基于深度学习的地貌晕渲图生成方法及系统技术方案

本发明专利技术属于人工智能与地图制图相结合的技术领域，特别涉及一种基于深度学习的地貌晕渲图生成方法及系统，通过收集样本数据，并利用样本数据对构建的深度学习网络进行训练，其中，深度学习网络包含：用于对输入图像数据进行特征提取的特征提取子网络，和用于对提取的特征数据进行融合以重建图像的特征融合子网络，且特征提取子网络和特征融合子网络由多个残差块堆叠而成；以目标区域的DEM数据作为输入，利用训练后的深度学习网络来获取该目标区域的地貌晕渲图。本发明专利技术利用深度学习方法快速生成艺术风格、表现效果与手工晕渲作品接近的地貌晕渲图，降低高质量地貌晕渲图制作的时间成本和人力成本，改善当前地貌晕渲图制作难以同时顾及制作效率和晕渲效果的情况。同时顾及制作效率和晕渲效果的情况。同时顾及制作效率和晕渲效果的情况。

【技术实现步骤摘要】
基于深度学习的地貌晕渲图生成方法及系统


[0001]本专利技术属于人工智能与地图制图相结合的
，特别涉及一种基于深度学习的地貌晕渲图生成方法及系统。

技术介绍

[0002]地貌晕渲图是一种在二维平面有效表现三维地貌的主要工具，其在地图制图中承担着重要的作用。目前，地貌晕渲图的制作多通过计算机软件，如ArcGIS、Global Mapper、QGIS等，采用人机交互的方式半自动完成：通过人为设置参数值，如光照的高度角、方向角以及地表平面与高程的伸缩比例等，软件根据光照模型计算数字高程模型(digital elevation model，DEM)中每个像元受光量并赋予特定灰度值。采用这种方式制作的晕渲被称为解析晕渲或计算机晕渲。计算机晕渲的制作高效快速、科学客观，但也带来了晕渲效果单一、缺乏艺术表现力等问题；而手工绘制虽能解决上述问题，但手工绘制晕渲图难度很大，不仅对制图者的要求非常高，并且耗时长，很难满足实际应用生产中地图快速制作的需求。手工晕渲图整体效果更优，其原因在于制图人员会针对地形进行深入分析与思考，并采用高超技巧进行绘制，而这样的过程和处理难以用数学模型进行准确的描述。

