CN110335350A - 基于地形特征的虚拟地形生成方法 - Google Patents
基于地形特征的虚拟地形生成方法 Download PDFInfo
- Publication number
- CN110335350A CN110335350A CN201910542296.2A CN201910542296A CN110335350A CN 110335350 A CN110335350 A CN 110335350A CN 201910542296 A CN201910542296 A CN 201910542296A CN 110335350 A CN110335350 A CN 110335350A
- Authority
- CN
- China
- Prior art keywords
- terrain
- features
- dem
- data
- virtual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 239000011248 coating agent Substances 0.000 claims description 7
- 238000000576 coating method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 5
- 230000019771 cognition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于地形特征的虚拟地形生成方法,包括如下步骤:(1)获取真实DEM数据,提取重要的地形特征要素;(2)选择合适的数据范围,将DEM数据与地形特征要素数据划分为同样大小的方形区域;(3)根据零和博弈理论,使用地形特征数据集训练深度神经网络模型Terrain‑CGANs;(4)Terrain‑CGANs模型接收一幅地形特征图,将其转化为一幅虚拟地形的DEM数据。本发明使用大量地形特征训练虚拟地形生成模型,实现快速将地形特征要素转换为DEM数据。
Description
技术领域
本发明涉及虚拟地形DEM生成技术领域,尤其是一种基于地形特征的虚拟地形生成方法。
背景技术
地形是地理场景中高低起伏的地貌形态,是控制物质能量再分配的重要地理要素。地形与人类活动密切相关,地表所发育的高山、丘陵和平原是人类进行生产活动的重要场所与空间认知的重要对象。地形的表达方式由从二维地图到三维地理场景的演变过程,是人类对地理空间认知水平与空间表达技术的发展过程。虚拟地形,是在已有空间认知知识的指导下,根据有限信息刻画出的虚构地表形态。虚拟地形广泛应用于游戏和电影的虚拟场景中,是影响虚拟场景观感和体验的重要因素。用于指导构建虚拟地形的信息,往往是针对地形特征的描述,对非特征区域的描述则很难详尽,导致虚拟地形整体趋势接近,细节真实度不高。因此,研究如何根据有限信息构建仿真效果较好的虚拟地形具有广阔的应用前景。
虚拟地形构建的重点在于对重要特征地形以及对地形表面形态结构的表达。特征地形是指对地形上具有控制作用的点、线、面,是地形的骨架,反映了地理要素的空间错落关系、空间范围等。挺拔的山峰和凹凸有致的山谷与山脊等特征地形是人们对山区地形的位置、形状以及空间规模的直观认识。在中国古代的地形图中,可以找到线条勾勒的山峰符号。描述地形时,地形表面上不同点位的重要性有显著的差异。因此,许多学者会顾及重要的地形特征进行地形构建以及地形简化等。这些由地形特征入手重建地形的研究工作,虽然能在一定程度上表达地形特征和地形场景整体的空间格局,但重建的地形却是对稀疏数据插值形成的光滑表面,仿真度不高。但是,从另一个角度来看,以人类视觉可感知的点、线、面特征(如地形骨架线、地形轮廓线、山顶点、鞍部点等)及其属性为基础构建地形,虽然精度受限,却能保存正确的空间关系。
地形表面形态结构是地形表面的细节,虽然其表达的地形空间结构信息非常少,但它却是影响虚拟地形真实感的重要因素之一。地理学中,地形数据的采集方法都是基于实测,能够保留一定的细节,属于现实空间向数字空间的映射。而虚拟地形的构建,则是由思维空间向数字空间的映射,地形表面细节结构的构建依靠的是对现有地貌形态特征的认知。在这种缺少实测数据的情况下,这些传统的正向地形建模方法,无法用于构建人类认知中的虚拟地形。在计算机视觉领域,通过分形指数控制虚拟地形的生成,主要用在游戏、影视等虚拟地理场景中。使用分形参数构建出的地形,虽然具有无限的细节,但是空间关系很难保证,不符合地学的视觉空间结构。如何实现符合地学要求的虚拟地形的快速构建成为亟待解决的问题。
