CN113486135A - 基于深度学习网络的建筑物综合方法 - Google Patents

Abstract

本发明提供了一种基于深度学习网络的建筑物综合方法，包括：获取城市路网，根据城市路网将大比例尺地图和小比例尺地图上的建筑物要素划分至街区；将所有街区的矢量数据栅格化为栅格矩阵形式，并处理为训练样本的形式；根据所述训练样本的形式构建深度学习语义分割模型，并对所述深度学习语义分割模型进行训练，设定参数；利用训练完成的模型进行建筑物综合，并用交并比评价得到建筑物综合结果。本发明在没有人工干预的情况下实现对地图上建筑物要素的综合。

Description

基于深度学习网络的建筑物综合方法

技术领域

本发明涉及地图制图学与地理信息工程领域，特别涉及一种基于深度学习网络的建筑物综合方法。

背景技术

现实世界是复杂和抽象的，数字和图形无法具体表达现实世界的所有细节。作为现实世界地理信息载体的地图，在表达地理空间的实体和现象时，需要进行抽象和概括，这个过程就是地图综合。建筑物地图综合是指，根据制图原理，采用计算机处理技术对地图中的建筑物要素进行化简、合并、降维、取舍、移位等处理的过程，其目的是获得特定比例尺表达下建筑物的几何形态和专题属性内容。区域的城市化特征反映在地理空间的土地开发强度，建筑物是城市化的主要标志，在大比例尺地图中，建筑物在地图中占很大的比重。因此，对建筑物的综合是城区地图综合的主要任务之一，恰当的建筑物综合对保持城区地图的真实性和清晰性有重大意义。

发明内容

本发明提供了一种基于深度学习网络的建筑物综合方法，其目的是为了解决人工进行建筑物综合耗时耗力，且标准难统一的问题。

为了达到上述目的，本发明的实施例提供了一种基于深度学习网络的建筑物综合方法，包括：

步骤1，获取城市路网，根据城市路网将大比例尺地图和小比例尺地图上的建筑物要素划分至街区；

步骤2，将所有街区的矢量数据栅格化为栅格矩阵形式，并处理为训练样本的形式；

步骤3，根据所述训练样本的形式构建深度学习语义分割模型，并对所述深度学习语义分割模型进行训练，设定参数；

步骤4，利用训练完成的模型进行建筑物综合，并用交并比评价得到建筑物综合结果。

其中，所述步骤1具体包括：

步骤11，从地图数据库中提取城市中具有一定划分功能级别的道路，将双向通行且双向共不少于4车道的道路作为城市骨架；

步骤12，在由路网划分的街区上进行综合处理，用路网将建筑物地图切割为街区，把街区作为研究单元；

步骤13，计算得到每个建筑物的面积和最小外接矩形的主轴方向。

其中，所述步骤2具体包括：

步骤21，使用多边形扫描填充法将矢量建筑物转化为栅格图像，所有街区栅格化时统一像元大小，并在栅格化后，大比例尺和小比例尺地图的像元保持对应关系；

步骤22，将图像都转换为统一大小m×m，对小于m×m的区域填充背景值0，使其扩大为统一大小。

其中，所述步骤22具体包括：

转换后的数据形式为：大比例尺的街区地图X和对应的小比例尺的街区地图Y；其中，X和Y分别为：

X＝X_m×m＝[x^O _i,j,x^S _i,j],0<i,j≤m

Y＝Y_m×m＝[y_i,j],0<i,j≤m

其中，当大比例尺地图i,j位置上是建筑物时，xOi,j为该建筑物的最小外接矩形方向，xSi,j为该建筑物的建筑物面积，否则为0；当小比例尺地图i,j位置上是建筑物时yi,j＝1，否则为0；X的最终形式为双通道的大小为m×m的图像矩阵；Y为大小为m×m的标签矩阵。

其中，所述步骤3具体包括：

构建深度学习语义分割模型，所述深度学习语义分割模型用于图像矩阵X和标签矩阵Y间映射的深度卷积神经网络，在所述深度卷积神经网络中使用卷积层，网络结构为下采样和上采样层；

