提取地貌形态类型的空间分布十分必要。
4.微地形分类技术包括现有的微地形分类系统、微地形dem(数字高程模型，digital elevation model)编码以及先聚类再分类的系统；当前研究者使用的微地形分类系统，无法对所有可能的地形进行覆盖，只存在着少数研究者所认为可能对输电线路产生影响的微地形，相似的地形无法参数化、量化区分，容易出现错分类的情况，需要人工寻找样本才可以进行监督分类，十分耗时；对于dem的编码，目前引用较多的方法是geomorphons算法，可在此基础上再进行微地形的分类，但是geomorphons算法只考虑了九宫格中周围的每个点相对于中心点的高低情况，未考虑九宫格dem中，九个点的两两大小。这样会损失许多dem的纹理。但是如果过度考虑dem的每一种可能的纹理情况，样本量将会是巨大的。对dem的分类，现大部分学者一般使用先聚类，再分类的方法，并且需要人工在中途进行干预，对于较为相近的类别，容易出现错分，并且实际地形中，不同类别的dem样本数量是不同的，容易影响分类算法的效果。
5.因此，有必要设计一种的方法，以解决分类系统覆盖不完整和不灵活、dem数据复杂纹理和冗余以及微地形分类易错分，样本量不均衡，需要人工干预，聚类数不容易确定的问题。


技术实现要素：

6.本发明的目的在于克服现有技术的缺陷，提供三维复杂微地形识别方法、装置、计算机设备及存储介质。
7.为实现上述目的，本发明采用以下技术方案：三维复杂微地形识别方法，包括：
8.获取待识别dem数据；
9.将所述待识别dem数据输入至分类模型进行微地形类别的识别，以得到对应的微地形类别；
10.其中，所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的。
11.其进一步技术方案为：所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的，包括：
12.构建参数化微地形分类系统；
13.选取符合要求的dem数据；
14.利用改进的geomorphons算法对所述dem数据进行编码，以得到dem编码；
15.基于transformation group算法对所述dem编码进行降维，以得到降维数据；
16.指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类；
17.输入参数，根据所述参数化微地形分类系统，构造假地形，输出假地形对应的dem编码；
18.根据假地形对应的dem编码判断对应的kmeans的无监督分类的每一个类别下是否只存在一个参数化微地形分类类别；
19.若对应的kmeans的无监督分类的每一个类别下只存在一个参数化微地形分类类别，则利用gis空间分析，对已确定微地形类别的dem数据进行地理信息特征提取，将提取到的特征和对应的类别组合，形成样本对。
20.将样本对输入卷积神经网络内进行训练，并保存训练好的卷积神经网络，以得到分类模型。
21.其进一步技术方案为：所述根据假地形对应的dem编码判断对应的kmeans的无监督分类的每一个类别下是否只存在一个参数化微地形分类类别之后，还包括：
22.若对应的kmeans的无监督分类的每一个类别下不是只存在一个参数化微地形分类类别，则调整分类类别数，并执行所述指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类。
23.其进一步技术方案为：所述输入参数，根据所述参数化微地形分类系统，构造假地形，输出假地形对应的dem编码，包括：
24.根据所述参数化微地形分类系统，自行设置地形参数，以得到多种不同的假地形；
25.对多种不同的假地形利用改进的geomorphons算法对假地形的dem数据进行编码，以得到假地形对应的dem编码。
26.其进一步技术方案为：所述卷积神经网络包括alexnet模型。
27.其进一步技术方案为：所述alexnet模型包括五个卷积层和三个全连接层；且所述
alexnet模型使用层叠的卷积层提取图像的特征，使用dropout以及数据增强抑制过拟合，所述alexnet模型使用relu作为激活函数。
28.其进一步技术方案为：所述利用改进的geomorphons算法对所述dem数据进行编码，以得到dem编码，包括：
29.对所述dem数据进行两两比对，并进行编码，以得到九进制编码；
30.将所述九进制编码转换为十进制编码，以得到dem编码。
31.本发明还提供了三维复杂微地形识别装置，包括：
32.获取单元，用于获取待识别dem数据；
33.识别单元，用于将所述待识别dem数据输入至分类模型进行微地形类别的识别，以得到对应的微地形类别；其中，所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的。
