1.本发明涉及地理信息系统技术领域，尤其是一种矢量地图风格自动迁移的方法。
背景技术：2.在设计矢量地图时，需要考虑地图信息传输效率和令人愉悦的视觉外观，所以设计即科学又美观的矢量地图充满诸多挑战。目前，已有相当多的知识和指南用于构建即科学又美观的地图，例如视觉变量、颜色调和、图形-背景组织和视觉层次结构等，但在实践中，大众由于缺乏地图设计等相关知识，制作的地图质量参差不齐。即使对专家来说，适当地应用相关知识去制作矢量地图也是费时费力的。
3.颜色在地图中扮演着视觉变量和审美元素的双重角色。作为视觉变量，颜色及其三个分量(色相、饱和度、亮度)被用来编码信息，例如用于信息传输的习惯用色(如蓝色代表海洋，绿色代表植被)，以及用于可读性的颜色感知等，作为审美元素，颜色可以用于增加视觉表达的愉悦感。但凭空设计令人印象深刻的颜色很困难，所以常见的方法是寻找参考的灵感来源，例如大师的画作或令人印象深刻的照片。如果将这些参考图的颜色迁移到地图上，那么制作即科学又美观的地图就会更加容易。目前已经有一些地图颜色迁移的工具和方法，比如交互式的颜色迁移工具cartogram。还引入了深度学习技术，将颜色从彩色图像迁移到地图上，然而，它们很少考虑地图内容和地图设计原则，导致存在地图内容不一致和地图符号含糊不清的问题，产生的结果更像绘画而不是地图，目前还没有一种方法能将任意图像的颜色迁移到矢量地图。
4.为解决上述问题，需要一种新的方法，能够考虑矢量地图内容和地图设计原则，兼顾矢量地图的信息传输质量和美学，实现将任意图像的颜色到矢量地图的迁移。名称为“一种融合深度特征的语义风格迁移方法和系统”，申请号为cn201811349865，公开号为cn109712081b的中国专利，提供了图像语义风格迁移的方法，该方法用于将风格图像的对应语义风格迁移至内容图像，首先针对内容图像和风格图像，分别处理得到对应的内容图像语义图和风格图像语义图；然后顺次重复计算表征内容图像和生成图像的内容特征差异的损失函数lc、计算表征最匹配区域对差异的损失函数lp、计算表征风格图像融合特征全局特征相关性矩阵和生成图像融合特征全局特征相关性矩阵差异的损失函数lgr并计算使生成图像更加平滑的总变差损失ltv，迭代更新生成图像像素值，直至损失函数lc、损失函数lp、损失函数lgr和总变差损失ltv之和不再下降，得到最终的能够兼顾局部和全局表现的生成图像。名称为“一种基于对偶学习的无监督图像风格迁移方法”，申请号为cn201910552097，公开号为cn110458750b的中国专利，公开了一种无监督图像风格迁移方法，该方法首先预处理训练数据，然后设计生成器和判别器的网络结构；接下来设计损失函数并用训练数据和损失函数对生成器、判别器进行训练得到无监督图像风格迁移网络st：引入美学评分模型，最大化生成图像的美学质量评分；同时使用图像的基本像素特征和高级语义特征，作为无监督训练的对偶一致性约束，并动态调整这两种特征的权重；使用风格平衡技术，自适应地调节模型不同风格迁移方向上的收敛速度；最后应用st对输入图像进
行风格迁移。名称为“一种融合深度特征的语义风格迁移方法和系统”的专利虽然公开了能够兼顾局部和全局表现的图像语义的风格迁移方法，但是此方法中图像的语义与矢量地图要素间语义关系并不相同，并不适用于图像到地图的语义风格迁移。名称为“一种基于对偶学习的无监督图像风格迁移方法”，该方法虽然网络结构的选择和设计灵活并引入美学评分，但是此方法没有引入矢量地图相关的制图规则，无法衡量地图的信息传输质量，无法实现图像到矢量地图的风格迁移。
技术实现要素：5.本发明所要解决的技术问题在于，提供一种矢量地图风格自动迁移的方法，能够自动的将绘画、摄影等美术作品上的个性、创意风格，科学和艺术平衡地迁移到矢量地图上。
