CN117788679A - 地图数据生成方法、装置、电子设备及存储介质 - Google Patents
地图数据生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117788679A CN117788679A CN202410212357.XA CN202410212357A CN117788679A CN 117788679 A CN117788679 A CN 117788679A CN 202410212357 A CN202410212357 A CN 202410212357A CN 117788679 A CN117788679 A CN 117788679A
- Authority
- CN
- China
- Prior art keywords
- color
- data
- categories
- pixel point
- reference color
- 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 79
- 238000009877 rendering Methods 0.000 claims abstract description 165
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 abstract description 21
- 230000002829 reductive effect Effects 0.000 abstract description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 235000012571 Ficus glomerata Nutrition 0.000 description 6
- 244000153665 Ficus glomerata Species 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种地图数据生成方法、装置、电子设备及存储介质,通过确定地貌图像中各个像素点对应的主色彩类别,依次将各种主色彩类别作为基准色彩类别,对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据,最后获取各种所述基准色彩类别对应的渲染优先级标签,基于所述渲染优先级标签以及对应的所述轮廓数据分别生成各种所述基准色彩类别对应的目标地图数据,进而能够提升在不同的比例尺下的数据自洽性,同时,在地图渲染后即便缩小地图显示的比例尺,也能够由其他层级的目标地图数据进行填补,提升地图显示的连贯性,可广泛应用于云技术、人工智能、智慧交通、辅助驾驶等场景。
Description
技术领域
本申请涉及地图技术领域,特别是涉及一种地图数据生成方法、装置、电子设备及存储介质。
背景技术
目前,很多场景下都需要基于地图数据对地图进行渲染,在对地图进行渲染后,若缩小地图显示的比例尺(即增大地图所显示的范围),则地图的某个显示区域也会随之缩小,当该显示区域缩小到一定程度以后会被过滤,此时会产生空白、断层等问题,从而降低了地图显示的连贯性。
发明内容
以下是对本申请详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了一种地图数据生成方法、装置、电子设备及存储介质,能够提升地图显示的连贯性。
一方面,本申请实施例提供了一种地图数据生成方法,包括:
获取地貌图像,确定所述地貌图像中各个像素点对应的主色彩类别,其中,所述主色彩类别用于指示所述地貌图像中对应的地貌的色彩类别;
依次将各种所述主色彩类别作为基准色彩类别,对各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据,其中,所述第一像素点集合包括所述基准色彩类别对应的像素点,以及渲染优先级低于所述基准色彩类别的其余所述主色彩类别对应的像素点;
获取各种所述基准色彩类别对应的渲染优先级标签,基于所述渲染优先级标签以及对应的所述轮廓数据分别生成各种所述基准色彩类别对应的目标地图数据。
另一方面,本申请实施例还提供了一种地图数据生成装置,包括:
色彩类别确定模块,用于获取地貌图像,确定所述地貌图像中各个像素点对应的主色彩类别,其中,所述主色彩类别用于指示所述地貌图像中对应的地貌的色彩类别;
轮廓提取模块,用于依次将各种所述主色彩类别作为基准色彩类别,对各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据,其中,所述第一像素点集合包括所述基准色彩类别对应的像素点,以及渲染优先级低于所述基准色彩类别的其余所述主色彩类别对应的像素点;
生成模块,用于获取各种所述基准色彩类别对应的渲染优先级标签,基于所述渲染优先级标签以及对应的所述轮廓数据分别生成各种所述基准色彩类别对应的目标地图数据。
进一步,依次将各种所述主色彩类别作为基准色彩类别,对各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据时,上述轮廓提取模块具体用于:
在所述地貌图像中各个像素点的像素语义里配置对应的所述主色彩类别,得到语义图像;
依次将各种所述主色彩类别作为基准色彩类别,对所述语义图像中各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据。
进一步,上述轮廓提取模块还用于:
依次将各种所述主色彩类别作为基准色彩类别,在所述语义图像中确定各种所述基准色彩类别对应的所述第一像素点集合,生成各个所述第一像素点集合对应的掩膜矩阵;
分别基于各个所述掩膜矩阵对所述语义图像进行掩膜处理,得到各个所述第一像素点集合对应的掩膜图像;
对各个所述掩膜图像分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据。
再进一步,上述轮廓提取模块还用于:
当所述掩膜图像对应的所述基准色彩类别的渲染优先级最高或者最低时,对所述掩膜图像进行轮廓提取,得到所述基准色彩类别对应的外轮廓数据;
当所述掩膜图像对应的所述基准色彩类别的渲染优先级低于最高的渲染优先级且高于最低的渲染优先级时,对所述掩膜图像进行轮廓提取,得到所述基准色彩类别对应的外轮廓数据和内轮廓数据。
进一步,在依次将各种所述主色彩类别作为基准色彩类别,在所述语义图像中对各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据之前,上述轮廓提取模块还用于:
遍历多个所述第一像素点集合,删除当前的所述第一像素点集合中各个像素点的像素语义里的所述主色彩类别,在各个像素点的像素语义里配置当前的所述第一像素点集合对应的所述渲染优先级标签。
进一步,上述轮廓提取模块还用于:
获取各个第二像素点集合对应的地理位置以及海拔高度,其中,各个所述第二像素点集合分别包括各种所述主色彩类别对应的像素点;
分别将各个所述地理位置输入至第一优先级参数预测模型得到各自对应的第一优先级参数,分别将各个所述海拔高度输入至第二优先级参数预测模型得到各自对应的第二优先级参数;
分别将所述第一优先级参数与对应的所述第二优先级参数进行加权,得到各种所述主色彩类别对应的目标优先级参数,根据所述目标优先级参数确定各种所述主色彩类别对应的渲染优先级。
进一步,上述色彩类别确定模块具体用于:
从所述地貌图像中截取多个参考图像,提取所述参考图像中的多种第一色彩数据,将多种所述第一色彩数据聚类为多个色彩数据集合,根据所述色彩数据集合中的所述第一色彩数据确定 所述色彩数据集合对应的候选色彩数据;
将所述地貌图像分割为多个目标区域,提取各个所述目标区域的第二色彩数据 ,根据所述第二色彩数据与所述第一色彩数据之间的匹配关系,从多个所述候选色彩数据中确定所述目标区域对应的目标色彩数据,基于所述目标色彩数据确定所述地貌图像中各个像素点对应的主色彩类别。
进一步,上述色彩类别确定模块还用于:
确定任意两个所述第一色彩数据在多个所述色彩通道上的第一色彩距离;
基于所述第一色彩距离将多种所述第一色彩数据聚类为多个色彩数据集合,其中,所述第一色彩距离小于或者等于距离阈值的两个所述第一色彩数据被聚类于同一个所述色彩数据集合。
进一步,上述色彩类别确定模块还用于:
将所述色彩数据集合中的所述第一色彩数据的均值,作为所述色彩数据集合对应的候选色彩数据;
或者,将所述色彩数据集中出现频率最高的所述第一色彩数据,作为所述色彩数据集合对应的候选色彩数据。
进一步,上述色彩类别确定模块还用于:
根据预设的目标区域数量在所述地貌图像中初始化多个起始点,在以所述起始点为中心的目标范围内,确定所述起始点与其余像素点之间的第二色彩距离以及空间距离;
对所述第二色彩距离和所述空间距离进行加权,得到加权距离;
基于所述加权距离将所述起始点与所述目标范围内的像素点进行合并,得到多个原始区域;
将多个所述原始区分别作为所述起始点再次基于所述加权距离将所述起始点与所述目标范围内的像素点进行合并,直至达到预设的停止条件,得到多个目标区域。
另一方面,本申请实施例还提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的地图数据生成方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行实现上述的地图数据生成方法。
另一方面,本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序存储在计算机可读存介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序,处理器执行该计算机程序,使得该计算机设备执行实现上述的地图数据生成方法。
本申请实施例至少包括以下有益效果:通过获取地貌图像,确定地貌图像中各个像素点对应的主色彩类别,由于主色彩类别用于指示地貌图像中对应的地貌的色彩类别,因此,能够满足大比例尺下对不同类型地貌的渲染需求,在此基础上,依次将各种主色彩类别作为基准色彩类别,对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据,由于第一像素点集合包括基准色彩类别对应的像素点,以及渲染优先级低于基准色彩类别的其余主色彩类别对应的像素点,因此,后续基于各种基准色彩类别对应的轮廓数据可以分别生成不同层次的目标地图数据,提升在不同的比例尺下的数据自洽性。
后续在基于目标地图数据进行渲染时,结合各种所述基准色彩类别对应的渲染优先级标签,可以按照渲染优先级依次进行渲染,因此,在渲染后即便缩小地图显示的比例尺,也能够由其他层级的目标地图数据进行填补,在视觉上实现无缝衔接,提升地图显示的连贯性。
