基于机场细则AIP图的线条合并方法、系统与流程

本发明属于图像数据处理，具体涉及一种基于机场细则aip图的线条合并方法、系统。

背景技术：

1、在航空领域，机场细则aeronautical information publication (aip) 图是至关重要的参考资料，它们详细记录了机场的物理结构、运行规则、导航设施和其他关键信息。aip图通常由各种线条、符号和文本组成，以图形方式展示机场的跑道、滑行道、停机坪、航站楼、障碍物、导航点等重要元素。随着航空交通量的持续增长，以及对机场运行效率和安全性的更高要求，数字化aip图变得越来越重要。然而，aip图的手动解读和信息提取不仅耗时耗力，而且容易出错，因此，开发一种自动化处理aip图的技术成为迫切需求。

2、传统上，图像处理技术在航空领域的应用已经取得了一定进展，例如使用图像分割、边缘检测、特征匹配等方法来处理卫星图像或航空摄影照片。但是，aip图的处理面临着独特的挑战，包括复杂的线条结构、密集的符号和文本、以及线条的重叠和中断现象。现有的图像处理算法在处理这类细节密集型图像时往往表现不佳，特别是在处理重叠线条、断续线条的连接、以及与线条相关的属性文字的识别和关联方面，导致提取的线条不完整或错误，影响了机场数字化管理的效率和准确性。

技术实现思路

1、为了解决现有技术中的上述问题，即为了解决现有技术中线条提取不完整、重叠线条处理不当以及属性文字关联错误，进而导致生成的线条图准确性较低的问题，本发明第一方面，提出了一种基于机场细则aip图的线条合并方法，该方法包括：

2、s100，将机场细则中的机场图与停机位置指示图进行图像融合；

3、s200，结合卫星图像，对融合后的图像中的说明性文字进行去除，得到第一图像；

4、s300，通过深度轮廓感知网络对所述第一图像进行线条检测，对检测到的线条进行合并，得到线条图像；

5、其中，所述深度轮廓感知网络包括依次连接的特征提取模块、dcm模块、msf融合模块、线条预测模块；

6、所述特征提取模块包括依次连接的可变形图编码器、多头注意力特征聚合器、金字塔特征生成器；所述特征提取模块，用于提取所述第一图像的多层次特征；所述dcm模块包括依次连接的多尺度边缘检测器、全连接网络、双流网络、卷积和反卷积操作；所述双流网络一个分支用语处理颜色和纹理特征，一个分支用于处理深度特征，并将两个分支处理后的特征进行融合；所述dcm模块，用于根据提取的多层次特征，增强线条特征学习；所述msf融合模块包括依次连接的多尺度特征提取器、动态权重分配器、特征融合层；所述msf融合模块，用于对不同尺度的特征图进行融合；所述线条预测模块包括依次连接的多级线条检测器、概率层；所述线条预测模块，用于生成线条预测结果。

7、在一些优选的实施方式中，所述可变形图编码器包括依次连接的输入层、多个可变形卷积层、批量归一化层、激活函数层、输出层；多个可变形卷积层中除第一个外，其他的可变形卷积层的输入为前一个可变形卷积层的输入与输出残差连接的特征图。

8、在一些优选的实施方式中，所述多头注意力特征聚合器包括依次连接的输入层、多头注意力层、layernorm层、前馈神经网络层、输出层；所述layernorm层的输入为所述多头注意力层的输入与输出残差连接的特征图。

9、在一些优选的实施方式中，所述金字塔特征生成器包括依次连接的输入层、金字塔池化模块、卷积层、特征融合层、输出层；所述金字塔池化模块，用于将输入的特征图分割为不同大小的区域并分别进行池化操作，将池化后的特征进行上采样并与输入的特征图进行拼接。

10、在一些优选的实施方式中，对检测到的线条进行合并，其方法为：

11、对于短断续的线段：基于线段的距离和角度计算线段连接的概率，根据概率将相邻的线段连接；

12、对于重叠的线段：提取线条的特征并构建邻接矩阵，根据所述邻接矩阵计算拉普拉斯矩阵，并对所述拉普拉斯矩阵求解特征值，选取前k个最小的特征值对应的特征向量进行聚类；

13、线条与属性文字关联：基于文字中心和线条最近点之间的距离，计算文字与线条之间的关联度并关联。

14、在一些优选的实施方式中，基于线段的距离和角度计算线段连接的概率，其方法为：

15、；

16、其中，表示线段连接的概率，、表示两条待连接的线段，和分别表示两条线段的起点，是两条线段单位向量的夹角，表示两点之间的欧式距离，、、分别表示距离、角度和长度的标准差。

