[发明专利]一种人工地物散乱形状点自动生成建筑物轮廓的方法

权利要求书

1.一种人工地物散乱形状点自动生成建筑物轮廓的方法，其特征在于，包括以下步骤：

(1)读取地区的遥感影像图，筛选出地物形状点数据作为训练样本并对其进行样本增量处理；

(2)构建Pointer Network网络模型；

(3)调整网络参数使网络模型能够收敛；

(4)对网络模型进行训练，达到期望精度或达到设定最大迭代次数，得到基于PointerNetwork网络的自动生成人工地物地面轮廓的模型；

所述步骤(2)包括以下步骤：

(21)在输入层加入数据归一化处理，即对于单个多边形，找出所有顶点坐标中最小的横坐标值，所有顶点的横坐标值以这个最小值作归一化，对于纵坐标，则以最小的纵坐标值作归一化；

(22)模型框架为解码器-编码器(Encoder-Decoder)，编码器与解码器均采用单层LSTM网络，由编码器读入输入信息，将编码器最后的隐状态作为解码器隐状态的初值，编码器最后的输出作为解码器输入的初始值；

h_t＝f(h_t-1,x_t)

s₀＝h_T

其中，h_t表示t时刻编码器的隐状态，s₀表示解码器的初始状态，x_t为t时刻模型的输入，f为非线性函数，表示一个LSTM单元的隐状态的计算方式；

(23)模型解码模块选用贪婪搜索(greedy search)方法，只取概率最大的值作为输出值，在每个步骤中，解码器通过softmax概率分布函数产生一系列指向输入序列中元素的指针，将当前时刻指向的输入序列中的元素作为下一时刻解码器的输入：

p(C_i|C₁,…,C_i-1,P)＝softmax(uⁱ)

其中，v、W₁、W₂是模型的可学习参数，h_j为j时刻编码器的隐状态，s_i为i时刻解码器的隐状态，tanh为激活函数，softmax函数将向量uⁱ归一化为输入字典上的输出分布；

(24)模型输入为平面点集P＝{P₁,…,P_n}，其中，n为多边形的顶点数，P_j＝(x_j,y_j)为多边形的顶点坐标，模型输出为C_p＝{C₁,…,C_m(p)}表示与点集P相对应的解的序列，元素C_i是对应于序列P中元素位于1和n之间的索引，或者表示序列开始或结束的特殊标记。

2.根据权利要求1所述的一种人工地物散乱形状点自动生成建筑物轮廓的方法，其特征在于，所述步骤(1)具体包括以下步骤：

(11)将地区的遥感影像图转为shapefile格式，利用GDAL/OGR库读取文件；

(12)根据读取到的多边形顶点坐标数据对多边形进行凹凸性判断，并保存凹多边形顶点坐标数据；

(13)取多边形第一个顶点为起点，标签值设为1，按顺时针方向，其他点标签依次为2，3，…，n；

(14)对单个多边形顶点数据进行全排列处理，并保持其每个顶点与原始标签的一一对应关系。

3.根据权利要求1所述的一种人工地物散乱形状点自动生成建筑物轮廓的方法，其特征在于，所述步骤(3)包括以下步骤：

(31)对参数进行随机初始化；

(32)采用批处理，每次投入batch组输入数据进行训练，更新参数；

(33)采用梯度裁剪技术：首先设置一个梯度阈值clip_gradient，在模型后向传播中求出各个参数的梯度，并计算出梯度的L2范数||g||，比较其与预先设定的梯度阈值的大小，若前者大，则计算缩放因子将原梯度乘上缩放因子得到最后的梯度。

4.根据权利要求1所述的一种人工地物散乱形状点自动生成建筑物轮廓的方法，其特征在于，所述步骤(4)在训练同时，用验证集对模型进行验证，结合训练过程中loss变化与验证集准确率，若训练损失不再下降或者达到设定期望精度或者训练迭代次数达到设定最大迭代次数则停止训练。