34.本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
35.本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
36.本发明与现有技术相比的有益效果是：本发明通过将待识别dem数据输入至分类模型进行微地形类别的识别，且所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的，以解决分类系统覆盖不完整和不灵活、dem数据复杂纹理和冗余以及微地形分类易错分，样本量不均衡，需要人工干预，聚类数不容易确定的问题。
37.下面结合附图和具体实施例对本发明作进一步描述。
附图说明
38.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本发明实施例提供的三维复杂微地形识别方法的应用场景示意图；
40.图2为本发明实施例提供的三维复杂微地形识别方法的流程示意图；
41.图3为本发明实施例提供的三维复杂微地形识别方法的子流程示意图；
42.图4为本发明实施例提供的三维复杂微地形识别方法的子流程示意图；
43.图5为本发明实施例提供的三维复杂微地形识别方法的子流程示意图；
44.图6为本发明实施例提供的y型的几何参数的示意图；
45.图7为本发明实施例提供的dem几何不变量的示意图；
46.图8为本发明实施例提供的y型类别的聚类结果示意图；
47.图9为本发明实施例提供的自动化选择训练样本的流程示意图；
48.图10为本发明实施例提供的alexnet模型的示意图；
49.图11为本发明实施例提供的加入dropout的网络的示意图；
50.图12为本发明实施例提供的最大池化层结构的示意图；
51.图13为本发明实施例提供的三维复杂微地形识别装置的示意性框图；
52.图14为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
55.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
56.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
57.请参阅图1和图2，图1为本发明实施例提供的三维复杂微地形识别方法的应用场景示意图。图2为本发明实施例提供的三维复杂微地形识别方法的示意性流程图。该三维复杂微地形识别方法应用于服务器中。该服务器与终端进行数据交互，通过对终端输入的待识别dem(数字高程模型，digital elevation model)数据，采用训练完成的分类模型进行识别，采用参数化微地形分类系统来实现多种不同微地形的灵活调控，采用dem编码器和基于transformation group的数据降维降低dem数据的复杂性和冗余性，采用复杂微地形自动化预聚类分类算法进行微地形分类。
58.图2是本发明实施例提供的三维复杂微地形识别方法的流程示意图。如图2所示，该方法包括以下步骤s110至s120。
59.s110、获取待识别dem数据。
60.在本实施例中，待识别dem数据是指需要进行类别识别的微地形的dem数据。
61.s120、将所述待识别dem数据输入至分类模型进行微地形类别的识别，以得到对应的微地形类别。
62.在本实施例中，微地形类别按山体轮廓分有余弦形、高斯形、三角形、钟形等；按山体数量有单山、双山、群山之分；按山体体量则又可分为山峰和山脉；按山体走势及山体间相对关系可分为垭口、峡谷和喇叭口等。
63.另外，所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的。
64.在一实施例中，上述的分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的，可包括步骤s121～s1210。
65.s121、构建参数化微地形分类系统；
66.在本实施例中，参数化微地形分类系统是指利用参数进行微地形分类的系统，在该系统中，每一个类别，只需调整不同的参数，就可以覆盖多种看似不同的dem，地形类别的几何参数也可以被认为是该类别的几何特征。
