CN118135140A - 一种数字孪生模型优化方法及装置 - Google Patents

Abstract

本公开涉及一种数字孪生模型优化方法及装置。本公开通过对目标场景的地形图像进行图像分析，得到目标场景中各个建筑物的轮廓信息、高度信息，基于该轮廓信息和高度信息对目标场景的数字孪生模型进行检测、优化，发现数字孪生模型中的问题并进行处理，从而可以得到更高质量的数字孪生模型；此优化过程可以基于软硬件设备自动执行，不需要人工干预，可以提高模型优化效率，降低人工成本。另外，本公开还通过伽马矫正、上采样等技术对地形图像进行预处理，提高图像质量；还结合对轮廓信息的融合、简化处理；基于轮廓信息和地形图像确定各个建筑物的顶面颜色信息并用于优化过程；这些处理操作都可以提升优化效果。

Description

一种数字孪生模型优化方法及装置

本申请要求于2023年12月26日提交中国国家知识产权局，申请号为202311810699.3，发明名称为“一种数字孪生模型优化方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本公开涉及数字孪生技术领域，具体涉及一种数字孪生模型优化方法及装置。

背景技术

数字孪生技术，将现实世界数字化，构建与现实世界对应的数字副本，其可以包括现实世界中的物理设备、建筑物、城市甚至整个生态系统等。通过构建现实场景对应的数字孪生模型，我们可以随时监测、分析现实世界中的各类信息，从而做出更准确、更有利于生产或生活的预测和决策。

相关技术中，利用激光雷达、航空摄影、卫星遥感等技术探测到的源数据，通过相关数据处理过程生成与真实地理场景对应的数字孪生模型。但由于原始数据采集、数据处理、模型生成等过程中的数据精度、准确度不足等因素影响，可能导致生成的数字孪生模型存在数据缺失或数据错误等问题，例如某建筑物缺失、高度数据错误。此时，通常需要相关技术人员手动完善模型，标出缺失的建筑、修正错误数据等，耗费大量人工、效率低下。

发明内容

本公开实施例的目的是提供一种数字孪生模型优化方法及装置，以提高数字孪生模型的质量，提高模型优化效率，降低模型优化成本。

第一方面，本公开实施例提供了一种数字孪生模型优化方法，包括：

获取目标场景的地形图像；

根据地形图像获取目标场景中各个建筑物对应的轮廓信息和/或高度信息；

根据轮廓信息和高度信息对目标场景的数字孪生模型进行优化；

其中，根据地形图像获取目标场景中各个建筑物对应的轮廓信息，包括：将地形图像输入预设轮廓识别模型，并通过预设轮廓识别模型进行轮廓识别，得到上述轮廓信息；

根据地形图像获取所述目标场景中各个建筑物对应的高度信息，包括：将地形图像输入预设高度预测模型，并通过预设高度预测模型进行高度识别，得到上述高度信息。

一个可选的实施方式中，上述数字孪生模型优化方法，还包括：

通过伽马矫正方法对地形图像的颜色进行矫正。

一个可选的实施方式中，上述数字孪生模型优化方法，还包括：

将地形图像分割为第一预设分辨率的多个子图像，并通过上采样算法对子图像进行处理，将其尺寸调整为第二预设分辨率，并将该第二预设分辨率的子图像输入预设轮廓识别模型和/或预设高度预测模型。

