基于MSDAE的等高線地圖斷線重連技術研究.pdf

1、圖像是人們獲取外界信息的重要媒介。尤其是在當今這個大數(shù)據(jù)的時代，圖像對于人們的日常生活、科學研究都有著十分重要的作用。然而圖像在記錄和傳播中難免會受到許多因素的干擾而導致部分信息的缺失。尤其是在等高線地圖中，由于其圖形結構的特殊性，使其在傳播時容易產生斷裂的問題。因此研究等高線地圖斷線連接的問題就有著重要的意義。然而傳統(tǒng)的斷線連接算法往往有通用性差、連接效果差等局限，因此如何提高等高線斷線連接的通用性和連接效果成了如今研究的一個熱點問題

2、。而隨著近些年來科技的進步以及一些學習算法的快速發(fā)展，這為尋找一種智能的方法來處理等高線斷線連接問題提供了可能。
　　本文主要研究了如何有效處理等高線地圖上的斷線問題。重點描述了如何在深度學習模型自動編碼機的基礎上改進并給出新的斷線連接模型MSDAE這個過程。本文的主要工作概括如下。
　　1．對卷積神經(jīng)網(wǎng)絡、深度信任網(wǎng)絡和自動編碼機這三種經(jīng)典的深度學習模型進行研究分析。在模型的特點以及應用場景等方面對三種模型進行對比，給出了

3、自動編碼機最適合處理恢復問題這個結論。之后對自動編碼機的應用思路進行了拓展。通常情況下，人們使用深度學習模型的目的是進行高層特征的訓練。而本文將自動編碼機的恢復能力直接使用起來，使其不再是一種訓練高層特征的預訓練模型，而是將其看做是一種恢復模型。
　　2．在自動編碼機的基礎上進行改進并給出了一種新的斷線連接模型，即多方向堆疊去噪自動編碼機（multi-direction stacked denoising auto encoder

4、，MSDAE）。在MSDAE模型中主要包括訓練和測試兩個部分的結構。訓練部分的結構包含了四組并行排列的多層結構。每組結構都是由自動編碼機改進而成。四組模型在訓練時使用了不同的方向信息的樣本，這樣就使得每一組模型在處理該類樣本時具有較強的恢復能力。這種方式有利于最終結果的綜合。模型的測試部分給出了一種復合選取結果的方法。即首先綜合四個并行模型的結果選出一幅恢復效果最優(yōu)的地圖作為最優(yōu)效果圖。之后再根據(jù)輸入圖、最優(yōu)效果圖以及四個模型的輸出結果