基于生成式对抗网络的多尺度地图生成方法、系统、终端

摘要

本发明属于地图绘制技术领域，公开了一种基于生成式对抗网络的多尺度地图生成方法、系统、终端，采集包含关于特定区域的比例尺连续的各层级地图瓦片以及最高层级的遥感影像瓦片数据，并构建训练集；构建地图生成模型，利用构建的训练集对地图生成模型进行训练，并将目标区域的高层级遥感影像输入训练好的地图生成模型中，得到比例尺连续的多尺度地图。本发明采用GAN进行制图综合，提高了地图生成的质量，得到覆盖一定比例尺区间的多尺度在线地图。通过实验验证了本发明所提方法生成的多尺度地图要优于直接、简单套用GAN做各层级地图生成的结果。

权利要求

1.一种基于生成式对抗网络的多尺度地图生成方法，其特征在于，所述基于生成式对抗网络的多尺度地图生成方法包括：采集包含关于特定区域的比例尺连续的各层级地图瓦片以及最高层级的遥感影像瓦片数据，并构建训练集；

构建地图生成模型，利用构建的训练集对地图生成模型进行训练，并将目标区域的高层级遥感影像输入训练好的地图生成模型中，得到比例尺连续的多尺度地图；

所述构建地图生成模型，利用构建的训练集对地图生成模型进行训练包括：（1）将训练集中高层级影像样本作为实际输入并将相同层级的地图样本作为目标输出，训练一个Pix2PixHD，得到用于将遥感影像样本转换为地图样本的模型；

（2）利用当前级联网络结构的最后一个单元模型及训练所述模型的样本组的实际输入进行模型预测，得到对应的实际输出；将得到的实际输出与次低层级的真实地图瓦片构建一组训练集样本；

（3）利用得到的训练集样本，训练一个Pix2PixHD，得到的用于将某一层级L的地图样本转换为次低层级L‑1的地图样本的模型，并将得到模型接到级联网络结构的尾部；

（4）判断得到的次低层级的地图样本是否符合所需生成的多层级地图的最低层级需求，若符合则结束；否则转到步骤（3）。

2.如权利要求1所述基于生成式对抗网络的多尺度地图生成方法，其特征在于，步骤（2）中，所述实际输出为包含的样本为某一层级的地图瓦片。

3.如权利要求1所述基于生成式对抗网络的多尺度地图生成方法，其特征在于，所述将得到的实际输出与次低层级的真实地图瓦片构建一组训练集样本包括：得到的实际输出作为训练下一个模型的实际输入，次低层级的真实地图瓦片作为目标输出。

4.如权利要求1所述基于生成式对抗网络的多尺度地图生成方法，其特征在于，所述将目标区域的高层级遥感影像输入训练好的地图生成模型中，得到比例尺连续的多尺度地图包括：

1）将目标区域的高层级遥感影像传入到训练好的级联网络结构的第一个单元，预测得到相同层级的地图瓦片；

2）将得到的地图瓦片传入下一个单元模型，预测得到次低层级的地图瓦片；

3）将得到的地图瓦片传入下一个单元模型，预测得到更低层级的地图瓦片，重复步骤

3），直至最后一个单元预测结束，即可得到一组比例尺连续的多尺度地图。

5.一种基于生成式对抗网络的多尺度地图生成系统，其特征在于，所述基于生成式对抗网络的多尺度地图生成系统包括：训练集构建模块，用于采集包含关于特定区域的比例尺连续的各层级地图瓦片以及最高层级的遥感影像瓦片数据，并构建训练集；

地图生成模型训练模块，用于构建地图生成模型，利用构建的训练集对地图生成模型进行训练；具体包括：（1）将训练集中高层级影像样本作为实际输入并将相同层级的地图样本作为目标输出，训练一个Pix2PixHD，得到用于将遥感影像样本转换为地图样本的模型；

（2）利用当前级联网络结构的最后一个单元模型及训练所述模型的样本组的实际输入进行模型预测，得到对应的实际输出；将得到的实际输出与次低层级的真实地图瓦片构建一组训练集样本；