17、在一些优选的实施方式中，进行聚类时的聚类方法包括k-均值聚类。

18、在一些优选的实施方式中，计算文字与线条之间的关联度，其方法为：

19、；

20、其中，表示关联度，表示文字中心和线条最近点之间的距离，、分别表示文字主要方向、线条主要方向，表示文字，表示线条。

21、本发明的第二方面，提出了一种基于机场细则aip图的线条合并系统，包括：

22、图像融合模块，配置为将机场细则中的机场图与停机位置指示图进行图像融合；

23、文字去除模块，配置为结合卫星图像，对融合后的图像中的说明性文字进行去除，得到第一图像；

24、线条合并模块，配置为通过深度轮廓感知网络对所述第一图像进行线条检测，对检测到的线条进行合并，得到线条图像；

25、其中，所述深度轮廓感知网络包括依次连接的特征提取模块、dcm模块、msf融合模块、线条预测模块；

26、所述特征提取模块包括依次连接的可变形图编码器、多头注意力特征聚合器、金字塔特征生成器；所述特征提取模块，用于提取所述第一图像的多层次特征；所述dcm模块包括依次连接的多尺度边缘检测器、全连接网络、双流网络、卷积和反卷积操作；所述双流网络一个分支用语处理颜色和纹理特征，一个分支用于处理深度特征，并将两个分支处理后的特征进行融合；所述dcm模块，用于根据提取的多层次特征，增强线条特征学习；所述msf融合模块包括依次连接的多尺度特征提取器、动态权重分配器、特征融合层；所述msf融合模块，用于对不同尺度的特征图进行融合；所述线条预测模块包括依次连接的多级线条检测器、概率层；所述线条预测模块，用于生成线条预测结果。

27、本发明的有益效果：

28、本发明解决了现有技术中线条提取不完整、重叠线条处理不当以及属性文字关联错误的问题，提高线条提取和合并的准确性和效率，并提升了生成的线条图的准确性，减少人工干预的需求，加快机场布局的数字化进程，为航空安全管理和机场运营提供更准确、及时的信息支持。

技术特征：

1.一种基于机场细则aip图的线条合并方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于机场细则aip图的线条合并方法，其特征在于，所述可变形图编码器包括依次连接的输入层、多个可变形卷积层、批量归一化层、激活函数层、输出层；多个可变形卷积层中除第一个外，其他的可变形卷积层的输入为前一个可变形卷积层的输入与输出残差连接的特征图。

3.根据权利要求1所述的基于机场细则aip图的线条合并方法，其特征在于，所述多头注意力特征聚合器包括依次连接的输入层、多头注意力层、layernorm层、前馈神经网络层、输出层；所述layernorm层的输入为所述多头注意力层的输入与输出残差连接的特征图。

4.根据权利要求3所述的基于机场细则aip图的线条合并方法，其特征在于，所述金字塔特征生成器包括依次连接的输入层、金字塔池化模块、卷积层、特征融合层、输出层；所述金字塔池化模块，用于将输入的特征图分割为不同大小的区域并分别进行池化操作，将池化后的特征进行上采样并与输入的特征图进行拼接。

5.根据权利要求1所述的基于机场细则aip图的线条合并方法，其特征在于，对检测到的线条进行合并，其方法为：

6.根据权利要求5所述的基于机场细则aip图的线条合并方法，其特征在于，基于线段的距离和角度计算线段连接的概率，其方法为：

7.根据权利要求6所述的基于机场细则aip图的线条合并方法，其特征在于，进行聚类时的聚类方法包括k-均值聚类。

8.根据权利要求7所述的基于机场细则aip图的线条合并方法，其特征在于，计算文字与线条之间的关联度，其方法为：

9.一种基于机场细则aip图的线条合并系统，其特征在于，该系统包括：

技术总结本发明属于图像数据处理技术领域，具体涉及一种基于机场细则AIP图的线条合并方法、系统，旨在解决现有技术中线条提取不完整、重叠线条处理不当以及属性文字关联错误，进而导致生成的线条图准确性较低的问题。本发明方法包括：将机场细则中的机场图与停机位置指示图进行图像融合；结合卫星图像，对融合后的图像中的说明性文字进行去除，得到第一图像；通过深度轮廓感知网络对第一图像进行线条检测，对检测到的线条进行合并，得到线条图像。本发明解决了现有技术中线条提取不完整、重叠线条处理不当以及属性文字关联错误的问题，并提高了线条图生成的准确性。技术研发人员：郝德月,杨磊,王杰,黄华胜,张云水受保护的技术使用者：珠海翔翼航空技术有限公司技术研发日：技术公布日：2024/9/17