【技术实现步骤摘要】
本申请涉及图像生成，特别是涉及一种融合判别式和生成式模型的遥感影像转换地图方法。
技术介绍
1、地图的生成方式之一是依赖于遥感影像制图。遥感影像具有高空间分辨率、高清晰度、信息量丰富等优点，通过遥感影像进行地图生成与更新的研究已经成为当前地理信息（gis）领域的重要研究方向。在深度学习方法取得快速发展之前，传统的基于遥感影像生成地图的方法需利用遥感影像中的颜色、明暗、边界等低层信息进行人工获取矢量数据，并参照制图规范进行地图制图。传统的制图方法虽然可以精确的绘制，但依赖于人工和专家经验，工序复杂，时间消耗较大，更新周期长。此外，传统方法较难应对地震、洪水和泥石流等突发的自然灾害，难以适应应急地理信息保障任务。
2、近年来，深度学习已经成为研究热点，为遥感图像处理开辟了新的研究方向。其可以挖掘图像中的高层次语义特征，提高遥感影像处理任务的有效性。遥感影像自动转换成数字地图也成为了一项重要而具有挑战性的任务，在实际中得到了广泛的应用。现有的研究大都将其看作是一个判别式的语义分割以及地理要素提取问题或者生成式的图像到图像的翻译问题。
3、判别式的智能化制图方法是将深度学习技术应用在地图制图流程中的影像地理要素自动化提取中，通过训练大量标注好的样本集，对遥感影像中的地理要素进行自动化提取，再根据提取的矢量要素制作网络地图。该类方法虽然一定程度上实现了网络地图制图流程中的智能化，但是由于缺乏高质量的各类地物标签样本，仍需要大量人工干预，自动化水平不高。
4、生成式的智能化制图方法是将遥感影像生成网络地图
5、目前，现有的根据遥感影像自动化生成对应空间和样式的数字地图的研究主要基于两类方法，一种是将该任务视为判别式的遥感影像语义分割任务，另一种是视其为生成式的基于带有条件（遥感影像）的图像转换问题。基于图像转换的地图自动化生成方法可以直接将遥感影像转换为目标样式的数字地图，且具有较真实的视觉质量和风格，但存在语义错误。基于语义分割的地图自动化生成方法将遥感影像中的每个像素划分为一个类标签，可以生成相对准确的地图，但视觉质量并不高。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高遥感影像转换地图质量的融合判别式和生成式模型的遥感影像转换地图方法、装置、计算机设备和存储介质。
2、一种融合判别式和生成式模型的遥感影像转换地图方法，所述方法包括：
3、获取待转换的遥感影像和训练数据集；训练数据集包括多个配对的遥感影像和地图；构建数字场地图生成模型；数字场地图生成模型包括第一生成器、第二生成器、第一判别器、第二判别器和语义分割网络；
4、对训练数据集中的遥感影像进行数据增强操作和边缘轮廓的提取，得到边缘图像；利用像素聚类的方法为训练数据集中的每个遥感图像制作对应的语义标签，根据语义标签和边缘图像对语义分割网络进行训练，得到训练好的语义分割网络；
5、将边缘图像和训练数据集中的遥感影像结合后输入到训练好的语义分割网络中生成预测掩码；根据预测掩码和预先设置的对抗损失对第一生成器、第二生成器、第一判别器和第二判别器进行训练，得到训练好的第一生成器、第二生成器、第一判别器和第二判别器；
6、对待转换的遥感影像进行数据增强，将增强后的遥感影像和预测掩码分别输入训练好的第一生成器的两个编码器中进行联合学习后使用解码器将学到的深层次特征进行解码，生成数字地图；
7、利用训练好的第一判别器对生成的数字地图进行判断，利用循环一致性的思想将判断为真的数字地图输入到训练好的第二生成器中，得到重构的遥感影像，利用训练好的第二判别器对重构的遥感影像进行判断，再利用训练好的语义分割网络从判断为真的重构的遥感影像中提取真实语义分割掩码；
8、将真实语义分割掩码和增强后的遥感影像输入训练好的第一生成器中，得到最终的数字地图。
9、在其中一个实施例中，对训练集中的遥感影像进行数据增强操作和边缘轮廓的提取，得到边缘图像，包括：