（3）利用得到的训练集样本，训练一个Pix2PixHD，得到的用于将某一层级L的地图样本转换为次低层级L‑1的地图样本的模型，并将得到模型接到级联网络结构的尾部；

（4）判断得到的次低层级的地图样本是否符合所需生成的多层级地图的最低层级需求，若符合则结束；否则转到步骤（3）；

多尺度地图获取模块，用于将目标区域的高层级遥感影像输入训练好的地图生成模型中，得到比例尺连续的多尺度地图。

6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1 4任意一项所述基于生成式对抗网络的多尺度地图生成方~

法。

7.一种信息数据处理终端，其特征在于，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1 4任意一项所述基于生成式对抗网络的多尺度地图生成方法。

~

说明书

基于生成式对抗网络的多尺度地图生成方法、系统、终端

技术领域

[0001] 本发明属于地图绘制技术领域，尤其涉及一种基于生成式对抗网络的多尺度地图生成方法、系统、终端。

背景技术

[0002] 目前，随着科技发展，人们的日常生活、科研活动、建设部署等对在线地图的需求日益增长。传统的制图方法比较依赖人工操作，其效率可能无法适应快速的城市建设等地
理变化。因此需要一种快速廉价的方法，能实时生成在线地图(包含多个层级以适应不同比
例尺下的观察需要)，以及时填补残缺地图，缓解传统方法与紧急任务之间的冲突。

[0003] 针对这一想法，CycleGAN、pix2pix做出了根据遥感影像直接生成在线地图瓦片的尝试。GeoGAN研究地图风格的转换，从一个地图来源去填充另一个源。SmapGAN专门针对地
图生成任务进行特化(specialize)。这些研究一般是限定在某一层级下进行，比如GeoGAN
将15级的OSM地图瓦片转换成15级的Google Map地图瓦片，SmapGAN根据15级谷歌地图的遥
感数据生成15级的谷歌地图。然而，这无法生成在线地图的多尺度金字塔，与在线地图重视
的使用要求产生了矛盾。如果在各个层级内简单套用该方法，在某些比例尺下会存在无法
收敛、甚至无法学习的问题，进而导致地图生成质量不佳。利用现有技术实现多尺度地图的
快速实时生成诉诸于在各个层级套用CycleGAN等模型，实现每个层级独立的遥感影像到地
图的映射，为方便表述，后文将这一方法称为平行法，作为技术难点分析、方法性能对比的
基准实验。

[0004] 通过上述分析，现有技术存在的问题及缺陷为：现有生成的多尺度地图质量不佳，在低层级中更为明显，出现边缘模糊、道路中断、细节丢失等问题。解决以上问题及缺陷的
难度为：1.遥感影像域与地图域在特征分布上差异很大，导致信息在两者之间跨域转换并
不容易，模型难以拟合；2.根据制图综合规则、低层级地图特点以及低层级遥感影像的低分
辨率特性，导致在低层级下实现影像到地图的转换过程中，遥感影像的有效信息的信噪比
很低，增大直接转换的难度。解决以上问题及缺陷的意义为：从制图综合的数据路径出发，
规避了以上两个问题，降低了跨域转换的频率、保留了超分影像的高清数据，实现了基于现
有img2img深度学习技术的多尺度地图生成。

发明内容

[0005] 针对现有技术存在的问题，本发明提供了一种基于生成式对抗网络的多尺度地图生成方法、系统、终端。

[0006] 本发明是这样实现的，一种基于生成式对抗网络的多尺度地图生成方法，所述基于生成式对抗网络的多尺度地图生成方法包括：

[0007] 步骤一，采集包含关于特定区域的比例尺连续的各层级地图瓦片以及最高层级的遥感影像瓦片数据，并构建训练集；

[0008] 步骤二，构建地图生成模型，利用构建的训练集对地图生成模型进行训练，并将目标区域的高层级遥感影像输入训练好的地图生成模型中，得到比例尺连续的多尺度地图。