技术实现思路

[0003]为此，本专利技术提供一种基于深度学习的地貌晕渲图生成方法及系统，利用深度学习方法快速生成艺术风格、表现效果与手工晕渲作品接近的地貌晕渲图，能够降低高质量地貌晕渲图制作的时间成本和人力成本，改善当前地貌晕渲图制作难以同时顾及制作效率和晕渲效果的情况。
[0004]按照本专利技术所提供的设计方案，提供一种基于深度学习的地貌晕渲图生成方法，包含如下内容：
[0005]收集样本数据，该样本数据包含：现有晕渲图及晕渲图对应区域的DEM数据；
[0006]构建基于DEM数据生成地貌晕渲图的深度学习网络，并利用样本数据对深度学习网络进行训练，其中，深度学习网络包含：用于对输入图像数据进行特征提取的特征提取子网络，和用于对提取的特征数据进行融合以重建图像的特征融合子网络，且特征提取子网络和特征融合子网络由多个残差块堆叠而成；
[0007]将目标区域的DEM数据进行投影转换和归一化处理，将处理后的DEM数据输入至训练后的深度学习网络，利用深度学习网络来获取该目标区域的地貌晕渲图。
[0008]作为本专利技术中基于深度学习的地貌晕渲图生成方法，进一步地，样本数据中的现有晕渲图通过收集手工晕渲作品来获取。
[0009]作为本专利技术中基于深度学习的地貌晕渲图生成方法，进一步地，利用样本数据对深度学习网络进行训练时，首先将DEM数据进行投影转换，将DEM数据由地理坐标系转换为晕渲图投影坐标系；接着对DEM数据和晕渲图进行重采样，使两者像元大小一致；然后，将重采样后的DEM数据进行归一化处理，并以预设像素尺寸对图像进行无重叠区域分割切片；最
后，按照切片图像对应关系建立晕渲
‑
DEM图像数据对。
[0010]作为本专利技术基于深度学习的地貌晕渲图生成方法，进一步地，深度学习网络采用UNet架构，在该UNet架构中利用残差块组成特征提取子网络和特征融合子网络，特征提取子网络中至少利用四个残差块，其中，第一个残差块的输入为图像数据，其他残差块以前一个残差块的输出作为输入，以利用多个残差块来提取输入图像数据语义级别特征。特征融合子网络对特征信息的处理可概括为如下步骤：
[0011](1)采用反卷积层对输入信息进行处理。
[0012](2)使用跳跃连接(skip
‑
connection)，对特征提取网络中倒数第Q层输出的信息进行复制，并将其与经过反卷积处理的信息进行concatenate连接操作。
[0013](3)若Q小于等于特征提取网络层数，则将连接操作得到的信息作为残差块的输入，并将残差块的输出作为新的输入信息，令Q值加1，重复(1)至(3)；否则(4)。
[0014](4)采用卷积层、激活函数层对连接操作得到的信息进行最终处理，并将结果输出。
[0015]其中初始输入信息为特征提取网络中倒数第二层输出的信息；Q为大于1的自然数；所述反卷积(deconvolution)，又称为转置卷积(Transposed Convolution)，能够还原特征信息的尺寸；(4)中卷积层卷积核大小为1*1、步长为1，激活函数选用Sigmoid函数。
[0016]作为本专利技术基于深度学习的地貌晕渲图生成方法，进一步地，用训练后的深度学习网络生成地貌晕渲图时，首先对目标区域DEM数据进行投影、归一化处理；然后根据计算机硬件来裁剪DEM数据，将DEM数据裁剪为N*N像素尺寸的图像块，图像块之间有一定的有重叠区域，其中，N为2的整数次方；接着以图像块为单位输入至训练后的深度学习网络来获取生成的地貌晕渲图块，并通过对地貌晕渲图块进行拼接处理来获取最终生成的地貌晕渲图。
[0017]作为本专利技术基于深度学习的地貌晕渲图生成方法，进一步地，采用alpha混合对地貌晕渲图块重叠区域像素值进行调整，像素值调整公式为其中，A、B为相邻的晕渲块，V
i
(A)、V
i
(B)分别为晕渲块A、B重叠区域中从左向右或从上向下的第i个像素值；V
i
(O)为调整后的像素值；n为重叠区域每一行或每一列的像素总数。
[0018]进一步地，本专利技术还提供一种基于深度学习的地貌晕渲图生成系统，包含：样本收集模块、模型构建模块和图像生成模块，其中，
[0019]样本收集模块，用于收集样本数据，该样本数据包含：现有晕渲图及晕渲图对应区域的DEM数据；
[0020]模型构建模块，用于构建基于DEM数据生成地貌晕渲图的深度学习网络，并利用样本数据对深度学习网络进行训练，其中，深度学习网络包含：用于对输入图像数据进行特征提取的特征提取子网络，和用于对提取的特征数据进行融合以重建图像的特征融合子网络，且特征提取子网络和特征融合子网络由多个残差块堆叠而成；
[0021]图像生成模块，用于将目标区域的DEM数据进行投影转换和归一化处理，将处理后的DEM数据输入至训练后的深度学习网络，利用深度学习网络来获取该目标区域的地貌晕渲图。
[0022]本专利技术的有益效果：
[0023]本专利技术通过高质量的手工晕渲图和对应区域的DEM数据制作样本集，并构建深度学习网络用于地貌晕渲图的制作；经过训练的网络能够以任意区域DEM数据为输入，生成艺术风格、表现效果等与手工晕渲作品接近的地貌晕渲图。进一步地，深度学习网络采用UNet架构，U型对称结构以及跳跃连接使得最终生成的地貌晕渲图像融合原始图像的浅层特征和多种尺度的高分辨率特征，保证地貌晕渲图中地理要素的准确性，同时残差块的应用使得网络更容易优化并提高性能，通过构建深度学习网络对任意区域地貌晕渲图进行制作，能够实现端到端的地貌晕渲图制作，解决当前高质量、效果好、艺术风格多样的地貌晕渲图制作成本高、生产周期长的问题。
附图说明：
[0024]图1为实施例中地貌本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的地貌晕渲图生成方法，其特征在于，包含如下内容：收集样本数据，该样本数据包含：现有晕渲图及晕渲图对应区域的DEM数据；构建基于DEM数据生成地貌晕渲图的深度学习网络，并利用样本数据对深度学习网络进行训练，其中，深度学习网络包含：用于对输入图像数据进行特征提取的特征提取子网络，和用于对提取的特征数据进行融合以重建图像的特征融合子网络，且特征提取子网络和特征融合子网络由多个残差块堆叠而成；将目标区域的DEM数据进行投影转换和归一化处理，将处理后的DEM数据输入至训练后的深度学习网络，利用深度学习网络来获取该目标区域的地貌晕渲图。2.根据权利要求1所述的基于深度学习的地貌晕渲图生成方法，其特征在于，样本数据中的现有晕渲图通过收集手工晕渲作品来获取。3.根据权利要求1或2所述的基于深度学习的地貌晕渲图生成方法，其特征在于，利用样本数据对深度学习网络进行训练时，首先将DEM数据进行投影转换，将DEM数据由地理坐标系转换为晕渲图投影坐标系；接着对DEM数据和晕渲图进行重采样，使两者像元大小一致；然后，将重采样后的DEM数据进行归一化处理，并以预设像素尺寸对图像进行无重叠区域分割切片；最后，按照切片图像对应关系建立晕渲
‑
DEM图像数据对。4.根据权利要求1所述的基于深度学习的地貌晕渲图生成方法，其特征在于，深度学习网络采用UNet架构，在该UNet架构中利用残差块组成特征提取子网络和特征融合子网络，特征提取子网络中至少利用四个残差块，其中，第一个残差块的输入为图像数据，其他残差块以前一个残差块的输出作为输入，以利用多个残差块来提取输入图像数据语义级别特征；特征融合子网络使用跳跃连接对特征提取子网络中倒数第Q层输出的特征进行复制，并将其与经过反卷积层反卷积处理的输入数据进行连接操作，将连接操作得到的数据作为残差块输入，并将残差块输出作为...

【专利技术属性】
技术研发人员：尹广志，李少梅，马京振，温伯威，周炤，季晓林，吕东许，卞成琳，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：