67.参数化微地形分类系统如下：一是峡谷-垭口-山脉型：在绵延的山脉之间所形成的垭口，此处气流表现为集中加速现象。当山区输电线路横跨垭口时，狭管效应将导致横向风速明显增大，也有少量覆冰量增加的可能。线路横跨峡谷，两岸很高很陡，通过狭管效应产生较大且持续时间较长的局部横向风速，将导致送电线路风载荷的大幅度增加；二是余弦山脉，余弦山脉是一种常见的地形，是多种微地形的组成部分，会阻挡上升风，导致背坡温度较低，容易产生电路覆冰。三是π型山脉，线路横跨峡谷，两岸很高很陡，通过狭管效应产生较大且持续时间较长的局部横向风速，将导致送电线路风载荷的大幅度增加，容易造成导线舞动；四是y型，当线路走廊迎面y型山脉时，因迎风坡地形抬升效应，产生饱含水汽的强风，容易导致迎风坡线路倒塔断线情况。在山顶及迎风坡侧，在风速作用下沿山坡上升而发生绝热膨胀过程，使得过冷却水从空气中冷却出来，附着至导线上使导线覆冰情况加重。每个地形都有对应的几何参数，如y型的几何参数如图6所示。
68.将在上述参数化分类系统的基础上，展开针对地理信息特征数据的微地形分类。首先进行dem编码，再进行微地形分类。dem编码是使用一串唯一的编码，对包含复杂纹理的dem网格数据进行表征。
69.s122、选取符合要求的dem数据。
70.在本实施例中，需要选取符合要求的高精度dem数据，这里指的要求包括精度以及准确度和完整度等。
71.s123、利用改进的geomorphons算法对所述dem数据进行编码，以得到dem编码。
72.在本实施例中，dem编码是指利用改进的geomorphons算法对所述dem数据进行编码后得到的结果。
73.改进的geomorphons算法是针对微地形识别的dem编码器，可将多种拥有不同高程的dem图像块统一为一个固定的编码，同时保存数据块内部的纹理细节，减少dem数据的复杂性。
74.在一实施例中，请参阅图4，上述的步骤s123可包括步骤s1231～s1232。
75.s1231、对所述dem数据进行两两比对，并进行编码，以得到九进制编码。
76.在本实施例中，九进制编码是指将九宫格的dem编码为一个九进制数。
77.s1232、将所述九进制编码转换为十进制编码，以得到dem编码。
78.举个例子：假设有3乘3大小的dem数据进行两两比对，并编码；具体地，将dem数据按照大小排序，得到-12 1 4 5 5 5 7 13 97；转换为数据编号在形成dem编码，此时相同dem取最小编号，6 1 2 3 3 3 7 9 8，最后得到一个九进制的dem编码：501222687，再进一步转换为十进制数，即为：215898289。
79.通过上述的编码方式，可以将九宫格的dem编码为一个九进制数，再转换为十进制数。与geomorphons算法的三进制不同，该编码方式可以保存dem的纹理信息，每个格点之间的大小关系，相对位置和拓扑结构。用户可自行设置dem的大小，对应地会出现二十五进制编码(5乘5的dem)、四十九进制编码(7乘7大小的dem)等，都可以转换为十进制数，作为该dem数据块在指定行列大小下的唯一编码。遍历上述例子中的九进制编码，发现有将近三千万种情况，样本数量级在107，如果用户扩大了dem的行列尺寸，样本数量将几何级数增长，十分不利于训练，故接下来将对样本进行降维。
80.s124、基于transformation group算法对所述dem编码进行降维，以得到降维数据。
81.在本实施例中，降维数据是指基于transformation group算法对所述dem编码进行降维所得的结果。基于transformation group的数据降维，降低dem数据的冗余性。
82.transformation group是抽象代数中的变换群理论：变换群是几何学研究的重要对象。即由变换构成的群。设g是集合s的一一变换所构成的集合，若它满足：一是集合内任二变换之积仍属于这集合；二是集合内任一变换的逆变换仍属于这集合。则称g为s的一个变换群。例如，平面上正交变换的全体构成的变换群称为正交群；平面上仿射变换的全体构成的变换群称为仿射群。平面上射影变换的全体构成的变换群称为射影群。在“埃尔朗根纲领”中，变换群可用来对几何学进行分类，在本实施例中，使用该理论对dem样本进行分类和降维。
83.一组变换，对变换的乘积构成的群，设g为m上的有限或无限个变换的集合，若满足下面两个条件：一是集合g中任意两个变换的乘积仍属于g；二是集合g中每一个变换必有其逆变换，而且这个逆变换也属于g，则称g为m上的一个变换群。例如，平移变换可以构成一个群：平面上任意两个平移变换的积仍是平移变换；每个平移变换都有逆变换，这个逆变换就是按原变换相反方向的变换，所以仍是平移变换。给定任意几何对象的集合m，约定把集合m叫做空间。把m中的每个几何对象或称为元素变到另一个几何对象上的过程称为m上的一个几何变换，简称变换。以α表示某一几何对象或由许多对象所构成的图形，以t表示一个几何变换,则在t之下把α变到另一个对象或图形b，记作t(α)＝b，b称为α的像，α称为b的像源。另取一个变换s作用到b上，设s(b)＝c，若这两个变换连续作用，则α变到c，所以α变到c的过程也是一个变换，记作p，即p(α)＝c。p称为s和t的乘积，记作p＝st。变换乘积的次序一般是不可交换的，即st≠ts。若有三个变换t、s、r，先作用t，其次作用s，最后作用r，其结果是rst，这个记号表示作用的次序是从右边到左边。变换乘积的结合律是成立的：(rs)t＝r(st)＝rst。若变换t，使得每个元素b都是惟一的某个元素α的像，则称t为一对一的变换，这时，t有确定的逆变换，记作t-1，t与t-1的乘积保持每个元素都不动，也就是恒等变换，记作e，即tt-1＝t-1t＝e。
