自定义地图风格的制图方法、系统、存储介质及设备与流程

1.本发明涉及地图生成技术领域，具体而言，涉及一种自定义地图风格的制图方法、系统、存储介质及设备。


背景技术：

2.软件地图的使用，越来越成为人们日常生活中不可缺失的实用工具，尤其对于复杂城市道路，软件地图更能体现出其的实用性；而各大软件地图模式均相差不多，形式也较为单一。
3.目前，一般都是利用常规的方法去寻求自定义风格地图，获取难度太高。通常都是基于百度、高德等地图平台进行权限申请、付费调用等方式来进行自定义地图风格，而且无法离线使用，约束条件太多。
4.由于测绘成果生产流程的复杂性和对人工的依赖性，生产周期往往较长，导致电子地图滞后性严重。随着公众对电子地图现势性要求的不断提升，传统作业方法在现势性方面的短板愈发严重。因此为解决这一问题，需要提供一种用户能够自定义地图风格制图的方法。


技术实现要素：

5.本发明实施例提供了一种自定义地图风格的制图方法、系统、存储介质及设备，能够支持用户自定义地图风格的设置。
6.根据本发明的实施例，提供了一种自定义地图风格的制图方法，包括以下步骤：基于图片影像样本集，训练卷积神经网络分类模型；基于卷积神经网络的模型提取图像中的目标地物，对目标地物进行计算，得到图片中地物分类的栅格数据集；将栅格数据集进行矢量化处理，得到矢量化处理后的矢量图像要素；通过输入地图参数对矢量图像要素进行编辑完成自定义风格的地图制图，以输出自定义风格地图。
7.进一步地，在通过输入地图参数对矢量图像要素进行编辑完成自定义风格的地图制图，以输出自定义风格地图之前还包括：选择预设的地图风格，以输出预设风格地图。
8.进一步地，基于图片影像样本，训练卷积神经网络的模型具体为：收集图片影像样本，生成图片影像样本集；将图片影像样本集按照统一格式解析为训练数据；将训练数据组合并进行训练，生成训练卷积神经网络的模型。
9.进一步地，基于卷积神经网络的模型提取图像中的目标地物，对目标地物进行计算，得到图片中地物分类的栅格数据集具体为：将训练好的卷积神经网络分类模型应用到新的数据区域进行地物分类，提取图片
中的目标地物；基于目标地物，得到图片的地物分类的栅格数据集。
10.进一步地，将栅格数据集进行矢量化处理，得到矢量化处理后的矢量图像要素具体为：对栅格数据集的彩色影像进行灰度化，得到灰度图像，对灰度图像进行二值化处理；将二值化处理后的灰度图像进行降噪处理；对降噪处理后的图像进行细化处理，提取图像的主体骨架；将提取到的主体骨架转换为矢量图形的坐标序列，对矢量图形的坐标序列进行拓扑化处理得到矢量化数据；针对矢量化数据寻找出不合理数据，并对不合理数据进行删除处理，得到删除不合理数据后的矢量图像要素。
11.进一步地，在针对矢量化数据寻找出不合理数据，并对不合理数据进行删除处理，得到删除不合理数据后的矢量图像要素之后还包括：将矢量化后的矢量图像要素与栅格图像同样的位置进行对比，判断矢量化后图像的精确程度和合理程度。
12.自定义地图风格的制图系统，包括：模型训练模块，用于基于图片影像样本集，训练卷积神经网络的模型；目标提取模块，用于基于卷积神经网络的模型提取图像中的目标地物，对目标地物进行计算，得到图片中地物分类的栅格数据集；栅格化模块，用于将栅格数据集进行矢量化处理，得到矢量化处理后的矢量图像要素；风格设置模块，通过输入地图参数对矢量图像要素进行编辑完成自定义风格的地图制图，以输出自定义风格地图。
13.进一步地，系统还包括：风格选择模块，用于选择预设的地图风格，以输出预设风格地图。
14.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储一个或多个程序，一个或多个程序可被一个或多个处理器执行，以实现如上述任意一项的自定义地图风格的制图方法中的步骤。
15.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；存储器上存储有可被处理器执行的计算机可读程序；通信总线实现处理器和存储器之间的连接通信；处理器执行计算机可读程序时实现上述任意一项的自定义地图风格的制图方法中的步骤。
16.本发明的自定义地图风格的制图方法、系统、存储介质及设备中，方法包括：基于图片影像样本集，训练卷积神经网络的模型；通过将训练好的卷积神经网络分类模型应用到新的数据区域进行地物分类，得到图片中地物分类的栅格数据集；将得到的栅格数据集进行矢量化处理，并将得到各要素的矢量图；通过输入地图参数对矢量图进行编辑完成自定义风格的地图制图，以输出自定义风格地图。本技术解决了用户难以获取自定义风格的
