本发明专利技术提出一种基于图卷积网络的建筑物化简算法选择方法、装置及设备。该方法通过对单个建筑物构建合理图结构，使模型学习到单个建筑物的形状特征，对其进行自适应化简算法分类，找到适合该形状建筑物在目标比例尺下化简的最优解。旨在通过对建筑物形状特征的学习，建立对建筑物整体的形状特征与表达，通过图卷积神经网络学习分类的方法，建立建筑物形状编码与多种化简算法的映射关系，从而实现为目标比例尺下的建筑物轮廓化简。本发明专利技术将图卷积神经网络应用于建筑物化简算法选择研究，能批量化、自动化的对建筑物语义分割结果进行有效化简；本发明专利技术在对建筑物形状进行描述时，引入了多尺度特征，对建筑物的形状描述更加准确。对建筑物的形状描述更加准确。对建筑物的形状描述更加准确。
【技术实现步骤摘要】
基于图卷积网络的建筑物化简算法选择方法、装置及设备
[0001]本专利技术涉及制图综合领域，特别涉及一种基于图卷积网络的建筑物化简算法选择方法、装置及设备。
技术介绍
[0002]地图是人们认识世界的重要工具，是空间现象的视觉表达，被称为地球科学研究的第二语言。地图将地理世界中的各种自然要素、人工要素进行抽象、概括，展示各要素之间空间分布、结构以及时空域变化，尺度是表达地图的一个重要特征，它反映了地图抽象概括的层次。随着城市化进程的加快，地图中的建筑物要素更新变换频繁，对地图的更新速度提出了新的需求，而传统的多尺度数据的生产周期较长，致其生产速度落后于城市发展速度。并且地图制图是一项复杂的工作，需要经验丰富的专家进行精细的数据处理、图像分析、和信息抽取等一系列操作，需要大量的人工参与和人力成本投入，导致地图制图的生产成本相对较高。因此，建设快速、持续更新的多尺度地图就显得十分重要。
[0003]随着数字化技术的不断发展，地图已经从记录地物和地貌以及引导方向的功能扩展到了广泛的应用领域。作为人类空间认知和信息获取的重要手段，地图在人们的生活中扮演着越来越重要的角色。随着数字地图的广泛应用，人们对地图的呈现方式和视觉效果提出了更高的要求。为了满足这些要求，现代地图服务必须具备诸如缩放支持和自适应网络地图浏览等自动化功能。在当前大数据时代，海量地理信息数据需要在有限的载体空间或尺度范围内呈现，这会导致要素内容和分布特征等相关信息无法正确显示。因此，需要采用更加高效、精确的地图绘制技术来优化地图数据的呈现，以满足用户对地图呈现质量和效率的要求。对基于高分辨遥感影像得到的建筑物数据，可以有效更新大比例尺的地图，而在比例尺变换过程中无法得到与大比例尺地图相似的更新速度，建筑物多边形的化简是解决比例尺变换的基础操作算子之一。因此，提出目标比例尺条件约束下的建筑物轮廓化简问题，可以有效解决中、小比例尺地图更新速度慢的问题，通过目标尺度下的化简规则，实现目标尺度的建筑物要素制图。
技术实现思路
[0004]本专利技术要解决的技术问题在于，针对现有技术的缺陷，提供一种基于图卷积网络的建筑物化简算法选择方法、装置及设备。
[0005]根据本专利技术的第一方面，本专利技术提供了一种基于图卷积网络的建筑物化简算法选择方法，包括以下步骤：
[0006]S1：获取高分遥感影像，对高分遥感影像进行裁剪及数据增强操作，采用HR net方法对高分遥感影像进行分割，得到建筑物语义分割结果数据集；
[0007]S2：对建筑物语义分割结果数据集进行建筑物边界矢量化，得到建筑物矢量数据集；
[0008]S3：对步骤S2得到的建筑物矢量数据集进行图结构构建及特征提取，得到建筑物
图结构数据集；
[0009]S4：基于步骤S2得到的建筑物矢量数据集，根据建筑物形状，采用人工识别构建分类样本库，作为分类标签数据集；
[0010]S5：根据S3得到的建筑物图结构数据集以及S4得到的分类标签数据集训练基于图卷积网络的化简算法选择模型，训练完成后，得到训练好的化简算法选择模型；
[0011]S6：利用步骤S5训练好的化简算法选择模型，对单个建筑物进行化简算法的选择，得到该建筑物适用的化简算法，采用该化简算法对建筑物进行化简，得到最终建筑物化简结果。
[0012]进一步地，步骤S1中，所述对高分遥感影像进行裁剪及数据增强操作的步骤，包括：
[0013]S1.1：将高分遥感影像裁剪为适合语义分割方法的大小；
[0014]S1.2：对裁剪后的影像进行随机翻转和旋转、添加噪声点操作，以增加数据的多样性。
[0015]进一步地，步骤S2具体包括：
[0016]对建筑物语义分割结果数据集中的建筑物二值图结果，采用边缘检测的矢量化方法，得到建筑物矢量数据集。
[0017]进一步地，步骤S3具体包括：
[0018]对建筑物矢量数据集中的单个建筑物的形状特征进行图结构构建，且满足构建的图结构能有效反映该建筑物的形状特征。
[0019]更进一步地，所述对建筑物矢量数据集中的单个建筑物的形状特征进行图结构构建的步骤，包括：
[0020]S3.1：对单个矢量化后的建筑物边界采用狄洛尼三角网生成图结构，以便加强节点与节点之间的联系；
[0021]S3.2：通过S3.1得到的图结构，对该建筑物的进行特征提取，以得到建筑物形状的初始特征表示，包括全局特征和基于轮廓的多尺度序列特征，涵盖全局和局部、区域与轮廓的认知视角，构成每个建筑物的特征矩阵X。
[0022]进一步地，步骤S4具体包括：