[0009] 进一步，步骤二中，所述构建地图生成模型，利用构建的训练集对地图生成模型进行训练包括：

[0010] (1)将训练集中高层级影像样本作为实际输入并将相同层级的地图样本作为目标输出，训练一个Pix2PixHD，得到用于将遥感影像样本转换为地图样本的模型；

[0011] (2)利用当前级联网络结构的最后一个单元模型及训练所述模型的样本组的实际输入进行模型预测，得到对应的实际输出；将得到的实际输出与次低层级的真实地图瓦片
构建一组训练集样本；

[0012] (3)利用得到的训练集样本，训练一个Pix2PixHD，得到的用于将某一层级L的地图样本转换为次低层级L‑1的地图样本的模型，并将得到模型接到级联网络结构的尾部；

[0013] (4)判断得到的次低层级的地图样本是否符合所需生成的多层级地图的最低层级需求，若符合则结束；否则转到步骤(3)。

[0014] 进一步，步骤(2)中，所述实际输出为包含的样本为某一层级的地图瓦片。

[0015] 进一步，所述将得到的实际输出与次低层级的真实地图瓦片构建一组训练集样本包括：

[0016] 得到的实际输出作为训练下一个模型的实际输入，次低层级的真实地图瓦片作为目标输出。

[0017] 进一步，所述将目标区域的高层级遥感影像输入训练好的地图生成模型中，得到比例尺连续的多尺度地图包括：

[0018] 1)将目标区域的高层级遥感影像传入到训练好的级联网络结构的第一个单元，预测得到相同层级的地图瓦片；

[0019] 2)将得到的地图瓦片传入下一个单元模型，预测得到次低层级的地图瓦片；

[0020] 3)将得到的地图瓦片传入下一个单元模型，预测得到更低层级的地图瓦片，重复步骤3)，直至最后一个单元预测结束，即可得到一组比例尺连续的多尺度地图。

[0021] 本发明另一目的在于提供一种基于生成式对抗网络的多尺度地图生成系统，所述基于生成式对抗网络的多尺度地图生成系统包括：

[0022] 训练集构建模块，用于采集包含关于特定区域的比例尺连续的各层级地图瓦片以及最高层级的遥感影像瓦片数据，并构建训练集；

[0023] 地图生成模型训练模块，用于构建地图生成模型，利用构建的训练集对地图生成模型进行训练；

[0024] 多尺度地图获取模块，用于将目标区域的高层级遥感影像输入训练好的地图生成模型中，得到比例尺连续的多尺度地图。

[0025] 本发明另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行项所述基于生成式对抗网络的多尺度地图
生成方法。

[0026] 本发明另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得
所述处理器执行所述基于生成式对抗网络的多尺度地图生成方法。

[0027] 结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提出了一种基于生成式对抗网络的多尺度地图生成方法，采用GAN进行制图综合，提高了地图生成的
质量，得到覆盖一定比例尺区间的多尺度在线地图。通过实验验证了本发明所提方法生成
的多尺度地图要优于直接、简单套用GAN做各层级地图生成的结果。

[0028] 本发明将高层级影像转换成同级地图，过滤绝大部分噪声，提炼出有效信息后，再通过制图综合的方法，在地图域实现下采样的过程，根据制图综合算法从地物要素的角度
抽象压缩数据，最终得到低层级地图。

[0029] 从数据流的角度讲，本发明首先包含原始信息的高层级遥感影像通过一个神经网络得到其在地图域的表达，具体地，神经网络可以是pix2pix、SMAPGAN等。接着再利用深度
学习方法进行综合制图，综合生成的地图得到低一层级地图，然而综合得到的地图瓦片所
描绘的区域规模仅是其所在层级的真实地图瓦片的四分之一。因而将综合得到的瓦片下采
用到原来的1/4并与邻接瓦片拼接后得到完整有效的瓦片，若该层级不是目标层级，则作为
输入数据进行下一次制图综合，否则停止，即最终结果。