近年来,深度学习发展迅猛,尤其是在目标和行为识别、言语理解以及自动驾驶等领域。深度学习可以让计算机从经验中自动学习,使用多层神经网络通过反向传播算法来发现大型数据集中的隐藏特征,学习输入与输出之间的联系。深度卷积网络能够从图像中学习到纹理特征、颜色特征并成功将这些“风格”应用到另一幅图像上。使用生成对抗网络(GANs)能够将用户输入的草图转化为一幅图像,避免传统插值方法的缺陷,生成较高质量的图像。数字高程模型(DEM)作为一种地形的表达方式,其本质是用数值记录高程的数字矩阵,等价于灰度图像。地形的点、线、面特征同样可以作为输入数据,使用深度学习转化为DEM。深度学习的学习能力依赖于大量的数据样本和先验知识。近年来,不同空间尺度数字高程模型的建立,为深度学习提供了充足的地形数据样本。不断发展与完善的数字地形分析理论与方法体系在地形特征提取方面,提供了多种方法支撑。因此,基于地形特征的虚拟地形生成方法,在理论上具有可行性。
发明内容
本发明所要解决的技术问题在于,提供一种基于地形特征的虚拟地形生成方法,使用大量地形特征训练虚拟地形生成模型,实现快速将地形特征要素转换为DEM数据。
为解决上述技术问题,本发明提供一种基于地形特征的虚拟地形生成方法,包括如下步骤:
(1)获取真实DEM数据,提取重要的地形特征要素;
(2)选择合适的数据范围,将DEM数据与地形特征要素数据划分为同样大小的方形区域;首先将DEM数据拉伸,然后将步骤(1)中的三种地形特征要素分别作为不同的波段合成一幅多波段的地形特征图像,将拉伸后的DEM与地形特征图像拼接在一起,构建地形特征数据集;
(3)根据零和博弈理论,使用地形特征数据集训练深度神经网络模型Terrain-CGANs;将地形特征要素作为虚拟地形的骨架,通过不断地对抗学习真实数据的高程分布特征,模型能够生成与输入地形特征一致的虚拟地形,得到一个与输入地形特征相关的虚拟地形生成模型Terrain-CGANs;
(4)Terrain-CGANs模型接收一幅地形特征图,将其转化为一幅虚拟地形的DEM数据。
优选的,步骤(1)中,提取的地形特征包括山谷线、山脊线以及正地形区域;其中,山谷线用于控制侵蚀沟等负地形的地形生成,山脊线用于控制正地形区域的骨架形状,正地形区域用于控制正地形的区域形状和范围等特征;山脊线以及正地形区域两种地形特征的提取方式为:
(11)使用近似方法提取正地形区域,正地形区域在训练数据中意义在于其在模型训练过程中对正地形区域的提示与标识作用,公式如下:
Rpositive=[dem-mean(dem)]>C
式中:Rpositive是正地形区域,C为一个经验阈值;
(12)山脊线是邻域内较高的部分,dem的山脊线,即相当于反地形dem反的山谷线;因此,山脊线可以通过使用dem反提取汇流线的方式获得,dem反的计算方法如下:
dem反=max(dem)-dem+C
式中:dem反为dem的反地形,C为常数。
优选的,步骤(2)中,地形特征数据集的制作方法具体为:
(21)首先划定样本裁切网格,指定网格尺寸为长256像素、宽256像素;将网格均匀地分布在原始DEM数据上,当数据量不足时,各样本网格之间可以有一定的重叠,对相同网格裁切出的DEM数据与地形特征数据进行标识,方便下一步拼接操作;
(22)为了将DEM数据与多种地形特征数据融合在一起,共同作为Terrain-CGANs的训练数据,将上述提及的三种地形特征数据按照山谷线、山脊线、正地形区域的顺序,分别作为R、G、B三个波段合成一幅地形特征图像;然后将单波段的DEM数据复制成三份,分别作为R、G、B三个波段与地形特征图像在水平方向上与地形特征图像拼接在一起,拼接后的训练数据尺寸为256×512×3。
优选的,步骤(3)中,Terrain-CGANs模型的网络结构设计,采用条件生成对抗网络的架构,由生成网络和判别网络两部分组成,具体包括如下步骤:
(31)Terrain-CGANs包含两个基础的结构,分别是编码器和解码器,用来执行特征提取与上采样和下采样操作;编码器包含三层神经层,依次是卷积层、批量归一化层、激活层;解码器包含三层神经层,分别是反卷积层、批量归一化层、激活层;二者的激活层均使用ReLU作为激活函数;
(32)编码器的作用是再提取特征的同时进行下采样,使用跨步卷积实现下采样和特征提取的操作,步长为2,用“SAME”的方式进行补0操作;
(33)解码器的作用是推理特征的同时进行上采样操作,使用反卷积实现下采样和特征提取的操作,步长为2,用“SAME”的方式进行补0操作;
(34)模型的生成网络结构采用U-Net结构将对称的编码操作结果与解码操作结果按波段拼接在一起,以增强地形特征在训练过程中的控制作用,生成网络的第一个解码器不包含批量归一化层;