6.为解决上述技术问题，本发明提供一种矢量地图风格自动迁移的方法，包括如下步骤：
7.步骤1、参考图像的颜色提取；基于视觉感知过程，将参考图像中的颜色分为四组：点、线、面和背景以适应矢量地图内容；
8.步骤2、参考图像与矢量地图的颜色匹配；量化地图颜色的信息传输和美学质量，然后将它们转化成双目标优化问题，利用帕累托前沿进行采样生成一系列高质量的配色方案，以自适应地将颜色从任意图像迁移到矢量地图。
9.优选的，步骤1中，参考图像的颜色提取具体包括如下步骤：
10.步骤11、突变强度检测；对于给定的一张或多张参考图片，利用hessian矩阵进行突变强度检测，其矩阵的特征值来检测参考图像中的变化以及图像中突变和渐变的单独区域，包括最大特征值λ1和最小特征值λ2，指示强度变化：λ1表示最大曲率方向的变化程度，λ2表示与λ1相关的垂直方向的变化程度；
11.步骤12、突变方向的检测：提取点和线，根据变化的方向从突变的区域中提取点和线；
12.步骤13、视觉显著性检测：提取面和背景；基于连通性的方法从背景中分离显著区域，背景区域是区域连通性较大的区域，conn为区域连通性，p是图片img的某一区域；lenm是该区域与边缘区域相交的长度；area是该区域的面积，η
bg
是分离背景区域的阈值，背景描述为：
13.background(img)＝conn(p)＞η
bg
,p∈img
14.基于上述从图像分离的点、线以及背景要素，将剩下的视觉上连续的大块区域定义为面状要素，aoc是连通区域的面积；η
p
是用于移除不显著面的阈值，因此，面描述为：
15.patch(img)＝aoc(img-blob(img)-edge(img)-background(img))＞η
p
16.提取完四类元素后，利用cielab中的适当色差jncd作为色距阈值，提取出所有类型的颜色并统计其颜色占比。
17.优选的，步骤12中，点是一个在任何方向突然变化的区域，即λ1和λ2都相对较大，λ1和λ2的乘积是hessian矩阵的行列式，因此，通过hessian矩阵的行列式来提取图像点，img是参考图像；x和y是图片中的点坐标；σb是图片过滤器的大小，表示待提取的点的大小；deth是hessian矩阵在给定点的行列式值；localmax是局部最大值，考虑到人类视觉在感知
彩色图形方面的局限性，引入阈值ηb，用于剔除不显著的点，点描述为：
18.blob(img)＝localmax(deth(x,y,σb))＞ηb。
19.优选的，步骤12中，线是仅在某一方向上发生突变的区域，在一个方向上，只有λ1相对较大，maxeig是给定点的hessian矩阵的主特征值；σe是图片的滤波器，调节提取的线要素的宽度，类似于点要素，ηe是用于剔除不明显线的阈值；线描述为：
20.edge(img)＝maxeig(deth(x,y,σe))＞ηe。
21.优选的，步骤2中，参考图像与矢量地图的颜色匹配具体包括如下步骤：
22.步骤21、量化颜色的信息传输质量；定量描述地图要素间的三种语义关系：差异、关联和顺序，通过用颜色距离来定量评估颜色用于编码语义关系的程度；i和j是地图的两类要素；r
ij
是要素间的语义关系；μ为差异和关联关系的色差阈值；α为顺序关系的色相阈值；为两种颜色的色相差异；是颜色色度；为cielab中两种颜色之间的欧氏距离，此外wd，wa，和wo分别为差异、关联和顺序关系的权重；矢量地图要素间语义关系描述为：
[0023][0024]
基于上述两两要素的语义关系得分，地图的整体语义关系得分表示为：
[0025][0026]
经过归一化处理后，矢量地图语义关系的得分结果取值范围为[0,1]；
[0027]