一个可选的实施方式中，上述数字孪生模型优化方法，还包括以下至少一项：

对轮廓信息进行融合处理，以去除重叠部分；

基于拉默-道格拉斯-普克算法对轮廓信息进行简化处理。

一个可选的实施方式中，上述数字孪生模型优化方法，还包括：

根据轮廓信息，从地形图像中提取各个建筑物对应的图像块；

根据均值偏移算法对图像块进行处理，确定目标场景中各个建筑物对应的顶面颜色信息。

一个可选的实施方式中，上述根据轮廓信息和/或高度信息对目标场景的数字孪生模型进行优化，具体可以包括：

根据轮廓信息、高度信息和顶面颜色信息对目标场景的数字孪生模型进行优化。

一个可选的实施方式中，预设轮廓识别模型和/或所述预设高度预测模型包括：根据样本数据集对预训练模型进行训练得到的深度神经网络模型；

上述样本数据集包括多个图像轮廓对；每个图像轮廓对包括样本地形图像，及所述样本地形图像对应的样本轮廓信息和/或样本高度信息。

第二方面，本公开实施例提供了一种数字孪生模型优化装置，包括：

轮廓识别单元和/或高度预测单元，以及图像获取单元、模型优化单元；

图像获取单元，用于获取目标场景的地形图像；

轮廓识别单元，用于将地形图像输入预设轮廓识别模型，并通过预设轮廓识别模型进行轮廓识别，得到目标场景中各个建筑物对应的轮廓信息；

高度预测单元，用于将地形图像输入预设高度预测模型，并通过预设高度预测模型进行高度识别，得到目标场景中各个建筑物对应的高度信息；

模型优化单元，用于根据轮廓信息和/或高度信息对目标场景的数字孪生模型进行优化。

一个可选的实施方式中，上述装置还包括：

第一图像处理单元，用于通过伽马矫正方法对地形图像的颜色进行矫正。

一个可选的实施方式中，上述装置还包括：

第二图像处理单元，将地形图像分割为第一预设分辨率的多个子图像，并通过上采样算法对子图像进行处理，将其尺寸调整为第二预设分辨率，并将该第二预设分辨率的子图像输入预设轮廓识别模型和/或预设高度预测模型。

一个可选的实施方式中，上述装置还包括：轮廓处理单元；

轮廓处理单元用于执行以下至少一项操作：

对轮廓信息进行融合处理，以去除重叠部分；

基于拉默-道格拉斯-普克算法对轮廓信息进行简化处理。

一个可选的实施方式中，上述装置还包括：

颜色获取单元，用于根据轮廓信息，从地形图像中提取各个建筑物对应的图像块；并根据均值偏移算法对图像块进行处理，确定目标场景中各个建筑物对应的顶面颜色信息。

一个可选的实施方式中，基于上述颜色获取单元，上述模型优化单元具体用于，根据轮廓信息、高度信息和顶面颜色信息对目标场景的数字孪生模型进行优化。

一个可选的实施方式中，预设轮廓识别模型和/或所述预设高度预测模型包括：根据样本数据集对预训练模型进行训练得到的深度神经网络模型；

上述样本数据集包括多个图像轮廓对；每个图像轮廓对包括样本地形图像和对应的样本轮廓信息。

第三方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述第一方面中的步骤。

第四方面，本公开实施例提供了一种计算设备，包括：

存储器，用于存储计算机程序产品；

处理器，用于执行所述存储器中存储的计算机程序产品，且所述计算机程序产品被执行时，实现如上述第一方面中的步骤。

在本公开实施例中，对待优化的数字孪生模型，通过对其对应的目标场景的地形图像进行图像分析，得到目标场景中各个建筑物的轮廓信息、高度信息等，然后基于该轮廓信息和高度信息对数字孪生模型进行检测、优化，发现数字孪生模型中的数据缺失、数据错误等问题并进行处理，添加缺失的数据、修正错误的数据，从而可以得到更高质量的数字孪生模型。本实施例对数字孪生模型的优化过程可以基于软件程序或硬件设备自动执行，不需要人工干预，不仅可以达到提高数字孪生模型质量的目的，还可以提高模型优化效率，降低人工成本，降低对专业的技术人员的技术依赖。

本公开实施例还通过伽马矫正、上采样等技术，对原始的地形图像进行预处理，以提高图像质量，从而提高对数字孪生模型的优化效果。

本公开实施例还通过对上述轮廓信息进行融合处理、简化处理等，去除轮廓信息中的冗余数据，在满足优化效果的前提下，不仅可以减小轮廓信息占用的系统资源，还可以减少优化过程中数据对比等处理过程的工作量，提高优化效率。