(35)模型的判别网络结构仅包含编码操作,在第四次卷积操作时将编码器的卷积操作步长设置为1,最后一层的编码操作,步长为1,激活函数改为Sigmoid;
(36)首先将地形特征图输入生成网络得到一幅生成的DEM,将生成的DEM输入判别网络,得到一个判别网络认为生成的DEM不是真实地形数据的概率Pfake,按照如下公式计算GAN损失:
将生成的DEM与原始DEM求相对差值作为L1损失,计算公式如下:
将GAN损失与L1损失共同作为生成网络的损失函数,计算公式如下:
lossgen=lossGAN*Wgen+lossL1*WL1
(37)使用两个判别网络分别处理输入的地形特征图像对应的原始DEM与生成的DEM,分别为Dreal和Dfake,Dreal处理原始DEM得到Preal;Dfake处理生成的DEM得到Pfake,Dreal和Dfake共享判别模型的权重参数,这些参数通过两个判别网络的分类错误情况进行优化调整;判别模型使用Adam优化器,经验最优的beta1=0.5和学习率(learning_rate)=0.0002,判别网络的损失函数计算公式如下:
优选的,步骤(4)中,Terrain-CGANs模型接收一幅地形特征图,将其转化为一幅虚拟地形的DEM数据,具体包括如下步骤:
(41)根据目标需求,手动设计地形特征图像作为模型输入数据,使用红色波段记录山谷线、使用绿色波段记录山脊线、使用蓝色波段记录正地形区域,通过设计山谷线与山脊线控制虚拟地形的骨架特征,通过正地形区域控制虚拟地形的正地形区域范围;
(42)将上一步设计的地形特征图像输入Terrain-CGANs,输出一幅单波段的DEM图像;
(43)给输出的DEM数据添加地理参考,获得带有地理参考的虚拟地形,用于地形演示、空间分析。
本发明的有益效果为:(1)模型输入简单,仅需要给出线状、面状的地形特征要素即可生成与其对应的虚拟地形;(2)生成虚拟地形速度快,生成模型仅训练阶段需要较长的时间。模型训练完成后,可快速将输入的地形特征转换为虚拟地形;(3)虚拟地形生成模型具备一定的稳定性和灵活性,可通过修改模型输入的地形特征实现地貌形态调整,其余部分基本保持不变。
附图说明
图1为本发明的方法流程示意图。
图2(a)为本发明训练数据集的组合方法示意图。
图2(b)为本发明训练数据集的组合方法示意图。
图3(a)为本发明虚拟地形生成模型的编码器结构示意图。
图3(b)为本发明虚拟地形生成模型的生成器结构示意图。
图4为本发明生成网络的结构示意图。
图5为本发明判别网络的结构示意图。
图6为本发明生成网络的训练过程示意图。
图7为本发明判别网络的训练过程示意图。
具体实施方式
如图1所示,一种基于地形特征的虚拟地形生成方法,包括如下步骤:
(1)获取真实DEM数据,提取重要的地形特征要素;
(2)选择合适的数据范围,将DEM数据与地形特征要素数据划分为同样大小的方形区域;首先将DEM数据拉伸,然后将步骤(1)中的三种地形特征要素分别作为不同的波段合成一幅多波段的地形特征图像,将拉伸后的DEM与地形特征图像拼接在一起,构建地形特征数据集;
(3)根据零和博弈理论,使用地形特征数据集训练深度神经网络模型Terrain-CGANs;将地形特征要素作为虚拟地形的骨架,通过不断地对抗学习真实数据的高程分布特征,模型能够生成与输入地形特征一致的虚拟地形,得到一个与输入地形特征相关的虚拟地形生成模型Terrain-CGANs;
(4)Terrain-CGANs模型接收一幅地形特征图,将其转化为一幅虚拟地形的DEM数据。
步骤(1)中,提取的地形特征包括山谷线、山脊线以及正地形区域;其中,山谷线用于控制侵蚀沟等负地形的地形生成,山脊线用于控制正地形区域的骨架形状,正地形区域用于控制正地形的区域形状和范围等特征;山脊线以及正地形区域两种地形特征的提取方式为:
(11)使用近似方法提取正地形区域,正地形区域在训练数据中意义在于其在模型训练过程中对正地形区域的提示与标识作用,公式如下:
Rpositive=[dem-mean(dem)]>C
式中:Rpositive是正地形区域,C为一个经验阈值;
(12)山脊线是邻域内较高的部分,dem的山脊线,即相当于反地形dem反的山谷线;因此,山脊线可以通过使用dem反提取汇流线的方式获得,dem反的计算方法如下:
dem反=max(dem)-dem+C
式中:dem反为dem的反地形,C为常数。
步骤(2)中,地形特征数据集的制作方法具体为:
(21)如图2(a)和图2(b)所示,首先划定样本裁切网格,指定网格尺寸为长256像素、宽256像素;将网格均匀地分布在原始DEM数据上,当数据量不足时,各样本网格之间可以有一定的重叠,对相同网格裁切出的DEM数据与地形特征数据进行标识,方便下一步拼接操作;
