[发明专利]基于深度学习的矢量数据分区纠正方法

权利要求书

1.基于深度学习的矢量数据分区纠正方法，其特征在于，包括以下步骤：

S1：制作用于深度学习的U²-Net模型的样本集，调整模型参数，设置学习率为0.001，迭代次数200次，并进行模型训练；

S2：选取步骤S1训练的最优模型权重，输入城市与农村遥感影像进行道路提取；

S3：将边缘提取获取的线段进行有序排列；

S4：基于矢量线的道路特征集提取；

S5：依照城市与农村道路特有属性，对城市道路与农村道路进行自动划分，若划分结果为城市道路则将矢量数据输入步骤S6，若划分为农村道路，则输入步骤S7；

S6：城市道路矢量纠正；

S7：农村道路矢量纠正；

S8：输出纠正后的城市与农村道路矢量数据。

2.如权利要求1所述的基于深度学习的矢量数据分区纠正方法，其特征在于，所述步骤S4的具体步骤如下：

步骤S4.1：初始特征集提取，在步骤S2中使用深度学习方法提取城市与农村道路，在步骤S3中获取城市与农村道路的道路边缘线段，使用掩膜方法将以上两种结果进行叠加，得到初始特征集；

步骤S4.2：面向矢量线的特征集提取，建立初始特征集与矢量线的对应关系。

3.如权利要求2所述的基于深度学习的矢量数据分区纠正方法，其特征在于，所述步骤S4.2的具体步骤如下：

步骤S4.2.1：缓冲区约束，在初始特征集的基础上加入道路矢量线，以任意矢量线为中心，在两侧建立宽度为60米的缓冲区，当初始特征集内线段或线段序列两端点位于缓冲区内时，将其作为该矢量线段的特征，由此得到农村道路特征集；

步骤S4.2.2：角度约束，城市道路特征集基于缓冲区约束后的初始特征集，根据矢量线方向对其进一步约束，当满足约束要求时成为有效特征。

4.如权利要求1所述的基于深度学习的矢量数据分区纠正方法，其特征在于，所述步骤S6的具体步骤如下：

步骤S6.1：矢量线分解，以矢量线顶点作为分解点，使用自顶而下的分裂方法进行分解；

步骤S6.2：分矢量线纠正，使用随机平均抽样方法对矢量数据多次进行特征点选取，基于选取的特征点，使用最小二乘法方法多次拟合道路线；采用曲线评价模型，在最小二乘方法拟合的多条矢量线中选取最优道路矢量线；

步骤S6.3：将分矢量线向参考点方向移动，并将分矢量线按照函数表达形式延长至整个区间，实现分矢量线中心化处理；

步骤S6.4：通过求取相邻分矢量线交点实现连接。

5.如权利要求4所述的基于深度学习的矢量数据分区纠正方法，其特征在于，所述步骤S6.2的具体步骤为：

S6.2.1：随机平均抽样，将分矢量线平均分为6个子区间，在选取样本点时，在每个子区间内随机抽样2个点；

S6.2.2：基于样本点数据，使用最小二乘方法进行拟合；

S6.2.3：在拟合2000条矢量线段后，从2000条拟合线段中选取与道路结构相似性最高的拟合结果。

6.如权利要求4所述的基于深度学习的矢量数据分区纠正方法，其特征在于，所述步骤S7的具体步骤如下：

步骤S7.1道路边缘线提取，为获取最优道路边缘，使用长度约束方法，将农村道路特征集中线段序列长度大于l的线段序列作为道路边缘线段序列，l阈值设置为100；

步骤S7.2道路中心线推理模型，从矢量数据中读取路宽W，对于线段序列中的每条线段，按照垂直方向平移距离W/2，以此完成道路中心线提取，并将中心线作为更新的矢量线，间接完成矢量线的纠正；

步骤S7.3根据断裂矢量线分别通过求取交点与首尾相连的方式确定两条连接矢量线，分别使用下面公式求取两条矢量权重，将权重最高者作为连接矢量线，当权重η相同，从线性复杂度这一角度出发选用AC作为连接矢量；

式中，L_candidate为候选矢量，length(L_candidate)为候选矢量长度，length_DL(L_candidate)为候选矢量在U²-Net提取结果中的长度。