一种基于径向基函数网络的地形合成方法与流程

本发明涉及虚拟仿真技术领域，具体涉及一种基于径向基函数网络的地形合成方法，采用数字高程模型(digitalelevationmode，简称dem)的地形数据块，采用径向基函数网络对地形特征的学习及提取；在地形合成时，根据用户手绘草图，结合输入高程数据，利用预先学习的特征，可以合成与用户草图相对应的定制地形。该方法具有简单、有效的特点，能够根据用户手绘草图合成特定的地形。

背景技术：

地形是三维虚拟场景中的主要视觉元素，由于其在实际生活中的广泛应用价值，使得地形合成技术成为了计算机视觉领域的研究热点。无论是在自然灾害预防还是在影视游戏创作中，真实感地形能更好地提高用户的使用体验。目前地形合成技术大致可以分为三类：基于过程性的建模方法、基于物理侵蚀的建模方法及基于用户草图的建模方法。近年来，随着dem地形数据的普及使用，人们开始结合真实地形数据特征，研究基于草图的建模方法，并通过草图控制，实现用户的定制功能。

同时，为了实现地形的智能化合成，近年来机器学习和深度学习飞速发展，研究人员尝试用人工智能方法理解真实地形数据中的隐式特征，并出现了基于卷积神经网络的地形合成方法，并实现了对用户输入山脉轮廓线进行深度信息预测，提高了合成地形的合理性。但是，利用深度学习方法合成地形，存在的主要问题就是网络的结构复杂，网络参数训练难于收敛，这些都是目前智能化地形合成研究中存在的问题。

技术实现要素：

本发明的目的是针对现有技术的不足,并针对地形合成中的实际问题，提出一种基于径向基函数网络的地形合成方法，该方法根据用户手绘草图，结合输入高程数据，利用预先学习的特征，可以合成与用户草图相对应的定制地形。该方法具有简单、有效的特点，能够根据用户手绘草图合成特定的地形。

实现本发明目的的具体技术方案是：

一种基于径向基函数网络的地形合成方法，特点是该方法包括以下具体步骤：

步骤1：准备高程数据块

从srtm网站http://srtm.csi.cgiar.org下载wgs84坐标系统的高程数据块d，d的空间分辨率为90m×90m至200m×200m之间，d中像素点的数目为n，任意点a的高度记为ha；

步骤2：建立训练数据集：

(1)首先，计算任意点a的熵ea：

其中，pk是任意点a的3×3邻域t中第k个点(其高度为hk)的高度分布，k＝1,2…,9，pk计算为：

其中，是t中9个邻域点的高度统计，η为t中9个点的高度最小值；δ为常量，取0.0001，ht(t＝1,2,…,9)表示t中第t个邻域点的高度；

(2)建立a的特征向量：va＝(ea,ha)，进一步利用d中每个点的特征向量构建特征向量集s＝{(es,hs)|1≤s≤n}；

(3)从s中随机选取m个特征向量ce＝(ee,he)(e＝1,2…,m)，作为m个聚类中心，3≤m≤5，利用k-means方法，对s中的特征向量聚为m个类：lf(f＝1,2…,m)；

(4)分别对各类lf(f＝1,2…,m)中像素粒子的熵进行求和统计，将具有最大统计熵的类记为lm(1≤m≤m)，将lm看作是显著性区域；

(5)用lm建立数据集：lm中特征向量对应的像素粒子集记为g，利用d8算法，采用3×3窗口计算g的骨架b，具体地，利用像素周围的3×3邻域，计算中心与其邻域的周围8个像素作差，将差最大的方向作为骨架方向。g中粒子的特征向量集为u＝{(dg,hg)|1≤g≤q}，dg是g中任意粒子j到b的最短距离，hg为j的高度，q表示g中数据元素的个数；

步骤3：构建径向基函数网络，进行学习训练

建立三层前向传播的径向基函数网络x，其包括输入层、隐含层及输出层：训练时，采用监督学习方法，网络输入是dg，输出的监督数据是hg，g＝1,2…,q；在隐含层中，径向基函数采用高斯函数，模型的训练参数包括：高斯核的个数、隐含层神经元的中心(基函数的中心)、方差以及隐含层与输出层之间的权值；训练的损失函数定义为：

其中，pg是x网络输出的预测高度结果，hg作为高度的监督数据，1≤g≤q；

训练过程：(a)将高斯核的个数k初始化为5；(b)训练x，并利用公式(3)计算损失函数f，如果f大于阈值0.01，高斯核的个数k＝k+5，并且转步骤(b)进行下一次训练；否则，如果f小于或等于阈值0.01，训练终止；

