一种矢量地图风格自动迁移的方法技术

本发明专利技术公开了一种矢量地图风格自动迁移的方法，包括如下步骤：步骤1、参考图像的颜色提取；步骤2、参考图像与矢量地图的颜色匹配；量化地图颜色的信息传输和美学质量，然后将它们转化成双目标优化问题，利用帕累托前沿进行采样生成一系列高质量的配色方案，以自适应地将颜色从任意图像迁移到矢量地图。本发明专利技术能够实现从任意图像到矢量地图的颜色迁移，并且对于不同比例尺、主题和区域也具有更好的适应性；本发明专利技术量化了地图颜色的信息传输和美学质量，并将风格转移问题转化为双目标、多约束优化问题，使矢量地图的迁移结果具有更好的信息传输和美学质量；针对新手和专家的需求，提供四种模式来将风格从图像转移到地图上。四种模式来将风格从图像转移到地图上。四种模式来将风格从图像转移到地图上。

【技术实现步骤摘要】
一种矢量地图风格自动迁移的方法


[0001]本专利技术涉及地理信息系统
，尤其是一种矢量地图风格自动迁移的方法。

技术介绍

[0002]在设计矢量地图时，需要考虑地图信息传输效率和令人愉悦的视觉外观，所以设计即科学又美观的矢量地图充满诸多挑战。目前，已有相当多的知识和指南用于构建即科学又美观的地图，例如视觉变量、颜色调和、图形
‑
背景组织和视觉层次结构等，但在实践中，大众由于缺乏地图设计等相关知识，制作的地图质量参差不齐。即使对专家来说，适当地应用相关知识去制作矢量地图也是费时费力的。
[0003]颜色在地图中扮演着视觉变量和审美元素的双重角色。作为视觉变量，颜色及其三个分量(色相、饱和度、亮度)被用来编码信息，例如用于信息传输的习惯用色(如蓝色代表海洋，绿色代表植被)，以及用于可读性的颜色感知等，作为审美元素，颜色可以用于增加视觉表达的愉悦感。但凭空设计令人印象深刻的颜色很困难，所以常见的方法是寻找参考的灵感来源，例如大师的画作或令人印象深刻的照片。如果将这些参考图的颜色迁移到地图上，那么制作即科学又美观的地图就会更加容易。目前已经有一些地图颜色迁移的工具和方法，比如交互式的颜色迁移工具cartogram。还引入了深度学习技术，将颜色从彩色图像迁移到地图上，然而，它们很少考虑地图内容和地图设计原则，导致存在地图内容不一致和地图符号含糊不清的问题，产生的结果更像绘画而不是地图，目前还没有一种方法能将任意图像的颜色迁移到矢量地图。
[0004]为解决上述问题，需要一种新的方法，能够考虑矢量地图内容和地图设计原则，兼顾矢量地图的信息传输质量和美学，实现将任意图像的颜色到矢量地图的迁移。名称为“一种融合深度特征的语义风格迁移方法和系统”，申请号为CN201811349865，公开号为CN109712081B的中国专利，提供了图像语义风格迁移的方法，该方法用于将风格图像的对应语义风格迁移至内容图像，首先针对内容图像和风格图像，分别处理得到对应的内容图像语义图和风格图像语义图；然后顺次重复计算表征内容图像和生成图像的内容特征差异的损失函数Lc、计算表征最匹配区域对差异的损失函数Lp、计算表征风格图像融合特征全局特征相关性矩阵和生成图像融合特征全局特征相关性矩阵差异的损失函数LGR并计算使生成图像更加平滑的总变差损失Ltv，迭代更新生成图像像素值，直至损失函数Lc、损失函数Lp、损失函数LGR和总变差损失Ltv之和不再下降，得到最终的能够兼顾局部和全局表现的生成图像。名称为“一种基于对偶学习的无监督图像风格迁移方法”，申请号为CN201910552097，公开号为CN110458750B的中国专利，公开了一种无监督图像风格迁移方法，该方法首先预处理训练数据，然后设计生成器和判别器的网络结构；接下来设计损失函数并用训练数据和损失函数对生成器、判别器进行训练得到无监督图像风格迁移网络ST：引入美学评分模型，最大化生成图像的美学质量评分；同时使用图像的基本像素特征和高级语义特征，作为无监督训练的对偶一致性约束，并动态调整这两种特征的权重；使用风格平衡技术，自适应地调节模型不同风格迁移方向上的收敛速度；最后应用ST对输入图像进
行风格迁移。名称为“一种融合深度特征的语义风格迁移方法和系统”的专利虽然公开了能够兼顾局部和全局表现的图像语义的风格迁移方法，但是此方法中图像的语义与矢量地图要素间语义关系并不相同，并不适用于图像到地图的语义风格迁移。名称为“一种基于对偶学习的无监督图像风格迁移方法”，该方法虽然网络结构的选择和设计灵活并引入美学评分，但是此方法没有引入矢量地图相关的制图规则，无法衡量地图的信息传输质量，无法实现图像到矢量地图的风格迁移。

