[发明专利]基于深度学习的地貌晕渲图生成方法及系统

说明书

本发明属于人工智能与地图制图相结合的技术领域，特别涉及一种基于深度学习的地貌晕渲图生成方法及系统，通过收集样本数据，并利用样本数据对构建的深度学习网络进行训练，其中，深度学习网络包含：用于对输入图像数据进行特征提取的特征提取子网络，和用于对提取的特征数据进行融合以重建图像的特征融合子网络，且特征提取子网络和特征融合子网络由多个残差块堆叠而成；以目标区域的DEM数据作为输入，利用训练后的深度学习网络来获取该目标区域的地貌晕渲图。本发明利用深度学习方法快速生成艺术风格、表现效果与手工晕渲作品接近的地貌晕渲图，降低高质量地貌晕渲图制作的时间成本和人力成本，改善当前地貌晕渲图制作难以同时顾及制作效率和晕渲效果的情况。

技术领域

本发明属于人工智能与地图制图相结合的技术领域，特别涉及一种基于深度学习的地貌晕渲图生成方法及系统。

背景技术

地貌晕渲图是一种在二维平面有效表现三维地貌的主要工具，其在地图制图中承担着重要的作用。目前，地貌晕渲图的制作多通过计算机软件，如ArcGIS、Global Mapper、QGIS等，采用人机交互的方式半自动完成：通过人为设置参数值，如光照的高度角、方向角以及地表平面与高程的伸缩比例等，软件根据光照模型计算数字高程模型(digitalelevation model，DEM)中每个像元受光量并赋予特定灰度值。采用这种方式制作的晕渲被称为解析晕渲或计算机晕渲。计算机晕渲的制作高效快速、科学客观，但也带来了晕渲效果单一、缺乏艺术表现力等问题；而手工绘制虽能解决上述问题，但手工绘制晕渲图难度很大，不仅对制图者的要求非常高，并且耗时长，很难满足实际应用生产中地图快速制作的需求。手工晕渲图整体效果更优，其原因在于制图人员会针对地形进行深入分析与思考，并采用高超技巧进行绘制，而这样的过程和处理难以用数学模型进行准确的描述。

发明内容

为此，本发明提供一种基于深度学习的地貌晕渲图生成方法及系统，利用深度学习方法快速生成艺术风格、表现效果与手工晕渲作品接近的地貌晕渲图，能够降低高质量地貌晕渲图制作的时间成本和人力成本，改善当前地貌晕渲图制作难以同时顾及制作效率和晕渲效果的情况。

按照本发明所提供的设计方案，提供一种基于深度学习的地貌晕渲图生成方法，包含如下内容：

收集样本数据，该样本数据包含：现有晕渲图及晕渲图对应区域的DEM数据；

构建基于DEM数据生成地貌晕渲图的深度学习网络，并利用样本数据对深度学习网络进行训练，其中，深度学习网络包含：用于对输入图像数据进行特征提取的特征提取子网络，和用于对提取的特征数据进行融合以重建图像的特征融合子网络，且特征提取子网络和特征融合子网络由多个残差块堆叠而成；

将目标区域的DEM数据进行投影转换和归一化处理，将处理后的DEM数据输入至训练后的深度学习网络，利用深度学习网络来获取该目标区域的地貌晕渲图。

作为本发明中基于深度学习的地貌晕渲图生成方法，进一步地，样本数据中的现有晕渲图通过收集手工晕渲作品来获取。

作为本发明中基于深度学习的地貌晕渲图生成方法，进一步地，利用样本数据对深度学习网络进行训练时，首先将DEM数据进行投影转换，将DEM数据由地理坐标系转换为晕渲图投影坐标系；接着对DEM数据和晕渲图进行重采样，使两者像元大小一致；然后，将重采样后的DEM数据进行归一化处理，并以预设像素尺寸对图像进行无重叠区域分割切片；最后，按照切片图像对应关系建立晕渲-DEM图像数据对。

作为本发明基于深度学习的地貌晕渲图生成方法，进一步地，深度学习网络采用UNet架构，在该UNet架构中利用残差块组成特征提取子网络和特征融合子网络，特征提取子网络中至少利用四个残差块，其中，第一个残差块的输入为图像数据，其他残差块以前一个残差块的输出作为输入，以利用多个残差块来提取输入图像数据语义级别特征。特征融合子网络对特征信息的处理可概括为如下步骤：

(1)采用反卷积层对输入信息进行处理。