另外，本公开实施例还基于上述轮廓信息从地形图像中提取各个建筑物对应的图像块，并通过对各个图像块进行颜色分析，确定各个建筑物对应的顶面颜色信息；再将该顶面颜色信息应用于对数字孪生模型的优化过程，一方面可以对数字孪生模型中各个单体建筑物进行分辨验证，另一方面还可以直接将该顶面颜色信息添加到数字孪生模型中相应建筑物的属性信息中，丰富数字孪生模型，提高仿真效果。

附图说明

图1示出了本公开的实施例提供的一种数字孪生模型优化方法的流程图；

图2示出了本公开的实施例提供的数字孪生模型优化方法的效果示意图；

图3示出了本公开的实施例提供的数字孪生模型优化方法的效果示意图；

图4示出了本公开的实施例提供的一种数字孪生模型优化装置的结构示意图；

图5示出了本公开的实施例提供的一种计算设备的结构示意图。

具体实施方式

下面通过附图和实施例对本申请进一步详细说明。通过这些说明，本申请的特点和优点将变得更为清楚明确。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

此外，下面所描述的本申请不同实施方式中涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

下面结合附图，通过具体的实施例及其应用场景对本公开实施例提供的数字孪生模型优化方法及装置进行详细说明。

图1是本公开实施例提供的数字孪生模型优化方法的流程图，参见图1，该方法可以包括以下步骤：

步骤101，获取目标场景的地形图像；

上述目标场景指创建数字孪生模型的场景，可以是任意真实地理场景，如某个城市、某个地块等；本实施例旨在对该目标场景的数字孪生模型进行优化。上述地形图像，可以包括利用遥感技术，通过卫星、飞机、无人机等方式采集到的目标场景的全局图像或区域图像。

可选的，本实施例中，对应任一目标场景，可以获取多个不同来源、不同视角的地形图像，将多个地形图像均用于执行后续步骤，以提高模型优化效果。

步骤102，将地形图像输入预设轮廓识别模型，并通过预设轮廓识别模型进行轮廓识别，得到目标场景中各个建筑物对应的轮廓信息；

步骤103，将地形图像输入预设高度预测模型，并通过预设高度预测模型进行高度识别，得到目标场景中各个建筑物对应的高度信息；

步骤104，根据轮廓信息和高度信息对目标场景的数字孪生模型进行优化。

上述预设轮廓识别模型、预设高度预测模型均为深度神经网络模型；本实施例通过这两个模型对目标场景的地形图像进行轮廓识别和高度预测，得到目标场景中各个建筑物的轮廓信息和高度信息。本实施例中对目标场景的数字孪生模型进行优化，具体可以包括，将上述轮廓信息和高度信息，分别与数字孪生模型中的各个建筑物模型的相关数据进行对比，检测数字孪生模型中的数据缺失、数据错误等问题，并基于上述轮廓信息和高度信息对检测到的模型问题进行处理，添加缺失的数据、修正错误的数据，从而可以得到更高质量的数字孪生模型。

由以上阐述可知，本公开实施例基于深度神经网络模型及相关数据处理技术，实现对数字孪生模型的自动优化过程，不需要人工干预，不仅可以达到提高数字孪生模型质量的目的，还可以提高模型优化效率，降低人工成本，不需要专业的技术人员即可实现数字孪生模型的优化。

上述步骤102和步骤103都是根据地形图像获取模型优化所需的目标场景中各个建筑物的真实数据，步骤102中获取建筑物的轮廓信息，步骤103中获取建筑物的高度信息，如图1所示，两个步骤可以并行执行，互不影响；在对数字孪生模型进行优化时，也是将获取到的轮廓信息和高度信息分别与各自相关的数据进行对比(即将获取到的轮廓信息与数字孪生模型中相应建筑物的轮廓数据进行对比、将获取到的高度信息与数字孪生模型中相应建筑物的高度数据进行对比)，也互不影响，这样才能发现数字孪生模型中存在的问题，不会存在将轮廓信息与数字孪生模型中建筑物的高度数据进行对比这样无意义的情况。