本申请的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。
附图说明
附图用来提供对本申请技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1是本申请实施例提供的一种可选的实施环境的示意图;
图2是本申请实施例提供的地图数据生成方法的一种可选的流程图;
图3是本申请实施例中服务器从卫星中获取的一种可选的卫星图像;
图4是本申请实施例中多处不同地貌类型的参考图像;
图5是本申请实施例提供的多种第一色彩数据生成的聚类树状图;
图6是本申请实施例提供的初次聚类的候选色彩数据图;
图7是本申请实施例提供的二次聚类的候选色彩数据图;
图8是本申请实施例提供的确定色彩类别的目标优先级参数的一种可选的示意图;
图9是本申请实施例提供的语义图像的一种可选的掩膜处理示意图;
图10是本申请实施例提供的在像素语义里添加渲染优先级标签的一种可选的示意图;
图11是本申请实施例提供的在像素语义里添加渲染优先级标签的另一种可选的示意图;
图12是本申请实施例提供的起始点与其余像素点之间的坐标示意图;
图13是本申请实施例提供的多个目标区域的划分示意图;
图14是本申请实施例提供的地图数据生成方法的一种可选的总体流程示意图;
图15是本申请实施例提供的地图渲染方法的一种可选的流程图;
图16是本申请实施例提供的地图数据生成装置的一种可选的结构示意图;
图17是本申请实施例提供的地图渲染装置的一种可选的结构示意图;
图18是本申请实施例提供的终端的部分结构框图;
图19是本申请实施例提供的服务器的部分结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据目标对象属性信息或属性信息集合等与目标对象特性相关的数据进行相关处理时,都会先获得目标对象的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关法律法规和标准。其中,目标对象可以是用户。此外,当本申请实施例需要获取目标对象属性信息时,会通过弹窗或者跳转到确认页面等方式获得目标对象的单独许可或者单独同意,在明确获得目标对象的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的目标对象相关数据。
本申请实施例中,术语“模块”或“单元”是指有预定功能的计算机程序或计算机程序的一部分,并与其他相关部分一起工作以实现预定目标,并且可以通过使用软件、硬件(如处理电路或存储器)或其组合来全部或部分实现。同样地,一个处理器(或多个处理器或存储器)可以用来实现一个或多个模块或单元。此外,每个模块或单元都可以是包含该模块或单元功能的整体模块或单元的一部分。
为便于理解本申请实施例提供的技术方案,这里先对本申请实施例使用的一些关键名词进行解释:
智能交通系统(Intelligent Traffic System,ITS)又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems,IVICS),简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、预训练模型技术、操作/交互系统、机电一体化等。其中,预训练模型又称大模型、基础模型,经过微调后可以广泛应用于人工智能各大方向下游任务。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
HSV(Hue-Saturation-Value,色相-饱和度-明度颜色模型):一种将颜色表示为三个参数的方式,常用于图像处理、计算机图形学和计算机视觉中。色相(Hue):指颜色的类型或者说是色彩的基本属性,如红、橙、黄、绿、青、蓝、紫等。色相的取值通常是一个角度,从0°到360°,覆盖了整个颜色环。饱和度(Saturation):指颜色的纯度或者说是色彩的强度。饱和度描述了色彩的浓淡程度,饱和度较高的颜色看起来更加鲜艳、饱满,而饱和度较低的颜色则更加灰暗。饱和度的取值范围通常是0到1之间。明度(Value):指颜色的明暗程度。明度描述了颜色的亮度,明度较高的颜色看起来更加明亮,而明度较低的颜色则更加暗淡。明度的取值范围通常也是0到1之间。HSV颜色空间相对于RGB颜色空间更符合人类对颜色的感知方式,因此在很多图像处理任务中更为常用,如颜色选择、颜色调整和颜色过滤等。
掩膜(Mask)矩阵:一个与原始图像大小相同的二值矩阵,用于标识图像中哪些区域需要进行特定的处理、操作或分析,哪些区域需要被忽略或保留。掩膜矩阵中的元素通常被设置为0或1,其中0表示忽略该像素,1表示保留该像素。
目前,很多场景下都需要基于地图数据对地图进行渲染,在对地图进行渲染后,若缩小地图显示的比例尺(即增大地图所显示的范围),则地图的某个显示区域也会随之缩小,当该显示区域缩小到一定程度以后会被过滤,此时会产生空白、断层等问题,从而降低了地图显示的连贯性。
基于此,本申请实施例提供了一种地图数据生成方法、装置、电子设备及存储介质,能够提升在不同的地图比例尺下的数据自洽性,同时,在地图渲染后即便缩小地图显示的比例尺,也能够由其他层级的目标地图数据进行填补,在视觉上实现无缝衔接,提升地图显示的连贯性。
参照图1,图1为本申请实施例提供的一种可选的实施环境的示意图,该实施环境包括终端101、服务器102和卫星103,其中,终端101和服务器102之间通过通信网络连接,卫星103和服务器102之间通过通信网络连接。
服务器102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。另外,服务器102还可以是区块链网络中的一个节点服务器。
终端101可以是手机、电脑、智能语音交互设备、智能家电、车载终端等,但并不局限于此。终端101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
示例性地,以终端101为手机为例,终端101安装有对应的终端应用App(Application,应用程序),终端101的用户可通过终端101屏幕上显示的App进行交互,例如通过触屏或操作按键进行交互。其中,以地图应用为例,一种从地图数据生成至地图渲染的交互流程如下:终端101向服务器102发送获取目标地图数据的网络请求,服务器102响应于上述网络请求,从卫星103获取地貌图像,并在地貌图像中确定各个像素点对应的主色彩类别,然后服务器102依次将各种主色彩类别作为基准色彩类别,对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据,接着服务器102获取各种基准色彩类别对应的渲染优先级标签,基于渲染优先级标签以及对应的轮廓数据分别生成各种基准色彩类别对应的目标地图数据,以及将各种基准色彩类别对应的目标地图数据下发至终端101,终端101对各种目标地图数据进行数据解析,然后终端101在地图应用上基于上述数据解析所得到的渲染优先级标签,依次根据上述数据解析所得到的轮廓数据进行地图渲染,最终终端101在地图应用上对应生成多层级矢量化地图并显示于终端101的屏幕当中。
除此以外,终端101也可以是车载终端,相应地,在车辆导航或者辅助驾驶时,终端101可以通过智能车路协同系统从服务器102中获取各种基准色彩类别对应的目标地图数据,然后,基于各种基准色彩类别对应的目标地图数据在车载终端的屏幕中渲染出多层级矢量化地图。
需要说明的是,本申请实施例通过通信网络连接的数据传送格式包括但不限于JSON格式(JavaScript Object Notation,JavaScript对象表示符号)、XML格式(Extensible Markup Language,可扩展标记语言)、HTML格式(HyperText MarkupLanguage,超文本标记语言)等数据传送格式。
本申请实施例提供的方法可应用于不同的场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶等场景。
进一步,下面根据上述服务器102中从卫星103中所获取的地貌图像来详细描述本申请实施例提供的地图数据生成方法的原理。
参照图2,图2为本申请实施例提供的地图数据生成方法的一种可选的流程图,该地图数据生成方法可以由服务器执行,或者也可以由终端执行,或者也可以由服务器和终端配合执行,在本申请实施例中,以该方法由服务器执行为例进行说明。该地图数据生成方法包括但不限于以下步骤S201至步骤S203。
步骤S201:获取地貌图像,确定地貌图像中各个像素点对应的主色彩类别。
在一种可能的实现方式中,地貌图像可以是卫星图像,参照图3,图3是本申请实施例中服务器从卫星中获取的一种可选的卫星图像,具体地,在确定主色彩类别时,服务器102可以从图3中分别截取8处不同地貌类型的区域图作为参考图像,为了提升主色彩类别的完整性,截取的多个参考图像可以涵盖地貌图像中的所有地貌类型。基于多个参考图像,能够快速确定地貌图像中各个像素点对应的主色彩类别,例如,8处参考图像的地貌类型分别为a1地貌、a2地貌、a3地貌、a4地貌、a5地貌、a6地貌、a7地貌、a8地貌,进而能够基于不同的主色彩类别满足在大比例尺下对不同类型地貌的渲染需求。又或者,服务器102可以基于整个地貌图像来提取地貌图像中像素点对应的主色彩类别。
其中,参照图4,图4是本申请实施例中多处不同地貌类型的参考图像,如图4所示,服务器102中所选取的参考图像的地貌分别为:a1地貌为高原雪山地貌、a2地貌为沙漠地貌、a3地貌为峡谷地貌、a4地貌为盆地地貌、a5地貌为山脉地貌、a6地貌为平原地貌、a7地貌为森林地貌、a8地貌为海湾地貌。
其中,主色彩类别为地貌图像中对应的地貌的色彩类别,例如,假设地貌图像中存在a1地貌、a2地貌、a3地貌、a4地貌、a5地貌、a6地貌、a7地貌、a8地貌,则主色彩类别分别为a1地貌的色彩类别、a2地貌的色彩类别、a3地貌的色彩类别、a4地貌的色彩类别、a5地貌的色彩类别、a6地貌的色彩类别、a7地貌的色彩类别、a8地貌的色彩类别。
在一种可能的实现方式中,地貌图像中各个像素点均可以对应各自的主色彩类别,其中,确定地貌图像中各个像素点对应的主色彩类别,具体可以提取参考图像中的多种第一色彩数据,将多种第一色彩数据聚类为多个色彩数据集合,根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的候选色彩数据;将地貌图像分割为多个目标区域,提取各个目标区域的第二色彩数据,根据第二色彩数据与第一色彩数据之间的匹配关系,从多个候选色彩数据中确定目标区域对应的目标色彩数据,基于目标色彩数据确定地貌图像中各个像素点对应的主色彩类别,通过色彩数据聚类以及地貌图像分割相结合的方式来确定地貌图像中各个像素点对应的主色彩类别,能够有效地提升主色彩类别的准确性。
