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方案

本发明专利技术提供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，所述方法包括：S1、影像地图预处理；S2、生成对抗网络构建以及样本生成模型训练；S3、自样本标定；S4、样本基件生成；S5、样本组合增强。本发明专利技术通过对影像地图自身数据的轻量级样本集制作，并通过构建生成对抗网络的深度学习模型，大幅扩充有效样本集的空间，使之能够满足深度学习训练影像矢量化模型的数据量要求，并通过构建相应的系统实现了本发明专利技术所描述的方法。相比传统人工/半自动实现影像地图矢量化的过程，本发明专利技术所涉及的方法只需人工少量标绘初始样本，后续全自动生成符合需求的海量训练样本，为影像地图矢量化的研究与应用提供有力的技术支撑。

【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得了突破性进展。依靠海量标注的样本，能够实现End-to-End的黑盒训练模型，更有效的拟合样本数据的多样性分布。然而在遥感影像地图的矢量化工作领域，深度学习方法的应用存在如下问题：1)基于海量样本的深度学习框架，无法在遥感影像矢量化应用领域取得足够量级的数据支撑，带标签样本的不足，无法使训练模型有效收敛，以致不能实现高精度的影像地图的矢量化模型。2)影像地图受分辨率、地图质量、拍摄环境等诸多因素的影响，采用公有的样本集往往不能适应指定的待矢量化影像地图。这种需要“一图一做”的样本需求，也制约了深度学习类方法的探索与研究。3)基于以上分析，在待矢量化影像地图的基础上，“就地取材”制作样本及标注样本标签，往往效果较好。但也会带来新的问题，包括模型的过拟合问题、采样空间有限以致无法采集足够多的样本问题等。基于以上存在的问题，如何设计一种基于待矢量化影像地图本身，有足够量级的样本集，并不会带来过拟合等问题的样本制作方法，具有较强的应用价值。
技术实现思路
本专利技术主要是解决现有技术所存在的上述技术问题，提供了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，该方法针对目前深度学习在遥感影像矢量化过程中的应用，提出了一种基于生成对抗网络的自样本增强方法，能够有效的扩充样本集空间，同时避免同采样造成的模型过拟合，并实现了基于该方法的软件系统，能够为深度学习在影像地图矢量化中的探索与应用，提供了有效的技术支撑和数据支撑。本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种基于生成对抗网络的地图矢量化样本增强方法，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。进一步的，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。进一步的，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。进一步的，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；3)对所有筛选并分类后的网格块进行整理，平衡各类别网格块数量，使不同类别的影像网格块数量大致相等；4)对所有影像网格块进行拉伸与缩放处理，使每个区域大小限定为100X100像素；5)将处理好的影像网格块，按类别不同，保存于不同的文件夹中，为后续深度学习训练做准备。进一步的，步骤S4具体为：1)将分类保存好的影像网格，由人工辅助，实现矢量化操作；2)将影像网格矢量化后的图像，同样按照不同类别，新建文件夹保存；3)将影像网格块和矢量网格块的文件存储名称统一起来，以确保两者之间的一一对应关系；4)每个类别的影像网格块和矢量网格块通过旋转、放大缩小等常规操作，扩大样本空间；5)每个类别的样本单独训练，实现该类别样本的生成模型构建，实现该类别样本生成，二次扩展样本空间；6)每个影像类别，生成与之对应的单独的生成模型。进一步的，步骤S5具体为：1)对应于不同影像类别，将该类别的所有样本数据，任意多个样本之间组合成新的矢量数据，组合规则应保证矢量数据的连接平滑；2)将新生成的组合矢量数据，重新加入原有样本集，再次在生成对抗网络环境中训练，构建最终的生成模型；3)通过之前各阶段构建的矢量数据，在生成模型中多次运行，生成与之对应的影像数据；4)汇总原始的矢量数据、影像数据，以及通过最终生本文档来自技高网...

【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