本申请涉及遥感影像处理领域，提供一种遥感影像dom和dsm预测建筑高度的方法、装置、设备及介质。
背景技术：
1、目前，建筑高度的提取主要依赖于手动测量和半自动测量的方法。手动测量通常由测绘人员使用全站仪、激光测距仪等高精度测量设备来测量建筑高度，半自动测量通常使用无人机(uav)搭载高精度相机进行航拍，通过图像处理技术提取建筑高度。
2、手动测量需要大量人力和时间，提取效率较低，高精度测量设备和无人机系统的购置和维护成本高，增加了项目的整体费用，无人机飞行任务和后续数据处理需要专业知识和技能，增加了操作难度和不确定性，且测量和拍摄对外界环境条件有较高的依赖，恶劣天气和复杂地形会影响数据质量和测量结果的准确性。
3、因此，传统的手动测量和半自动测量方法在建筑高度提取方面存在高成本、效率低、操作复杂和环境依赖性强等问题，限制了其在大规模应用中的可行性。
技术实现思路
1、本申请提供一种遥感影像dom和dsm预测建筑高度的方法、装置、设备及介质，用于解决如何现有技术中提取建筑高度的效率低、高成本、操作复杂、环境依赖性强的问题。
2、第一方面，本申请提供一种遥感影像dom和dsm预测建筑高度的方法，包括：
3、获取目标区域的遥感影像dom和数字表面模型dsm数据；
4、根据所述dom，提取所述目标区域中目标建筑物的目标轮廓；
5、计算所述目标轮廓与所述dsm数据的重合区域；
6、确定所述dsm数据在所述重合区域内的最大值和最小值，将所述最大值与所述最小值之间的差值，确定为所述目标建筑物的高度。
7、可选的，所述获取目标区域的遥感影像dom和数字表面模型dsm数据，包括：
8、获取目标区域的初始dom和初始dsm数据；
9、采用arcgis软件对所述初始dom进行辐射校正和几何校正，获得矫正后的dom；
10、对所述矫正后的dom和所述初始dsm数据进行配准，获得目标区域的遥感影像dom和数字表面模型dsm数据。
11、可选的，所述根据所述dom，提取所述目标区域中目标建筑物的建筑轮廓，包括：
12、将所述dom输入训练后的神经网络模型，输出所述目标区域中目标建筑物的目标轮廓；其中，所述训练后的神经网络模型是基于建筑数据集对初始神经网络模型进行训练获得的；所述建筑数据集包括多个样本建筑物的图像以及每个样本建筑物的真实轮廓和真实标签。
13、可选的，在将所述dom输入训练后的神经网络模型，输出所述目标区域中目标建筑物的目标轮廓之前，所述方法还包括：
14、基于轮廓损失和分类损失，建立初始神经网络模型的总损失函数；
15、将每个样本建筑物的图像输入所述初始神经网络模型，输出每个样本建筑物的预测轮廓和预测类别；
16、将每个样本建筑物的预测轮廓、真实轮廓、预测标签和真实标签代入所述总损失函数，根据所述总损失函数的值，更新所述初始神经网络模型的权重，直到所述损失函数的值小于预设误差阈值或者达到最大迭代次数，获得训练后的神经网络模型。
17、可选的，所述基于轮廓损失和分类损失，建立初始神经网络模型的总损失函数，包括：
18、对轮廓损失和分类损失进行加权求和，建立初始神经网络模型的总损失函数。
19、可选的，所述轮廓损失采用hausdorff损失，所述hausdorff损失的计算公式如下：
20、
21、其中，pi表示第i个样本建筑物的预测轮廓，gi表示第i个样本建筑物的真实轮廓，n是样本建筑物的数量，表示预测轮廓中每个点a到真实轮廓中最近点b的最大距离，表示真实轮廓中每个点b到预测轮廓中最近点a的最大距离。
22、可选的，所述分类损失的计算公式如下：
23、
24、其中，yi是第i个样本建筑物的真实标签，是所述初始神经网络模型对第i个样本建筑物的预测概率，n是样本建筑物的数量。
25、第二方面，本申请提供一种遥感影像dom和dsm预测建筑高度的装置，所述装置包括：
26、获取模块，用于获取目标区域的遥感影像dom和数字表面模型dsm数据；