84.设g为m上的有限或无限个变换的集合,且满足下面两个条件：一是集合g中任意两个变换的乘积仍属于g；二是集合g中每个变换必有其逆变换，而且这个逆变换也属于g，则称g为m上的一个变换群。若从一个已知变换群g中取出一部分变换，其全体也构成一个变换群g1，则称g1为g的一个变换子群。由定义易知：平面上或空间中的运动集、仿射变换集、射影变换集等等各构成一个变换群，分别称为运动群、仿射群、射影群等等；运动群是仿射群的一个子群，运动群和仿射群都是射影群的子群。给定空间m和它的一个变换群g，若在g中
有一个变换，把图形α变到图形b，则称α与b是等价的。从变换群的定义可推出：若图形α与图形b等价，则图形b也与图形α等价。事实上，若图形α与b等价，则群g中必有一变换t，使t(α)＝b；于是t-1(b)＝α，然而t-1属于g，这表明，g中有一变换把b变到α，因此，b与α等价。若两个图形α和b都与第三个图形c等价，则α与b也互相等价。事实上，若α与c等价，则群g中必有变换t，使t(α)＝c；又若b与c等价，则g中必有变换s，使s(b)＝c，从而s-1(c)＝b，因此，s-1t(α)＝b，所以图形α与b等价。空间m中图形的等价性质被称为几何性质或不变性质,而且把几何性质与在已知群g中任意变换下不变的量结合起来，这些不变量显然是一切等价图形所共有的。在某一群g中一切变换下的所有不变性质称为从属于g的性质，研究从属于g的性质的几何称为从属于g的几何。经过运动不变的性质就是度量性质，研究度量性质的几何叫做度量几何(欧氏几何)；经过仿射变换不变的性质就是仿射性质，研究仿射性质的几何叫做仿射几何；经过射影变换不变的性质就是射影性质，研究射影性质的几何叫做射影几何；等等。在运动群之下，距离、角度、面积、平行性、单比、交比都保持不变；在仿射变换下，距离、角度、面积都改变，但(同方向线段的)单比、平行性、共线性、交比，则保持不变；对射影群来说，单比、平行性都改变，但共线性、交比保持不变。这是因为运动群是仿射群的一个子群，而仿射群是射影群的一个子群。
85.通过变换群理论可知，每一个“图”，具有拓扑结构或者空间结构的数据块，在这里可以用dem指代，都具备几何不变性。例如一个dem数据块，在旋转、翻折之后，其几何特性依旧保持不变，则可以将这些特性相同的dem从总样本集中剔除。用户可以自定义dem形状，可以是九边形、二十五边形，边数越多，可降维的数量越大。
86.通过上述例子，当考虑dem都是四边形时，得到dem有如下几何不变量如图7所示，这种方法的优势在于，如果用户提取的是一组不规则多边形的dem，也可以采用栅格化的形式(矩阵)描述dem，然后再利用不变量理论，通过自行设定的“图形边数”，进行不同程度的数据降维。并且在训练过程中，不同样本之间的距离会比降维之前大许多，从而减少了相似的几个类别之间发生错分的情况。在剔除dem不变量之后，得到最终的dem遍历样本集，以供kmeans训练。
87.s125、指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类。
88.在本实施例中，分类数是指最终微地形的类别的总数量。
89.kmeans算法是clustering中的经典算法，数据挖掘十大经典算法之一；通过带入上述例子中的降维数据，得到32个dem分类，由此可以发现，分类系统中需要分的几个类别基本都在无监督分类出来的结果中有所体现，如y型类别对应的结果如图8所示。利用kmeans算法对dem遍历样本进行分类，通过这些分类结果，可以对研究区的dem进行类别匹配，可自动化选择分类正确的样本，作为后续基于alexnet有监督分类的样本。
90.s126、输入参数，根据所述参数化微地形分类系统，构造假地形，输出假地形对应的dem编码。
91.在一实施例中，请参阅图5，上述的步骤s126可包括步骤s1261～s1262。
92.s1261、根据所述参数化微地形分类系统，自行设置地形参数，以得到多种不同的假地形；
93.s1262、对多种不同的假地形利用改进的geomorphons算法对假地形的dem数据进行编码，以得到假地形对应的dem编码。