有鉴于此，在本公开其他实施例中，也可以结合实际应用需求(例如仅需对数字孪生模型中的部分数据进行优化)，选择仅执行步骤102和步骤103中的一项，即根据地形图像仅获取目标场景中建筑物的轮廓信息，或仅获取高度信息；相应的，步骤104中可以只根据上述轮廓信息对数字孪生模型进行优化，或者只根据上述高度信息对数字孪生模型进行优化，以提高模型优化速度。

本公开一个可选的实施例中，上述数字孪生模型优化方法，还可包括如下步骤：

步骤105，通过伽马矫正方法对地形图像的颜色进行矫正。

伽马矫正，即Gamma correction，也可称为伽马非线性化或伽马编码，用于对图像的伽马曲线进行非线性色调编辑，这个过程将降低地形图像中不利于视觉感知的数据，增加利于视觉感觉的数据，从而增强图像的对比度，提高图像质量。

本实施例依据地形图像对数字孪生模型进行优化，实际是基于视觉感知的数据处理过程，故地形图像的质量将直接影响优化效果。有鉴于此，本实施例先对获取到的地形图像进行伽马矫正，提高地形图像的质量，如图2所示的经过伽马矫正前后的地形图像的对比示意图。在此基础上，将矫正后的高质量地形图像分别输入上述预设轮廓识别模型、预设高度预测模型，可以提高这两个模型输出的轮廓信息及高度信息的精度、准确度，最终提高对数字孪生模型的优化效果。

本公开一个可选的实施例中，为提高地形图像的质量，上述数字孪生模型优化方法，还可包括如下步骤：

步骤106，将地形图像分割为第一预设分辨率的多个子图像，并通过上采样算法对子图像进行处理，将其尺寸调整为第二预设分辨率，并根据该第二预设分辨率的子图像输入预设轮廓识别模型和/或预设高度预测模型。

实际应用中，地形图像的分辨率可能较低，影响最终的优化效果；有鉴于此，本实施例先将其分割为多个较小的子图像，再通过上采样算法提升各个子图像的分辨率。例如，上述第一预设分辨率可以为512*512像素，第二预设分辨率可以为1024*1024像素；在获取到原始的地形图像后，可以结合上述伽马矫正方法先对其进行颜色校正，将矫正后的地形图像分割为分辨率为512*512像素的N个子图像；然后，分别对N个子图像进行上采样，最终得到N个分辨率为1024*1024像素的子图像；再将每个分辨率为1024*1024像素的子图像分别输入上述预设轮廓识别模型、预设高度预测模型。

由以上阐述可知，由于相对于原始的地形图像，经过上采样后的子图像分辨率得到提高，将其输入上述预设轮廓识别模型、预设高度预测模型，可以在一定程度上提高输出的轮廓信息和高度信息的精度及准确度，最终提高对数字孪生模型的优化效果。

本公开一个可选的实施例中，上述数字孪生模型优化方法，还可包括如下至少一个步骤：

步骤107，对轮廓信息进行融合处理，以去除重叠部分；

若基于多个不同来源、不同视角的地形图像执行本实施例，则得到的轮廓信息中可能存在重复数据，即部分轮廓线重叠，如分别基于两个地形图像获取到某一建筑物的轮廓信息，这两个轮廓信息可能均不完整，通过融合处理，一方面可以补足彼此的缺失部分，另一方面可以去除重叠的轮廓线，消除冗余数据，精简轮廓信息。