10、对训练集中的遥感影像进行数据增强操作，得到增强后的遥感影像；
11、根据sobel滤波器从增强后的遥感影像中提取边缘图像。
12、在其中一个实施例中，根据语义标签和边缘图像对语义分割网络进行训练，得到训练好的语义分割网络，包括：
13、根据语义标签和边缘图像构建语义损失和边缘损失，利用语义损失和边缘损失对语义分割网络进行训练，得到训练好的语义分割网络。
14、在其中一个实施例中，语义损失为
15、；
16、其中，和分别表示真实值和预测概率，c表示语义标签类别的总数，表示语义标签的序号。
17、在其中一个实施例中，边缘损失为
18、；
19、其中，和为从原始影像和地图中提取的边缘图，和为从相应生成的图像中提取的边缘图。
20、在其中一个实施例中，预先设置的对抗损失包括最小二乘损失、判别器的目标函数损失、循环一致性损失和一致性损失；预先设置的对抗损失为
21、=；
22、其中，表示最小二乘损失、表示第一判别器的目标函数损失，表示第二判别器的目标函数损失，表示循环一致性损失、表示一致性损失，为一致性损失的权重。
23、在其中一个实施例中，最小二乘损失为
24、；
25、其中，表示第一判别器，表示第一生成器，表示第二判别器，表示第二生成器，表示原始遥感影像。
26、在其中一个实施例中，判别器的目标函数损失为
27、；
28、；
29、其中，表示第一判别器，表示第一生成器，表示第二判别器，表示第二生成器，表示原始遥感影像，表示数字地图。
30、在其中一个实施例中，循环一致性损失为
31、；
32、其中，表示第一生成器，表示第二生成器，表示原始遥感影像。
33、在其中一个实施例中，一致性损失为
34、；
35、其中，表示数字地图。
36、上述一种融合判别式和生成式模型的遥感影像转换地图方法，本申请采用了循环一致性的思想，首先对遥感影像进行了数据增强操作，增强了影像中光照不本文档来自技高网...
【技术保护点】
1.一种融合判别式和生成式模型的遥感影像转换地图方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对所述训练数据集中的遥感影像进行数据增强操作和边缘轮廓的提取，得到边缘图像，包括：
3.根据权利要求1所述的方法，其特征在于，根据所述语义标签和边缘图像对所述语义分割网络进行训练，得到训练好的语义分割网络，包括：
4.根据权利要求3所述的方法，其特征在于，所述语义损失为
5.根据权利要求3所述的方法，其特征在于，所述边缘损失为
6.根据权利要求1所述的方法，其特征在于，所述预先设置的对抗损失包括最小二乘损失、判别器的目标函数损失、循环一致性损失和一致性损失；所述预先设置的对抗损失为
7.根据权利要求6所述的方法，其特征在于，所述最小二乘损失为
8.根据权利要求6所述的方法，其特征在于，所述判别器的目标函数损失为
9.根据权利要求6所述的方法，其特征在于，所述循环一致性损失为
10.根据权利要求9所述的方法，其特征在于，所述一致性损失为
【技术特征摘要】
1.一种融合判别式和生成式模型的遥感影像转换地图方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对所述训练数据集中的遥感影像进行数据增强操作和边缘轮廓的提取，得到边缘图像，包括：
3.根据权利要求1所述的方法，其特征在于，根据所述语义标签和边缘图像对所述语义分割网络进行训练，得到训练好的语义分割网络，包括：
4.根据权利要求3所述的方法，其特征在于，所述语义损失为
5.根据权利要求3所述的方法，其特征在于，所...
【专利技术属性】
技术研发人员：伍江江，宋洁琼，陈浩，陈荦，杜春，彭双，李军，熊伟，钟志农，贾庆仁，杨岸然，景宁，
申请(专利权)人：中国人民解放军国防科技大学，
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。