94.根据参数化分类系统，通过自行设置地形参数，生成多种不同的假地形。将假地形进行上述的dem编码，查看不同的假地形在无监督分类的类别。如果两种假地形被分类到了同一个类别，则修改kmeans的分类数量，重新进行无监督分类，最终确定无监督分类的类别个数，以及每一类假地形所对应的无监督分类号。
95.s127、根据假地形对应的dem编码判断对应的kmeans的无监督分类的每一个类别下是否只存在一个参数化微地形分类类别；
96.s128、若对应的kmeans的无监督分类的每一个类别下只存在一个参数化微地形分类类别，则利用gis空间分析，对已确定微地形类别的dem数据进行地理信息特征提取，将提取到的特征和对应的类别组合，形成样本对。
97.根据推荐的微地形分类系统中的不同微地形的定义，结合获取到的不同的地理信息特征，可以生成样本对，即：将不同的dem对应的微地形类别为输出，该dem对应的各类地理信息特征为输入，形成样本对。至此，问题转化为经典的图像分类问题，可以用基于卷积神经网络的图像分类模型alexnet。将样本带入alexnet模型中训练，可以得到地理信息特征和微地形类别之间的函数关系。后续工作中，只需要将新的dem对应的地理信息特征输入训练得到的模型，即可得到微地形的分类。
98.s129、将样本对输入卷积神经网络内进行训练，并保存训练好的卷积神经网络，以得到分类模型。
99.在本实施例中，所述卷积神经网络包括alexnet模型。所述alexnet模型包括五个卷积层和三个全连接层；且所述alexnet模型使用层叠的卷积层提取图像的特征，使用dropout以及数据增强抑制过拟合，所述alexnet模型使用relu作为激活函数。
100.alexnet是在lenet的基础上加深了网络的结构，学习更丰富更高维的图像特征。alexnet具备以下特点：一是更深的网络结构；alexnet的整个网络结构是由5个卷积层和3个全连接层组成的，深度总共8层，如图10所示；二是使用层叠的卷积层，即卷积层 卷积层 池化层来提取图像的特征，使用dropout抑制过拟合，alexnet模型共包含8个权重层，其中5个卷积层，3个全连接层。1、2卷积层后连有lrn层，lrn并非cnn中必须包含的层，每个lrn及最后层卷积层后跟有最大池化层，并且各个权重层均连有relu激活函数。全连接层后使用了dropout解决过拟合。dropout可以作为训练深度神经网络的一种选择。在每个训练批次中，通过忽略一半的特征检测器，让一半的隐层节点值为0，可以明显地减少过拟合现象。这种方式可以减少特征检测器(隐层节点)间的相互作用，检测器相互作用是指某些检测器依赖其他检测器才能发挥作用.dropout说的简单一点就是：我们在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征，如图11所示；三是使用数据增强data augmentation抑制过拟合，数据增强的第一种形式是使用random crop、flip从而上千倍的扩充训练样本的数量。假设原先的输入样本是一个256
×
256，为了得到更多的样本，使用一个224x224样板对原图进行截取，这样每个图片就可以生成很多类似的图片，通过这种方法可以得到充足的样本。数据增强的第二种形式是改变训练图像中rgb通道的强度。具体地说，我们在整幅图中对rgb像素值集执行pca进行降维，通过改变主要颜色的亮度然后生成更多图片。四是使用relu替换之前的sigmoid的作为激活函数，配合lrn；神经网络需要使用激活函数，一般激活函数具有两个作用。其一、无论卷积还是全连接层，实质上都是线性运算，通过加入非线性的激活函数可
以增强网络的非线性映射能力，相当于kernel method。其二、神经网络一般通过bp算法优化，激活函数可以加快网络收敛速度。传统神经网络激活函数通常为反正切或是sigmoid。alexnet使用relu作为激活函数，相比于反正切，该方法训练速度大约有6倍提升。lrn加在relu的激活后面，能够增加网络的泛化能力。根据卷积神经网络的特性，alexnet在划分某一格点的微地形分类时，能够考虑周围的dem分布。网络包含多个由卷积层和池化层构成的特征抽取器。在卷积层中，一个神经元只与部分邻层神经元连接。在一个卷积层中，通常包含若干个特征映射(featuremap)，每个特征映射由一些矩形排列的的神经元组成，同一特征映射的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(mean pooling)和最大值子采样(max pooling)两种形式，如图12所示。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。