其中,第一色彩数据为参考图像中像素点的主要色彩数据,可以包括HSV通道的值,或者包括RGB通道的值等等,具体地,第一色彩数据可以是白色系数据,也可以是蓝色系数据,也可以是灰色系数据,还可以是红棕色系数据,等等。在将多种第一色彩数据聚类为多个色彩数据集合的过程中,具体可以确定任意两个第一色彩数据在多个色彩通道上的第一色彩距离,然后基于第一色彩距离将多种第一色彩数据聚类为多个色彩数据集合,进而能够对第一色彩数据实现数据降维,高效地为后续的数据处理提供数据,并且能够语义化地提取不同色彩数据对应的地貌特征。
在一种可能的实现方式中,多个色彩通道可以为HSV通道,任意两个第一色彩数据在多个色彩通道之间的距离可以为欧氏距离。或者,多个色彩通道还可以为RGB通道,任意两个第一色彩数据在多个色彩通道之间的距离还可以为曼哈顿距离。
还需要说明的是,任意两个第一色彩数据在多个色彩通道之间的第一色彩距离还可以为马氏距离、切比雪夫距离等等,本申请不作具体限定。
其中,第一色彩距离小于或者等于距离阈值的两个第一色彩数据被聚类于同一个色彩数据集合,距离阈值可以是预设的参数,本申请不作具体限定。
进一步,当两个第一色彩数据被聚类于同一个色彩数据集合时,对多个第一色彩数据进行更新,将该色彩数据集合作为新的第一色彩数据继续重复上述第一色彩距离的计算与合并,直至某一停止条件,该停止条件可以是色彩数据集合达到预定的聚类数目,也可以是第一色彩距离低于某一最小停止距离阈值。
参照图5,图5是本申请实施例提供的多种第一色彩数据生成的聚类树状图,将每次聚类合并所得到的色彩数据集合记录下来,最终形成一个聚类树(也称为树状图或树状结构),然后根据需要聚类的色彩数据集合的数目对聚类树进行切割得到最终的聚类结果,例如:如果需要聚类数目为2个时,则根据图5对聚类树切割成一个聚类簇为色彩A、色彩B的色彩数据集合,另一个聚类簇为色彩C、色彩D、色彩F的色彩数据集合; 如果需要聚类数目为3个时,则根据图5对聚类树切割成一个聚类簇为色彩A、色彩B的色彩数据集合,另一个聚类簇为色彩C的色彩数据集合和另一个聚类簇为色彩D、色彩F的色彩数据集合,进而能够将图像中相似的像素聚合成具有一定语义信息的区域,有助于保留图像的语义结构,更好地理解图像内容,同时减少图像中的噪声影响,提高了图像分割的鲁棒性。
接着,当将多种第一色彩数据聚类为多个色彩数据集合之后,根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的候选色彩数据,其中,候选色彩数据可以理解为色彩数据集合中的第一色彩数据合并后得到的色彩数据。
参照图6,图6是本申请实施例提供的初次聚类的候选色彩数据图,色彩数据x1至x200为a1地貌至a8地貌对应的参考图像中的多种第一色彩数据,色彩数据b1至b25为通过色彩数据x1至x200进行上述聚类过程所确定的25种候选色彩数据。
在一种可能的实现方式中,由于25种候选色彩数据远多于8处的地貌类型数量,为提高数据的自洽性,可以再次进行至少一次的聚类。
参照图7,图7是本申请实施例提供的二次聚类的候选色彩数据图,可以将25种候选色彩数据均作为第一色彩数据,进行二次聚类得到8个色彩数据集合,以及根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的8种(色彩数据c1至色彩数据c8)候选色彩数据。其中通过两次聚类的方式间接得到对应的8种候选色彩数据,比一次聚类的方式直接得到对应的8种候选色彩数据的聚类效果更佳,进而能够提高主色彩类别确定的准确性。
需要补充说明的是,在基于整个地貌图像来提取地貌图像中像素点对应的主色彩类别时,根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的候选色彩数据后,可以直接根据候选色彩数据确定各个点对应的主色彩类别。
步骤S202:依次将各种主色彩类别作为基准色彩类别,对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据。
其中,通过前述的步骤S201,地貌图像中各个像素点均对应有各自的主色彩类别,在此基础上,第一像素点集合包括基准色彩类别对应的像素点,以及渲染优先级低于基准色彩类别的其余主色彩类别对应的像素点,渲染优先级用于指示基准色彩类别被渲染的顺序,基准色彩类别的渲染优先级可以预先通过人工配置。依次将各种主色彩类别作为基准色彩类别,也就是说每个主色彩类别均会作为基准色彩类别。当基准色彩类别为渲染优先级最低的主色彩类别时,第一像素点集合只包括基准色彩类别对应的像素点。
例如,现在有主色彩类别C1、C2、C3、C4、C5、C6、C7和C8,且主色彩类别按照渲染优先级由高到低进行排序依次为C1、C2、C3、C4、C5、C6、C7和C8,假设基准色彩类别为C1,则第一像素点集合中包括了C1、C2、C3、C4、C5、C6、C7和C8各自对应的像素点,假设基准色彩类别为C2,则第一像素点集合中包括了C2、C3、C4、C5、C6、C7和C8各自对应的像素点,以此类推。由于第一像素点集合包括基准色彩类别对应的像素点,以及渲染优先级低于基准色彩类别的其余主色彩类别对应的像素点,因此,后续基于各种基准色彩类别对应的轮廓数据可以分别生成不同层次的目标地图数据,提升在不同的比例尺下的数据自洽性。
在一种可能的实现方式中,在确定地貌图像中各个像素点对应的主色彩类别后,可以在地貌图像中各个像素点的像素语义里配置对应的主色彩类别,得到语义图像。具体地,主色彩类别可包括高原雪山地貌色彩、沙漠地貌色彩、峡谷地貌色彩、盆地地貌色彩、山脉地貌色彩、平原地貌色彩、森林地貌色彩、海湾地貌色彩等等,通过在地貌图像中各个像素点的像素语义里配置对应的主色彩类别,能够准确描述各个像素点对应的语义特征,进而得到准确的语义图像。
进一步,依次将各种主色彩类别作为基准色彩类别,对语义图像中各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据。其中,轮廓数据可以包括位于轮廓上的像素点的坐标。
在一种可能的实现方式中,参照图8,图8是本申请实施例提供的确定色彩类别的目标优先级参数的一种可选的示意图,在对各个掩膜图像分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据的过程之前,可以获取各个第二像素点集合对应的地理位置以及海拔高度;分别将各个地理位置输入至第一优先级参数预测模型得到各自对应的第一优先级参数,分别将各个海拔高度输入至第二优先级参数预测模型得到各自对应的第二优先级参数;分别将第一优先级参数与对应的第二优先级参数进行加权,得到各种主色彩类别对应的目标优先级参数,根据目标优先级参数确定各种主色彩类别对应的渲染优先级。
其中,各个第二像素点集合分别包括各种主色彩类别对应的像素点,第二像素点集合中每个像素点的地理位置可以通过经纬度进行表示,例如可以表示为(东经XXo,北纬XXo);而第二像素点集合中每个像素点的海拔高度可以通过获取等高线的间距和密度进行表示,也可以通过地图颜色的深浅渐变进行表示,还可以通过直接的数字标注进行表示,例如可以表示为1500米,本申请不作具体限定。
在此基础上,第二像素点集合对应的地理位置可以为每个像素点的地理位置所组成的向量,第二像素点集合对应的海拔高度可以为每个像素点的海拔高度所组成的向量。
进一步,在将第一优先级参数GP与对应的第二优先级参数AL进行加权,得到各种主色彩类别对应的渲染优先级时,目标优先级参数可以通过以下公式得到:
其中,为目标优先级参数,Z1为第二像素点集合对应的地理位置,Z2为第二像素点集合对应的海拔高度,/>为第一优先级参数对应的权重,/>为第二优先级参数对应的权重,/>满足/>,/>为第一优先级参数预测模型,/>为第二优先级参数预测模型。
具体地,在将第二像素点集合对应的地理位置输入至第一优先级参数预测模型以后,可以基于第二像素点集合对应的地理位置进行回归处理,得到第一优先级参数,同时,第一优先级参数预测模型也输出第一优先级参数对应的权重,类似地,在将第二像素点集合对应的海拔高度输入至第二优先级参数预测模型以后,可以基于第二像素点集合对应的海拔高度进行回归处理,得到第二优先级参数,同时,第二优先级参数预测模型也输出第二优先级参数对应的权重。其中,第一优先级参数与对应的权重被第一优先级参数预测模型同时输出,相较于人工设定权重的方式,可以使得权重与第一优先级参数更加适配,从而提升权重的准确性与合理性,第二优先级参数与对应的权重同理。
另外,第一优先级参数预测模型和第二优先级参数预测模型是联合训练得到的,在联合训练第一优先级参数预测模型和第二优先级参数预测模型时,可以获取多个样本像素点集合对应的地理位置以及海拔高度,并预设多个样本像素点集之间的渲染优先级,接着,将各个样本像素点集合对应的地理位置输入至第一优先级参数预测模型,将各个样本像素点集合对应的海拔高度输入至第二优先级参数预测模型,根据第一优先级参数预测模型和第二优先级参数预测模型的输出结果,基于与前述得到目标优先级参数类似的方式得到最终的样本优先级参数,调整第一优先级参数预测模型和第二优先级参数预测模型的参数直至样本优先级参数符合多个样本像素点集之间预设的渲染优先级。通过联合训练第一优先级参数预测模型和第二优先级参数预测模型,能够使得后续得到的目标优先级参数更加准确。
还需要说明的是,目标优先级参数越大,表明渲染优先级越高,承接上述例子,8种主色彩类别分别为C1、C2、C3、C4、C5、C6、C7和C8,通过上述第二像素点集合的优先级计算得到C1对应的目标优先级参数为12.4,C2对应的目标优先级参数为11.2,C3对应的目标优先级参数为10.8,C4对应的目标优先级参数为7.6,C5对应的目标优先级参数为5.8,C6对应的目标优先级参数为4.6,C7对应的目标优先级参数为3.5,C8对应的目标优先级参数为1.8,则上述主色彩类别按照渲染优先级由高到低进行排序依次为C1、C2、C3、C4、C5、C6、C7和C8。
步骤403:获取各种基准色彩类别对应的渲染优先级标签,基于渲染优先级标签以及对应的轮廓数据分别生成各种基准色彩类别对应的目标地图数据。
其中,渲染优先级标签用于指示各种基准色彩类别对应的渲染优先级,渲染优先级标签可以包括基准色彩类别,或者包括基准色彩类别的渲染优先级,或者包括可以指示基准色彩类别的字符,例如,假设基准色彩类别为C1,则渲染优先级标签可以包括“C1”,或者,渲染优先级可以用数字来表示,1代表最高优先级,2代表次高优先级,以此类推,相应地,渲染优先级标签可以包括“1”,或者,假设基准色彩类别为C1,则渲染优先级标签可以包括指示基准色彩类别C1的字符“C1’”。