技术实现思路

[0005]本专利技术所要解决的技术问题在于，提供一种矢量地图风格自动迁移的方法，能够自动的将绘画、摄影等美术作品上的个性、创意风格，科学和艺术平衡地迁移到矢量地图上。
[0006]为解决上述技术问题，本专利技术提供一种矢量地图风格自动迁移的方法，包括如下步骤：
[0007]步骤1、参考图像的颜色提取；基于视觉感知过程，将参考图像中的颜色分为四组：点、线、面和背景以适应矢量地图内容；
[0008]步骤2、参考图像与矢量地图的颜色匹配；量化地图颜色的信息传输和美学质量，然后将它们转化成双目标优化问题，利用帕累托前沿进行采样生成一系列高质量的配色方案，以自适应地将颜色从任意图像迁移到矢量地图。
[0009]优选的，步骤1中，参考图像的颜色提取具体包括如下步骤：
[0010]步骤11、突变强度检测；对于给定的一张或多张参考图片，利用Hessian矩阵进行突变强度检测，其矩阵的特征值来检测参考图像中的变化以及图像中突变和渐变的单独区域，包括最大特征值λ1和最小特征值λ2，指示强度变化：λ1表示最大曲率方向的变化程度，λ2表示与λ1相关的垂直方向的变化程度；
[0011]步骤12、突变方向的检测：提取点和线，根据变化的方向从突变的区域中提取点和线；
[0012]步骤13、视觉显著性检测：提取面和背景；基于连通性的方法从背景中分离显著区域，背景区域是区域连通性较大的区域，Conn为区域连通性，p是图片img的某一区域；Len
m
是该区域与边缘区域相交的长度；Area是该区域的面积，η
bg
是分离背景区域的阈值，背景描述为：
[0013]Background(img)＝Conn(p)＞η
bg
,p∈img
[0014]基于上述从图像分离的点、线以及背景要素，将剩下的视觉上连续的大块区域定义为面状要素，AoC是连通区域的面积；η
p
是用于移除不显著面的阈值，因此，面描述为：
[0015]Patch(img)＝AoC(img
‑
Blob(img)
‑
Edge(img)
‑
Background(img))＞η
p
[0016]提取完四类元素后，利用CIELab中的适当色差JNCD作为色距阈值，提取出所有类型的颜色并统计其颜色占比。
[0017]优选的，步骤12中，点是一个在任何方向突然变化的区域，即λ1和λ2都相对较大，λ1和λ2的乘积是Hessian矩阵的行列式，因此，通过Hessian矩阵的行列式来提取图像点，img是参考图像；x和y是图片中的点坐标；σ
b
是图片过滤器的大小，表示待提取的点的大小；detH是Hessian矩阵在给定点的行列式值；localMax是局部最大值，考虑到人类视觉在感知
彩色图形方面的局限性，引入阈值η
b
，用于剔除不显著的点，点描述为：
[0018]Blob(img)＝localMax(detH(x,y,σ
b
))＞η
b
。
[0019]优选的，步骤12中，线是仅在某一方向上发生突变的区域，在一个方向上，只有λ1相对较大，maxE本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种矢量地图风格自动迁移的方法，其特征在于，包括如下步骤：步骤1、参考图像的颜色提取；基于视觉感知过程，将参考图像中的颜色分为四组：点、线、面和背景以适应矢量地图内容；步骤2、参考图像与矢量地图的颜色匹配；量化地图颜色的信息传输和美学质量，然后将它们转化成双目标优化问题，利用帕累托前沿进行采样生成一系列高质量的配色方案，以自适应地将颜色从任意图像迁移到矢量地图。2.如权利要求1所述的矢量地图风格自动迁移的方法，其特征在于，步骤1中，参考图像的颜色提取具体包括如下步骤：步骤11、突变强度检测；对于给定的一张或多张参考图片，利用Hessian矩阵进行突变强度检测，其矩阵的特征值来检测参考图像中的变化以及图像中突变和渐变的单独区域，包括最大特征值λ1和最小特征值λ2，指示强度变化：λ1表示最大曲率方向的变化程度，λ2表示与λ1相关的垂直方向的变化程度；步骤12、突变方向的检测：提取点和线，根据变化的方向从突变的区域中提取点和线；步骤13、视觉显著性检测：提取面和背景；基于连通性的方法从背景中分离显著区域，背景区域是区域连通性较大的区域，Conn为区域连通性，p是图片img的某一区域；Len
m
是该区域与边缘区域相交的长度；Area是该区域的面积，η
bg
是分离背景区域的阈值，背景描述为：Background(img)＝Conn(p)＞η
bg
,p∈img基于上述从图像分离的点、线以及背景要素，将剩下的视觉上连续的大块区域定义为面状要素，AoC是连通区域的面积；η
p
是用于移除不显著面的阈值，因此，面描述为：Patch(img)＝AoC(img
‑
Blob(img)
‑
Edge(img)
‑
Background(img))＞η
p
提取完四类元素后，利用CIELab中的适当色差JNCD作为色距阈值，提取出所有类型的颜色并统计其颜色占比。3.如权利要求2所述的矢量地图风格自动迁移的方法，其特征在于，步骤12中，点是一个在任何方向突然变化的区域，即λ1和λ2都相对较大，λ1和λ2的乘积是Hessian矩阵的行列式，因此，通过Hessian矩阵的行列式来提取图像点，img是参考图像；x和y是图片中的点坐标；σ
b
是图片过滤器的大小，表示待提取的点的大小；detH是Hessian矩阵在给定点的行列式值；localMax是局部最大值，考虑到人类视觉在感知彩色图形方面的局限性，引入阈值η
b
，用于剔除不显著的点，点描述为：Blob(img)＝localMax(detH(x,y,σ
b
))＞η
b
。4.如权利要求2所述的矢量地图风格自动迁移的方法，其特征在于，步骤12中，线是仅在某一方向上发生突变的区域，在一个方向上，只有λ1相对较大，maxEig是给定点的Hessian矩阵的主特征值；σ
e
是图片的滤波器，调节提取的线要素的宽度，类似于点要素，η
e
是用于剔除不明显线的阈值；线描述为：Edge(img)＝max Eig(detH(x,y,σ
e
))＞η
e
。5.如权利要求1所述的矢量地图风格自动迁移的方法，其特征在于，步骤2中，参考图像...

【专利技术属性】
技术研发人员：孙彦杰，吴明光，李雅倩，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：