101.s1210、若对应的kmeans的无监督分类的每一个类别下不是只存在一个参数化微地形分类类别，则调整分类类别数，并执行所述步骤s125。
102.在本实施例中，调整分类类别数是指微地形分类的总数量。
103.首先基于kmeans进行无监督聚类，得到预分类结果，再根据参数化分类系统构造假地形，以此为基准，自动选择预分类准确的样本，并计算相关地理特征参数，代入alexnet进行监督分类，得到最终的微地形分类模型。
104.利用alexnet，得到不同的地理信息特征与不同微地形之间的关系模型(函数)，作为后续地理信息数据处理的工具。结合上述的内容，通过30m高精度的nasadem，经过gis空间分析处理，得到dem对应的地理信息特征，通过少数dem、微地形和地理信息特征，生成样本，带入上节中的卷积神经网络进行训练，得到通用的微地形分类模型。再将研究区的dem和地理信息特征输入该模型，得到研究区的微地形分类结果，从而获取各个地区的微地形，继而可以为后续的风速修正系数研究做数据储备。
105.在本实施例中，在遍历全部dem情况的前提下，保留dem的纹理细节信息，并且通过变换群-不变量理论，对大量的样本进行降维，可根据用户的自行选择确定不同程度的降维。利用参数化微地形分类系统，剔除了原本分类过程中所需要的人工干预的环节，利用参数化的假地形判断、评价和调整预分类准确性，提高了训练样本的质量，取消了人工选择样本的环节。
106.上述的三维复杂微地形识别方法，通过将待识别dem数据输入至分类模型进行微地形类别的识别，且所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的，以解决分类系统覆盖不完整和不灵活、dem数据复杂纹理和冗余以及微地形分类易错分，样本量不均衡，需要人工干预，聚类数不容易确定的问题。
107.图13是本发明实施例提供的一种三维复杂微地形识别装置300的示意性框图。如图13所示，对应于以上三维复杂微地形识别方法，本发明还提供一种三维复杂微地形识别装置300。该三维复杂微地形识别装置300包括用于执行上述三维复杂微地形识别方法的单
元，该装置可以被配置于服务器中。具体地，请参阅图13，该三维复杂微地形识别装置300包括获取单元301以及识别单元302。
108.获取单元301，用于获取待识别dem数据；
109.识别单元302，用于将所述待识别dem数据输入至分类模型进行微地形类别的识别，以得到对应的微地形类别；其中，所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的。
110.在一实施例中，所述三维复杂微地形识别装置300还包括模型生成单元，用于采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络，以得到分类模型。
111.在一实施例中，所述模型生成单元包括系统构建子单元、数据选取子单元、编码子单元、降维子单元、分类子单元、假地形构造子单元、判断子单元、分析子单元、训练子单元以及调整子单元。
112.系统构建子单元，用于构建参数化微地形分类系统；数据选取子单元，用于选取符合要求的dem数据；编码子单元，用于利用改进的geomorphons算法对所述dem数据进行编码，以得到dem编码；降维子单元，用于基于transformation group算法对所述dem编码进行降维，以得到降维数据；分类子单元，用于指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类；假地形构造子单元，用于输入参数，根据所述参数化微地形分类系统，构造假地形，输出假地形对应的dem编码；判断子单元，用于根据假地形对应的dem编码判断对应的kmeans的无监督分类的每一个类别下是否只存在一个参数化微地形分类类别；分析子单元，用于若对应的kmeans的无监督分类的每一个类别下只存在一个参数化微地形分类类别，则利用gis空间分析，对已确定微地形类别的dem数据进行地理信息特征提取，将提取到的特征和对应的类别组合，形成样本对。训练子单元，用于将样本对输入卷积神经网络内进行训练，并保存训练好的卷积神经网络，以得到分类模型。调整子单元，用于若对应的kmeans的无监督分类的每一个类别下不是只存在一个参数化微地形分类类别，则调整分类类别数，并执行所述指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类。
113.在一实施例中，所述假地形构造子单元包括参数设置模块以及假地形编码模块。