通过基于渲染优先级标签以及对应的轮廓数据分别生成各种基准色彩类别对应的目标地图数据,后续在基于目标地图数据进行渲染时,结合各种基准色彩类别对应的渲染优先级标签,可以按照渲染优先级依次进行渲染,因此,在渲染后即便缩小地图显示的比例尺,也能够由其他层级的目标地图数据进行填补,在视觉上实现无缝衔接,提升地图显示的连贯性。
在一种可能的实现方式中,依次将各种主色彩类别作为基准色彩类别,对语义图像中各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据,具体可以依次将各种主色彩类别作为基准色彩类别,在语义图像中确定各种基准色彩类别对应的第一像素点集合,生成各个第一像素点集合对应的掩膜矩阵,分别基于各个掩膜矩阵对语义图像进行掩膜处理,得到各个第一像素点集合对应的掩膜图像,对各个掩膜图像分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据。
其中,掩膜矩阵的大小与语义图像的大小相等,掩膜矩阵中与第一像素点集合对应的位置的矩阵元素为1,其余的矩阵元素为0。
例如,参照图9,图9是本申请实施例提供的语义图像的一种可选的掩膜处理示意图。其中,语义图像中存在主色彩类别C3、C5和C6,其渲染优先级从高到低依次为C3、C5和C6。因此,当基准色彩类别为主色彩类别C3时,整个掩膜矩阵的矩阵元素均为1,基于该掩膜矩阵对语义图像进行掩膜处理后,可以得到主色彩类别C3的掩膜图像;当基准色彩类别为主色彩类别C5时,掩膜矩阵中主色彩类别C3对应的位置的矩阵元素为0,其余的矩阵元素为1,基于该掩膜矩阵对语义图像进行掩膜处理后,可以得到主色彩类别C5的掩膜图像;当基准色彩类别为主色彩类别C6时,掩膜矩阵中主色彩类别C3和C5对应的位置的矩阵元素为0,其余的矩阵元素为1,基于该掩膜矩阵对语义图像进行掩膜处理后,可以得到主色彩类别C6的掩膜图像。
在一种可能的实现方式中,在对各个掩膜图像分别进行轮廓提取时,可以对每个掩膜图像的掩膜矩阵的所有像素点进行遍历,计算每个像素点与其相邻像素点之间的V值的差值,若当前遍历的像素点与其相邻像素点之间的V值的差值为0,则继续遍历一下像素点,若当前遍历的像素点与其相邻像素点之间的V值的差值不为0,则将当前遍历的像素点的坐标作为基准色彩类别对应的轮廓数据,若遍历完毕,所有像素点与其对应的相邻像素点之间的V值的差值均为0,则将最外围的像素点的坐标作为当前基准色彩类别对应的轮廓数据。例如:在主色彩类别C3的掩膜图像中,所有像素点与其对应相邻像素点之间的V值的差值均为0,则将最外围的像素点的坐标作为当前基准色彩类别对应的轮廓数据O1;类似地,可以得到主色彩类别C5的掩膜图像对应的轮廓数据O1、O2,以及得到主色彩类别C6的掩膜图像对应的轮廓数据O3。
在一种可能的实现方式中,当掩膜图像对应的基准色彩类别的渲染优先级最高或者最低时,对掩膜图像进行轮廓提取,得到基准色彩类别对应的外轮廓数据。例如:从图9可知,对主色彩类别C3的掩膜图像进行轮廓提取后,得到的是外轮廓数据O1,对主色彩类别C6的掩膜图像进行轮廓提取的过程中,得到的是外轮廓数据O3,进而有助于准确地定位和识别基准色彩类别所在的区域,提高边界识别的有效性。
再进一步,当掩膜图像对应的基准色彩类别的渲染优先级低于最高的渲染优先级且高于最低的渲染优先级时,对掩膜图像进行轮廓提取,得到基准色彩类别对应的外轮廓数据和内轮廓数据。例如:从图9可知,对主色彩类别C5的掩膜图像进行轮廓提取后,得到的是外轮廓数据O1和内轮廓数据O2,进而有助于准确地定位和识别基准色彩类别所在的区域,提高边界识别的有效性。
在一种可能的实现方式中,在依次将各种主色彩类别作为基准色彩类别,对语义图像中各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据之前,还可以遍历多个第一像素点集合,删除当前的第一像素点集合中各个像素点的像素语义里的主色彩类别,在各个像素点的像素语义里配置当前的第一像素点集合对应的渲染优先级标签。
其中,通过在各个像素点的像素语义里配置当前的第一像素点集合对应的渲染优先级标签,一方面,在生成各个第一像素点集合对应的掩膜矩阵时,能够基于渲染优先级标签快速确定对应的像素点;另一方面,在基于渲染优先级标签以及对应的轮廓数据分别生成各种基准色彩类别对应的目标地图数据时,能够基于轮廓提取确定的像素点快速地获取渲染优先级标签,从而从整体上有效地提升目标地图数据的生成效率。
在一种可能的实现方式中,对于某一个像素点来说,像素语义中的渲染优先级标签可以为至少一个,当该像素点对应的主色彩类别的渲染优先级最高时,渲染优先级标签的数量为一个,其余主色彩类别的像素点的渲染优先级标签的数量为多个。
具体地,参照图10,图10是本申请实施例提供的在像素语义里添加渲染优先级标签的一种可选的示意图,以渲染优先级标签包括指示基准色彩类别的字符为例,假设主色彩类别包括C3、C4、C6和C7,如果当前的像素点的像素语义的主色彩类别为C3,则删除主色彩类别C3并配置渲染优先级标签C3’;如果当前的像素点的像素语义的主色彩类别为C4,则删除主色彩类别C4并配置渲染优先级标签C3’和C4’;如果当前的像素点的像素语义的主色彩类别为C6,则删除主色彩类别C6并配置渲染优先级标签C3’、C4’和C6’;如果当前的像素点的像素语义的主色彩类别为C7,则删除主色彩类别C7并配置渲染优先级标签C3’、C4’、C6’和C7’。
在一种可能的实现方式中,在各个像素点的像素语义里配置当前的第一像素点集合对应的渲染优先级标签时,可以在语义图像各个像素点的像素语义里添加目标色彩类别,其中,目标色彩类别的渲染优先级高于像素点原始配置的主色彩类别,可以简化渲染优先级标签的配置操作。
具体地,参照图11,图11是本申请实施例提供的在像素语义里添加渲染优先级标签的另一种可选的示意图,以渲染优先级标签包括基准色彩类别为例,假设主色彩类别包括C3、C4、C6和C7,如果当前的像素点的像素语义的主色彩类别为C3,则无需处理;如果当前的像素点的像素语义的主色彩类别为C4,则添加渲染优先级标签C3;如果当前的像素点的像素语义的主色彩类别为C6,则添加渲染优先级标签C3和C4;如果当前的像素点的像素语义的主色彩类别为C7,则添加渲染优先级标签C3、C4和C6。
在一种可能的实现方式中,在根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的候选色彩数据的过程中,具体可以将色彩数据集合中的第一色彩数据的均值,作为色彩数据集合对应的候选色彩数据。例如:在图7中的候选色彩数据c2对应的色彩数据集合中包括b2(35,0.233,0.808)、b3(35,0.186,0.824)、b4(26,0.184,0.682)、b5(24,0.54,0.722),则候选色彩数据c2=(,/>,),进而能够简化色彩数据确定过程,使得候选色彩数据与第一色彩数据之间保持一致性。
在一种可能的实现方式中,在根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的候选色彩数据的过程中,具体也可以将色彩数据集中出现频率最高的第一色彩数据,作为色彩数据集合对应的候选色彩数据。例如:在图7中的候选色彩数据c3对应的色彩数据集合中包括b6(43,0.19,0.57)、b7(43,0.248,0.506)、b8(64,0.19, 0.506)、b9(36,0.98,0.4),由于H通道中的43出现最多,S通道中的0.19出现最多,V通道中的0.506出现最多,则候选色彩数据c3=(43,0.19,0.506),进而能够简化色彩数据的确定过程,同时提高候选色彩数据的代表性。
在一种可能的实现方式中,在根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的候选色彩数据的过程中,具体也可以将色彩数据集中第一色彩数据进行多色彩通道排序,从各个色彩通道排序序列中选择中间值作为色彩数据集合对应的候选色彩数据。例如:在图7中的候选色彩数据c6对应的色彩数据集合中包括b19(127,0.51,0.2)、b20(163,0.618,0.133)、b21(173,0.444,0. 71),则H通道中的127、163、173的中间值为163,S通道中的0.444、0.51、0.618的中间值为0.51,V通道中的0.71、0.2、0.133的中间值为0.2,则候选色彩数据c6=(163,0.51,0.2),进而能够提高候选色彩数据与第一色彩数据的平衡性和稳定性,避免出现选择过于极端的色彩数据作为候选色彩数据。
在一种可能的实现方式中,在将地貌图像分割为多个目标区域的过程中,可以先根据预设的目标区域数量在地貌图像中初始化多个起始点,在以起始点为中心的目标范围内,确定起始点与其余像素点之间的第二色彩距离以及空间距离。
具体地,在地貌图像中初始化多个起始点,参照图12,图12是本申请实施例提供的起始点与其余像素点之间的坐标示意图,可知在以起始点d5为中心的目标范围内, d1、d2、d3、d4、d6、d7、d8和d9为其余像素点,确定起始点与其余像素点之间的第二色彩距离以及空间距离,例如像素点d3(1px,1px)与起始点d5(0px,0px)的空间距离为,而像素点d3的色彩数据为(221,0.526,0.512), 起始点d5的色彩数据为(217,0.517,0.471),则像素点d3与起始点d5的第二色彩距离/>为:
进而能够为后续的图像分割提供有效的数据特征。
其中,起始点可以是目标区域当中任意一个像素的中心点,也可以是目标区域的中心区域一个像素的中心点,并且其二维空间坐标为(0,0),再进一步确定其余像素点相对的二维空间坐标,进而能够简化与其余像素点进行的空间距离计算。
还需要说明的是,在根据预设的目标区域数量在地貌图像中初始化多个起始点之前,还需要对上述8处预设的目标区域进行图像预处理,其中包括通过高斯滤波器对目标区域进行降噪处理和平滑处理,进而有效地平滑图像中的噪声,并保留图像中的主要特征,同时消除图像中的细微变化和纹理,使图像变得更加柔和与连续。并且在目标区域中的每一维度预处理的高斯核宽度可以设置为2,也可以设置为3等等,本申请实施例不作具体限定。
接着,再对第二色彩距离和空间距离进行加权,得到加权距离。进而能够有效地根据第二色彩距离与空间距离之间的不同重要程度,灵活配置对应的加权距离以适应不同的场景和需求。
具体地,加权距离可以通过以下公式得到:
