【技术实现步骤摘要】
基于生成对抗网络的地图矢量化样本增强方法及系统
本专利技术涉及地理信息与人工智能交叉领域,具体是一种基于生成对抗网络的地图矢量化样本增强方法及系统。
技术介绍
遥感影像地图的矢量化,能够实现地图中地物要素的矢量化存储,不仅能够有效的节省存储空间,也能较大的提升地图数据的加载速度,满足日益增长的地图网络使用需求;另一方面,矢量化的地物要素,能够更好与其它同类数据叠加、分析,拓展和完善空间地理信息的服务功能。另一方面,对于地图数据的采集与制作,在目前阶段,影像数据仍然是各类数据中最便于采集的地图类数据,各类卫星、无人机、地面设备等搭载的传感器,能够直接采集影像数据,而对于矢量化数据,往往需要进行转换、二次加工制作。目前,影像数据的矢量化过程,以人工绘制或半自动化绘制方式为主。这种人工或半自动化矢量化方法,具有诸多的局限性,主要表现为:1)人工方式实现的矢量化制作,无法根据不同的地图生产需求,产生绝对一致性的作业标准,难免产生评估偏差;2)由于地图类产品具有较强的时效性,每次地图更新均需要重新绘制或修改矢量化数据,耗时耗力,作业成本高昂;3)人工作业方式受作业员个体差异,无法实现同标准无差异作业,同时人为的失误、误差也将影响到最终的成图质量。因此,如何设计并实现一种借助于现代化地理信息技术和人工智能技术,设计并实现一种高度自动化、智能化的影像地图矢量化方法和系统,具有较强的现实意义。与此同时,随着人工智能、机器学习技术的成熟,先进的深度学习模型已经在很多复杂问题领域取 ...
【技术保护点】
1.一种基于生成对抗网络的地图矢量化样本增强方法,其特征在于:包括如下步骤:/nS1、影像地图预处理:在待矢量化影像地图中,去除标注信息,并通过网格化去除没有明显边界特征的网格区域,以减少后续样本标定的数据处理量;/nS2、生成对抗网络构建以及样本生成模型训练:搭建深度学习训练框架,构建生成对抗网络,利用生成对抗网络训练样本生成模型;/nS3、自样本标定:通过半自动化方法,对步骤S1预处理后的影像地图进行基于待矢量化地图本身的样本标定,标定少量的、带类别属性的、有明确边界特征的影像区域,以及与其对应的矢量数据,从而实现样本和样本标签的制作和标定;/nS4、样本基件生成:根据步骤S2构建的生成对抗网络框架以及训练样本生成模型,对步骤S3生成的样本和样本标签,进行样本训练,生成样本基件;/nS5、样本组合增强:将步骤S4生成的样本基件通过同一类别样本的智能、自动组合生成新的样本,进而再次构建新的生成模型,提升原始生成模型的泛化能力,最终实现影像地图矢量化样本的大规模增强。/n
【技术特征摘要】
1.一种基于生成对抗网络的地图矢量化样本增强方法,其特征在于:包括如下步骤:
S1、影像地图预处理:在待矢量化影像地图中,去除标注信息,并通过网格化去除没有明显边界特征的网格区域,以减少后续样本标定的数据处理量;
S2、生成对抗网络构建以及样本生成模型训练:搭建深度学习训练框架,构建生成对抗网络,利用生成对抗网络训练样本生成模型;
S3、自样本标定:通过半自动化方法,对步骤S1预处理后的影像地图进行基于待矢量化地图本身的样本标定,标定少量的、带类别属性的、有明确边界特征的影像区域,以及与其对应的矢量数据,从而实现样本和样本标签的制作和标定;
S4、样本基件生成:根据步骤S2构建的生成对抗网络框架以及训练样本生成模型,对步骤S3生成的样本和样本标签,进行样本训练,生成样本基件;
S5、样本组合增强:将步骤S4生成的样本基件通过同一类别样本的智能、自动组合生成新的样本,进而再次构建新的生成模型,提升原始生成模型的泛化能力,最终实现影像地图矢量化样本的大规模增强。
2.如权利要求1所述的基于生成对抗网络的地图矢量化样本增强方法,其特征在于:步骤S1影像地图预处理具体步骤为:
1)根据用户需求,选定作业区域范围;
2)根据作业区域范围及作业时间需求,选择对应时间段的高分辨率影像,所选择高分辨率影像分辨率不小于0.1米;
3)对选择的高分辨率影像进行整幅滤波处理,实现噪点过滤;
4)对整幅滤波处理后的高分辨率影像进行色彩增强,满足用户作业需求;
5)通过第三方GIS软件,去掉影像底图数据中的标注图层,仅保留原始影像地图;
6)对原始影像地图进行网格化处理,网格大小根据地图范围大小进行调整;
7)去掉网格中边界信息不明显、不利于矢量化的影像网格。
3.如权利要求1所述的基于生成对抗网络的地图矢量化样本增强方法,其特征在于:步骤S2具体为:
1)搭建Tensorflow2.0深度学习训练框架;
2)构建生成对抗网络训练网络,其中,调整Generator端的输入为原始遥感影像,输出为矢量图;
3)配置Discriminator端程序,判断Generator端生成的矢量图与真实矢量图之间的差距;
4)以最小化生成矢量图和真实矢量图之间的差距为目标,训练样本生成模型。
4.如权利要求1所述的基于生成对抗网络的地图矢量化样本增强方法,其特征在于:步骤S3具体为:
1)对于影像地图预处理步骤处理后的影像网格,进行二次筛选,由人工辅助,选择区域边界明显、边界类型单一的网格块;
2)对于选择的网格块的类型,由人工辅助分类为植被、建筑、水体、山体等...
【专利技术属性】
技术研发人员:李华锋,徐桂彬,黄文杰,蔡勇,詹学磊,王杰,高俊,钟全成,王博,石碟,
申请(专利权)人:国家电网有限公司,湖北华中电力科技开发有限责任公司,国网湖北省电力有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。