27、提取模块，用于根据所述dom，提取所述目标区域中目标建筑物的目标轮廓；
28、计算模块，用于计算所述目标轮廓与所述dsm数据的重合区域；
29、确定模块，用于确定所述dsm数据在所述重合区域内的最大值和最小值，将所述最大值与所述最小值之间的差值，确定为所述目标建筑物的高度。
30、第三方面，本申请提供了一种计算机设备，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现第一方面中所述的遥感影像dom和dsm预测建筑高度的方法。
31、第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现第一方面中所述的遥感影像dom和dsm预测建筑高度的方法。
32、与现有技术相比，本申请的有益效果是：
33、本申请提出一种遥感影像dom和dsm预测建筑高度的方法，该方法包括：获取目标区域的遥感影像dom和数字表面模型dsm数据；根据dom，提取目标区域中目标建筑物的目标轮廓；计算目标轮廓与dsm数据的重合区域；确定dsm数据在重合区域内的最大值和最小值，将最大值与最小值之间的差值，确定为目标建筑物的高度。该方法只需要dom和dsm数据，就能实现建筑轮廓的自动识别和建筑高度的自动提取，降低了对人的依赖，处理速度更快，且该方法中dom和dsm数据的采集对环境条件没有要求，对成像条件要求更低，该方法不需要高精度测量设备和无人机系统，因此成本更低、操作更简便。该方法还具有以下有益效果：
34、1、相比传统方法需要几周甚至几个月才能处理完一个城市的所有建筑轮廓和高度，本申请提供的方法能够在几分钟内完成相同的任务，大幅提高处理效率。
35、2、通过优化神经网络模型和算法，本申请减少了对计算资源的需求，使其能够在普通计算机设备上高效运行，处理时间的缩短和计算资源需求的降低，使得本申请在大规模应用中更加经济高效。
36、3、本申请实现了从数据采集、预处理、轮廓提取到建筑高度计算的全自动化流程，减少了对人力的依赖。全自动化处理不仅提高了工作效率，还降低了人工操作带来的误差，提高了数据处理的可靠性。
37、4、本申请提供的方法适用于大规模城市规划和环境监测等领域，能够快速提供准确的建筑高度数据，为城市规划者和环境监测人员提供了高效、可靠的数据支持，助力科学决策和管理。
1.一种遥感影像dom和dsm预测建筑高度的方法，其特征在于，包括：
2.如权利要求1所述的遥感影像dom和dsm预测建筑高度的方法，其特征在于，所述获取目标区域的遥感影像dom和数字表面模型dsm数据，包括：
3.如权利要求1所述的遥感影像dom和dsm预测建筑高度的方法，其特征在于，所述根据所述dom，提取所述目标区域中目标建筑物的建筑轮廓，包括：
4.如权利要求3所述的遥感影像dom和dsm预测建筑高度的方法，其特征在于，在将所述dom输入训练后的神经网络模型，输出所述目标区域中目标建筑物的目标轮廓之前，所述方法还包括：
5.如权利要求4所述的遥感影像dom和dsm预测建筑高度的方法，其特征在于，所述基于轮廓损失和分类损失，建立初始神经网络模型的总损失函数，包括：
6.如权利要求5所述的遥感影像dom和dsm预测建筑高度的方法，其特征在于，所述轮廓损失采用hausdorff损失，所述hausdorff损失的计算公式如下：
7.如权利要求5所述的遥感影像dom和dsm预测建筑高度的方法，其特征在于，所述分类损失的计算公式如下：
8.一种遥感影像dom和dsm预测建筑高度的装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的遥感影像dom和dsm预测建筑高度的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的遥感影像dom和dsm预测建筑高度的方法。