其中,为空间距离的权重,/>为第二色彩距离的权重,并且满足/>大于0,/>大于0,/>=1,/>为加权距离,/>为空间距离,/>为第二色彩距离,/>为起始点,/>为其余像素点。
接着,再基于加权距离将起始点与目标范围内的像素点进行合并,得到多个原始区域。
具体地,将加权距离与预设合并距离进行比较,当加权距离小于或者等于预设合并距离,则将起始点与目标范围内的像素点进行合并,进而能够提高合并过程的准确性,提高多个原始区域之间的分割效果。
预设合并距离Dr可以根据实际情况设定,当得出加权距离则将像素点d3与起始点d5进行合并,得到其中一个原始区域。
接着,再将多个原始区域分别作为起始点再次基于加权距离将起始点与目标范围内的像素点进行合并,直至达到预设的停止条件,得到多个目标区域。
具体地,例如将上述像素点d3与起始点d5所合并的一个原始区域作为新的起始点,继续从图12中依次计算新的起始点与像素点d1、d2、d4、d6、d7、d8和d9之间加权距离并进行比较合并。最后,达到预设的停止条件可以是预设的迭代合并次数,也可以是预设的目标区域像素大小,还可以是预设的目标区域数量,本申请实施例不作具体限定。同时还能够根据不同的停止条件,灵活地配置对应的参数来提高合并过程的自由度,同时可根据不同的参数配置得出较优的合并效果。
例如,当输入的分割输出标签数为50时,即说明预设的目标区域数量50个,当分割的目标区域数量达到50个时,则停止目标区域的分割,然后获取每个目标区域的所有第一色彩数据,以及将每个目标区域的所有第一色彩数据进行求均值,得到每个目标区域的平均色彩数据,最后将每个目标区域中的所有第一色彩数据统一替换为平均色彩数据,得到每个归一化后的目标区域,进而能够增强色彩数据的一致性,减少噪声的影响。
具体地,参照图13,图13是本申请实施例提供的多个目标区域的划分示意图,图13中包括3个目标区域,分别为D1、D2和D3, 目标区域D1包括像素点d2、像素点d3、像素点d5和像素点d6,目标区域D2包括像素点d8和像素点d9,目标区域D3包括像素点d1、像素点d4和像素点d7。其中,以目标区域D1为例,像素点d2的色彩数据为d2HSV(223,0.543,0.524),像素点d3的色彩数据为d3HSV(221,0.526,0.512), 起始点d5的色彩数据为d5HSV(217,0.513,0.478),起始点d6的色彩数据为d6HSV(217,0.517,0.471),则d2、d3、d5和d6对应在H通道上的平均色彩数据为,对应在S通道上的平均色彩数据为,对应在V通道上的平均色彩数据为,进而得到对应HSV通道的平均色彩数据AVGHSV。最后,将d2的色彩数据替换为AVGHSV,d3的色彩数据替换为AVGHSV,d5的色彩数据替换为AVGHSV,d6的色彩数据替换为AVGHSV。
可选地,在将地貌图像分割为多个目标区域之后,由于各个目标区域中的色彩均相同,所以可以提取各个目标区域的任意一个像素点上的色彩数据作为第二色彩数据,例如,如上述目标区域D1所示,当在目标区域D1中提取任意一个像素点上的色彩数据均为AVGHSV,则将AVGHSV作为第二色彩数据,进而能够提升第二色彩数据的合理性。
在一种可能的实现方式中,如图6和图7所示,由于上述8种候选色彩数据中的每种候选色彩数据都由几种第一色彩数据通过聚类得到,即每种候选色彩数据都有其对应色彩数据集合,假设候选色彩数据对应的总色彩数据集合为N,则N可以表示为:
N={{b1},{b2,b3,b4,b5},{b6,b7,b8,b9},{b10,b11,b12,b13,b14},{b15,b16,b17,b18},{b19,b20,b21},{b22,b23},{b24,b25}}
后续可以根据第二色彩数据与第一色彩数据之间的匹配关系,从多个候选色彩数据中确定目标区域对应的目标色彩数据,进而能够提高目标色彩数据与候选色彩数据的一致性。
具体地,第二色彩数据与第一色彩数据之间的匹配关系可以通过第二色彩数据与N中的所有第一色彩数据在HSV通道上进行距离的计算而确定。
例如,假设第二色彩数据y为上述目标区域D1 的色彩数据AVGHSV,然后通过上述公式分别与如图6中所示的第一色彩数据x1至x200进行距离计算,得到关于第二色彩数据y与多个第一色彩数据之间的距离集合Nd(x,y),对Nd(x,y)中的元素进行排序并从排序序列中选择最小距离值d(x1,y),即第二色彩数据y与第一色彩数据x1之间的匹配关系为相匹配。
进一步,从图6可知,第一色彩数据x1对应一次聚类的候选色彩数据为b1,从图7可知,将候选色彩数据b2作为第一色彩数据后,其对应二次聚类的候选色彩数据为c1,则第一色彩数据x1对应的候选色彩数据为c1,所以第二色彩数据y对应的目标色彩数据为c1,即目标区域D1的目标色彩数据为c1。
在一种可能的实现方式中,可以基于目标区域D1的目标色彩数据c1确定地貌图像中目标区域D1中的各个像素点对应的主色彩类别为C1。进而使得地貌图像中的各个像素点都对应一个主色彩类别,而每个主色彩类别都表示为对应的地貌语义特征,进而能够确定地貌图像中各个像素点的像素语义,为后续地图渲染提供丰富的语义基础。
可以理解的是,在匹配第二色彩数据y对应的目标色彩数据时,也可以直接将色彩数据b1至b25作为第一色彩数据进行匹配。
下面详细说明本申请实施例提供的地图数据生成方法的原理。
参照图14,图14是本申请实施例提供的地图数据生成方法的一种可选的总体流程示意图。
步骤1401:获取地貌图像,提取地貌图像中的多种第一色彩数据,将多种第一色彩数据聚类为多个色彩数据集合,根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的候选色彩数据。
具体地,第一色彩数据包括多个色彩通道的数据,将多种第一色彩数据聚类为多个色彩数据集合时,需要确定任意两个第一色彩数据在多个色彩通道上的第一色彩距离;然后,基于第一色彩距离将多种第一色彩数据聚类为多个色彩数据集合,其中,第一色彩距离小于或者等于距离阈值的两个第一色彩数据被聚类于同一个色彩数据集合。
还需要说明的是,根据色彩数据集合中的第一色彩数据确定色彩数据集合对应的候选色彩数据时,还需要将色彩数据集合中的第一色彩数据的均值,作为色彩数据集合对应的候选色彩数据;或者,将色彩数据集中出现频率最高的第一色彩数据,作为色彩数据集合对应的候选色彩数据;或者,将色彩数据集中第一色彩数据进行多色彩通道排序,将多色彩通道排序序列中的中间值作为色彩数据集合对应的候选色彩数据。
步骤1402:将地貌图像分割为多个目标区域,提取各个目标区域的第二色彩数据,根据第二色彩数据与第一色彩数据之间的匹配关系,从多个候选色彩数据中确定目标区域对应的目标色彩数据,基于目标色彩数据确定地貌图像中各个像素点对应的主色彩类别;
具体地,将地貌图像分割为多个目标区域时,还需要根据预设的目标区域数量在地貌图像中初始化多个起始点,在以起始点为中心的目标范围内,确定起始点与其余像素点之间的第二色彩距离以及空间距离;接着,对第二色彩距离和空间距离进行加权,得到加权距离;然后,基于加权距离将起始点与目标范围内的像素点进行合并,得到多个原始区域;最终,将多个原始区分别作为起始点再次基于加权距离将起始点与目标范围内的像素点进行合并,直至达到预设的停止条件,得到多个目标区域。
步骤1403:在地貌图像中各个像素点的像素语义里配置对应的主色彩类别,得到语义图像。
具体地,在地貌图像中各个像素点的像素语义里配置对应的主色彩类别之前还可以包括:获取各个第二像素点集合对应的地理位置以及海拔高度,其中,各个第二像素点集合分别包括各种主色彩类别对应的像素点;分别将各个地理位置输入至第一优先级参数预测模型得到各自对应的第一优先级参数,分别将各个海拔高度输入至第二优先级参数预测模型得到各自对应的第二优先级参数;分别将第一优先级参数与对应的第二优先级参数进行加权,得到各种主色彩类别对应的目标优先级参数,根据目标优先级参数确定各种主色彩类别对应的渲染优先级。
进一步,在地貌图像中各个像素点的像素语义里配置对应的主色彩类别之前还需要遍历多个第一像素点集合,删除当前的第一像素点集合中各个像素点的像素语义里的主色彩类别,在各个像素点的像素语义里配置当前的第一像素点集合对应的渲染优先级标签。
步骤1404:依次将各种主色彩类别作为基准色彩类别,对语义图像中各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据。
具体地,依次将各种主色彩类别作为基准色彩类别,在语义图像中确定各种基准色彩类别对应的第一像素点集合,生成各个第一像素点集合对应的掩膜矩阵;
然后,分别基于各个掩膜矩阵对语义图像进行掩膜处理,得到各个第一像素点集合对应的掩膜图像;最后,对各个掩膜图像分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据。
步骤1405:获取各种基准色彩类别对应的渲染优先级标签,基于渲染优先级标签以及对应的轮廓数据分别生成各种基准色彩类别对应的目标地图数据。
上述步骤1401至步骤1405,通过获取地貌图像,确定地貌图像中各个像素点对应的主色彩类别,由于主色彩类别用于指示地貌图像中对应的地貌的色彩类别,因此,能够满足大比例尺下对不同类型地貌的渲染需求,在此基础上,依次将各种主色彩类别作为基准色彩类别,对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据,由于第一像素点集合包括基准色彩类别对应的像素点,以及渲染优先级低于基准色彩类别的其余主色彩类别对应的像素点,因此,后续基于各种基准色彩类别对应的轮廓数据可以分别生成不同层次的目标地图数据,提升在不同的比例尺下的数据自洽性。
后续在基于目标地图数据进行渲染时,结合各种基准色彩类别对应的渲染优先级标签,可以按照渲染优先级依次进行渲染,因此,在渲染后即便缩小地图显示的比例尺,也能够由其他层级的目标地图数据进行填补,在视觉上实现无缝衔接,提升地图显示的连贯性。
参照图15,图15是本申请实施例提供的地图渲染方法的一种可选的流程图,该地图渲染方法可以由终端执行,或者也可以由服务器和终端配合执行,在本申请实施例中,以该方法由终端执行为例进行说明。该地图渲染方法包括但不限于以下步骤S1501至步骤S1502。
S1501:获取各种基准色彩类别对应的目标地图数据。
其中,目标地图数据是基于前述的地图数据生成方法生成的,在此不再赘述。
S1502:基于渲染优先级标签,依次根据轮廓数据进行地图渲染。
其中,在基于目标地图数据进行渲染时,结合各种基准色彩类别对应的渲染优先级标签,可以按照渲染优先级依次进行渲染,因此,在渲染后即便缩小地图显示的比例尺,也能够由其他层级的目标地图数据进行填补,在视觉上实现无缝衔接,提升地图显示的连贯性。
