基于合成数据和深度学习的历史地图概率道路分类

历史地图是分析长期变化的宝贵来源，为演化研究提供了丰富的数据。然而，对这些地图中的道路网络进行数字化和分类往往昂贵且耗时，限制了其广泛应用。近期深度学习的进展使得从历史地图中自动提取道路变为可行，但这些方法通常需要大量标记的训练数据。为解决此挑战，我们引入了一种新型框架，将深度学习与地理信息、计算机绘图和图像处理方法相结合。该框架能够仅使用道路几何信息即可从历史地图中提取和分类道路，而无需道路类别标签进行训练。该过程首先训练二值分割模型以提取道路几何信息，随后进行形态学操作、骨架化、矢量化和过滤算法。随后，通过一种绘图函数人为重新绘制道路段落，以预定义的道路类别符号进行绘制，从而生成合成训练数据。利用这些合成数据，我们训练一个深度集成模型以生成道路类别的像素级概率，以缓解分布迁移。这些预测随后在提取的道路几何信息上进行离散化。随后采用进一步的处理方法对整个道路进行分类，实现对道路类别潜在变化的识别，并生成带标签的道路类别数据集。我们的方法在测试中使用的瑞士两张SIEMANN地图板中，针对道路类别2（该类别在两张地图中占主导地位）实现了超过94%的完整性和92%的正确性。该研究为城市规划和交通决策提供了一个高效从历史地图中提取和分类道路的强大工具。