(22)为了将DEM数据与多种地形特征数据融合在一起,共同作为Terrain-CGANs的训练数据,将上述提及的三种地形特征数据按照山谷线、山脊线、正地形区域的顺序,分别作为R、G、B三个波段合成一幅地形特征图像;然后将单波段的DEM数据复制成三份,分别作为R、G、B三个波段与地形特征图像在水平方向上与地形特征图像拼接在一起,拼接后的训练数据尺寸为256×512×3。
步骤(3)中,Terrain-CGANs模型的网络结构设计,采用条件生成对抗网络的架构,由生成网络和判别网络两部分组成,具体包括如下步骤:
(31)如图3(a)和图3(b)所示,Terrain-CGANs包含两个基础的结构,分别是编码器和解码器,用来执行特征提取与上采样和下采样操作;编码器包含三层神经层,依次是卷积层、批量归一化层、激活层;解码器包含三层神经层,分别是反卷积层、批量归一化层、激活层;二者的激活层均使用ReLU作为激活函数;
(32)编码器的作用是再提取特征的同时进行下采样,使用跨步卷积实现下采样和特征提取的操作,步长为2,用“SAME”的方式进行补0操作;
(33)解码器的作用是推理特征的同时进行上采样操作,使用反卷积实现下采样和特征提取的操作,步长为2,用“SAME”的方式进行补0操作;
(34)如图4所示,模型的生成网络结构采用U-Net结构将对称的编码操作结果与解码操作结果按波段拼接在一起,以增强地形特征在训练过程中的控制作用,生成网络的第一个解码器不包含批量归一化层;
(35)如图5所示,模型的判别网络结构仅包含编码操作,在第四次卷积操作时将编码器的卷积操作步长设置为1,最后一层的编码操作,步长为1,激活函数改为Sigmoid;
(36)如图6所示,首先将地形特征图输入生成网络得到一幅生成的DEM,将生成的DEM输入判别网络,得到一个判别网络认为生成的DEM不是真实地形数据的概率Pfake,按照如下公式计算GAN损失:
将生成的DEM与原始DEM求相对差值作为L1损失,计算公式如下:
将GAN损失与L1损失共同作为生成网络的损失函数,计算公式如下:
lossgen=lossGAN*Wgen+lossL1*WL1
(37)如图7所示,使用两个判别网络分别处理输入的地形特征图像对应的原始DEM与生成的DEM,分别为Dreal和Dfake,Dreal处理原始DEM得到Preal;Dfake处理生成的DEM得到Pfake。Dreal和Dfake共享判别模型的权重参数,这些参数通过两个判别网络的分类错误情况进行优化调整;判别模型使用Adam优化器,经验最优的beta1=0.5和学习率(learning_rate)=0.0002,判别网络的损失函数计算公式如下:
步骤(4)中,Terrain-CGANs模型接收一幅地形特征图,将其转化为一幅虚拟地形的DEM数据,具体包括如下步骤:
(41)根据目标需求,手动设计地形特征按RGB格式存储为图像,作为模型输入数据。使用红色波段记录山谷线、使用绿色波段记录山脊线、使用蓝色波段记录正地形区域,通过设计山谷线与山脊线控制虚拟地形的骨架特征,通过正地形区域控制虚拟地形的正地形区域范围;
(42)将上一步设计的地形特征图像输入Terrain-CGANs,输出一幅单波段的DEM图像;
(43)给输出的DEM数据添加地理参考,获得带有地理参考的虚拟地形,用于地形演示、空间分析。
Claims (5)
1.基于地形特征的虚拟地形生成方法,其特征在于,包括如下步骤:
(1)获取真实DEM数据,提取重要的地形特征要素;
(2)选择合适的数据范围,将DEM数据与地形特征要素数据划分为同样大小的方形区域;首先将DEM数据拉伸,然后将步骤(1)中的三种地形特征要素分别作为不同的波段合成一幅多波段的地形特征图像,将拉伸后的DEM与地形特征图像拼接在一起,构建地形特征数据集;
(3)根据零和博弈理论,使用地形特征数据集训练深度神经网络模型Terrain-CGANs;将地形特征要素作为虚拟地形的骨架,通过不断地对抗学习真实数据的高程分布特征,模型能够生成与输入地形特征一致的虚拟地形,得到一个与输入地形特征相关的虚拟地形生成模型Terrain-CGANs;
(4)Terrain-CGANs模型接收一幅地形特征图,将其转化为一幅虚拟地形的DEM数据。
2.如权利要求1所述的基于地形特征的虚拟地形生成方法,其特征在于,步骤(1)中,提取的地形特征包括山谷线、山脊线以及正地形区域;其中,山谷线用于控制侵蚀沟等负地形的地形生成,山脊线用于控制正地形区域的骨架形状,正地形区域用于控制正地形的区域形状和范围等特征;山脊线以及正地形区域两种地形特征的提取方式为:
(11)使用近似方法提取正地形区域,正地形区域在训练数据中意义在于其在模型训练过程中对正地形区域的提示与标识作用,公式如下:
