[发明专利]一种基于追踪式格网剖分的线要素智能化简方法与装置

说明书

本发明公开一种基于追踪式格网剖分的线要素智能化简方法，沿化简前线要素方向连续构建剖分方格；将剖分方格包含的唯一、连续的化简前线要素的局部弧段作为剖分弧段；基于剖分方格、化简前剖分弧段确定化简后的剖分弧段；将剖分方格剖分的化简前、后的局部弧段转换为栅格图像，并将成对的栅格图像作为学习样本；利用学习样本中化简前、后的栅格图像训练深度学习模型；将剖分方格剖分的待化简线要素的局部弧段转换成的栅格图像输入训练好的深度学习模型，预测化简后的栅格图像；将预测的栅格图像转换、合并得到化简后的线要素；本发明还公开一种基于追踪式格网剖分的线要素智能化简装置。本发明利用图像处理深度学习模型实现了线要素智能化简。

技术领域

本发明属于空间数据处理中线要素智能综合技术领域，尤其涉及一种基于追踪式格网剖分的线要素智能化简方法与装置。

背景技术

线要素化简是空间数据处理、自动地图综合中的重要研究内容和经典研究问题之一。线要素化简过程十分复杂，需要综合考量空间认知、地理特征等多重因素，对顶点、弯曲、地理对象不同层次的目标，有选择地进行取舍、移位、概括、夸大等诸多操作。因此，清晰、准确、完备抽象线化简过程的难度极大。而利用智能方法从化简前、后的线要素中“自下而上”地学习化简知识和化简操作的智能化简思路能够规避“自上而下”抽象的主观性，具有更好的适应性。

随着深度学习技术的发展，深度神经网络对于复杂任务的学习模拟能力显著增强，面向图像翻译、风格迁移等图像处理的深度学习模型的精度和智能程度逐步提升，利用这些图像处理深度学习模型模拟从综合前到综合后的图像变换具有可行性。例如，发表于《ISPRS International Journal of Geo-Information》2019年第6期上一篇名称为《Learning cartographic building generalization with deep convolutional neuralnetworks》的论文尝试利用规则格网剖分综合前、后的矢量建筑群转换为栅格图像，并利用规则格网剖分栅格图像构建样本，通过全卷积深度神经网络拟合从综合前到综合后的建筑物图像变换。但是，当前缺少利用图像处理深度学习模型实现线要素智能化简的方法，主要存在以下难点：

首先，当前空间剖分方法不适用于基于图像处理深度学习模型的线要素智能化简应用。线要素连续绵长、细节复杂多变，直接将其转化为栅格图像不仅导致极大的计算资源消耗和浪费，容易引发溢出问题，还极大地增加了待学习任务的复杂程度，使其难以被学习模拟。因此，对线要素进行剖分是十分必要的。但是，利用已有规则格网剖分方法剖分化简前、后的线要素并不适用于线要素智能化简应用，主要包含以下原因：①规则格网剖分的线要素较为破碎，一个剖分方格内包含多条的离散弧段，破碎的离散弧段化简规律性差、学习难度大，难以被智能模型有效学习模拟；②破碎的弧段形态表达连续性差，也无法充分表达线要素局部形态特征及化简前、后的形态变换特点。

其次，当前样本构建方法也不适用于基于图像处理深度学习模型的线要素智能化简应用。剖分的线要素弧段直接转换生成的栅格图像中存在大范围空白，不利于模型参数的自适应调整。

再者，图像处理深度学习模型预测模拟的化简结果为一些列栅格图像，而空间数据中线要素以矢量形式表达，具有连续性和完整性。如何将图像处理深度学习模型预测模拟的一系列栅格图像转换、拼接、生成矢量线要素也存在空白。

发明内容

本发明针对当前空间剖分及样本构建方法不适用于基于图像处理深度学习模型的线要素智能化简应用的问题，提出一种基于追踪式格网剖分的线要素智能化简方法与装置。

为了实现上述目的，本发明采用以下技术方案：

一种基于追踪式格网剖分的线要素智能化简方法，包括：

步骤1、确定化简前、后比例尺，从已有地图综合成果中提取化简前、后的线要素，沿化简前线要素方向连续构建剖分方格；