习惯用色规则也影响着地图信息传输的质量，地图会按照惯例选择特定要素的颜色，ci'为其习惯性颜色，γ为维持习惯用色的色差阈值，对于某个遵守习惯用色的要素，描述为：
[0028][0029]
如果要素i不存在习惯用色，则fc(ci)＝1，进一步描述地图习惯用色的整体质量为：
[0030][0031]
基于上述对语义关系和习惯用色的量化，通过将语义关系和习惯用色的得分相乘得到信息传输质量的总分并将其作为优化目标1，描述为：
[0032]
f(c)＝fr(c)*fc(c)；
[0033]
步骤22、量化矢量地图美；量化生成的矢量地图颜色与参考图像颜色的相似程度，使用归一化平均绝对误差mae来衡量相似度，p
map
(ci)为结果地图的要素占比，p
image
(ci)为参考图中的颜色占比；考虑到要素维度，计算p
map
(ci)时，对于点要素，考虑点的大小和个数，对于线要素，考虑线的长度和宽度，对于面和背景要素，考虑其面积占比，因此，相似程度定量描述如下：
[0034][0035]
然后，引入颜色调和模型量化地图的整体颜色调和度，模型中调和率的范围从0到5，对应于五分评级技术，将其标准化如下：
[0036]fh
(c)＝harmony(c)/5
[0037]
基于上述对颜色相似度和颜色调和的量化，通过将两者的得分相乘得到衡量矢量地图美的总分fa(c)并将其作为第二优化目标，如下所示：
[0038]
fa(c)＝fs(c)*fh(c)；
[0039]
步骤23、组织信息传输质量和地图美；除步骤2中建立的第一优化目标和第二优化目标外，定量构建了图形-背景分离的约束和视觉识别约束；
[0040]
其中，通过显著的色差和亮度对比来约束前背景分离，δc是图形背景分离色差阈值，δb是亮度差阈值，c
bg
是地图的背景要素集合，ck是某一背景要素，lk是要素的亮度值，图形-背景分离计算如下所示：
[0041][0042]
通过设置可辨识性色差阈值来保持视觉识别，计算如下所示：
[0043][0044]
通过上述建立的第一优化目标、第二优化目标和设定的两个约束条件，矢量地图风格迁移问题被转化为具有双重目标和多重约束的max-max问题，采用改进ga遗传算法来探索帕累托前沿，通过对帕累托前沿进行采样以输出一系列最优解。
[0045]
本发明的有益效果为：本发明能够实现从任意图像到矢量地图的颜色迁移，并且对于不同比例尺、主题和区域也具有更好的适应性；本发明量化了地图颜色的信息传输和美学质量，并将风格转移问题转化为双目标、多约束优化问题，使矢量地图的迁移结果具有更好的信息传输和美学质量；针对新手和专家的需求，提供四种模式来将风格从图像转移到地图上：一对一、一对多、多对一和多对多模式。
附图说明
[0046]
图1为本发明的方法流程示意图。
[0047]
图2为本发明的图像分割和颜色提取过程及结果示意图。
[0048]
图3为本发明的矢量地图要素间语义关系矩阵示意图。
[0049]
图4为本发明一系列风格化的矢量地图示意图。
[0050]
图5为本发明一对一和多对一的迁移模式及迁移结果示意图。
具体实施方式
[0051]
本发明对于给定的待迁移地图和一个或多个参考图片，先按照视觉显著性提取参考图的四类风格元素(点、线、面以及背景)。然后根据具体的地图特征，进行颜色匹配。这里，本方法设计了度量矢量地图信息传输质量和美的指数，将风格匹配转换为带约束的双
目标优化问题，进行帕累托前沿的求解，输出一个或多个迁移矢量地图。
[0052]
根据如图1所示的流程，图4矢量地图的风格迁移包含以下步骤：
[0053]
步骤1，参考图像的颜色提取。基于视觉感知过程，将参考图像中的颜色分为四组：点、线、面和背景以适应矢量地图内容(点/注记、线条、区域符号和背景)。
[0054]