Rpositive=[dem-mean(dem)]>C
式中:Rpositive是正地形区域,C为一个经验阈值;
(12)山脊线是邻域内较高的部分,dem的山脊线,即相当于反地形dem反的山谷线;因此,山脊线可以通过使用dem反提取汇流线的方式获得,dem反的计算方法如下:
dem反=max(dem)-dem+C
式中:dem反为dem的反地形,C为常数。
3.如权利要求1所述的基于地形特征的虚拟地形生成方法,其特征在于,步骤(2)中,地形特征数据集的制作方法具体为:
(21)首先划定样本裁切网格,指定网格尺寸为长256像素、宽256像素;将网格均匀地分布在原始DEM数据上,当数据量不足时,各样本网格之间可以有一定的重叠,对相同网格裁切出的DEM数据与地形特征数据进行标识,方便下一步拼接操作;
(22)为了将DEM数据与多种地形特征数据融合在一起,共同作为Terrain-CGANs的训练数据,将上述提及的三种地形特征数据按照山谷线、山脊线、正地形区域的顺序,分别作为R、G、B三个波段合成一幅地形特征图像;然后将单波段的DEM数据复制成三份,分别作为R、G、B三个波段与地形特征图像在水平方向上与地形特征图像拼接在一起,拼接后的训练数据尺寸为256×512×3。
4.如权利要求1所述的基于地形特征的虚拟地形生成方法,其特征在于,步骤(3)中,Terrain-CGANs模型的网络结构设计,采用条件生成对抗网络的架构,由生成网络和判别网络两部分组成,具体包括如下步骤:
(31)Terrain-CGANs包含两个基础的结构,分别是编码器和解码器,用来执行特征提取与上采样和下采样操作;编码器包含三层神经层,依次是卷积层、批量归一化层、激活层;解码器包含三层神经层,分别是反卷积层、批量归一化层、激活层;二者的激活层均使用ReLU作为激活函数;
(32)编码器的作用是再提取特征的同时进行下采样,使用跨步卷积实现下采样和特征提取的操作,步长为2,用“SAME”的方式进行补0操作;
(33)解码器的作用是推理特征的同时进行上采样操作,使用反卷积实现下采样和特征提取的操作,步长为2,用“SAME”的方式进行补0操作;
(34)模型的生成网络结构采用U-Net结构将对称的编码操作结果与解码操作结果按波段拼接在一起,以增强地形特征在训练过程中的控制作用,生成网络的第一个解码器不包含批量归一化层;
(35)模型的判别网络结构仅包含编码操作,在第四次卷积操作时将编码器的卷积操作步长设置为1,最后一层的编码操作,步长为1,激活函数改为Sigmoid;
(36)首先将地形特征图输入生成网络得到一幅生成的DEM,将生成的DEM输入判别网络,得到一个判别网络认为生成的DEM不是真实地形数据的概率Pfake,按照如下公式计算GAN损失:
将生成的DEM与原始DEM求相对差值作为L1损失,计算公式如下:
将GAN损失与L1损失共同作为生成网络的损失函数,计算公式如下:
lossgen=lossGAN*Wgen+lossL1*WL1
(37)使用两个判别网络分别处理输入的地形特征图像对应的原始DEM与生成的DEM,分别为Dreal和Dfake,Dreal处理原始DEM得到Preal;Dfake处理生成的DEM得到Pfake,Dreal和Dfake共享判别模型的权重参数,这些参数通过两个判别网络的分类错误情况进行优化调整;判别模型使用Adam优化器,经验最优的betal=0.5和学习率(learning_rate)=0.0002,判别网络的损失函数计算公式如下:
5.如权利要求1所述的基于地形特征的虚拟地形生成方法,其特征在于,步骤(4)中,Terrain-CGANs模型接收一幅地形特征图,将其转化为一幅虚拟地形的DEM数据,具体包括如下步骤:
(41)根据目标需求,手动设计地形特征图像作为模型输入数据,使用红色波段记录山谷线、使用绿色波段记录山脊线、使用蓝色波段记录正地形区域,通过设计山谷线与山脊线控制虚拟地形的骨架特征,通过正地形区域控制虚拟地形的正地形区域范围;
(42)将上一步设计的地形特征图像输入Terrain-CGANs,输出一幅单波段的DEM图像;
(43)给输出的DEM数据添加地理参考,获得带有地理参考的虚拟地形,用于地形演示、空间分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542296.2A CN110335350B (zh) | 2019-06-21 | 2019-06-21 | 基于地形特征的虚拟地形生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542296.2A CN110335350B (zh) | 2019-06-21 | 2019-06-21 | 基于地形特征的虚拟地形生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335350A true CN110335350A (zh) | 2019-10-15 |