例如,再次以图9为例进行说明,基于渲染优先级标签,主色彩类别C3对应的轮廓数据首先被渲染,接着,主色彩类别C5对应的轮廓数据被渲染,最后,主色彩类别C6对应的轮廓数据被渲染,因此,最终会依次渲染出主色彩类别C6、主色彩类别C5和主色彩类别C6对应的图层,从而还原出原始的语义图像。当缩小地图显示的比例尺时,即便主色彩类别C6对应的区域被过滤掉,主色彩类别C5对应的图层也会进行填补,从而避免出现空白、断层等问题。
在一种可能的实现方式中,当渲染优先级标签包括基准色彩类别时,可以获取多个基准色彩类别与渲染优先级的映射关系,根据渲染优先级标签以及该映射关系匹配得到各个基准色彩类别对应的渲染优先级,再依次根据轮廓数据进行地图渲染;当渲染优先级标签包括基准色彩类别的渲染优先级时,可以直接基于渲染优先级依次根据轮廓数据进行地图渲染;当渲染优先级标签包括可以指示基准色彩类别的字符时,可以获取多个指示基准色彩类别的字符与渲染优先级的映射关系,根据渲染优先级标签以及该映射关系匹配得到各个指示基准色彩类别的字符对应的渲染优先级,再依次根据轮廓数据进行地图渲染。
可以理解的是,虽然上述各个流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本实施例中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时间执行完成,而是可以在不同的时间执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
参照图16,图16是本申请实施例提供的地图数据生成装置的一种可选的结构示意图,该地图数据生成装置1600包括:
色彩类别确定模块1601,用于获取地貌图像,确定地貌图像中各个像素点对应的主色彩类别,其中,主色彩类别为地貌图像中对应的地貌的色彩类别;
轮廓提取模块1602,用于依次将各种主色彩类别作为基准色彩类别,对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据,其中,第一像素点集合包括基准色彩类别对应的像素点,以及渲染优先级低于基准色彩类别的其余主色彩类别对应的像素点;
生成模块1603,用于获取各种基准色彩类别对应的渲染优先级标签,基于渲染优先级标签以及对应的轮廓数据分别生成各种基准色彩类别对应的目标地图数据。
进一步,依次将各种主色彩类别作为基准色彩类别,对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据时,上述轮廓提取模块1602具体用于:
在地貌图像中各个像素点的像素语义里配置对应的主色彩类别,得到语义图像 ;
依次将各种主色彩类别作为基准色彩类别,对语义图像中各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据。
进一步,上述轮廓提取模块1602还用于:
依次将各种主色彩类别作为基准色彩类别,在语义图像中确定各种基准色彩类别对应的第一像素点集合,生成各个第一像素点集合对应的掩膜矩阵;
分别基于各个掩膜矩阵对语义图像进行掩膜处理,得到各个第一像素点集合对应的掩膜图像;
对各个掩膜图像分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据。
再进一步,上述轮廓提取模块1602还用于:
当掩膜图像对应的基准色彩类别的渲染优先级最高或者最低时,对掩膜图像进行轮廓提取,得到基准色彩类别对应的外轮廓数据;
当掩膜图像对应的基准色彩类别的渲染优先级低于最高的渲染优先级且高于最低的渲染优先级时,对掩膜图像进行轮廓提取,得到基准色彩类别对应的外轮廓数据和内轮廓数据。
进一步,在依次将各种主色彩类别作为基准色彩类别,在语义图像中对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据之前,上述轮廓提取模块1602还用于:
遍历多个第一像素点集合,删除当前的第一像素点集合中各个像素点的像素语义里的主色彩类别,在各个像素点的像素语义里配置当前的第一像素点集合对应的渲染优先级标签。
进一步,上述轮廓提取模块1602还用于:
获取各个第二像素点集合对应的地理位置以及海拔高度,其中,各个第二像素点集合分别包括各种主色彩类别对应的像素点;
分别将各个地理位置输入至第一优先级参数预测模型得到各自对应的第一优先级参数,分别将各个海拔高度输入至第二优先级参数预测模型得到各自对应的第二优先级参数;
分别将第一优先级参数与对应的第二优先级参数进行加权,得到各种主色彩类别对应的渲染优先级。
进一步,上述色彩类别确定模块1601具体用于:
从地貌图像中截取多个参考图像,提取参考图像中的多种第一色彩数据,将多种第一色彩数据聚类为多个色彩数据集合,根据色彩数据集合中的第一色彩数据确定 色彩数据集合对应的候选色彩数据;
将地貌图像分割为多个目标区域,提取各个目标区域的第二色彩数据 ,根据第二色彩数据与第一色彩数据之间的匹配关系,从多个候选色彩数据中确定目标区域对应的目标色彩数据,基于目标色彩数据确定地貌图像中各个像素点对应的主色彩类别。
进一步,上述色彩类别确定模块1601还用于:
确定任意两个第一色彩数据在多个色彩通道上的第一色彩距离;
基于第一色彩距离将多种第一色彩数据聚类为多个色彩数据集合,其中,第一色彩距离小于或者等于距离阈值的两个第一色彩数据被聚类于同一个色彩数据集合。
进一步,上述色彩类别确定模块1601还用于:
将色彩数据集合中的第一色彩数据的均值,作为色彩数据集合对应的候选色彩数据;
或者,将色彩数据集中出现频率最高的第一色彩数据,作为色彩数据集合对应的候选色彩数据。
进一步,上述色彩类别确定模块1601还用于:
根据预设的目标区域数量在地貌图像中初始化多个起始点,在以起始点为中心的目标范围内,确定起始点与其余像素点之间的第二色彩距离以及空间距离;
对第二色彩距离和空间距离进行加权,得到加权距离;
基于加权距离将起始点与目标范围内的像素点进行合并,得到多个原始区域;
将多个原始区分别作为起始点再次基于加权距离将起始点与目标范围内的像素点进行合并,直至达到预设的停止条件,得到多个目标区域。
上述地图数据生成装置1600与上述地图数据生成方法基于相同的发明构思,通过获取地貌图像,确定地貌图像中各个像素点对应的主色彩类别,由于主色彩类别用于指示地貌图像中对应的地貌的色彩类别,因此,能够满足大比例尺下对不同类型地貌的渲染需求,在此基础上,依次将各种主色彩类别作为基准色彩类别,对各种基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种基准色彩类别对应的轮廓数据,由于第一像素点集合包括基准色彩类别对应的像素点,以及渲染优先级低于基准色彩类别的其余主色彩类别对应的像素点,因此,后续基于各种基准色彩类别对应的轮廓数据可以分别生成不同层次的目标地图数据,提升在不同的比例尺下的数据自洽性。
参照图17,图17是本申请实施例提供的地图渲染装置的一种可选的结构示意图,该地图渲染装置1700包括:
地图数据获取模块1701,用于获取基于上述的地图数据生成方法生成的各个目标地图数据;
渲染模块1702,用于基于渲染优先级标签,依次根据轮廓数据进行地图渲染。
上述地图渲染装置1700与上述地图渲染方法基于相同的发明构思,通过获取基于上述的地图数据生成方法生成的各个目标地图数据, 基于渲染优先级标签,依次根据轮廓数据进行地图渲染,进而能够根据不同层级的轮廓数据在地图画布上进行动态渲染,进而在基于目标地图数据进行渲染时,结合各种基准色彩类别对应的渲染优先级标签,可以按照渲染优先级依次进行渲染,因此,在渲染后即便缩小地图显示的比例尺,也能够由其他层级的目标地图数据进行填补,在视觉上实现无缝衔接,提升地图显示的连贯性。
本申请实施例提供的用于执行上述地图数据生成方法或者地图渲染方法的电子设备可以是终端,参照图18,图18是本申请实施例提供的终端的部分结构框图,该终端包括:摄像头组件1810、第一存储器1820、输入单元1830、显示单元1840、传感器1850、音频电路1860、无线保真(wireless fidelity,简称WiFi)模块1870、第一处理器1880、以及第一电源1890等部件。本领域技术人员可以理解,图18中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
摄像头组件1810可用于采集图像或视频。可选地,摄像头组件1810包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。
第一存储器1820可用于存储软件程序以及模块,第一处理器1880通过运行存储在第一存储器1820的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。
输入单元1830可用于接收输入的数字或字符信息,以及产生与终端的设置以及功能控制有关的键信号输入。具体地,输入单元1830可包括触摸面板1831以及其他输入装置1832。
显示单元1840可用于显示输入的信息或提供的信息以及终端的各种菜单。显示单元1840可包括显示面板1841。
音频电路1860、扬声器1861,传声器1862可提供音频接口。
第一电源1890可以是交流电、直流电、一次性电池或可充电电池。
传感器1850的数量可以为一个或者多个,该一个或多个传感器1850包括但不限于:加速度传感器、陀螺仪传感器、压力传感器、光学传感器等等。其中:
加速度传感器可以检测以终端建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器可以用于检测重力加速度在三个坐标轴上的分量。第一处理器1880可以根据加速度传感器采集的重力加速度信号,控制显示单元1840以横向视图或纵向视图进行用户界面的显示。加速度传感器还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器可以检测终端的机体方向及转动角度,陀螺仪传感器可以与加速度传感器协同采集用户对终端的3D动作。第一处理器1880根据陀螺仪传感器采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器可以设置在终端的侧边框和/或显示单元1840的下层。当压力传感器设置在终端的侧边框时,可以检测用户对终端的握持信号,由第一处理器1880根据压力传感器采集的握持信号进行左右手识别或快捷操作。当压力传感器设置在显示单元1840的下层时,由第一处理器1880根据用户对显示单元1840的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