步骤2，参考图像与矢量地图的颜色匹配。首先量化地图颜色的信息传输和美学质量，然后将它们转化成双目标优化问题，利用帕累托前沿进行采样生成一系列高质量的配色方案，以自适应地将颜色从任意图像迁移到矢量地图。
[0055]
更具体的实施步骤如下：
[0056]
颜色提取：
[0057]
在数学上，二阶导数可用于指示图像中的亮度变化。通过结合二阶导数算子和高斯滤波器来检测变化区域。二阶偏导数的替代方阵，hessian矩阵常用于描述图像的局部曲率，hessian矩阵的特征值，包括最大特征值(λ1)和最小特征值(λ2)，可以指示强度变化。λ1表示最大曲率方向的变化程度，λ2表示与λ1相关的垂直方向的变化程度。表示最大曲率方向的变化程度，λ2表示与λ1相关的垂直方向的变化程度。和分别为图像某点(x，y)的二阶偏导数，hessian矩阵描述为：
[0058][0059]
在解决尺度效应时，hessian矩阵的性能优于laplacian算子。因此，本方法选择hessian矩阵的特征值来检测参考图像中的变化以及图像中突变和渐变的单独区域。
[0060]
然后根据变化的方向从突变的区域中提取点和线。点通常是一个在任何方向突然变化的区域，即λ1和λ2都相对较大，通过hessian矩阵的行列式来提取图像点，img是参考图像；x和y是图片中的点坐标；σb是图片过滤器的大小，表示待提取的点的大小；deth是hessian矩阵在给定点的行列式值；localmax是局部最大值，考虑到人类视觉在感知彩色图形方面的局限性，引入阈值ηb，用于剔除不显著的点，点提取描述为：
[0061]
blob(img)＝localmax(deth(x,y,σb))＞ηb[0062]
线是仅在某一方向上发生突变的区域，在一个方向上，只有λ1相对较大。maxeig是给定点的hessian矩阵的主特征值；σe是图片的滤波器，可以调节提取的线要素的宽度。类似于点要素，ηe是用于剔除不明显线的阈值，线提取描述为：
[0063]
edge(img)＝maxeig(deth(x,y,σe))＞ηe[0064]
之后，基于连通性的方法从背景中分离显著区域，一个区域的连通性定义为该区域与边缘区域相交的长度与该区域面积的平方根之比，p是图片img的某一区域；lenm是该区域与边缘区域相交的长度；area是该区域的面积，一个区域的连通性称为conn，描述为：
[0065][0066]
区域边界连通性较大的区域可以被视作背景区域，η
bg
是分离背景区域的阈值。因此，背景可以被描述为：
[0067]
background(img)＝conn(p)＞η
bg
,p∈img
[0068]
最后去除图像中分离出的点、线和背景区域作为面要素的区域，aoc是连通区域的面积；η
p
是用于移除不显著面的阈值，面元素计算如下所示：
[0069]
patch(img)＝aoc(img-blob(img)-edge(img)-background(img))＞η
p
[0070]
提取完四类元素后，利用cielab中的适当色差(jncd)作为色距阈值，提取出所有的颜色并统计每种类型颜色的颜色占比。颜色提取流程及结果如图2所示。
[0071]
颜色匹配：
[0072]
首先量化颜色的信息传输质量，包括量化矢量地图要素间语义关系和习惯用色两方面。
[0073]
矢量地图要素间语义关系是用颜色来传达信息的一个重要方面，语义关系有三种类型，包括差异、顺序、关联，差异是使用不同的颜色来编码不同的要素，例如湖泊和草地；关联是使用相似的颜色来组织相关的要素，例如湖泊和河流；顺序是使用颜色渐变或阴影来表示有序的要素，例如人口密度。这三种语义关系在地图中广泛存在，因此，在量化信息传输质量时应进行系统衡量。
[0074]