地图的问题，解决了自定义风格地图的诸多限制，用户能够根据自己的喜好自定风格地图。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1为本发明自定义地图风格的制图方法的流程图；图2为本发明自定义地图风格的制图系统的原理图；图3为本发明ai推理示意图；图4为本发明像素的目标和背景二值化的示意图；图5为本发明图像预处理示意图；图6为本发明降噪去除污点示意图；图7为本发明提取图像的主体骨骼示意图；图8为本发明把骨架转换为矢量图形的坐标序列示意图；图9为本发明提供的一种终端设备原理图。
具体实施方式
18.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。
19.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明的实施例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、产品或设备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、产品或设备固有的其它步骤或单元。
20.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
21.参阅图1，本技术提出一种自定义地图风格的制图方法，包括以下步骤：s101：基于图片影像样本集，训练卷积神经网络分类模型；s102：基于卷积神经网络的模型提取图像中的目标地物，对目标地物进行计算，得到图片中地物分类的栅格数据集；s103：将栅格数据集进行矢量化处理，得到矢量化处理后的矢量图像要素；
s104：通过输入地图参数对矢量图像要素进行编辑完成自定义风格的地图制图，以输出自定义风格地图。
22.实施例中，本发明的自定义地图风格的制图方法包括：基于图片影像样本集，训练卷积神经网络的模型；通过将训练好的卷积神经网络分类模型应用到新的数据区域进行地物分类，得到图片中地物分类的栅格数据集；将得到的栅格数据集进行矢量化处理，并将得到各要素的矢量图；通过输入地图参数对矢量图进行编辑完成自定义风格的地图制图，以输出自定义风格地图。本技术解决了用户难以获取自定义风格的地图的问题，解决了自定义风格地图的诸多限制，用户能够根据自己的喜好自定风格地图。
23.实施例中，在通过输入地图参数对矢量图像要素进行编辑完成自定义风格的地图制图，以输出自定义风格地图之前还包括：选择预设的地图风格，以输出预设风格地图。
24.本技术中预设有各种形式的地图风格的模板可供用户选择，预设模板为预设输入的地图参数，根据预设的参数，生成设计好的地图风模板，用户可从预设的模板中挑选喜欢的地图风格直接使用，如此则免去了用户设计的这一步骤。
25.实施例中，基于图片影像样本，训练卷积神经网络的模型具体为：收集图片影像样本，生成图片影像样本集；将图片影像样本集按照统一格式解析为训练数据；将训练数据组合并进行训练，生成训练卷积神经网络的模型。
26.以下为卷积神经网络的分类模型训练流程具体步骤，步骤一：收集大量的影像样本。
27.具体地，数据获取途径可以是从国家地理信息时空云平台上获取，或者从开放的地理服务api获取。
28.步骤二：数据预处理。即，将获取的影像样本按照统一格式存储和解析，并将解析后的影像样本组合为训练数据。
29.具体地，模型训练需要大量的样本，样本越多，训练出来的模型越精确，当样本数量不足时， 可采用旋转或对称变化进行样本增强，以提高模型训练的效率。
30.步骤三：整理训练数据，将训练数据作为神经网络输入。
31.具体地，训练数据集准备完毕后，定义神经网络传播过程及模型参数，在训练数据的基础上训练模型，在验证数据上评估模型，在训练模型和评估模型过程中寻找最佳参数，一旦找到了最佳参数，就在测试数据上最后测试一次，完成模型训练过程。
32.步骤四：测试验证模型。
33.具体地，在模型训练过程完成后，还可以对模型进行测试以使模型到达最佳精度，这个训练过程只需在建立模型的时候进行一次，找到最佳模型即可，此后该模型可重复使用。
34.实施例中，基于卷积神经网络的模型提取图像中的目标地物，对目标地物进行计算，得到图片中地物分类的栅格数据集具体为：将训练好的卷积神经网络分类模型应用到新的数据区域进行地物分类，提取图片中的目标地物；基于目标地物，得到图片的地物分类的栅格数据集。
35.具体地，在模型训练完成后，对模型进行ai推理。ai推理是指将训练好的卷积神经网络分类模型应用到新的数据区域进行地物分类，从而快速提取目标地物的过程，最终得到图片的地物分类标签化结果。
36.根据神经网络算法，一个神经网络的层数以及每一层中的神经元数量都是任意的。基本逻辑都一样为：输入在神经网络中向前传输，最终得到输出。如图3所示，中间的都是影响因子，或者说是权重；在样本识别的过程中，不断调整权重，使得最终计算结果尽可能拟合正确结果。当达到一定正确率后即可视为ai推理算法完成。ai推理算法完成后，即可对目标样本进行计算，最终得到地物分类栅格数据结果。
