[发明专利]一种建筑物矢量轮廓图绘制方法、装置、设备及介质

说明书

本申请公开了一种建筑物矢量轮廓图绘制方法、装置、设备及介质，涉及人工智能与深度神经网络领域，包括：获取建筑物图像，并对所述建筑物图像进行图像处理，以得到所述建筑物图像的特征图；对所述特征图进行初始化操作，以得到初始化特征图，并对所述特征图进行边缘检测处理，以得到处理后特征图；调用第一损失函数对所述初始化特征图和所述处理后特征图进行第一次训练，以得到概率图，调用第二损失函数并利用预先建立的循环神经网络，对所述概率图进行第二次训练，以得到所述建筑物图像的矢量轮廓图。通过本申请的上述技术方案，能够有效提升增加建筑物矢量轮廓图绘制的准确性，提高建筑物矢量轮廓图绘制的效率。

技术领域

本发明涉及人工智能与深度神经网络领域，特别涉及一种建筑物矢量轮廓图绘制方法、装置、设备及介质。

背景技术

目前，随着人工智能与深度神经网络模型的快速发展与应用，计算机视觉领域中的基本任务，例如：图像分类、语义分割、实例分割、全景分割等，得到空前的进步。使用MaskR-CNN目标检测和Polygon-RNN多边形识别方法相结合在建筑物矢量轮廓提取的任务中表现出了一定的潜力。在遥感图像处理领域中广泛应用的算法为一种效率和性能均衡的实例分割算法，该算法是通过一个目标检测框的坐标以及长、款定义了目标所在图像中的位置，并通过一个掩膜分支进行目标的语义分割，该算法。并且，RCF在边缘识别任务中一直表现出优异的性能，该网络是将来自多个阶段的图像特征被融合在一个统一的框架。为了提升多边形在建筑物边缘的贴合程度，将图像中的边缘信息充分利用并指导建筑物角点序列的识别生成，有效提升了建筑物矢量外轮廓的提取精度。还一种称之为Polygon-RNN(图像分割数据集自动标注)及其改进版Polygon-RNN++的基于循环神经网络的半自动图像实例标注方法，该方法需要在每个图像实例目标周围手动给定一个初始的矩形方框，然后通过深度神经网络将矩形框内的图像进行处理并输出图像实例的标注。由于该标注是以特定的轮廓顶点组成，因此将建筑物的角点作为网络输出的标注点将有利于建筑矢量轮廓的生成，从而提升建筑物专题地图的绘制，但是依旧存在建筑物角点遗漏、错乱、边缘符合程度低等问题。

由上可见，在建筑物矢量轮廓图绘制的过程中，如何提升增加建筑物矢量轮廓图绘制的准确性，提高建筑物矢量轮廓图绘制的效率是本领域有待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种建筑物矢量轮廓图绘制方法、装置、设备及介质，能够有效提升增加建筑物矢量轮廓图绘制的准确性，提高建筑物矢量轮廓图绘制的效率。其具体方案如下：

第一方面，本申请公开了一种建筑物矢量轮廓图绘制方法，包括：

获取建筑物图像，并对所述建筑物图像进行图像处理，以得到所述建筑物图像的特征图；

对所述特征图进行初始化操作，以得到初始化特征图，并对所述特征图进行边缘检测处理，以得到处理后特征图；

调用第一损失函数对所述初始化特征图和所述处理后特征图进行第一次训练，以得到概率图，调用第二损失函数并利用预先建立的循环神经网络，对所述概率图进行第二次训练，以得到所述建筑物图像的矢量轮廓图。

可选的，所述获取建筑物图像，并对所述建筑物图像进行图像处理，以得到所述建筑物图像的特征图，包括：

通过卷积神经网络的主干网络获取所述建筑物图像；

利用区域提议网络和感兴趣区域特征对齐层获取所述建筑物图像，并对所述建筑物图像进行图像处理，以得到固定大小的所述建筑物图像的特征图。

可选的，所述对所述特征图进行初始化操作，以得到初始化特征图，包括：

利用实例掩膜分支对所述特征图进行语义分割操作，以得到第一初始化子特征图，利用目标检测框回归分支和目标物体分类分支对所述特征图进行相应的处理，以得到第二初始化子特征图；