所述下采样通过控制网络卷积层的步长来控制，当步长大于1时为下采样；

所述上采样通过使用反卷积层来控制，由跳跃结构连接各个下采样层的结果，并在每个跳跃连接处，加上对于下采样位置的结果。

其中，所述步骤3还包括：

神经网络学习和更新参数是以梯度下降的方式进行的，使用交叉熵作为损失函数，进行梯度下降来更新网络参数，确定网络的输出和标签之间的损失。

其中，所述步骤3还包括：

每个街区对应一对训练图像，训练模型时需要设定参数，所述参数包括批处理大小、损失函数；优化器设置包括模型权重和偏置更新方式、学习率。

其中，所述步骤4具体包括：

所述交并比度量的是输出结果和真实值之间的相似性，通过下面公式计算：

其中，Y_predict为网络的输出的综合结果，Y为真实的综合结果。

本发明的上述方案有如下的有益效果：

本发明的基于深度学习网络的建筑物综合方法在没有人工干预的情况下实现对地图上建筑物要素的综合，不用制定具体的制图规则，在制图综合时不需要设置参数，在进行不同尺度的综合时，只需要选择相应比例尺的地图作为训练样本，使用样本训练直接得到建筑物综合的知识，将学习到制图知识的网络参数用于建筑物综合，将大比例尺地图映射为相应的小比例尺地图，实现“输入—输出”端到端形式的建筑物自动综合。

附图说明

图1为本发明的基于深度学习网络的建筑物综合方法的流程图；

图2为本发明的使用济南市1:2000和1:1万训练样本的样例图；

图3为本发明的搭建深度学习语义分割模型的网络结构；

图4为本发明的网络训练过程中损失(loss)和精度(IoU)随训练次数的变化示意图；

图5为本发明的建筑物综合结果的样例图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本发明的实施例提供了一种基于深度学习网络的建筑物综合方法，包括：

1)根据城市路网将大比例尺地图和小比例尺地图上的建筑物要素划分至街区，主要包括以下步骤：

1.1)获取城市路网。制图综合需要考虑地图上多种要素的关系，保持综合前后要素拓扑关系不变，道路是城市的骨架。因此，需要从地图数据库中提取城市中具有一定划分功能级别的道路，本发明将双向通行且双向共不少于4车道的道路作为城市骨架；

1.2)地图街区化。建筑物综合首先需要满足城市形态学的约束，在由路网划分的街区上进行综合处理，以保证城市的街区结构在综合后保持不变，用路网将建筑物地图切割为街区，把街区作为研究单元。

1.3)计算每个建筑物的面积和最小外接矩形的主轴方向。制图专家在进行建筑物综合时，建筑物的大小和方向是其进行综合判断的重要标准。因为值要用于后续网络的输入，为了使其不受量纲的影响，在计算这两组值后，还需要进行最大最小值标准化。

2)将所有街区的矢量数据栅格化为栅格矩阵形式，并处理为训练样本的形式，主要包括以下步骤：

2.1)矢量数据栅格化。全卷积神经网络面向的是栅格矩阵格式的数据，将各个街区的建筑物要素栅格化。使用多边形扫描填充法将矢量建筑物转化为栅格图像，所有街区栅格化时统一像元大小。并且在栅格化后，大比例尺和小比例尺地图的像元应保持对应关系；

2.2)栅格图像转换为训练样本形式。语义分割网络在训练时只能接受固定大小的图像输入，将图像都转换为统一大小m×m，对小于m×m的区域填充背景值0，使其扩大为统一大小。转换后的数据形式为：大比例尺的街区地图X(网络输入)和对应的小比例尺的街区地图Y(网络的标签图像)。其中X和Y分别为：

X＝X_m×m＝[x^O _i,j,x^S _i,j],0<i,j≤m

Y＝Y_m×m＝[y_i,j],0<i,j≤m

其中，当大比例尺地图i,j位置上是建筑物时，xOi,j为该建筑物的最小外接矩形方向，xSi,j为该建筑物的建筑物面积，否则为0；当小比例尺地图i,j位置上是建筑物时yi,j＝1，否则为0。因此，X的最终形式为双通道的大小为m×m的图像矩阵；Y为大小为m×m的标签矩阵。

