[发明专利]基于深度学习的建筑物矢量轮廓化简方法、模型及模型建立方法

说明书

本发明涉及一种基于深度学习的建筑物矢量轮廓化简方法、模型及模型建立方法，发明的化简过程主要包括三步：1)基于MobileNet2网络进行栅格建筑物的卷积特征提取；2)生成每个建筑物的外包矩形并切割相应位置的特征图，使用ROI‑Pooling统一特征图的大小；3)将提取的特征图作为输入，使用回归神经网络计算得到建筑物的化简坐标。本发明可直接实现建筑物轮廓矢量到矢量的化简流程，避免化简结果栅格转矢量造成的信息损失及重复化简操作。本发明通过修改损失函数增强了化简结果的形状特征，实现了建筑物的智能化、自动化综合，模型的综合性能强，鲁棒性高，能够被复用到多种比例尺的矢量建筑物轮廓化简的应用场景中。

技术领域

本发明属于建筑物矢量轮廓要素化简领域，特别涉及一种基于深度学习的建筑物矢量轮廓化简方法、模型及模型建立方法。

背景技术

面状建筑物是大比例尺城市地图中最重要的组成部分，由建筑物多边形所构成的居民地是普通地图的六大要素之一，实现建筑物的自动综合一直是研究者们关注的焦点。相较于河流、植被等自然要素，建筑物具有更特定的几何特征，其轮廓由一些垂直线段构成，点分布均匀且数量较少，边界局部存在凹凸结构。受GPS精度、遥感影像分辨率或人为因素的影响，建筑物矢量数据往往存在不同程度的误差。随着计算机视觉的发展，采用图像分割、深度学习等技术提取的建筑物多边形边界规律性差，点数冗余，直角特征弱，无法实现地理信息的规范化表达。

针对建筑物的化简，学者们提出过许多卓有成效的方法。传统方法如最小二乘法、半平面划分概括法、矩形差分及其改进算法、渐进式图形简化算法、模板匹配算法、邻近四点及其改进算法、基于约束Delaunay三角网的建筑物凹部结构识别与化简等。其中，半平面划分概括无法保留建筑物上的曲线，矩形差分一定程度上忽略了面积大小的保持，而模板匹配法对模板库的依赖性较强，邻近四点法则不能顾及全局特征，因此以上提出的算法不能广泛应用到各种场景下的建筑物化简中，难以实现建筑物化简的自动化、智能化控制。

机器学习是近些年来用来提高制图综合自动化程度的一种解决方案，研究人员用它来自动协调各种几何变换知识，从而克服传统方法中存在的不足。机器学习提供了一种不需要对化简约束进行提前抽样的基于数据驱动的制图综合范式，能够通过学习某一制图综合环境下隐藏在制图员已有的化简案例中的特征指标间的模糊关系，如矢栅结合的数学形态学方法、反向传播神经网络等，此类方法有效地推动了建筑物化简的智能化进行，但算法的泛化能力有限，处理性能取决于手动设置的特征和规则的表现，因此其自动化、知识化和智能化程度尚需加强。

随着机器学习向深度学习技术的发展，算法的学习性能显著提高，基于深度学习的方法在栅格图像处理中取得了成功的应用，代表着栅格数据泛化的一个突破。基于深度学习的方法被认为在提高制图综合的效率和自动性上具有较大的应用前景。但仍存在以下一些问题：1)目前采用深度学习进行建筑物化简大多基于采用语义分割或对抗生成网络的思想，使用的都是二值化的建筑物栅格图像和简化后的建筑物标签进行模型训练，化简结果停留在二值化图像阶段；2)二值化的结果边缘存在缺失等不规则现象，不能很好地满足建筑物的形状特征(平行/垂直/共线)增强原则；3)采用边界追踪等方法对二值化结果的边界点进行提取，得到的点规律性差、冗余程度高、对建筑物的概括程度不强，仍需进一步借助传统方法来化简。

发明内容

本发明的所要解决的技术问题是提供一种基于深度学习的建筑物矢量轮廓化简方法、模型及模型建立方法。

本发明解决上述技术问题的技术方案如下：

基于深度学习的建筑物矢量轮廓化简模型建立方法，包括以下步骤：

步骤1、从现有的化简前的建筑物矢量轮廓数据集中提取一条化简前的建筑物轮廓数据，从化简后的建筑物矢量轮廓数据集中选取对应的化简后的建筑物轮廓数据，利用化简前建筑物轮廓数据生成栅格数据和外包矩形数据，利用对应的化简后建筑物轮廓数据构建标签数据；