光学传感器用于采集环境光强度。在一个实施例中,第一处理器1880可以根据光学传感器采集的环境光强度,控制显示单元1840的显示亮度。具体地,当环境光强度较高时,调高显示单元1840的显示亮度;当环境光强度较低时,调低显示单元1840的显示亮度。在另一个实施例中,第一处理器1880还可以根据光学传感器采集的环境光强度,动态调整摄像头组件1810的拍摄参数。
在本实施例中,该终端所包括的第一处理器1880可以执行前面实施例的地图数据生成方法或者地图渲染方法。
本申请实施例提供的用于执行上述地图数据生成方法或者地图渲染方法的电子设备也可以是服务器,参照图19,图19是本申请实施例提供的服务器的部分结构框图,服务器1900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上第二处理器1910和第二存储器1930,一个或一个以上存储应用程序1943或数据1942的存储介质1940(例如一个或一个以上海量存储装置)。其中,第二存储器1930和存储介质1940可以是短暂存储或持久存储。存储在存储介质1940的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器1900中的一系列指令操作。更进一步地,第二处理器1910可以设置为与存储介质1940通信,在服务器1900上执行存储介质1940中的一系列指令操作。
服务器1900还可以包括一个或一个以上第二电源1920,一个或一个以上有线或无线网络接口1950,一个或一个以上输入输出接口1960,和/或,一个或一个以上操作系统1941,例如Windows ServerTM,Mac OS XTM,UnixTM ,LinuxTM,FreeBSDTM等等。
服务器1900中的第二处理器1910可以用于执行地图数据生成方法或者地图渲染方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机程序,计算机程序用于执行前述各个实施例的地图数据生成方法或者地图渲染方法。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序存储在计算机可读存介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序,处理器执行该计算机程序,使得该计算机设备执行实现上述的地图数据生成方法或者地图渲染方法。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便描述本申请的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
应了解,在本申请实施例的描述中,多个(或多项)的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
还应了解,本申请实施例提供的各种实施方式可以任意进行组合,以实现不同的技术效果。
以上是对本申请的较佳实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本申请权利要求所限定的范围内。
Claims (14)
1.一种地图数据生成方法,其特征在于,包括:
获取地貌图像,确定所述地貌图像中各个像素点对应的主色彩类别,其中,所述主色彩类别为所述地貌图像中对应的地貌的色彩类别;
依次将各种所述主色彩类别作为基准色彩类别,对各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据,其中,所述第一像素点集合包括所述基准色彩类别对应的像素点,以及渲染优先级低于所述基准色彩类别的其余所述主色彩类别对应的像素点;
获取各种所述基准色彩类别对应的渲染优先级标签,基于所述渲染优先级标签以及对应的所述轮廓数据分别生成各种所述基准色彩类别对应的目标地图数据。
2.根据权利要求1所述的地图数据生成方法,其特征在于,所述依次将各种所述主色彩类别作为基准色彩类别,对各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据,包括:
在所述地貌图像中各个像素点的像素语义里配置对应的所述主色彩类别,得到语义图像;
依次将各种所述主色彩类别作为基准色彩类别,对所述语义图像中各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据。
3.根据权利要求2所述的地图数据生成方法,其特征在于,所述依次将各种所述主色彩类别作为基准色彩类别,对所述语义图像中各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据,包括:
依次将各种所述主色彩类别作为基准色彩类别,在所述语义图像中确定各种所述基准色彩类别对应的所述第一像素点集合,生成各个所述第一像素点集合对应的掩膜矩阵;
分别基于各个所述掩膜矩阵对所述语义图像进行掩膜处理,得到各个所述第一像素点集合对应的掩膜图像;
对各个所述掩膜图像分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据。
4.根据权利要求3所述的地图数据生成方法,其特征在于,所述对各个所述掩膜图像分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据,包括:
当所述掩膜图像对应的所述基准色彩类别的渲染优先级最高或者最低时,对所述掩膜图像进行轮廓提取,得到所述基准色彩类别对应的外轮廓数据;
当所述掩膜图像对应的所述基准色彩类别的渲染优先级低于最高的渲染优先级且高于最低的渲染优先级时,对所述掩膜图像进行轮廓提取,得到所述基准色彩类别对应的外轮廓数据和内轮廓数据。
5.根据权利要求2至4任意一项所述的地图数据生成方法,其特征在于,所述依次将各种所述主色彩类别作为基准色彩类别,对所述语义图像中各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据之前,所述地图数据生成方法还包括:
遍历多个所述第一像素点集合,删除当前的所述第一像素点集合中各个像素点的像素语义里的所述主色彩类别,在各个像素点的像素语义里配置当前的所述第一像素点集合对应的所述渲染优先级标签。
6.根据权利要求1所述的地图数据生成方法,其特征在于,所述依次将各种所述主色彩类别作为基准色彩类别,对各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据之前,所述地图数据生成方法还包括:
获取各个第二像素点集合对应的地理位置以及海拔高度,其中,各个所述第二像素点集合分别包括各种所述主色彩类别对应的像素点;
分别将各个所述地理位置输入至第一优先级参数预测模型得到各自对应的第一优先级参数,分别将各个所述海拔高度输入至第二优先级参数预测模型得到各自对应的第二优先级参数;
分别将所述第一优先级参数与对应的所述第二优先级参数进行加权,得到各种所述主色彩类别对应的目标优先级参数,根据所述目标优先级参数确定各种所述主色彩类别对应的渲染优先级。
7.根据权利要求1所述的地图数据生成方法,其特征在于,所述确定所述地貌图像中各个像素点对应的主色彩类别,包括:
从所述地貌图像中截取多个参考图像,提取所述参考图像中的多种第一色彩数据,将多种所述第一色彩数据聚类为多个色彩数据集合,根据所述色彩数据集合中的所述第一色彩数据确定所述色彩数据集合对应的候选色彩数据;
将所述地貌图像分割为多个目标区域,提取各个所述目标区域的第二色彩数据,根据所述第二色彩数据与所述第一色彩数据之间的匹配关系,从多个所述候选色彩数据中确定所述目标区域对应的目标色彩数据,基于所述目标色彩数据确定所述地貌图像中各个像素点对应的主色彩类别。
8.根据权利要求7所述的地图数据生成方法,其特征在于,所述第一色彩数据包括多个色彩通道的数据,所述将多种所述第一色彩数据聚类为多个色彩数据集合,包括:
确定任意两个所述第一色彩数据在多个所述色彩通道上的第一色彩距离;
基于所述第一色彩距离将多种所述第一色彩数据聚类为多个色彩数据集合,其中,所述第一色彩距离小于或者等于距离阈值的两个所述第一色彩数据被聚类于同一个所述色彩数据集合。
9.根据权利要求7所述的地图数据生成方法,其特征在于,所述根据所述色彩数据集合中的所述第一色彩数据确定所述色彩数据集合对应的候选色彩数据,包括:
将所述色彩数据集合中的所述第一色彩数据的均值,作为所述色彩数据集合对应的候选色彩数据;
或者,将所述色彩数据集中出现频率最高的所述第一色彩数据,作为所述色彩数据集合对应的候选色彩数据。
10.根据权利要求7所述的地图数据生成方法,其特征在于,所述将所述地貌图像分割为多个目标区域,包括:
根据预设的目标区域数量在所述地貌图像中初始化多个起始点,在以所述起始点为中心的目标范围内,确定所述起始点与其余像素点之间的第二色彩距离以及空间距离;
对所述第二色彩距离和所述空间距离进行加权,得到加权距离;
基于所述加权距离将所述起始点与所述目标范围内的像素点进行合并,得到多个原始区域;
将多个所述原始区分别作为所述起始点再次基于所述加权距离将所述起始点与所述目标范围内的像素点进行合并,直至达到预设的停止条件,得到多个目标区域。
11.一种地图数据生成装置,其特征在于,包括:
色彩类别确定模块,用于获取地貌图像,确定所述地貌图像中各个像素点对应的主色彩类别,其中,所述主色彩类别为所述地貌图像中对应的地貌的色彩类别;
轮廓提取模块,用于依次将各种所述主色彩类别作为基准色彩类别,对各种所述基准色彩类别对应的第一像素点集合分别进行轮廓提取,得到各种所述基准色彩类别对应的轮廓数据,其中,所述第一像素点集合包括所述基准色彩类别对应的像素点,以及渲染优先级低于所述基准色彩类别的其余所述主色彩类别对应的像素点;
生成模块,用于获取各种所述基准色彩类别对应的渲染优先级标签,基于所述渲染优先级标签以及对应的所述轮廓数据分别生成各种所述基准色彩类别对应的目标地图数据。
12.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10任意一项所述的地图数据生成方法。
13.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至10任意一项所述的地图数据生成方法。