3)语义分割模型的构建与模型训练，主要包括以下步骤：

3.1)构建语义分割模型。深度学习语义分割模型是用于图像矩阵X和标签矩阵Y间映射的深度卷积神经网络。网络中全部使用卷积层，网络结构主要是下采样和上采样层。下采样通过控制网络卷积层的步长来控制，当步长大于1时为下采样。上采样通过使用反卷积层来控制，并且由跳跃结构连接各个下采样层的结果。这样的网络结构在应用与建筑物综合时，还是会丢失一些细节信息，因此还需要对网络做以下改进：在每个跳跃连接处，加上对于下采样位置的结果。可以很好的兼顾图像的整体和细节信息，且能将学习到的“制图知识”以网络中参数的形式存储和使用。

下采样部分采用ResNetXt-50提取交叉口的多尺度特征，解码部分实现与编码部分相同尺寸特征图的连接，并最终实现特征图尺寸逐步放大，将特征图尺寸恢复至输入图像的1/4大小，并在此过程中逐步实现交叉口目标的空间定位与语义分类。在下采样部分，引入PPM模块，采用不同尺度卷积核及步长分别进行卷积，聚合多尺度下的上下文背景信息，有利于分割出不同大小的交叉口目标。在网络模型中，最后使用softmax算子输出二值图像，即为模型的输出结果。

3.2)选择损失函数。神经网络学习和更新参数是以梯度下降的方式进行的，所以需要确定网络的输出和标签之间的损失(Loss)。交叉熵函数是常用的计算预测值与真值间差异的函数，使用交叉熵作为损失函数，并以此进行梯度下降来更新网络参数；

3.3)模型训练。每个街区对应一对训练图像(大比例尺地图和小比例尺地图)，训练模型时需要设定部分参数，包括批处理大小、损失函数，优化器设置包括模型权重和偏置更新方式、学习率。

4)利用训练完成的模型进行建筑物综合，并用交并比(Intersection overUnion,IoU)评价方法的综合结果。IoU度量的是输出结果和真实值之间的相似性，通过下面公式计算：

其中，Y_predict为网络的输出的综合结果，Y为真实的综合结果。IoU的值介于0和1之间，值越大表示输出结果越有效。

具体实施例1

采用济南市1:2000和1:1万的地形图数据对本发明的方法进行说明，结合此实例具体说明本发明做建筑物综合的具体实施步骤：

1)地图街区化

从济南市的路网中提取高速公路、一级公路、二级公路和县道等主干道路，以此将1:2000和1:1万比例尺的济南市城区建筑物划分为1500个街区，结果如图2，分别计算建筑物的面积与最小外接矩形的主轴方向，并进行最大最小值标准化消除量纲影响。

2)矢量地图栅格化

分别将1:2000和1:1万比例尺地图中每个街区的建筑物使用多边形扫描填充法栅格化为栅格图像。1:2000的地图栅格化为双通道图像，通道一为建筑物面积，通道二为建筑物方向，无建筑物的区域值都为0；1:1万的地图栅格图像为二值图像，1表示建筑物，0表示背景。并保证所有街区使用统一的栅格像元大小，这里取5m。

3)栅格数据处理为样本

本案例中，1:2000是需要综合的大比例尺，1:1万是综合的目标比例尺。因此1:2000地图为全卷积网络的输入图像，1:1万是网络的标签图像。将所有街区栅格图像大小转换为128×128，对不足128×128的填充背景值0，变为统一大小便于输入训练。按4:1的比例将街区分为训练数据集和测试数据集，训练数据集用于训练网络，测试数据集用于测试网络性能。

4)搭建语义分割模型

使用深度学习库pytorch搭建语义分割模型，网络中全部使用卷积层，网络结构主要是下采样和上采样层。下采样通过控制网络卷积层的步长来控制，当步长大于1时为下采样。上采样通过使用反卷积层来控制，并且由跳跃结构连接各个下采样层的结果。这样的网络结构在应用与建筑物综合时，还是会丢失一些细节信息，因此还需要对网络做以下改进：在每个跳跃连接处，加上对于下采样位置的结果。可以很好的兼顾图像的整体和细节信息，且能将学习到的“制图知识”以网络中参数的形式存储和使用。本案例中搭建的网络的结构如图3。