37.实施例中，将栅格数据集进行矢量化处理，得到矢量化处理后的矢量图像要素具体为：对栅格数据集的彩色影像进行灰度化，得到灰度图像，对灰度图像进行二值化处理；将二值化处理后的灰度图像进行降噪处理；对降噪处理后的图像进行细化处理，提取图像的主体骨架；将提取到的主体骨架转换为矢量图形的坐标序列，对矢量图形的坐标序列进行拓扑化处理得到矢量化数据；针对矢量化数据寻找出不合理数据，并对不合理数据进行删除处理，得到删除不合理数据后的矢量图像要素。
38.具体地，将模型ai推理后得到的栅格数据矢量化；以下为栅格数据矢量化的详细说明：第一步：对图像进行二值化处理。
39.具体地，参考图4，对彩色影像进行灰度化（图像灰度化是指每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗黑色到最亮的白色的灰度）获得灰度化后的图像；把获取到的灰度图像进行二值化处理。灰度图像二值化最常用的方法是阈值法，即利用图像中目标与背景的差异，把图像分别设置为两个不同的级别，选取一个合适的阈值，如：0
‑
126，126
‑
255，以确定某像素是目标还是背景，从而获得二值化的图像。
40.第二步：对二值化处理后的灰度图像进行降噪预处理。
41.具体地，参考图5，由于图像噪声或者其它原因，总是会出现一些飞白、污点、线划边缘凹凸不平等。图像噪声在数字图像处理技术中的重要性越来越明显，如高放大倍数航片的判读，噪声去除等已经成为不可缺少的技术步骤。此时对栅格数据进行预处理，方法如下：例如出现飞白和黑点的情况，周边临近灰度值都是一致的，其中出现异常值，就需要对飞白和黑点进行校正。可以使用envi等图像处理工具，对图像噪声进行降噪处理。降噪处理的方式一般选择中值滤波器进行降噪。
42.中值滤波器是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换，其主要功能是让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声（椒盐噪声就是在图像上随机出现黑色白色的像素）非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果。
43.第三步：降噪完成后对图像进行细化，提取图像的主体骨骼或骨架。
44.具体地，参考图6，图中a和b是可剥去的，而图中c和d中心点是不可剥去的；将预处理后象元阵列逐步剥除轮廓边缘的点，使之成为线划宽度只有一个象元的骨架图形。细化后的图形骨架既保留了原图形的绝大部分特征，又便于下一步的处理。
45.其中，细化的基本过程为：（1）确定需要细化的象元集合；（2）移去不是骨架的象元；（3）重复以上步骤，直到仅剩骨架象元。
46.进一步地，参考图7，细化后的数据应该满足以下几点要求：（1）保持原线划的连续性；（2）线宽只为一个象元；（3）细划后的骨架应是原线划的中心线；（4）保持图形的原有特征。
47.第四步：追踪矢量图形的坐标序列，得到矢量化数据。
48.具体地，参考图8，追踪是把骨架转换为矢量图形的坐标序列，最后找到线的端点、结点及孤立点，使之进行拓扑化得到矢量化数据，以得到矢量图，得到各要素的矢量图后进行矢量数据处理。得到各要素的矢量图后进行矢量数据处理。其中，追踪的基本步骤是：（1）从左向右，从上向下搜索线划起始点，并记下坐标；（2）朝该点的8个方向追踪点，若没有，则本条线的追踪结束，转到(1)步进行下条线的追踪；否则记下坐标；（3）把搜索点移到新取的点上，重复第（2）步。
49.第五步：矢量化数据进行数据处理，具体地，包括不合理要素，如极小面要素、拓扑错误要素、多面要素等的处理，这些不合理要素都是可以通过空间分析算法找出，具体可以通过arcgis或者其他的地理软件工具，根据数据之间的拓扑关系和属性，查找出这些不合理要素；例如，可以计算出面积小于0.01平米的要素、或者根据位置关系，找出面和面重叠的要素。
50.找出不合理数据，然后对不合理数据进行处理；使用软件工具删除极小面要素（面要素的面积小于某个阈值，一般定义小于0.01平米）、处理矢量拓扑错误（如面重叠、面与面之间有缝隙等）、消除多面数据（一个面要素包含多个面）和多边形边界平滑处理等，从而得到满足电子地图更新需求的矢量要素。
51.进一步地，边界、拓扑关系修正主要是将悬挂线、要素的重叠，未闭合面等错误进行修正，比如行政区域进行了重叠、主河流断流等情况要进行修改和完善，属性完善是将要素的缺失属性或者错误属性进行补充、删除和完善。
52.实施例中，在针对矢量化数据寻找出不合理数据，并对不合理数据进行删除处理，得到删除不合理数据后的矢量图像要素之后还包括：将矢量化后的矢量图像要素与栅格图像同样的位置进行对比，判断矢量化后图像的精确程度和合理程度。