14.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至10任意一项所述的地图数据生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410212357.XA CN117788679B (zh) | 2024-02-27 | 2024-02-27 | 地图数据生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410212357.XA CN117788679B (zh) | 2024-02-27 | 2024-02-27 | 地图数据生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117788679A true CN117788679A (zh) | 2024-03-29 |
CN117788679B CN117788679B (zh) | 2024-05-03 |
Family
ID=90389556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410212357.XA Active CN117788679B (zh) | 2024-02-27 | 2024-02-27 | 地图数据生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788679B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010005810A1 (en) * | 1999-12-09 | 2001-06-28 | Keiichi Senda | Map displaying system and map displaying method |
AU2003259605A1 (en) * | 2002-10-31 | 2004-05-20 | Adrian Nicolau | Variable scale map |
CN104252713A (zh) * | 2014-09-04 | 2014-12-31 | 百度在线网络技术(北京)有限公司 | 一种地图渲染方法和装置 |
WO2015144921A1 (en) * | 2014-03-27 | 2015-10-01 | Tomtom International B.V. | Method and apparatus for generating a map of the terrain in a geographic area |
US20170365093A1 (en) * | 2015-12-16 | 2017-12-21 | Google Inc. | Split tile map rendering |
US20210201569A1 (en) * | 2019-12-31 | 2021-07-01 | Lyft, Inc. | Map Feature Extraction Using Overhead View Images |
CN113409461A (zh) * | 2021-06-22 | 2021-09-17 | 北京百度网讯科技有限公司 | 构建地貌地图的方法、装置、电子设备和可读存储介质 |
US20210333120A1 (en) * | 2018-09-25 | 2021-10-28 | Google Llc | Dynamic restyling of digital maps |
US20230048643A1 (en) * | 2022-03-24 | 2023-02-16 | Beijing Baidu Netcom Science Technology Co., Ltd. | High-Precision Map Construction Method, Apparatus and Electronic Device |
CN116051758A (zh) * | 2022-11-21 | 2023-05-02 | 杭州电子科技大学 | 一种用于室外机器人的含有高度信息的地貌地图构建方法 |
-
2024
- 2024-02-27 CN CN202410212357.XA patent/CN117788679B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010005810A1 (en) * | 1999-12-09 | 2001-06-28 | Keiichi Senda | Map displaying system and map displaying method |
AU2003259605A1 (en) * | 2002-10-31 | 2004-05-20 | Adrian Nicolau | Variable scale map |
WO2015144921A1 (en) * | 2014-03-27 | 2015-10-01 | Tomtom International B.V. | Method and apparatus for generating a map of the terrain in a geographic area |
CN104252713A (zh) * | 2014-09-04 | 2014-12-31 | 百度在线网络技术(北京)有限公司 | 一种地图渲染方法和装置 |
US20170365093A1 (en) * | 2015-12-16 | 2017-12-21 | Google Inc. | Split tile map rendering |
US20210333120A1 (en) * | 2018-09-25 | 2021-10-28 | Google Llc | Dynamic restyling of digital maps |
US20210201569A1 (en) * | 2019-12-31 | 2021-07-01 | Lyft, Inc. | Map Feature Extraction Using Overhead View Images |
CN113409461A (zh) * | 2021-06-22 | 2021-09-17 | 北京百度网讯科技有限公司 | 构建地貌地图的方法、装置、电子设备和可读存储介质 |
US20230048643A1 (en) * | 2022-03-24 | 2023-02-16 | Beijing Baidu Netcom Science Technology Co., Ltd. | High-Precision Map Construction Method, Apparatus and Electronic Device |
CN116051758A (zh) * | 2022-11-21 | 2023-05-02 | 杭州电子科技大学 | 一种用于室外机器人的含有高度信息的地貌地图构建方法 |
Non-Patent Citations (2)
Title |
---|
ZHIBIN BAO ET AL.: "A review of high-definition map creation methods for autonomous driving", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》, 15 June 2023 (2023-06-15), pages 1 - 5 * |
赵明姝: "车载导航到自动驾驶电子地图发展综述", 《测绘通报》, 15 June 2023 (2023-06-15), pages 6 - 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN117788679B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070056B (zh) | 图像处理方法、装置、存储介质及设备 | |
CN111444826B (zh) | 视频检测方法、装置、存储介质及计算机设备 | |
CN111932463B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN109671055B (zh) | 肺结节检测方法及装置 | |
CN114066718A (zh) | 一种图像风格迁移方法、装置、存储介质及终端 | |
CN115019050A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112037142A (zh) | 一种图像去噪方法、装置、计算机及可读存储介质 | |
CN113205515A (zh) | 目标检测方法、装置、及计算机存储介质 | |
CN112717414A (zh) | 游戏场景编辑方法、装置、电子设备以及存储介质 | |
CN116958584A (zh) | 关键点检测方法、回归模型的训练方法、装置及电子设备 | |
CN112668675B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN114385662A (zh) | 路网更新方法、装置、存储介质及电子设备 | |
CN113052923A (zh) | 色调映射方法、装置、电子设备和存储介质 | |
CN112037305B (zh) | 对图像中的树状组织进行重建的方法、设备及存储介质 | |
CN105989571A (zh) | 基于使用结构相似性的图像匹配对计算机视觉预处理进行的控制 | |
CN117788679B (zh) | 地图数据生成方法、装置、电子设备及存储介质 | |
CN116704029A (zh) | 稠密物体语义地图构建方法、装置、存储介质及电子设备 | |
CN113379705B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN113569822B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN115731370A (zh) | 一种大场景元宇宙空间叠加方法和装置 | |
CN116109531A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN110741410A (zh) | 用于确定图像中的反光区的系统和方法 | |
CN112115900B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110958449B (zh) | 三维视频主观感知质量预测方法 | |
CN116630139A (zh) | 数据生成的方法、装置、设备和存储介质 |
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 |