CN110335350B CN110335350B (zh) | 2023-07-07 |
Family
ID=68141064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910542296.2A Active CN110335350B (zh) | 2019-06-21 | 2019-06-21 | 基于地形特征的虚拟地形生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335350B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210517A (zh) * | 2020-01-09 | 2020-05-29 | 浙江大学 | 一种基于神经网络的多风格地形的生成方法 |
CN111784789A (zh) * | 2020-06-22 | 2020-10-16 | 上海米哈游天命科技有限公司 | 一种地貌生成方法、装置、计算机设备和存储介质 |
CN113762083A (zh) * | 2021-08-09 | 2021-12-07 | 贵州电网有限责任公司 | 识别微地形类型的方法、装置、终端设备以及存储介质 |
CN114241142A (zh) * | 2021-11-23 | 2022-03-25 | 北京国网富达科技发展有限责任公司 | 一种多精度dem数据差值平滑融合方法和系统 |
CN114463564A (zh) * | 2022-04-12 | 2022-05-10 | 西南石油大学 | 一种结合形态特征和径流模拟的山脊线提取方法 |
CN116630554A (zh) * | 2023-03-29 | 2023-08-22 | 南京信息工程大学 | 一种基于开源数据和条件生成对抗网络的地形建模方法 |
CN114842286B (zh) * | 2022-03-24 | 2024-02-23 | 西北工业大学 | 基于真实地形的大规模遥感数据集生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451661A (zh) * | 2017-06-29 | 2017-12-08 | 西安电子科技大学 | 一种基于虚拟图像数据集的神经网络迁移学习方法 |
CN109215123A (zh) * | 2018-09-20 | 2019-01-15 | 电子科技大学 | 基于cGAN的无限地形生成方法、系统、存储介质和终端 |
-
2019
- 2019-06-21 CN CN201910542296.2A patent/CN110335350B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451661A (zh) * | 2017-06-29 | 2017-12-08 | 西安电子科技大学 | 一种基于虚拟图像数据集的神经网络迁移学习方法 |
CN109215123A (zh) * | 2018-09-20 | 2019-01-15 | 电子科技大学 | 基于cGAN的无限地形生成方法、系统、存储介质和终端 |
Non-Patent Citations (1)
Title |
---|
芮杰: "多源遥感数据测绘应用关键技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210517A (zh) * | 2020-01-09 | 2020-05-29 | 浙江大学 | 一种基于神经网络的多风格地形的生成方法 |
CN111210517B (zh) * | 2020-01-09 | 2021-11-19 | 浙江大学 | 一种基于神经网络的多风格地形的生成方法 |
CN111784789A (zh) * | 2020-06-22 | 2020-10-16 | 上海米哈游天命科技有限公司 | 一种地貌生成方法、装置、计算机设备和存储介质 |
CN111784789B (zh) * | 2020-06-22 | 2024-03-08 | 上海米哈游天命科技有限公司 | 一种地貌生成方法、装置、计算机设备和存储介质 |
CN113762083A (zh) * | 2021-08-09 | 2021-12-07 | 贵州电网有限责任公司 | 识别微地形类型的方法、装置、终端设备以及存储介质 |