53.具体地，在上述第五步之后还可以进行叠加分析处理，叠加分析主要是将矢量化后的图像与栅格图像对一个同样位置的进行对比，可比对矢量化的精确程度和合理程度，进行人眼判别。
54.进一步地，在将栅格数据集进行矢量化处理，得到矢量化处理后的矢量图像要素
完成后，即获取到了矢量化的要素，用户可以输入赋值，以输出自定义地图瓦片数据。
55.具体为，用户可以对矢量要素进行编辑，可对要素的颜色，样式进行编辑器编辑，将用户输入的风格进行赋值，如水系、陆地、建筑物的各种颜色以及图层搭配，也可采用本软件中较为完整的符号库进行配色，用户可以自定义风格。
56.设置好风格后，设置比例尺和层级（一般使用谷歌地图比例尺和层级参数）。然后进行出图处理，完成目标地物的图形输出，从而完成自定义风格的地图制图。此外，本技术也有各种形式的模板，可供用户选择，免去了用户设计的这一步骤。
57.基于深度学习的自定义地图风格制图方法，在满足电子地图技术要求的基础上，满足用户自定义地图制图，与传统的野外增量信息采集、内业变化信息提取、内外业协调获取变化信息的方式相比，基于深度学习的变化信息提取能够大大缩短处理周期，减少人工工作量80％以上。
58.与现有技术相比，本技术可支持任何网络环境下使用，另外支持任何风格，风格全都是用户自定义设置。本技术解决了诸多限制，解决了用户难以获取自定义风格的地图的问题。通过深度学习提取的地理要素几何精度能够满足电子地图的技术要求，通过空间分析快速发现地表变化区域，可以节省大量的要素采集工作量。在没有现成资料的区域，大幅提升了自定义电子地图的更新效率，对于电子地图的快速更新具有很大意义。
59.参阅图2，本技术提出一种自定义地图风格的制图系统，包括：模型训练模块100，用于基于图片影像样本集，训练卷积神经网络的模型；目标提取模块200，用于基于卷积神经网络的模型提取图像中的目标地物，对目标地物进行计算，得到图片中地物分类的栅格数据集；栅格化模块300，用于将栅格数据集进行矢量化处理，得到矢量化处理后的矢量图像要素；风格设置模块400，通过输入地图参数对矢量图像要素进行编辑完成自定义风格的地图制图，以输出自定义风格地图。
60.实施例中，系统还包括：风格选择模块，用于选择预设的地图风格，以输出预设风格地图。
61.本发明的自定义地图风格的制图方法、系统、存储介质及设备中，系统包括：模型训练模块，用于基于图片影像样本集，训练卷积神经网络的模型；目标提取模块，用于通过将训练好的卷积神经网络分类模型应用到新的数据区域进行地物分类，得到图片中地物分类的栅格数据集；栅格化模块，用于将得到的栅格数据集进行矢量化处理，并将得到各要素的矢量图；风格设置模块，用于通过输入地图参数对矢量图进行编辑完成自定义风格的地图制图，以输出自定义风格地图。本技术解决了用户难以获取自定义风格的地图的问题，解决了自定义风格地图的诸多限制，用户能够根据自己的喜好自定风格地图。
62.基于上述自定义地图风格的制图方法，本实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例的自定义地图风格的制图方法中的步骤。
63.基于上述自定义地图风格的制图方法，本技术还提供一种终端设备，如图9所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(communicationsinterface)23和总线24。其中，处理器20、显示屏21、存储器22和通
信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的自定义地图风格的制图方法。
64.此外，上述的存储器22中的逻辑指令可以通过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。
65.存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
66.存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。
67.此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，u盘、移动硬盘、只读存储器(read
‑
onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
68.此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
69.以上所述仅是本发明的优选实施方式，不能认定本发明的具体实施只局限于这些说明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。