步骤4：地形合成

用户输入二值图像v作为手绘草图，v采用画图软件画出用户的草图，并保存为二值图像，将v作为骨架，计算v上任意一点到骨架的距离jb(b＝1,2…,x),x表示合成地形中像素的个数；

将jb(b＝1,2…,x)输入到网络x中，利用x网络中已经训练好的参数进行预测，得到合成地形的每个点的高度值，这样得到合成的地形。

本发明具有简单、实用的特点，根据用户手绘草图，结合输入高程数据，能够合成特定的用户定制的地形。

附图说明

图1为本发明显著性区域检测的结果图；

图2为本发明地形合成的结果图。

具体实施方式

实施例

下面结合附图对本发明进一步说明。

本实施例在pc机上windows1064位操作系统下进行实施，其硬件配置是处理器core^tmi5-75003.4ghzcpu，8gb内存，软件环境为matlab2015b，编程采用python语言，结合视觉开源库opencv2.4.4以及开源栅格空间数据转换库gdal。

本发明具体实施例方案是：

一种基于径向基函数网络的地形合成方法，该方法包括以下具体步骤：

步骤1：准备高程数据块

从srtm网站http://srtm.csi.cgiar.org下载wgs84坐标系统的高程数据块d，d的空间分辨率为90m×90m之间，d中像素点的数目为n，任意点a的高度记为ha；

步骤2：建立训练数据集：

(1)首先，计算a的熵ea：

其中，pk是a的3×3邻域t中第k个点(其高度为hk)的高度分布，k＝1,2…,9，pk计算为：

其中，是t中9个邻域点的高度统计，η为t中9个点的高度最小值；δ为常量，取0.0001，ht(t＝1,2,…,9)表示t中第t个邻域点的高度；

(2)建立a的特征向量：va＝(ea,ha)，进一步利用d中每个点的特征向量构建特征向量集s＝{(es,hs)|1≤s≤n}；

(3)从s中随机选取3个特征向量ce＝(ee,he)(e＝1,2,3)，作为3个聚类中心，利用k-means方法，对s中的特征向量聚为3个类：lf(f＝1,2,3)；

(4)分别对各类lf(f＝1,2,3)中像素粒子的熵进行求和统计，将具有最大统计熵的类记为lm(1≤m≤3)，将lm看作是显著性区域；

(5)用lm建立数据集：lm中特征向量对应的像素粒子集记为g，利用d8算法，采用3×3窗口计算g的骨架b，g中粒子的特征向量集为u＝{(dg,hg)|1≤g≤q}，dg是g中任意粒子j到b的最短距离，hg为j的高度，q表示g中数据元素的个数；

步骤3：构建径向基函数网络，进行学习训练

建立三层前向传播的径向基函数网络x，其包括输入层、隐含层及输出层：训练时，采用监督学习方法，网络输入是dg，输出的监督数据是hg，g＝1,2…,q；在隐含层中，径向基函数采用高斯函数，模型的训练参数包括：高斯核的个数、隐含层神经元的中心(基函数的中心)、方差以及隐含层与输出层之间的权值；训练的损失函数定义为：

其中，pg是x网络输出的预测高度结果，hg作为高度的监督数据，1≤g≤q；

训练过程：(a)将高斯核的个数k初始化为5；(b)训练x，并利用公式(3)计算损失函数f，如果f大于阈值0.01，高斯核的个数k＝k+5，并且转步骤(b)进行下一次训练；否则，如果f小于或等于阈值0.01，训练终止；

步骤4：地形合成

用户输入二值图像v作为手绘草图，v采用画图软件画出用户的草图，并保存为二值图像，将v作为骨架，计算v上任意一点到骨架的距离jb(b＝1,2…,x),x表示合成地形中像素的个数；

将jb(b＝1,2…,x)输入到网络x中，利用x网络中已经训练好的参数进行预测，得到合成地形的每个点的高度值，这样得到合成的地形。

图1为根据dem地形数据进行显著性区域检测的结果。图中给出了3组实验结果，每一行为一组结果；在每行中，左侧第1列为输入的高程数据块，右侧的结果显示了显著性区域检测的结果，从图中可以看出，显著性区域对应着dem地形块的细节区，从显著性区域提取特征，创建数据集；

图2为根据用户输入草图进行地形合成的结果。图中给出了3组实验结果，每一行为一组结果；在每行中，左侧第1列结果为输入的高程数据块，中间一列为用户输入的草图；右侧第1列结果为合成的地形结果，从合成的结果可以明显看出，本发明所提出的方法可以根据用户草图实现真实感地形的合成，方法简单方便。