本方法组织了一个语义关系矩阵r来衡量所有可能的语义关系，其中r是一个n*n矩阵，n是地图要素的数量。如图3所示，有六个要素，体现了上述三种语义关系：灌木和绿地体现了关联关系，高速公路、主要道路和街道体现顺序关系，水域和绿地体现了差异关系。所有可能的关系都组织在一个语义关系矩阵中(见图3b)，其中上述三种语义关系分别缩写为d、a和o。
[0075]
定量评估颜色用于编码语义关系的程度。颜色距离被广泛用于分析配色方案所代表的语义关系。这里用i和j表示两个要素集合的颜色，r
ij
是两个颜色之间的语义关系，μ为差异和关联的颜色距离阈值，δ
l
为差异的亮度阈值，α为确定顺序关系的色相角度阈值，wd、wa和wo为三种语义关系的权重，ci为第i个要素集合调整后的颜色，cj为第j个要素集合调整后的颜色，l为颜色的亮度，为两种颜色的色相差异，；是颜色色度；为cielab中两种颜色之间的欧氏距离对每个语义关系的编码情况进行评分，如下所示：
[0076][0077]
对所有语义关系的质量进行评分，将结果进行归一化。语义关系总得分fr(c)计算为：
[0078][0079]
习惯用色规则也影响着地图信息传输的质量。地图通常会按照惯例选择特定要素的颜色(比如蓝色代表水，绿色代表森林)，以引起颜色语义上的共鸣。对于要遵守习惯用色的要素，用γ表示习惯用色色差阈值，为两个颜色在cielab色空间上的距离，ci为第i
个要素集合调整后的颜色，ci为第i个原始地图要素集合的习惯用色，用fc(ci)定量计算如下：
[0080][0081]
用fc(c)地图习惯用色的整体质量，ci'是其习惯性颜色，γ是维持习惯用色的色差阈值，定量计算如下所示：
[0082][0083]
将以上定量描述矢量地图信息传输质量两个方面的值进行相乘，从而得到矢量地图整体的信息传输质量得分，并将其作为优化目标1，计算如下所示：
[0084]
f(c)＝fr(c)*fc(c)
[0085]
然后量化矢量地图美。地图美包括颜色相似性和颜色调和两方面。
[0086]
颜色相似性是使用归一化平均绝对误差(mae)来衡量相似度，p
map
(ci)是结果地图的要素占比，p
image
(ci)是参考图中的颜色占比。考虑到要素维度，计算p
map
(ci)时，对于点要素，考虑点的大小和个数，对于线要素，考虑线的长度和宽度，对于面和背景要素，考虑其面积占比。计算如下所示：
[0087][0088]
颜色调和是指两种或两种以上的颜色放在一起时能够产生令人满意的情感反应，本方法引入调和模型量化矢量地图的整体颜色调和度。模型中调和率的范围从0到5，对应于五分评级技术。本方法将其标准化如下：
[0089]fh
(c)＝harmony(c)/5
[0090]
基于上述对颜色相似度和颜色调和的量化，通过将两者的得分相乘得到衡量矢量地图美的总分，并将其作为优化目标2，如下所示：
[0091]
fa(c)＝fs(c)*fh(c)
[0092]
除了上述两个目标外，本方法还定量构建了图形-背景分离的约束和视觉识别约束。
[0093]
其中，通过显著的色差和亮度对比来约束前背景分离，δc是图形背景分离色差阈值，δb是亮度差阈值，c
bg
是地图的背景要素集合，ck是某一背景要素，lk是要素的亮度值。图形-背景分离计算如下所示：
[0094][0095]
通过设置可辨识性色差阈值来保持视觉识别，计算如下所示：
[0096][0097]
最后，组织信息传输质量和地图美得分。
[0098]
通过上述建立的第一优化目标、第二优化目标和设定的两个约束条件，矢量地图风格迁移问题被转化为具有双重目标和多重约束的max-max问题。采用改进ga(遗传算法)来探索帕累托前沿，通过对帕累托前沿进行采样以输出一系列最优解。本方法创建了一系
列风格化的矢量地图，包括信息传输质量最优、折衷方案和美学最优，如图4所示，同时可以根据输入图像和矢量地图的个数，来选择迁移模式，比如一对一或多对一的迁移模式，如图5所示。