[0023]利用已有的化简知识对语义分割结果数据集的每个建筑物进行最优化简算法标注，得到该建筑物所适应的最佳化简算法，制作出分类标签数据集Y；
[0024]所述已有的化简知识包括：化简前后保持建筑物的形状结构特征、保持化简前后中心位置不变、尽量保持化简前后建筑物的视觉中心不变、保持化简前后建筑物的面积不变。
[0025]进一步地，步骤S5具体包括：
[0026]将步骤S3中所得到每个建筑物的特征矩阵X以及步骤S4得到的分类标签数据集Y分别对应划分为训练集与测试集，将训练集输入图卷积神经网络中，对网络进行训练，训练过程如下：
[0027]S5.1：将S3步骤中得到的每个建筑物的特征矩阵X输入图卷积神经网络，经过卷积计算以及softmax()得到
[0028]S5.2：通过计算与分类标签数据集Y的交叉熵损失，用于计算建筑物标签数据集
合与模型预测结果之间的差异，计算方法如下：
[0029][0030]在式中，y
i
表示样本i的真实标签概率，表示预测得到的概率，N表示分类数据的总和；
[0031]S5.3：判断S5.2中计算得到的差异值是否收敛，若是，则停止网络训练，将当前收敛情况下的图卷积网络作为建筑物化简算法选择模型；否则，返回步骤S5.1，继续训练。
[0032]进一步地，步骤S6具体包括：
[0033]S6.1：将待化简的建筑物的特征矩阵输入步骤S5训练好的化简算法选择模型，得到的该建筑物的分类结果；
[0034]S6.2：通过该分类结果选择对应的化简算法，得到该建筑物的最终化简结果。
[0035]根据本专利技术的第二方面，本专利技术提供了一种基于图卷积网络的建筑物化简算法选择装置，用于实现所述的建筑物化简算法选择方法，包括以下模块：
[0036]语义分割模块，用于获取高分遥感影像，对高分遥感影像进行裁剪及数据增强操作，采用HR net方法对高分遥感影像进行分割，得到建筑物语义分割结果数据集；
[0037]边界矢量化模块，用于对建筑物语义分割结果数据集进行建筑物边界矢量化，得到建筑物矢量数据集；
[0038]图结构构建模块，用于对建筑物矢量数据集进行图结构构建及特征提取，得到建筑物图结构数据集；
[0039]标签制作模块，用于基于建筑物矢量数据集本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于图卷积网络的建筑物化简算法选择方法，其特征在于，包括以下步骤：S1：获取高分遥感影像，对高分遥感影像进行裁剪及数据增强操作，采用HR net方法对高分遥感影像进行分割，得到建筑物语义分割结果数据集；S2：对建筑物语义分割结果数据集进行建筑物边界矢量化，得到建筑物矢量数据集；S3：对步骤S2得到的建筑物矢量数据集进行图结构构建及特征提取，得到建筑物图结构数据集；S4：基于步骤S2得到的建筑物矢量数据集，根据建筑物形状，采用人工识别构建分类样本库，作为分类标签数据集；S5：根据S3得到的建筑物图结构数据集以及S4得到的分类标签数据集训练基于图卷积网络的化简算法选择模型，训练完成后，得到训练好的化简算法选择模型；S6：利用步骤S5训练好的化简算法选择模型，对单个建筑物进行化简算法的选择，得到该建筑物适用的化简算法，采用该化简算法对建筑物进行化简，得到最终建筑物化简结果。2.根据权利要求1所述的建筑物化简算法选择方法，其特征在于，步骤S1中，所述对高分遥感影像进行裁剪及数据增强操作的步骤，包括：S1.1：将高分遥感影像裁剪为适合语义分割方法的大小；S1.2：对裁剪后的影像进行随机翻转和旋转、添加噪声点操作，以增加数据的多样性。3.根据权利要求1所述的建筑物化简算法选择方法，其特征在于，步骤S2具体包括：对建筑物语义分割结果数据集中的建筑物二值图结果，采用边缘检测的矢量化方法，得到建筑物矢量数据集。4.根据权利要求1所述的建筑物化简算法选择方法，其特征在于，步骤S3具体包括：对建筑物矢量数据集中的单个建筑物的形状特征进行图结构构建，且满足构建的图结构能有效反映该建筑物的形状特征。5.根据权利要求4所述的建筑物化简算法选择方法，其特征在于，所述对建筑物矢量数据集中的单个建筑物的形状特征进行图结构构建的步骤，包括：S3.1：对单个矢量化后的建筑物边界采用狄洛尼三角网生成图结构，以便加强节点与节点之间的联系；S3.2：通过S3.1得到的图结构，对该建筑物的进行特征提取，以得到建筑物形状的初始特征表示，包括全局特征和基于轮廓的多尺度序列特征，涵盖全局和局部、区域与轮廓的认知视角，构成每个建筑物的特征矩阵X。6.根据权利要求5所述的建筑物化简算法选择方法，其特征在于，步骤S4具体包括：利用已有的化简知识对语义分割结果数据集的每个建筑物进行最优化简算法标注，得到该建筑物所适应的最佳化简算法，制作出分类标签数据集Y；所述已有的化简知识包括：化简前后保持建筑物的形状结构特征、保持化简前后中心位置不变、尽量保持化简前后建筑物的视觉中心...
【专利技术属性】
技术研发人员：徐永洋，李文晶，谢雪景，谢忠，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
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。