114.参数设置模块，用于根据所述参数化微地形分类系统，自行设置地形参数，以得到多种不同的假地形；假地形编码模块，用于对多种不同的假地形利用改进的geomorphons算法对假地形的dem数据进行编码，以得到假地形对应的dem编码。
115.在一实施例中，所述编码子单元包括比对模块以及转换模块。
116.比对模块，用于对所述dem数据进行两两比对，并进行编码，以得到九进制编码；转换模块，用于将所述九进制编码转换为十进制编码，以得到dem编码。
117.需要说明的是，所属领域的技术人员可以清楚地了解到，上述三维复杂微地形识别装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
118.上述三维复杂微地形识别装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图14所示的计算机设备上运行。
119.请参阅图14，图14是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
120.参阅图14，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
121.该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种三维复杂微地形识别方法。
122.该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
123.该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种三维复杂微地形识别方法。
124.该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图14中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
125.其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
126.获取待识别dem数据；将所述待识别dem数据输入至分类模型进行微地形类别的识别，以得到对应的微地形类别；
127.其中，所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的。
128.在一实施例中，处理器502在实现所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的步骤时，具体实现如下步骤：
129.构建参数化微地形分类系统；选取符合要求的dem数据；利用改进的geomorphons算法对所述dem数据进行编码，以得到dem编码；基于transformation group算法对所述dem编码进行降维，以得到降维数据；指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类；输入参数，根据所述参数化微地形分类系统，构造假地形，输出假地形对应的dem编码；根据假地形对应的dem编码判断对应的kmeans的无监督分类的每一个类别下是否只存在一个参数化微地形分类类别；若对应的kmeans的无监督分类的每一个类别下只存在一个参数化微地形分类类别，则利用gis空间分析，对已确定微地形类别的dem数据进行地理信息特征提取，将提取到的特征和对应的类别组合，形成样本对。将样本对输入卷积神经网络内进行训练，并保存训练好的卷积神经网络，以得到分类模型。
130.其中，所述卷积神经网络包括alexnet模型。
131.所述alexnet模型包括五个卷积层和三个全连接层；且所述alexnet模型使用层叠的卷积层提取图像的特征，使用dropout以及数据增强抑制过拟合，所述alexnet模型使用
relu作为激活函数。
132.在一实施例中，处理器502在实现所述根据假地形对应的dem编码判断对应的kmeans的无监督分类的每一个类别下是否只存在一个参数化微地形分类类别步骤之后，还实现如下步骤：
133.若对应的kmeans的无监督分类的每一个类别下不是只存在一个参数化微地形分类类别，则调整分类类别数，并执行所述指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类。
134.在一实施例中，处理器502在实现所述输入参数，根据所述参数化微地形分类系统，构造假地形，输出假地形对应的dem编码步骤时，具体实现如下步骤：
135.根据所述参数化微地形分类系统，自行设置地形参数，以得到多种不同的假地形；对多种不同的假地形利用改进的geomorphons算法对假地形的dem数据进行编码，以得到假地形对应的dem编码。