[0099]
本发明对于给定一个或多个参考图像和原始矢量地图，首先，为了适应矢量地图内容(点和注记、线、面和背景)，提出了一种按图像视觉显著性来提取风格元素颜色的方法，将参考图像的颜色提取并组织成点、线、面以及背景颜色；然后，量化了矢量地图颜色的信息传输和美学质量，并将其转化为一个双目标、多约束的优化问题；利用帕累托前沿进行采样生成一系列高质量的配色方案，即信息传输质量-美学连续曲线，并在信息传输和美学质量之间进行权衡，以获得满意的解决方案。本发明提供了四种迁移模式：一对一、一对多、多对一和多对多，能够实现从任意图像到矢量地图的风格迁移，迁移结果具有更好的可读性和艺术性；并且适用于不同比例尺、主题和区域的矢量地图。
技术特征：1.一种矢量地图风格自动迁移的方法，其特征在于，包括如下步骤：步骤1、参考图像的颜色提取；基于视觉感知过程，将参考图像中的颜色分为四组：点、线、面和背景以适应矢量地图内容；步骤2、参考图像与矢量地图的颜色匹配；量化地图颜色的信息传输和美学质量，然后将它们转化成双目标优化问题，利用帕累托前沿进行采样生成一系列高质量的配色方案，以自适应地将颜色从任意图像迁移到矢量地图。2.如权利要求1所述的矢量地图风格自动迁移的方法，其特征在于，步骤1中，参考图像的颜色提取具体包括如下步骤：步骤11、突变强度检测；对于给定的一张或多张参考图片，利用hessian矩阵进行突变强度检测，其矩阵的特征值来检测参考图像中的变化以及图像中突变和渐变的单独区域，包括最大特征值λ1和最小特征值λ2，指示强度变化：λ1表示最大曲率方向的变化程度，λ2表示与λ1相关的垂直方向的变化程度；步骤12、突变方向的检测：提取点和线，根据变化的方向从突变的区域中提取点和线；步骤13、视觉显著性检测：提取面和背景；基于连通性的方法从背景中分离显著区域，背景区域是区域连通性较大的区域，conn为区域连通性，p是图片img的某一区域；len
m
是该区域与边缘区域相交的长度；area是该区域的面积，η
bg
是分离背景区域的阈值，背景描述为：background(img)＝conn(p)＞η
bg
,p∈img基于上述从图像分离的点、线以及背景要素，将剩下的视觉上连续的大块区域定义为面状要素，aoc是连通区域的面积；η
p
是用于移除不显著面的阈值，因此，面描述为：patch(img)＝aoc(img-blob(img)-edge(img)-background(img))＞η
p
提取完四类元素后，利用cielab中的适当色差jncd作为色距阈值，提取出所有类型的颜色并统计其颜色占比。3.如权利要求2所述的矢量地图风格自动迁移的方法，其特征在于，步骤12中，点是一个在任何方向突然变化的区域，即λ1和λ2都相对较大，λ1和λ2的乘积是hessian矩阵的行列式，因此，通过hessian矩阵的行列式来提取图像点，img是参考图像；x和y是图片中的点坐标；σ
b
是图片过滤器的大小，表示待提取的点的大小；deth是hessian矩阵在给定点的行列式值；localmax是局部最大值，考虑到人类视觉在感知彩色图形方面的局限性，引入阈值η
b
，用于剔除不显著的点，点描述为：blob(img)＝localmax(deth(x,y,σ
b
))＞η
b
。4.如权利要求2所述的矢量地图风格自动迁移的方法，其特征在于，步骤12中，线是仅在某一方向上发生突变的区域，在一个方向上，只有λ1相对较大，maxeig是给定点的hessian矩阵的主特征值；σ
e
是图片的滤波器，调节提取的线要素的宽度，类似于点要素，η
e
是用于剔除不明显线的阈值；线描述为：edge(img)＝max eig(deth(x,y,σ
e
))＞η
e