[0030] 本发明所提出的方法从制图综合的角度，以高层级遥感影像为起点，生成多层级金字塔。在本发明的方法中，为得到低层级地图，从高层级影像出发，利用img2img方法得到
高层级地图，这一过程将影像中的有效信号保留并转换到了地图域。接着，再利用制图综合
逐层得到次低层级地图直至目标层级，在这一过程中，保留的信息被稳定的转换传递。特别
地，制图综合同样通过深度学习方法，准确的说是img2img模型GAN来实现。制图综合是将高
层级地图经过选择、聚类、简化等操作，以得到一种更抽象、概括的表达。这种变换一般可以
分层次进行。每个层次相对单纯，它是全局所有变换算法的子集。同时它是单向的，比如像
多条道路或建筑物可以根据方位关系、重要性等因素合并，但是合并之后无法复原。

附图说明

[0031] 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于
本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的
附图。

[0032] 图1是本发明实施例提供的基于生成式对抗网络的多尺度地图生成方法原理图。

[0033] 图2是本发明实施例提供的基于生成式对抗网络的多尺度地图生成方法流程图。

[0034] 图3(a)是本发明实施例提供的遥感影像效果图。

[0035] 图3(b)是本发明实施例提供的本发明方法结果效果图。

[0036] 图3(c)是本发明实施例提供的传统平行方法结果效果图。

[0037] 图3(d)是本发明实施例提供的真实地图效果图。

具体实施方式

[0038] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明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仅用以解释本发明，并不用于
限定本发明。

[0039] 针对现有技术存在的问题，本发明提供了一种基于生成式对抗网络的多尺度地图生成方法、系统、终端，下面结合附图对本发明作详细的描述。

[0040] 如图1‑图2所示，本发明实施例提供的基于生成式对抗网络的多尺度地图生成方法包括：

[0041] S101，采集包含关于特定区域的比例尺连续的各层级地图瓦片以及最高层级的遥感影像瓦片数据，并构建训练集；

[0042] S102，构建地图生成模型，利用构建的训练集对地图生成模型进行训练，并将目标区域的高层级遥感影像输入训练好的地图生成模型中，得到比例尺连续的多尺度地图。

[0043] 步骤S102中，本发明实施例提供的构建地图生成模型，利用构建的训练集对地图生成模型进行训练包括：

[0044] (1)将训练集中高层级影像样本作为实际输入并将相同层级的地图样本作为目标输出，训练一个Pix2PixHD，得到用于将遥感影像样本转换为地图样本的模型；

[0045] (2)利用当前级联网络结构的最后一个单元模型及训练所述模型的样本组的实际输入进行模型预测，得到对应的实际输出；将得到的实际输出与次低层级的真实地图瓦片
构建一组训练集样本；

[0046] (3)利用得到的训练集样本，训练一个Pix2PixHD，得到的用于将某一层级L的地图样本转换为次低层级L‑1的地图样本的模型，并将得到模型接到级联网络结构的尾部；