136.在一实施例中，处理器502在实现所述利用改进的geomorphons算法对所述dem数据进行编码，以得到dem编码步骤时，具体实现如下步骤：
137.对所述dem数据进行两两比对，并进行编码，以得到九进制编码；将所述九进制编码转换为十进制编码，以得到dem编码。
138.应当理解，在本技术实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
139.本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
140.因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
141.获取待识别dem数据；将所述待识别dem数据输入至分类模型进行微地形类别的识别，以得到对应的微地形类别；
142.其中，所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的。
143.在一实施例中，所述处理器在执行所述计算机程序而实现所述分类模型是采用dem编码器和基于transformation group的数据降维方式降低dem数据以作为样本集，结合参数化微地形分类系统以及复杂微地形自动化预聚类分类算法训练卷积神经网络所得的步骤时，具体实现如下步骤：
144.构建参数化微地形分类系统；选取符合要求的dem数据；利用改进的geomorphons算法对所述dem数据进行编码，以得到dem编码；基于transformation group算法对所述dem
编码进行降维，以得到降维数据；指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类；输入参数，根据所述参数化微地形分类系统，构造假地形，输出假地形对应的dem编码；根据假地形对应的dem编码判断对应的kmeans的无监督分类的每一个类别下是否只存在一个参数化微地形分类类别；若对应的kmeans的无监督分类的每一个类别下只存在一个参数化微地形分类类别，则利用gis空间分析，对已确定微地形类别的dem数据进行地理信息特征提取，将提取到的特征和对应的类别组合，形成样本对。将样本对输入卷积神经网络内进行训练，并保存训练好的卷积神经网络，以得到分类模型。
145.其中，所述卷积神经网络包括alexnet模型。
146.所述alexnet模型包括五个卷积层和三个全连接层；且所述alexnet模型使用层叠的卷积层提取图像的特征，使用dropout以及数据增强抑制过拟合，所述alexnet模型使用relu作为激活函数。
147.在一实施例中，所述处理器在执行所述计算机程序而实现所述根据假地形对应的dem编码判断对应的kmeans的无监督分类的每一个类别下是否只存在一个参数化微地形分类类别步骤之后，还实现如下步骤：
148.若对应的kmeans的无监督分类的每一个类别下不是只存在一个参数化微地形分类类别，则调整分类类别数，并执行所述指定一个分类数，利用kmeans算法对所述降维数据进行无监督分类。
149.在一实施例中，所述处理器在执行所述计算机程序而实现所述输入参数，根据所述参数化微地形分类系统，构造假地形，输出假地形对应的dem编码步骤时，具体实现如下步骤：
150.根据所述参数化微地形分类系统，自行设置地形参数，以得到多种不同的假地形；对多种不同的假地形利用改进的geomorphons算法对假地形的dem数据进行编码，以得到假地形对应的dem编码。
151.在一实施例中，所述处理器在执行所述计算机程序而实现所述利用改进的geomorphons算法对所述dem数据进行编码，以得到dem编码步骤时，具体实现如下步骤：
152.对所述dem数据进行两两比对，并进行编码，以得到九进制编码；将所述九进制编码转换为十进制编码，以得到dem编码。
153.所述存储介质可以是u盘、移动硬盘、只读存储器(read-only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
154.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
155.在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
156.本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
157.该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
158.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。