。5.如权利要求1所述的矢量地图风格自动迁移的方法，其特征在于，步骤2中，参考图像与矢量地图的颜色匹配具体包括如下步骤：步骤21、量化颜色的信息传输质量；定量描述地图要素间的三种语义关系：差异、关联和顺序，通过用颜色距离来定量评估颜色用于编码语义关系的程度；i和j是地图的两类要
素；r
ij
是要素间的语义关系；μ为差异和关联关系的色差阈值；α为顺序关系的色相阈值；为两种颜色的色相差异；是颜色色度；为cielab中两种颜色之间的欧氏距离，此外w
d
，w
a
，和w
o
分别为差异、关联和顺序关系的权重；矢量地图要素间语义关系描述为：基于上述两两要素的语义关系得分，地图的整体语义关系得分表示为：经过归一化处理后，矢量地图语义关系的得分结果取值范围为[0,1]；习惯用色规则也影响着地图信息传输的质量，地图会按照惯例选择特定要素的颜色，c
i
'为其习惯性颜色，γ为维持习惯用色的色差阈值，对于某个遵守习惯用色的要素，描述为：如果要素i不存在习惯用色，则fc(c
i
)＝1，进一步描述地图习惯用色的整体质量为：基于上述对语义关系和习惯用色的量化，通过将语义关系和习惯用色的得分相乘得到信息传输质量的总分并将其作为优化目标1，描述为：f(c)＝f
r
(c)*f
c
(c)；步骤22、量化矢量地图美；量化生成的矢量地图颜色与参考图像颜色的相似程度，使用归一化平均绝对误差mae来衡量相似度，p
map
(c
i
)为结果地图的要素占比，p
image
(c
i
)为参考图中的颜色占比；考虑到要素维度，计算p
map
(c
i
)时，对于点要素，考虑点的大小和个数，对于线要素，考虑线的长度和宽度，对于面和背景要素，考虑其面积占比，因此，相似程度定量描述如下：然后，引入颜色调和模型量化地图的整体颜色调和度，模型中调和率的范围从0到5，对应于五分评级技术，将其标准化如下：f
h
(c)＝harmony(c)/5基于上述对颜色相似度和颜色调和的量化，通过将两者的得分相乘得到衡量矢量地图美的总分f
a
(c)并将其作为第二优化目标，如下所示：f
a
(c)＝f
s
(c)*f
h
(c)；步骤23、组织信息传输质量和地图美；除步骤2中建立的第一优化目标和第二优化目标外，定量构建了图形-背景分离的约束和视觉识别约束；其中，通过显著的色差和亮度对比来约束前背景分离，δ
c
是图形背景分离色差阈值，δ
b
是亮度差阈值，c
bg
是地图的背景要素集合，ck是某一背景要素，l
k
是要素的亮度值，图形-背景分离计算如下所示：通过设置可辨识性色差阈值来保持视觉识别，计算如下所示：通过上述建立的第一优化目标、第二优化目标和设定的两个约束条件，矢量地图风格迁移问题被转化为具有双重目标和多重约束的max-max问题，采用改进ga遗传算法来探索帕累托前沿，通过对帕累托前沿进行采样以输出一系列最优解。
技术总结本发明公开了一种矢量地图风格自动迁移的方法，包括如下步骤：步骤1、参考图像的颜色提取；步骤2、参考图像与矢量地图的颜色匹配；量化地图颜色的信息传输和美学质量，然后将它们转化成双目标优化问题，利用帕累托前沿进行采样生成一系列高质量的配色方案，以自适应地将颜色从任意图像迁移到矢量地图。本发明能够实现从任意图像到矢量地图的颜色迁移，并且对于不同比例尺、主题和区域也具有更好的适应性；本发明量化了地图颜色的信息传输和美学质量，并将风格转移问题转化为双目标、多约束优化问题，使矢量地图的迁移结果具有更好的信息传输和美学质量；针对新手和专家的需求，提供四种模式来将风格从图像转移到地图上。四种模式来将风格从图像转移到地图上。四种模式来将风格从图像转移到地图上。
技术研发人员：孙彦杰 吴明光 李雅倩
受保护的技术使用者：南京师范大学
技术研发日：2022.09.16
技术公布日：2022/12/5