[0047] (4)判断得到的次低层级的地图样本是否符合所需生成的多层级地图的最低层级需求，若符合则结束；否则转到步骤(3)。

[0048] 步骤(2)中，本发明实施例提供的实际输出为包含的样本为某一层级的地图瓦片。

[0049] 本发明实施例提供的将得到的实际输出与次低层级的真实地图瓦片构建一组训练集样本包括：

[0050] 得到的实际输出作为训练下一个模型的实际输入，次低层级的真实地图瓦片作为目标输出。

[0051] 步骤S102中，本发明实施例提供的将目标区域的高层级遥感影像输入训练好的地图生成模型中包括：

[0052] 1)将目标区域的高层级遥感影像传入到训练好的级联网络结构的第一个单元，预测得到相同层级的地图瓦片；

[0053] 2)将得到的地图瓦片传入下一个单元模型，预测得到次低层级的地图瓦片；

[0054] 3)将得到的地图瓦片传入下一个单元模型，预测得到更低层级的地图瓦片，重复步骤3)，直至最后一个单元预测结束，即可得到一组比例尺连续的多尺度地图。

[0055] 下面结合具体实施例对本发明的技术效果作进一步描述。

[0056] 实施例1：

[0057] 首先，第一步，构建训练集，它包含关于特定区域的比例尺连续的各层级地图瓦片以及最高层级的遥感影像瓦片，具体地，可采用谷歌地图或高德地图作为数据源。

[0058] 方法的核心是通过其他层级的遥感数据得到目标层级的地图信息，即级联网络结构的模型训练。第二步，将训练集中高层级影像样本作为实际输入并将相同层级的地图样
本作为目标输出，训练一个Pix2PixHD，得到的模型用于将遥感影像样本转换为地图样本，
它是级联网络结构的第一个单元；

[0059] 第三步，利用当前级联网络结构的最后一个单元模型及训练该模型的样本组的实际输入进行模型预测，得到一组对应的实际输出，这组输出所包含的样本为某一层级的地
图瓦片，将其与次低层级的真实地图瓦片构建一组训练集样本，前者作为训练下一个模型
的实际输入，后者作为目标输出；

[0060] 第四步，利用第三步得到的一组训练集样本，训练一个Pix2PixHD，得到的模型用于将某一层级L的地图样本转换为次低层级L‑1的地图样本，将该模型接到级联网络结构的
尾部。如果该次低层级的地图样本符合所需生成的多层级地图的最低层级需求则结束，否
则转到第三步；

[0061] 分析不同尺度的地图不难发现，将高层级地图变换到低层级地图的制图综合过程中，信息逐步被抽象，总的来说是一个单向的不可逆的过程，因此目标层级的地图信息来源
一般是更高层级的数据。高层级影像包含丰富的信息和噪声，基于SMAPGAN、GEOGAN等的评
级转换主要利用下采样的影像数据进行平级转换得到地图，这一过程降低噪声的同时也会
损失信息，这里本发明使用L损失函数L1 Loss 进行计算。

[0062] 本发明将高层级影像转换成同级地图，过滤绝大部分噪声，提炼出有效信息后，再通过制图综合的方法，在地图域实现下采样的过程，根据制图综合算法从地物要素的角度
抽象压缩数据，最终得到低层级地图。因此后面三个步骤主要是对上述级联网络结构的模
型应用。

[0063] 第五步，将目标区域的高层级遥感影像传入到训练好的级联网络结构的第一个单元，预测得到相同层级的地图瓦片；

[0064] 第六步，将第五步得到的地图瓦片传入下一个单元模型，预测得到次低层级的地图瓦片；

[0065] 第七步，将第六步得到的地图瓦片传入下一个单元模型，预测得到更低层级的地图瓦片，重复步骤七，直至最后一个单元预测结束，至此得到一组比例尺连续的多尺度地
图。

[0066] 从数据流的角度讲，首先包含原始信息的高层级遥感影像通过一个神经网络得到其在地图域的表达，具体地，神经网络可以是pix2pix、SMAPGAN等。接着再利用深度学习方
法进行综合制图，综合生成的地图得到低一层级地图，然而综合得到的地图瓦片所描绘的
区域规模仅是其所在层级的真实地图瓦片的四分之一。因而将综合得到的瓦片下采用到原
来的1/4并与邻接瓦片拼接后得到完整有效的瓦片，若该层级不是目标层级，则作为输入数
据进行下一次制图综合，否则停止，即最终结果。

[0067] 根据本发明将与传统平行方法进行实验对比，下面展示了实验对比结果和数据。如图3(a)遥感影像效果图；图3(b)本发明方法结果效果图；图3(c)传统平行方法结果效果
图。图3(d)真实地图效果图。

[0068]

[0069] Table 1实验结果的客观指标评价很容易看出，本发明方法在实验结果对比上优于传统方法，从而实现了降低跨域转换的频率、保留超分影像的高清数据。

[0070] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所
作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。