基于深度学习的地貌晕渲图生成方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115861552A(43)申请公布日2023.03.28(21)申请号202211292801.0G06N3/08(2023.01)(22)申请日2022.10.21(71)申请人中国人民解放军战略支援部队信息工程大学地址450000河南省郑州市高新区科学大道62号(72)发明人尹广志李少梅马京振温伯威周炤季晓林吕东许卞成琳(74)专利代理机构郑州大通专利商标代理有限公司41111专利代理师周艳巧(51)Int.Cl.G06T17/05(2011.01)G06N3/0464(2023.01)G06N3/048(2023.01)权利要求书2页说明书7页附图2页(54)发明名称基于深度学习的地貌晕渲图生成方法及系统(57)摘要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。CN115861552ACN115861552A权利要求书1/2页1.一种基于深度学习的地貌晕渲图生成方法，其特征在于，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。2.根据权利要求1所述的基于深度学习的地貌晕渲图生成方法，其特征在于，样本数据中的现有晕渲图通过收集手工晕渲作品来获取。3.根据权利要求1或2所述的基于深度学习的地貌晕渲图生成方法，其特征在于，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。4.根据权利要求1所述的基于深度学习的地貌晕渲图生成方法，其特征在于，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；特征融合子网络使用跳跃连接对特征提取子网络中倒数第Q层输出的特征进行复制，并将其与经过反卷积层反卷积处理的输入数据进行连接操作，将连接操作得到的数据作为残差块输入，并将残差块输出作为新的输入数据，传输至反卷积层进行反卷积操作，以通过特征融合子网络反卷积层及残差块的处理来获取最终输出。5.根据权利要求1所述的基于深度学习的地貌晕渲图生成方法，其特征在于，用训练后的深度学习网络生成地貌晕渲图时，首先对目标区域DEM数据进行投影、归一化处理；然后根据计算机硬件来裁剪DEM数据，将DEM数据裁剪为N*N像素尺寸的图像块，图像块之间有一定的有重叠区域，其中，N为2的整数次方；接着以图像块为单位输入至训练后的深度学习网络来获取生成的地貌晕渲图块，并通过对地貌晕渲图块进行拼接处理来获取最终生成的地貌晕渲图。6.根据权利要求5所述的基于深度学习的地貌晕渲图生成方法，其特征在于，采用alpha混合对地貌晕渲图块重叠区域像素值进行调整，像素值调整公式为其中，A、B为相邻的晕渲块，Vi(A)、Vi(B)分别为晕渲块A、B重叠区域中从左向右或从上向下的第i个像素值；Vi(O)为调整后的像素值；n为重叠区域每一行或每一列的像素总数。7.一种基于深度学习的地貌晕渲图生成系统，其特征在于，包含：样本收集模块、模型构建模块和图像生成模块，其中，样本收集模块，用于收集样本数据，该样本数据包含：现有晕渲图及晕渲图对应区域的DEM数据；2CN1158615