5)网络训练

使用交叉熵函数计算输出与标签间的交叉熵作为网络的损失函数，每次训练以梯度下降的方式更新网络的参数，训练过程中网络的损失(loss)和精度(IoU)如图4。

6)试验结果

网络在训练250次以后，loss和IoU都达到收敛，最后模型的IoU达到82％。使用测试数据集观察本方法(基于深度学习网络的建筑物综合方法)的建筑物综合效果，如图5。可以看到，在本案例中，深度学习网络基本可以学习到建筑物综合的一些算子操作，如化简、合并、位移、夸大等。且能合适地在地图地建筑物上应用，符合人的视觉认知。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于深度学习网络的建筑物综合方法，其特征在于，包括：

步骤1，获取城市路网，根据城市路网将大比例尺地图和小比例尺地图上的建筑物要素划分至街区；

步骤2，将所有街区的矢量数据栅格化为栅格矩阵形式，并处理为训练样本的形式；

步骤3，根据所述训练样本的形式构建深度学习语义分割模型，并对所述深度学习语义分割模型进行训练，设定参数；

步骤4，利用训练完成的模型进行建筑物综合，并用交并比评价得到建筑物综合结果。

2.根据权利要求1所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤1具体包括：

步骤11，从地图数据库中提取城市中具有一定划分功能级别的道路，将双向通行且双向共不少于4车道的道路作为城市骨架；

步骤12，在由路网划分的街区上进行综合处理，用路网将建筑物地图切割为街区，把街区作为研究单元；

步骤13，计算得到每个建筑物的面积和最小外接矩形的主轴方向。

3.根据权利要求1所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤2具体包括：

步骤21，使用多边形扫描填充法将矢量建筑物转化为栅格图像，所有街区栅格化时统一像元大小，并在栅格化后，大比例尺和小比例尺地图的像元保持对应关系；

步骤22，将图像都转换为统一大小m×m，对小于m×m的区域填充背景值0，使其扩大为统一大小。

4.根据权利要求3所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤22具体包括：

转换后的数据形式为：大比例尺的街区地图X和对应的小比例尺的街区地图Y；其中，X和Y分别为：

X＝X_m×m＝[x^O _i,j,x^S _i,j],0<i,j≤m

Y＝Y_m×m＝[y_i,j],0<i,j≤m

其中，当大比例尺地图i,j位置上是建筑物时，xOi,j为该建筑物的最小外接矩形方向，xSi,j为该建筑物的建筑物面积，否则为0；当小比例尺地图i,j位置上是建筑物时yi,j＝1，否则为0；X的最终形式为双通道的大小为m×m的图像矩阵；Y为大小为m×m的标签矩阵。

5.根据权利要求4所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤3具体包括：

构建深度学习语义分割模型，所述深度学习语义分割模型用于图像矩阵X和标签矩阵Y间映射的深度卷积神经网络，在所述深度卷积神经网络中使用卷积层，网络结构为下采样和上采样层；

所述下采样通过控制网络卷积层的步长来控制，当步长大于1时为下采样；

所述上采样通过使用反卷积层来控制，由跳跃结构连接各个下采样层的结果，并在每个跳跃连接处，加上对于下采样位置的结果。

6.根据权利要求4所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤3还包括：

神经网络学习和更新参数是以梯度下降的方式进行的，使用交叉熵作为损失函数，进行梯度下降来更新网络参数，确定网络的输出和标签之间的损失。

7.根据权利要求6所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤3还包括：

每个街区对应一对训练图像，训练模型时需要设定参数，所述参数包括批处理大小、损失函数；优化器设置包括模型权重和偏置更新方式、学习率。

8.根据权利要求7所述的基于深度学习网络的建筑物综合方法，其特征在于，所述步骤4具体包括：

所述交并比度量的是输出结果和真实值之间的相似性，通过下面公式计算：

其中，Y_predict为网络的输出的综合结果，Y为真实的综合结果。

Images