步骤108，基于拉默-道格拉斯-普克算法对轮廓信息进行简化处理。

在实际应用时，上述预设轮廓识别模型输出的轮廓信息中，表示建筑物轮廓线的各个数据点可能很密集，而在与数字孪生模型的相关数据进行对比时，并不需要高密度的轮廓线数据。有鉴于此，本实施例基于拉默-道格拉斯-普克(ramer-douglas-peucker，RDP)算法对轮廓信息进行简化，去除其中对轮廓形状无影响或影响较小的数据点；例如，建筑轮廓中某一直线部分存在10个数据点，将其简化为3个数据点，该直线轮廓也不会被改变。

本实施例对轮廓信息的简化程度，可以参照实际应用场景所要求的对数字孪生模型的优化效果进行设定，从而在满足优化效果的前提下，不仅可以减小轮廓信息占用的系统资源，还可以减少优化过程中数据对比等处理过程的工作量，提高优化效率。

可选的，本实施例中，可以通过SHP格式的文件记录上述轮廓信息。

本公开一个可选的实施例中，还可以对上述轮廓信息进行坐标转换，将其中的坐标数据，由地形图像自身的图像坐标系转换至地理信息坐标系，以便在后续步骤104中基于地理信息坐标将轮廓信息与数字孪生模型中的各个建筑物模型进行对应。

本公开一个可选的实施例中，上述数字孪生模型优化方法，还可包括如下步骤：

步骤109，根据轮廓信息，从地形图像中提取各个建筑物对应的图像块；

步骤110，根据均值偏移算法对图像块进行处理，确定目标场景中各个建筑物对应的顶面颜色信息。

本实施例，在得到各个建筑物对应的轮廓信息后，根据该轮廓信息从地形图像中提取各个建筑物对应的图像块；如图3所示的效果示意图，提取后，仅保留各个建筑物对应的图像块，而建筑物之间的植被、道路、河流等干扰信息被去除。然后，通过对图像块的颜色进行分析，即可得到各个建筑物的顶面颜色信息，即Roof Color，也可称为各个建筑物的屋顶颜色。

上述均值偏移算法，即Mean Shift算法，是一种聚类算法，可以用于目标追踪、数据平滑等场景。本实施例中通过该算法计算各个图像块中的颜色占比，从而确定各个图像块的主颜色，将其作为该图像块对应的建筑物的屋顶颜色。

基于上述步骤获取到的顶面颜色信息，前述步骤104中根据轮廓信息和高度信息对目标场景的数字孪生模型进行优化，具体可以包括：

根据轮廓信息、高度信息和顶面颜色信息对目标场景的数字孪生模型进行优化。

本实施例不仅根据轮廓信息和高度信息对数字孪生模型进行优化，还结合目标场景中各个建筑物的顶面颜色信息进行优化，一方面可以基于顶面颜色信息对数字孪生模型中各个单体建筑物进行分辨验证，以检测数字孪生模型中是否存在将实际的一个建筑物分离表示为两个单体建筑物、或将实际的两个建筑物融合表示为一个单体建筑物等错误情况，另一方面还可以直接将该顶面颜色信息添加到数字孪生模型中相应建筑物的属性信息中，丰富数字孪生模型，提高仿真效果。

本公开一个可选的实施例中，上述数字孪生模型优化方法中所采用的预设轮廓识别模型、预设高度预测模型，可以包括：根据样本数据集对预训练模型进行训练得到的深度神经网络模型；

上述样本数据集包括多个图像轮廓对；每个图像轮廓对包括样本地形图像，及该样本地形图像对应的样本轮廓信息、样本高度信息等。

本实施例中，可以基于公开的数据集，如领域自适应地表覆盖数据集(Land-coverdataset for Domain Adaptation，LoveDA)等，获取样本数据集。具体的，从公开的数据集中，可以获取不同城市、地区的卫星图像和对应的地理信息数据(如SHP文件)；其中，可以将卫星图像统一处理为分辨率为1024*1024的图像，作为样本地形图像；地理信息数据中可以提取出与卫星图像对应的建筑物的轮廓、高度等数据，可以作为样本轮廓信息、样本高度信息。多个样本地形图像和多个样本轮廓信息、样本高度信息一一对应，形成多个图像轮廓对，组成样本数据集。例如，可以获取10万个图像轮廓对组成样本数据集。

可以理解的是，根据上述公开的数据集的数据完整度，对于某个样本地形图像，对应的地理信息数据中可能只存在京珠无的轮廓数据，或者只存在建筑物的高度数据等，从而形成的图像轮廓对中与样本地形图像对应的数据，可能有样本轮廓信息和样本高度信息两种，也可能只有样本轮廓信息，或者只有样本高度信息；若图像轮廓对中同时包含上述样本轮廓信息和样本高度信息，则该图像轮廓对既可以用于预设轮廓识别模型的训练，也可以用于预设高度预测模型的训练；若图像轮廓对中只包含样本轮廓信息，则可以只将其用于预设轮廓识别模型的训练；同理，若图像轮廓对中只包含样本高度信息则可以只将其用于预设高度预测模型的训练。

需要说明的是，样本数据集中图像轮廓对的数量可以根据实际应用需求或训练效果等参考因素进行设定，本实施例对此不作限定。

本实施例中，通过上述样本数据集对预训练模型进行轮廓识别、高度预测这一专项任务的训练，可以使得训练得到的预设轮廓识别模型、预设高度预测模型，在轮廓识别、高度预测任务上具有较高的精度及准确度。

本实施例中，可以将PointRend和Semantic FPN两种网络模型作为预训练模型，通过上述样本数据集训练得到上述预设轮廓识别模型；另外，可以将UnetVFLOW模型作为预训练模型，训练得到上述预设高度预测模型。

其中，上述PointRend模型是一种基于渲染原理的图像分割模型，通过上采样算法对物体边缘的图像分割进行优化，在难以分割的物体边缘部分有更好的表现。SemanticFPN，即语义特征金字塔网络(Semantic feature pyramid networks，Semantic FPN)，也可称为语义目标检测网络，可以对图像进行语义分割，从而识别出图像中包含的不同对象。上述UnetVFLOW模型是一种基于U型网络(Unet)的流(Flow)模型。可以理解的是，在其他实施例中，也可以采样其他预训练模型训练得到上述预设轮廓识别模型、预设高度预测模型。

在模型训练过程中，学习率(learning rate，lr)可以设置为lr＝0.00001，迭代次数可以设置为500等。可以理解的是，模型训练过程中的学习率和迭代次数也可以采用为其他数据，具体可以根据实际应用需求设定。

另外，在模型训练过程中，目标函数除包含损失函数外，还可以加入正则化项(Regularization)，以减少过拟合，提高最终训练得到的预设轮廓识别模型、预设高度预测模型输出信息的准确度。

上述所有可选技术方案，可以任意结合，形成本公开的可选实施例，在此不再一一赘述。

基于同一构思，本发明实施例还提供一种数字孪生模型优化装置。由于该装置所解决问题的原理与前述数字孪生模型优化方法相似，因此该装置的实施可以参见前述数字孪生模型优化方法的实施，重复之处不再赘述。

图4是该数字孪生模型优化装置的结构示意图，参见图4，该数字孪生模型优化装置300包括：

图像获取单元301，用于获取目标场景的地形图像；

轮廓识别单元302，用于将地形图像输入预设轮廓识别模型，并通过预设轮廓识别模型进行轮廓识别，得到目标场景中各个建筑物对应的轮廓信息；

高度预测单元303，用于将地形图像输入预设高度预测模型，并通过预设高度预测模型进行高度识别，得到目标场景中各个建筑物对应的高度信息；

模型优化单元304，用于根据轮廓信息和高度信息对目标场景的数字孪生模型进行优化。

在本公开其他实施例中，根据实际应用需求，除图像获取单元301和模型优化单元304外，数字孪生模型优化装置300中可以只设置轮廓识别单元302和高度预测单元303中的一项；相应的，模型优化单元304可以只根据轮廓识别单元302输出的轮廓信息对数字孪生模型进行优化，或者只根据高度预测单元303输出的高的信息对数字孪生模型进行优化。

在本公开一个可选的实施方式中，上述装置还包括：

第一图像处理单元，用于通过伽马矫正方法对地形图像的颜色进行矫正。

在本公开一个可选的实施方式中，上述装置还包括：

第二图像处理单元，将地形图像分割为第一预设分辨率的多个子图像，并通过上采样算法对子图像进行处理，将其尺寸调整为第二预设分辨率，并将该第二预设分辨率的子图像输入预设轮廓识别模型和/或预设高度预测模型。

在本公开一个可选的实施方式中，上述装置还包括：轮廓处理单元；

轮廓处理单元用于执行以下至少一项操作：

对轮廓信息进行融合处理，以去除重叠部分；

基于拉默-道格拉斯-普克算法对轮廓信息进行简化处理。

在本公开一个可选的实施方式中，上述装置还包括：

颜色获取单元，用于根据轮廓信息，从地形图像中提取各个建筑物对应的图像块；并根据均值偏移算法对图像块进行处理，确定目标场景中各个建筑物对应的顶面颜色信息。

在本公开一个可选的实施方式中，基于上述颜色获取单元，上述模型优化单元304具体用于，根据轮廓信息、高度信息和顶面颜色信息对目标场景的数字孪生模型进行优化。

在本公开一个可选的实施方式中，预设轮廓识别模型和/或所述预设高度预测模型包括：根据样本数据集对预训练模型进行训练得到的深度神经网络模型；

上述样本数据集包括多个图像轮廓对；每个图像轮廓对包括样本地形图像和对应的样本轮廓信息。

需要说明的是，上述数字孪生模型优化装置300中各单元对数据的具体处理方式可以参照前文方法实施例所述，此处不再赘述。

本公开实施例还提供一种计算设备。图5为本公开实施例提供的一种计算设备的结构框图。如图5所示，该计算设备400可以包括处理器401和存储器402；存储器402可以耦合到处理器401中。值得注意的是，该图5是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。可选的，该计算设备400可以是服务器或本地计算设备，从而可以实现在云端或本地进行数字孪生模型优化。

一种可能的实现方式中，数字孪生模型优化装置300的功能可以被集成到处理器401中。其中，处理器401可以被配置为执行如下操作：

获取目标场景的地形图像；

将地形图像输入预设轮廓识别模型，并通过预设轮廓识别模型进行轮廓识别，得到目标场景中各个建筑物对应的轮廓信息；

将地形图像输入预设高度预测模型，并通过预设高度预测模型进行高度识别，得到目标场景中各个建筑物对应的高度信息；

根据轮廓信息和高度信息对目标场景的数字孪生模型进行优化。

在另一种可能的实现方式中，数字孪生模型优化装置300可以与处理器401分开配置，例如可以将数字孪生模型优化装置300配置为与处理器401连接的芯片，通过处理器401的控制来实现前文实施例所述的数字孪生模型优化方法。

此外，在一些可选的实现方式中，该计算设备400还可以包括：通信模块、输入单元、音频处理器、显示器、电源等。值得注意的是，计算设备400也并不是必须要包括图5中所示的所有部件；此外，计算设备400还可以包括图5中没有示出的部件，可以参考现有技术。

在一些可选的实现方式中，处理器401有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器401接收输入并控制计算设备400的各个部件的操作。

其中，存储器402，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与数字孪生模型优化装置300有关的信息，此外还可存储执行有关信息的程序。并且处理器401可执行该存储器402存储的该程序，以实现信息存储或处理等。

输入单元可以向处理器401提供输入。该输入单元例如为按键或触摸输入装置。电源可以用于向计算设备400提供电力。显示器可以用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

存储器402可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器402还可以是某种其它类型的装置。存储器402包括缓冲存储器(有时被称为缓冲器)。存储器402可以包括应用/功能存储部，该应用/功能存储部用于存储应用程序和功能程序或用于通过处理器401执行计算设备400的操作的流程。

存储器402还可以包括数据存储部，该数据存储部用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由计算设备使用的数据。存储器402的驱动程序存储部可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块即为经由天线发送和接收信号的发送机/接收机。通信模块(发送机/接收机)耦合到处理器401，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，在该程序被处理器执行时实现上述数字孪生模型优化方法实施例的各个过程，且能达到相同的技术效果，为避免重复，此处不再赘述。

其中，上述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于本申请工作状态下的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”应作广义理解。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

以上结合了优选的实施方式对本申请进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本申请进行多种替换和改进，这些均落入本申请的保护范围内。

Claims (10)

1.一种数字孪生模型优化方法，其特征在于，包括：

获取目标场景的地形图像；

根据所述地形图像获取所述目标场景中各个建筑物对应的轮廓信息和/或高度信息；

根据所述轮廓信息和/或高度信息对所述目标场景的数字孪生模型进行优化；

其中，根据所述地形图像获取所述目标场景中各个建筑物对应的轮廓信息，包括：将所述地形图像输入预设轮廓识别模型，并通过所述预设轮廓识别模型进行轮廓识别，得到所述轮廓信息；

根据所述地形图像获取所述目标场景中各个建筑物对应的高度信息，包括：将所述地形图像输入预设高度预测模型，并通过所述预设高度预测模型进行高度识别，得到所述高度信息。

2.根据权利要求1所述的方法，其特征在于，还包括：

通过伽马矫正方法对所述地形图像的颜色进行矫正。

3.根据权利要求1所述的方法，其特征在于，还包括：

将所述地形图像分割为第一预设分辨率的多个子图像，并通过上采样算法对所述子图像进行处理，将其尺寸调整为第二预设分辨率，并将所述第二预设分辨率的所述子图像输入所述预设轮廓识别模型和/或预设高度预测模型。

4.根据权利要求1所述的方法，其特征在于，还包括以下至少一项：

对所述轮廓信息进行融合处理，以去除重叠部分；

基于拉默-道格拉斯-普克算法对所述轮廓信息进行简化处理。

5.根据权利要求1所述的方法，其特征在于，还包括：

根据所述轮廓信息，从所述地形图像中提取各个建筑物对应的图像块；

根据均值偏移算法对所述图像块进行处理，确定所述目标场景中各个建筑物对应的顶面颜色信息。

6.根据权利要求5所述的方法，其特征在于，所述根据所述轮廓信息和/或高度信息对所述目标场景的数字孪生模型进行优化，包括：

根据所述轮廓信息、高度信息和顶面颜色信息对所述目标场景的数字孪生模型进行优化。

7.根据权利要求1所述的方法，其特征在于，所述预设轮廓识别模型和/或所述预设高度预测模型包括：根据样本数据集对预训练模型进行训练得到的深度神经网络模型；

所述样本数据集包括多个图像轮廓对；每个所述图像轮廓对包括样本地形图像，及所述样本地形图像对应的样本轮廓信息和/或样本高度信息。

8.一种数字孪生模型优化装置，其特征在于，包括：

轮廓识别单元和/或高度预测单元，以及图像获取单元、模型优化单元；

所述图像获取单元，用于获取目标场景的地形图像；

所述轮廓识别单元，用于将所述地形图像输入预设轮廓识别模型，并通过所述预设轮廓识别模型进行轮廓识别，得到所述目标场景中各个建筑物对应的轮廓信息；

所述高度预测单元，用于将所述地形图像输入预设高度预测模型，并通过所述预设高度预测模型进行高度识别，得到所述目标场景中各个建筑物对应的高度信息；

所述模型优化单元，用于根据所述轮廓信息和/或高度信息对所述目标场景的数字孪生模型进行优化。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7中任一项所述的方法。

10.一种计算设备，其特征在于，包括：

存储器，用于存储计算机程序产品；

处理器，用于执行所述存储器中存储的计算机程序产品，且所述计算机程序产品被执行时，实现上述权利要求1～7中任意一项所述的方法。