CN113762083B (zh) * | 2021-08-09 | 2024-04-19 | 贵州电网有限责任公司 | 识别微地形类型的方法、装置、终端设备以及存储介质 |
CN114241142A (zh) * | 2021-11-23 | 2022-03-25 | 北京国网富达科技发展有限责任公司 | 一种多精度dem数据差值平滑融合方法和系统 |
CN114842286B (zh) * | 2022-03-24 | 2024-02-23 | 西北工业大学 | 基于真实地形的大规模遥感数据集生成方法 |
CN114463564A (zh) * | 2022-04-12 | 2022-05-10 | 西南石油大学 | 一种结合形态特征和径流模拟的山脊线提取方法 |
CN114463564B (zh) * | 2022-04-12 | 2022-06-28 | 西南石油大学 | 一种结合形态特征和径流模拟的山脊线提取方法 |
CN116630554A (zh) * | 2023-03-29 | 2023-08-22 | 南京信息工程大学 | 一种基于开源数据和条件生成对抗网络的地形建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110335350B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335350A (zh) | 基于地形特征的虚拟地形生成方法 | |
CN106683182B (zh) | 一种权衡立体匹配和视觉外形的三维重建方法 | |
CN109255831A (zh) | 基于多任务学习的单视图人脸三维重建及纹理生成的方法 | |
CN109978955A (zh) | 一种联合激光点云与图像的高效标注方法 | |
CN109829855A (zh) | 一种基于融合多层次特征图的超分辨率重建方法 | |
CN104299263B (zh) | 一种基于单幅图像建模云场景的方法 | |
CN107767413A (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
CN101866495B (zh) | 基于骨架点云的树木建模方法 | |
CN103745497B (zh) | 植物生长建模方法和系统 | |
CN105719326A (zh) | 一种基于单张照片的真实感人脸生成方法 | |
CN111210517B (zh) | 一种基于神经网络的多风格地形的生成方法 | |
JP2011512606A (ja) | 樹冠植生ポイントのグループに対しシミュレーションによる木の幹と枝とを与えるジオスペースモデリングシステム及び関連方法 | |
Li et al. | Learning to reconstruct botanical trees from single images | |
CN104835196B (zh) | 一种车载红外图像彩色化三维重建方法 | |
CN105488844B (zh) | 一种三维场景中海量模型实时阴影的显示方法 | |
CN115937461B (zh) | 多源融合模型构建及纹理生成方法、装置、介质及设备 | |
CN115471634B (zh) | 一种城市绿植孪生的建模方法及装置 | |
CN104091366A (zh) | 基于二维阴影信息的三维模型智能数字化生成方法和系统 | |
CN110766786A (zh) | 基于生成对抗网络的草图到浅浮雕模型生成的方法 | |
CN109859322A (zh) | 一种基于变形图的谱姿态迁移方法 | |
Guénard et al. | Reconstructing plants in 3D from a single image using analysis-by-synthesis | |
CN101770577B (zh) | 无人机航片松材线虫病病死木的膨胀-剔除信息提取法 | |
CN112002019B (zh) | 一种基于mr混合现实的模拟人物阴影的方法 | |
KR101743516B1 (ko) | 디지털 잎 저작 장치 및 방법 | |
Wang et al. | Application of 3D Image Reconstruction on Landscape Architecture in Environmental Design System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |