应用于图像分析的测绘数据处理方法及系统与流程

1.本发明涉及人工智能技术领域，具体而言，涉及一种应用于图像分析的测绘数据处理方法及系统。


背景技术：

2.在测绘领域中，图像采集是重要的举措之一。对于采集到的图像，基于一些需求，需要对图像进行分析，以确定出图像的种类（如异常种类或变形种类、相应区域的种类等）。但是，在现有技术中，在进行测绘图像分析的过程中，存在着可靠度不高的问题。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种应用于图像分析的测绘数据处理方法及系统，以在一定程度上提高测绘图像分析的可靠度。
4.为实现上述目的，本发明实施例采用如下技术方案：一种应用于图像分析的测绘数据处理方法，包括：提取到待分析测绘图像，所述待分析测绘图像基于对目标区域进行的目标图像测绘操作以形成；通过进行网络优化操作，以形成优化图像分析网络；利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数，所述还原绘图图像包括所述待分析测绘图像和待定图像种类信息；依据所述至少两个还原绘图图像中各个图像像素的分析可能性参数，在所述至少两个还原绘图图像中，选择出目标还原绘图图像；对所述目标还原绘图图像中的待定图像种类信息进行标记，以标记为所述待分析测绘图像的目标图像种类信息，所述目标图像种类信息用于反映所述待分析测绘图像的图像种类。
5.在一些优选的实施例中，在上述应用于图像分析的测绘数据处理方法中，所述利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数的步骤，包括：对所述待分析测绘图像和所述待定图像种类信息进行数据融合操作，以形成所述至少两个还原绘图图像中的一个还原绘图图像；以及，对所述一个还原绘图图像进行加载，以加载到所述优化图像分析网络中，利用所述优化图像分析网络，挖掘出所述一个还原绘图图像的关键信息特征表示，并依据所述一个还原绘图图像的关键信息特征表示，分析出所述一个还原绘图图像中各个图像像素的分析可能性参数；或者对所述待分析测绘图像进行加载，以加载到所述优化图像分析网络中，利用所述优化图像分析网络，挖掘出所述待分析测绘图像的关键信息特征表示；以及，利用所述优化图像分析网络，对所述待分析测绘图像的关键信息特征表示和所述待定图像种类信息的关键信息特征表示进行聚合操作，以形成所述至少两个还原绘图图像中的一个还原绘图图像
的关键信息特征表示；以及，利用所述优化图像分析网络，依据所述一个还原绘图图像的关键信息特征表示，分析出所述一个还原绘图图像中各个图像像素的分析可能性参数。
6.在一些优选的实施例中，在上述应用于图像分析的测绘数据处理方法中，所述通过进行网络优化操作，以形成优化图像分析网络的步骤，包括：提取到多个初级示例性测绘图像；针对任意一个初级示例性测绘图像，利用初级候选神经网络，分析出所述任意一个初级示例性测绘图像中各个图像像素的分析可能性参数；依据所述多个初级示例性测绘图像中各个图像像素的分析可能性参数，将所述初级候选神经网络进行网络优化操作，以形成初级优化神经网络，所述初级优化神经网络包括初级关键信息挖掘子网络；利用所述初级关键信息挖掘子网络，挖掘出所述任意一个初级示例性测绘图像对应的图像关键信息特征表示；依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络；依据所述高级关键信息挖掘子网络，形成对应的优化图像分析网络。
7.在一些优选的实施例中，在上述应用于图像分析的测绘数据处理方法中，所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络的步骤，包括：依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，分析出各个初级示例性测绘图像对应的网络学习代价参数；依据所述各个初级示例性测绘图像对应的网络学习代价参数，分析出所述初级关键信息挖掘子网络对应的网络学习代价参数；依据所述初级关键信息挖掘子网络对应的网络学习代价参数，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络。
8.在一些优选的实施例中，在上述应用于图像分析的测绘数据处理方法中，所述任意一个初级示例性测绘图像为任意一个初始的示例性测绘图像或所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像，所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像属于将所述任意一个初始的示例性测绘图像中的图像像素进行调整后形成的测绘图像；所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，分析出各个初级示例性测绘图像对应的网络学习代价参数的步骤，包括：针对所述任意一个初始的示例性测绘图像，依据各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像的网络学习代价参数；针对所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像，依据所述各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像
对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数。
9.在一些优选的实施例中，在上述应用于图像分析的测绘数据处理方法中，所述针对所述任意一个初始的示例性测绘图像，依据各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像的网络学习代价参数的步骤，包括：依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像之间的第一匹配度表征参数；依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和其它初始的示例性测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像与所述其它初始的示例性测绘图像之间的第二匹配度表征参数，所述其它初始的示例性测绘图像为所述各个初始的示例性测绘图像中所述任意一个初始的示例性测绘图像以外的初始的示例性测绘图像；依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述其它初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像与所述其它初始的示例性测绘图像对应的示例性调整测绘图像之间的第三匹配度表征参数；依据所述第一匹配度表征参数、所述第二匹配度表征参数和所述第三匹配度表征参数，计算出所述任意一个初始的示例性测绘图像的网络学习代价参数。
10.在一些优选的实施例中，在上述应用于图像分析的测绘数据处理方法中，所述针对所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像，依据所述各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数的步骤，包括：依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像之间的第一匹配度表征参数；依据所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示和其它初始的示例性测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像与所述其它初始的示例性测绘图像之间的第四匹配度表征参数，所述其它初始的示例性测绘图像属于所述各个初始的示例性测绘图像中所述任意一个初始的示例性测绘图像以外的初始的示例性测绘图像；依据所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示和所述其它初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像与所述其它初始的示例性测绘图像对应的示例性调整测绘图像之间的第五匹配度表征参
数；依据所述第一匹配度表征参数、所述第四匹配度表征参数和所述第五匹配度表征参数，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数。
11.在一些优选的实施例中，在上述应用于图像分析的测绘数据处理方法中，所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络的步骤，包括：依据各个初级示例性测绘图像的图像关键信息特征表示，分析出各个初级示例性测绘图像的图像像素调整估计数据，所述初级示例性测绘图像的图像像素调整估计数据为分析出的所述初级示例性测绘图像中各个图像像素被调整的可能性参数；提取到各个初级示例性测绘图像的图像像素调整实际数据，所述初级示例性测绘图像的图像像素调整实际数据为实际的所述初级示例性测绘图像中各个图像像素是否被调整的数据；依据所述各个初级示例性测绘图像的图像像素调整估计数据和所述各个初级示例性测绘图像的图像像素调整实际数据，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络。
12.在一些优选的实施例中，在上述应用于图像分析的测绘数据处理方法中，所述依据所述高级关键信息挖掘子网络，形成对应的优化图像分析网络的步骤，包括：提取到高级示例性测绘图像，并提取到所述高级示例性测绘图像对应的图像种类标识数据；利用高级候选神经网络，分析出至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，所述融合示例性测绘图像包括所述高级示例性测绘图像和待定图像种类信息，所述高级候选神经网络包括所述高级关键信息挖掘子网络；依据所述至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，在所述至少两个融合示例性测绘图像中，分析出目标融合示例性测绘图像；依据所述目标融合示例性测绘图像中的待定图像种类信息和所述高级示例性测绘图像的图像种类标识数据，将所述高级候选神经网络进行网络优化操作，以形成对应的优化图像分析网络。
13.本发明实施例还提供一种应用于图像分析的测绘数据处理系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用于图像分析的测绘数据处理方法。
14.本发明实施例提供的应用于图像分析的测绘数据处理方法及系统，可以先提取到待分析测绘图像；通过进行网络优化操作，以形成优化图像分析网络；利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数，还原绘图图像包括待分析测绘图像和待定图像种类信息；依据至少两个还原绘图图像中各个图像像素的分析可能性参数，在至少两个还原绘图图像中，选择出目标还原绘图图像；对目标还原绘图图像中的待定图像种类信息进行标记，以标记为待分析测绘图像的目标图像种类信息。基于前述的内容，由于是直接对包括待分析测绘图像和待定图像种类信息的还原绘图图像进行分
析预测，而不是仅对待分析测绘图像进行分析预测，使得分析预测的针对性更强，因此，可以在一定程度上提高测绘图像分析的可靠度，从而改善现有技术中的不足。
15.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
16.图1为本发明实施例提供的应用于图像分析的测绘数据处理系统的结构框图。
17.图2为本发明实施例提供的应用于图像分析的测绘数据处理方法包括的各步骤的流程示意图。
18.图3为本发明实施例提供的应用于图像分析的测绘数据处理装置包括的各模块的示意图。
实施方式
19.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
20.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.如图1所示，本发明实施例提供了一种应用于图像分析的测绘数据处理系统。其中，所述应用于图像分析的测绘数据处理系统可以包括存储器和处理器。
22.详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用于图像分析的测绘数据处理方法。
23.可以理解的是，在一些可行的实施方式中，所述存储器可以是，但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read-only memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（electric erasable programmable read-only memory，eeprom）等。
24.可以理解的是，在一些可行的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（central processing unit，cpu）、网络处理器（network processor，np）、片上系统(system on chip，soc)等；还可以是数字信号处理器（dsp）、专用集成电路（asic）、现场可编程门阵列（fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
25.可以理解的是，在一些可行的实施方式中，所述应用于图像分析的测绘数据处理
系统可以是一种具备数据处理能力的服务器。
26.结合图2，本发明实施例还提供一种应用于图像分析的测绘数据处理方法，可应用于上述应用于图像分析的测绘数据处理系统。其中，所述应用于图像分析的测绘数据处理方法有关的流程所定义的方法步骤，可以由所述应用于图像分析的测绘数据处理系统实现。
27.下面将对图2所示的具体流程，进行详细阐述。
28.步骤s110，提取到待分析测绘图像。
29.在本发明实施例中，所述应用于图像分析的测绘数据处理系统可以提取到待分析测绘图像。所述待分析测绘图像基于对目标区域进行的目标图像测绘操作以形成。例如，所述待分析测绘图像属于目标图像采集设备对所述目标区域进行图像采集操作以形成。
30.步骤s120，通过进行网络优化操作，以形成优化图像分析网络。
31.在本发明实施例中，所述应用于图像分析的测绘数据处理系统可以通过进行网络优化操作，以形成优化图像分析网络。例如，可以对原始的图像分析神经网络进行网络优化操作，以形成优化图像分析网络。
32.步骤s130，利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数。
33.在本发明实施例中，所述应用于图像分析的测绘数据处理系统可以利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数。所述还原绘图图像包括所述待分析测绘图像和待定图像种类信息，即将至少两种待定图像种类信息分别融合到所述待分析测绘图像中，以形成至少两个还原绘图图像，另外，所述待定图像种类信息可以文本数据，如此，在进行融合时，可以将文本数据转换为图像数据，然后，再将图像数据和所述待分析测绘图像进行拼接，以形成还原绘图图像，所述图像数据中可以即具有所述文本数据对应的字符，其它区域可以为白色区域。所述分析可能性参数可以用于反映出现对应的图像像素的可能性（如一个像素点的像素值为某个值的可能性）。
34.步骤s140，依据所述至少两个还原绘图图像中各个图像像素的分析可能性参数，在所述至少两个还原绘图图像中，选择出目标还原绘图图像。
35.在本发明实施例中，所述应用于图像分析的测绘数据处理系统可以依据所述至少两个还原绘图图像中各个图像像素的分析可能性参数，在所述至少两个还原绘图图像中，选择出目标还原绘图图像。示例性地，对于每一个所述还原绘图图像，可以计算该还原绘图图像中的各个图像像素的分析可能性参数的乘积，然后，可以将具有最大值的乘积对应的还原绘图图像进行标记，以标记为目标还原绘图图像，或基于其它方式进行选择。
36.步骤s150，对所述目标还原绘图图像中的待定图像种类信息进行标记，以标记为所述待分析测绘图像的目标图像种类信息。
37.在本发明实施例中，所述应用于图像分析的测绘数据处理系统可以对所述目标还原绘图图像中的待定图像种类信息进行标记，以标记为所述待分析测绘图像的目标图像种类信息。所述目标图像种类信息用于反映所述待分析测绘图像的图像种类，如区域的异常种类、区域的特征种类等。
38.基于前述的内容，由于是直接对包括待分析测绘图像和待定图像种类信息的还原绘图图像进行分析预测，而不是仅对待分析测绘图像进行分析预测，使得分析预测的针对
性更强，因此，可以在一定程度上提高测绘图像分析的可靠度，从而改善现有技术中的不足。
39.可以理解的是，在一些可行的实施方式中，上述描述中的步骤s120，即所述通过进行网络优化操作，以形成优化图像分析网络的步骤，可以进一步包括以下所述的各实施内容：提取到多个初级示例性测绘图像，所述初级示例性测绘图像和后文所述的高级示例性测绘图像都是指示例性的测绘图像（即网络优化的依据），初级和高级仅仅是为了相互进行区分，不具有其它的特殊含义；针对任意一个初级示例性测绘图像，利用初级候选神经网络，分析出所述任意一个初级示例性测绘图像中各个图像像素的分析可能性参数，示例性地，针对任意一个初级示例性测绘图像，将该任意一个初级示例性测绘图像加载到初级候选神经网络中，利用初级候选神经网络先确定任意一个初级示例性测绘图像的图像关键信息特征表示，再基于任意一个初级示例性测绘图像的图像关键信息特征表示确定任意一个初级示例性测绘图像中各个图像像素的分析可能性参数，其中，任意一个初级示例性测绘图像的图像关键信息特征表示包括任意一个初级示例性测绘图像中各个图像像素的图像像素关键信息特征表示；另外，初级示例性测绘图像中任意一个图像像素的分析可能性参数，可以是在该任意一个图像像素之前的至少一个图像像素的基础上，出现该任意一个图像像素的可能性；依据所述多个初级示例性测绘图像中各个图像像素的分析可能性参数，将所述初级候选神经网络进行网络优化操作，以形成初级优化神经网络，所述初级优化神经网络包括初级关键信息挖掘子网络，示例性地，对于每一个所述初级示例性测绘图像，可以先计算该初级示例性测绘图像中各个图像像素的分析可能性参数与预设参数之间的比值，再计算各比值的取对数操作结果的和值，以得到该初级示例性测绘图像对应的网络优化代价参数，以及，基于该网络优化代价参数，对所述初级候选神经网络进行网络优化操作，以形成初级优化神经网络，即对所述初级候选神经网络的网络参数进行优化更新，其中，所述预设参数属于该网络参数；利用所述初级关键信息挖掘子网络，挖掘出所述任意一个初级示例性测绘图像对应的图像关键信息特征表示，例如，可以将所述初级示例性测绘图像映射到特征空间，然后，可以对特征空间的映射结果进行线性处理，以形成图像关键信息特征表示，其中，映射到特征空间和进行线性处理的网络参数可以在相应的网络优化过程中形成；依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络；依据所述高级关键信息挖掘子网络，形成对应的优化图像分析网络。
40.可以理解的是，在一些可行的实施方式中，所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络的步骤，可以进一步包括以下所述的各实施内容：依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，分析出各个初级示例性测绘图像对应的网络学习代价参数；
依据所述各个初级示例性测绘图像对应的网络学习代价参数，分析出所述初级关键信息挖掘子网络对应的网络学习代价参数，例如，可以对所述各个初级示例性测绘图像对应的网络学习代价参数进行求和，以得到所述初级关键信息挖掘子网络对应的网络学习代价参数；依据所述初级关键信息挖掘子网络对应的网络学习代价参数，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络，例如，可以沿着降低所述初级关键信息挖掘子网络对应的网络学习代价参数的方向，对所述初级关键信息挖掘子网络的网络参数进行优化更新。
41.可以理解的是，在一些可行的实施方式中，所述任意一个初级示例性测绘图像为任意一个初始的示例性测绘图像或所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像，所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像属于将所述任意一个初始的示例性测绘图像中的图像像素进行调整后形成的测绘图像（其中，调整的图像像素的数量不受限制，如至少一个，在调整的图像像素的数量为多个时，多个图像像素可以是连续的，也可以是不连续的，并且，一个图像像素调整后的像素值和调整前的像素值之间的差值应当较小，如小于预设像素值，该预设像素值可以根据实际需求进行配置），基于此，所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，分析出各个初级示例性测绘图像对应的网络学习代价参数的步骤，可以进一步包括以下所述的各实施内容：针对所述任意一个初始的示例性测绘图像，依据各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像的网络学习代价参数；针对所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像，依据所述各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数。
42.可以理解的是，在一些可行的实施方式中，所述针对所述任意一个初始的示例性测绘图像，依据各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像的网络学习代价参数的步骤，可以进一步包括以下所述的各实施内容：依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像之间的第一匹配度表征参数，如特征表示之间的余弦相似度等；依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和其它初始的示例性测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像与所述其它初始的示例性测绘图像之间的第二匹配度表征参数，如特征表示之间的余弦相似度等，所述其它初始的示例性测绘图像为所述各个初始的示例性测绘图像中所述任意一个初始的示例性测绘图像以外的初始的示例性测绘图像；
依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述其它初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像与所述其它初始的示例性测绘图像对应的示例性调整测绘图像之间的第三匹配度表征参数，如特征表示之间的余弦相似度等；依据所述第一匹配度表征参数、所述第二匹配度表征参数和所述第三匹配度表征参数，计算出所述任意一个初始的示例性测绘图像的网络学习代价参数。
43.其中，可以理解的是，在一些可行的实施方式中，所述依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像之间的第一匹配度表征参数的步骤，可以进一步包括以下所述的各实施内容：对所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示进行数量积的计算，以输出对应的特征表示数量积，以及，基于目标调整参数，对所述特征表示数量积进行调整操作，以形成所述任意一个初始的示例性测绘图像和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像之间的第一匹配度表征参数，示例性地，所述第一匹配度表征参数可以与所述特征表示数量积之间具有正相关的对应关系，所述第二匹配度表征参数可以与所述目标调整参数之间具有负相关的对应关系，其中，所述目标调整参数的确定方式可以为：获取到最大网络优化阶段数目（可以是预先配置的，即最多进行的网络优化的次数、阶段数或轮数等），并获取当前网络优化阶段数目，计算所述当前网络优化阶段数目和所述最大网络优化阶段数目的正相关值之间的绝对差值（该正相关值与所述最大网络优化阶段数目之间的比值等于固定值，如0.5），再计算该绝对差值和所述最大网络优化阶段数目之间的比值，最后，基于预先确定的偏移参数，对该比值进行更新（如相加），得到所述目标调整参数，所述偏移参数可以为0.01、0.02、0.03、0.04等数值。
44.其中，可以理解的是，在一些可行的实施方式中，所述依据所述第一匹配度表征参数、所述第二匹配度表征参数和所述第三匹配度表征参数，计算出所述任意一个初始的示例性测绘图像的网络学习代价参数的步骤，可以进一步包括以下所述的各实施内容：计算所述第一匹配度表征参数的指数运算结果，以得到第一指数运算结果，并计算所述第二匹配度表征参数的指数运算结果，以得到第二指数运算结果，以及，计算所述第三匹配度表征参数的指数运算结果，以得到第三指数运算结果；计算各第二指数运算结果和各第三指数运算结果的和值，以得到目标指数运算结果，再计算所述第一指数运算结果和所述目标指数运算结果之间的比值，以及，对该比值进行取对数操作，最后，基于取对数操作的结果确定出所述任意一个初始的示例性测绘图像的网络学习代价参数，示例性地，该网络学习代价参数可以与该取对数操作的结果负相关，在另外的一些实施方式中，也可以直接计算各所述第二匹配度表征参数和所述第三匹配度表征参数的和值，再计算所述第一匹配度表征参数与该和值之间的比值，以及，对该比值进行取对数操作，最后，基于取对数操作的结果确定出所述任意一个初始的示例性测绘图像的网络学习代价参数。
45.可以理解的是，在一些可行的实施方式中，所述针对所述任意一个初始的示例性
测绘图像对应的示例性调整测绘图像，依据所述各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数的步骤，可以进一步包括以下所述的各实施内容：依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像之间的第一匹配度表征参数，如前相关描述；依据所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示和其它初始的示例性测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像与所述其它初始的示例性测绘图像之间的第四匹配度表征参数，所述其它初始的示例性测绘图像属于所述各个初始的示例性测绘图像中所述任意一个初始的示例性测绘图像以外的初始的示例性测绘图像，如前相关描述；依据所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示和所述其它初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像与所述其它初始的示例性测绘图像对应的示例性调整测绘图像之间的第五匹配度表征参数，如前相关描述；依据所述第一匹配度表征参数、所述第四匹配度表征参数和所述第五匹配度表征参数，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数，如前相关描述。
46.可以理解的是，在一些可行的实施方式中，所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络的步骤，可以进一步包括以下所述的各实施内容：依据各个初级示例性测绘图像的图像关键信息特征表示，分析出各个初级示例性测绘图像的图像像素调整估计数据，所述初级示例性测绘图像的图像像素调整估计数据为分析出的所述初级示例性测绘图像中各个图像像素被调整的可能性参数；提取到各个初级示例性测绘图像的图像像素调整实际数据，所述初级示例性测绘图像的图像像素调整实际数据为实际的所述初级示例性测绘图像中各个图像像素是否被调整的数据；依据所述各个初级示例性测绘图像的图像像素调整估计数据和所述各个初级示例性测绘图像的图像像素调整实际数据，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络，也就是说，可以先基于所述图像像素调整估计数据和所述图像像素调整实际数据之间的差异，确定出对应的网络优化代价参数，再基于该网络优化代价参数，对所述初级关键信息挖掘子网络进行网络优化操作，以形成高级关键信息挖掘子网络。
47.可以理解的是，在一些可行的实施方式中，所述依据所述高级关键信息挖掘子网
络，形成对应的优化图像分析网络的步骤，可以进一步包括以下所述的各实施内容：提取到高级示例性测绘图像，并提取到所述高级示例性测绘图像对应的图像种类标识数据，所述图像种类标识数据可以就人工标注形成；利用高级候选神经网络，分析出至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，所述融合示例性测绘图像包括所述高级示例性测绘图像和待定图像种类信息，所述高级候选神经网络包括所述高级关键信息挖掘子网络；依据所述至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，在所述至少两个融合示例性测绘图像中，分析出目标融合示例性测绘图像；依据所述目标融合示例性测绘图像中的待定图像种类信息和所述高级示例性测绘图像的图像种类标识数据，将所述高级候选神经网络进行网络优化操作，以形成对应的优化图像分析网络，例如，可以依据所述待定图像种类信息和所述图像种类标识数据之间的差异，确定出相应的网络优化代价参数，再基于该网络优化代价参数，对所述高级候选神经网络进行网络优化操作，以形成对应的优化图像分析网络。
48.其中，可以理解的是，在一些可行的实施方式中，所述利用高级候选神经网络，分析出至少两个融合示例性测绘图像中各个图像像素的分析可能性参数的步骤，可以进一步包括以下所述的各实施内容：对所述高级示例性测绘图像和所述待定图像种类信息进行数据融合操作，如前相关的描述，以形成所述至少两个融合示例性测绘图像中的一个融合示例性测绘图像；对所述一个融合示例性测绘图像进行加载，以加载到所述高级候选神经网络中，利用所述高级候选神经网络，挖掘出所述一个融合示例性测绘图像的关键信息特征表示，以及，依据所述一个融合示例性测绘图像的关键信息特征表示，分析出所述一个融合示例性测绘图像中各个图像像素的分析可能性参数，如前相关的描述。
49.其中，可以理解的是，在一些可行的实施方式中，所述利用高级候选神经网络，分析出至少两个融合示例性测绘图像中各个图像像素的分析可能性参数的步骤，可以进一步包括以下所述的各实施内容：对所述高级示例性测绘图像进行加载，以加载到所述高级候选神经网络中，利用所述高级候选神经网络，挖掘出所述高级示例性测绘图像的关键信息特征表示，如前相关的描述；利用所述高级候选神经网络，对所述高级示例性测绘图像的关键信息特征表示和所述待定图像种类信息的关键信息特征表示进行聚合操作，以形成所述至少两个融合示例性测绘图像中的一个融合示例性测绘图像的关键信息特征表示，如前相关的描述；利用所述高级候选神经网络，依据所述一个融合示例性测绘图像的关键信息特征表示，分析出所述一个融合示例性测绘图像中各个图像像素的分析可能性参数，如前相关的描述。
50.其中，可以理解的是，在一些可行的实施方式中，所述依据所述至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，在所述至少两个融合示例性测绘图像中，分析出目标融合示例性测绘图像的步骤，可以进一步包括以下所述的各实施内容：依据所述至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，分析出各个融合示例性测绘图像的图像内容衔接参数，所述融合示例性测绘图像的图像内容衔
接参数用于反映所述融合示例性测绘图像包括的图像内容之间的衔接融洽程度（即融合的图像数据之间的匹配程度）；依据所述各个融合示例性测绘图像的图像内容衔接参数，筛选出对应的图像内容衔接参数与预设衔接参数匹配的融合示例性测绘图像，并将该融合示例性测绘图像标记为所述目标融合示例性测绘图像，例如，可以将图像内容衔接参数具有最大值的融合示例性测绘图像，确定为对应的图像内容衔接参数与预设衔接参数匹配的融合示例性测绘图像，如此，可以标记为所述目标融合示例性测绘图像。
51.其中，可以理解的是，在一些可行的实施方式中，所述依据所述至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，分析出各个融合示例性测绘图像的图像内容衔接参数的步骤，可以进一步包括以下所述的各实施内容：依据所述至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，分析出各个融合示例性测绘图像的分析可能性参数；依据所述各个融合示例性测绘图像的分析可能性参数，分析出所述各个融合示例性测绘图像的图像内容衔接参数。
52.其中，可以理解的是，在一些可行的实施方式中，所述依据所述至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，分析出各个融合示例性测绘图像的分析可能性参数的步骤，包括，可以进一步包括以下所述的各实施内容：对于每一个所述融合示例性测绘图像，对该融合示例性测绘图像中各个图像像素的分析可能性参数进行融合操作，如进行相乘，以输出该融合示例性测绘图像的分析可能性参数。
53.其中，可以理解的是，在一些可行的实施方式中，所述依据所述各个融合示例性测绘图像的分析可能性参数，分析出所述各个融合示例性测绘图像的图像内容衔接参数的步骤，可以进一步包括以下所述的各实施内容：对于每一个所述融合示例性测绘图像，确定出该融合示例性测绘图像中包括的图像像素的像素数量，以及，计算该融合示例性测绘图像的分析可能性参数的第一负相关参数（例如，该第一负相关参数与该分析可能性参数之间的乘积等于一个固定值，如0.5、1、2），并计算该像素数量的第二负相关参数（例如，该第二负相关参数与该像素数量之间的乘积等于一个固定值，如0.5、1、2），以及，基于所述第二负相关参数，对所述第一负相关参数进行幂运算操作（例如，对所述第二负相关参数进行所述第一负相关参数对应次数幂的运算），以输出该融合示例性测绘图像的图像内容衔接参数，示例性地，所述图像内容衔接参数可以与幂运算操作的结果之间具有负相关的对应关系，如乘积等于一个固定值等。
54.可以理解的是，在一些可行的实施方式中，上述描述中的步骤s130，即所述利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数的步骤，可以进一步包括以下所述的各实施内容：对所述待分析测绘图像和所述待定图像种类信息进行数据融合操作，以形成所述至少两个还原绘图图像中的一个还原绘图图像，如前所述；对所述一个还原绘图图像进行加载，以加载到所述优化图像分析网络中，利用所述优化图像分析网络，挖掘出所述一个还原绘图图像的关键信息特征表示，并依据所述一个还原绘图图像的关键信息特征表示，分析出所述一个还原绘图图像中各个图像像素的分
析可能性参数，例如，可以通过优化图像分析网络先将所述还原绘图图像进行编码，以通过向量的形式来表示所述还原绘图图像，即得到对应的关键信息特征表示，然后，可以先对关键信息特征表示进行全连接操作，以形成关键信息全连接特征表示，最后，可以对所述关键信息全连接特征表示进行激活操作，以形成所述一个还原绘图图像中各个图像像素的分析可能性参数，可以通过激活函数实现，该激活函数可以时softmax等函数。
55.可以理解的是，在一些可行的实施方式中，上述描述中的步骤s130，即所述利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数的步骤，可以进一步包括以下所述的各实施内容：对所述待分析测绘图像进行加载，以加载到所述优化图像分析网络中，利用所述优化图像分析网络，挖掘出所述待分析测绘图像的关键信息特征表示；以及，利用所述优化图像分析网络，对所述待分析测绘图像的关键信息特征表示和所述待定图像种类信息的关键信息特征表示进行聚合操作，如进行级联组合操作，以形成所述至少两个还原绘图图像中的一个还原绘图图像的关键信息特征表示，也就是说，可以将所述待分析测绘图像和所述待定图像种类信息分别进行特征挖掘，以分别形成对应的关键信息特征表示；以及，利用所述优化图像分析网络，依据所述一个还原绘图图像的关键信息特征表示，如前相关描述，分析出所述一个还原绘图图像中各个图像像素的分析可能性参数。
56.结合图3，本发明实施例还提供一种应用于图像分析的测绘数据处理装置，可应用于上述应用于图像分析的测绘数据处理系统。其中，所述应用于图像分析的测绘数据处理装置可以包括：测绘图像提取模块，用于提取到待分析测绘图像，所述待分析测绘图像基于对目标区域进行的目标图像测绘操作以形成；神经网络优化模块，用于通过进行网络优化操作，以形成优化图像分析网络；测绘图像分析模块，用于利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数，所述还原绘图图像包括所述待分析测绘图像和待定图像种类信息；测绘图像确定模块，用于依据所述至少两个还原绘图图像中各个图像像素的分析可能性参数，在所述至少两个还原绘图图像中，选择出目标还原绘图图像；图像种类信息确定模块，用于对所述目标还原绘图图像中的待定图像种类信息进行标记，以标记为所述待分析测绘图像的目标图像种类信息，所述目标图像种类信息用于反映所述待分析测绘图像的图像种类。
57.综上所述，本发明提供的应用于图像分析的测绘数据处理方法及系统，可以先提取到待分析测绘图像；通过进行网络优化操作，以形成优化图像分析网络；利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数，还原绘图图像包括待分析测绘图像和待定图像种类信息；依据至少两个还原绘图图像中各个图像像素的分析可能性参数，在至少两个还原绘图图像中，选择出目标还原绘图图像；对目标还原绘图图像中的待定图像种类信息进行标记，以标记为待分析测绘图像的目标图像种类信息。基于前述的内容，由于是直接对包括待分析测绘图像和待定图像种类信息的还原绘图图像进行分析预测，而不是仅对待分析测绘图像进行分析预测，使得分析预测的针对性更强，因此，可以在一定程度上提高测绘图像分析的可靠度，从而改善现有技术中的不足。
58.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种应用于图像分析的测绘数据处理方法，其特征在于，包括：提取到待分析测绘图像，所述待分析测绘图像基于对目标区域进行的目标图像测绘操作以形成；通过进行网络优化操作，以形成优化图像分析网络；利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数，所述还原绘图图像包括所述待分析测绘图像和待定图像种类信息；依据所述至少两个还原绘图图像中各个图像像素的分析可能性参数，在所述至少两个还原绘图图像中，选择出目标还原绘图图像；对所述目标还原绘图图像中的待定图像种类信息进行标记，以标记为所述待分析测绘图像的目标图像种类信息，所述目标图像种类信息用于反映所述待分析测绘图像的图像种类。2.如权利要求1所述的应用于图像分析的测绘数据处理方法，其特征在于，所述利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参数的步骤，包括：对所述待分析测绘图像和所述待定图像种类信息进行数据融合操作，以形成所述至少两个还原绘图图像中的一个还原绘图图像；以及，对所述一个还原绘图图像进行加载，以加载到所述优化图像分析网络中，利用所述优化图像分析网络，挖掘出所述一个还原绘图图像的关键信息特征表示，并依据所述一个还原绘图图像的关键信息特征表示，分析出所述一个还原绘图图像中各个图像像素的分析可能性参数；或者对所述待分析测绘图像进行加载，以加载到所述优化图像分析网络中，利用所述优化图像分析网络，挖掘出所述待分析测绘图像的关键信息特征表示；以及，利用所述优化图像分析网络，对所述待分析测绘图像的关键信息特征表示和所述待定图像种类信息的关键信息特征表示进行聚合操作，以形成所述至少两个还原绘图图像中的一个还原绘图图像的关键信息特征表示；以及，利用所述优化图像分析网络，依据所述一个还原绘图图像的关键信息特征表示，分析出所述一个还原绘图图像中各个图像像素的分析可能性参数。3.如权利要求1或2所述的应用于图像分析的测绘数据处理方法，其特征在于，所述通过进行网络优化操作，以形成优化图像分析网络的步骤，包括：提取到多个初级示例性测绘图像；针对任意一个初级示例性测绘图像，利用初级候选神经网络，分析出所述任意一个初级示例性测绘图像中各个图像像素的分析可能性参数；依据所述多个初级示例性测绘图像中各个图像像素的分析可能性参数，将所述初级候选神经网络进行网络优化操作，以形成初级优化神经网络，所述初级优化神经网络包括初级关键信息挖掘子网络；利用所述初级关键信息挖掘子网络，挖掘出所述任意一个初级示例性测绘图像对应的图像关键信息特征表示；依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络；依据所述高级关键信息挖掘子网络，形成对应的优化图像分析网络。
4.如权利要求3所述的应用于图像分析的测绘数据处理方法，其特征在于，所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络的步骤，包括：依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，分析出各个初级示例性测绘图像对应的网络学习代价参数；依据所述各个初级示例性测绘图像对应的网络学习代价参数，分析出所述初级关键信息挖掘子网络对应的网络学习代价参数；依据所述初级关键信息挖掘子网络对应的网络学习代价参数，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络。5.如权利要求4所述的应用于图像分析的测绘数据处理方法，其特征在于，所述任意一个初级示例性测绘图像为任意一个初始的示例性测绘图像或所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像，所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像属于将所述任意一个初始的示例性测绘图像中的图像像素进行调整后形成的测绘图像；所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，分析出各个初级示例性测绘图像对应的网络学习代价参数的步骤，包括：针对所述任意一个初始的示例性测绘图像，依据各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像的网络学习代价参数；针对所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像，依据所述各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数。6.如权利要求5所述的应用于图像分析的测绘数据处理方法，其特征在于，所述针对所述任意一个初始的示例性测绘图像，依据各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像的网络学习代价参数的步骤，包括：依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像之间的第一匹配度表征参数；依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和其它初始的示例性测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像与所述其它初始的示例性测绘图像之间的第二匹配度表征参数，所述其它初始的示例性测绘图像为所述各个初始的示例性测绘图像中所述任意一个初始的示例性测绘图像以外的初始的示例性测绘图像；依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述其它初始
的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像与所述其它初始的示例性测绘图像对应的示例性调整测绘图像之间的第三匹配度表征参数；依据所述第一匹配度表征参数、所述第二匹配度表征参数和所述第三匹配度表征参数，计算出所述任意一个初始的示例性测绘图像的网络学习代价参数。7.如权利要求5所述的应用于图像分析的测绘数据处理方法，其特征在于，所述针对所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像，依据所述各个初始的示例性测绘图像的图像关键信息特征表示和所述各个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，分析出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数的步骤，包括：依据所述任意一个初始的示例性测绘图像的图像关键信息特征表示和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像和所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像之间的第一匹配度表征参数；依据所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示和其它初始的示例性测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像与所述其它初始的示例性测绘图像之间的第四匹配度表征参数，所述其它初始的示例性测绘图像属于所述各个初始的示例性测绘图像中所述任意一个初始的示例性测绘图像以外的初始的示例性测绘图像；依据所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示和所述其它初始的示例性测绘图像对应的示例性调整测绘图像的图像关键信息特征表示，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像与所述其它初始的示例性测绘图像对应的示例性调整测绘图像之间的第五匹配度表征参数；依据所述第一匹配度表征参数、所述第四匹配度表征参数和所述第五匹配度表征参数，计算出所述任意一个初始的示例性测绘图像对应的示例性调整测绘图像的网络学习代价参数。8.如权利要求3所述的应用于图像分析的测绘数据处理方法，其特征在于，所述依据所述多个初级示例性测绘图像各自对应的图像关键信息特征表示，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络的步骤，包括：依据各个初级示例性测绘图像的图像关键信息特征表示，分析出各个初级示例性测绘图像的图像像素调整估计数据，所述初级示例性测绘图像的图像像素调整估计数据为分析出的所述初级示例性测绘图像中各个图像像素被调整的可能性参数；提取到各个初级示例性测绘图像的图像像素调整实际数据，所述初级示例性测绘图像的图像像素调整实际数据为实际的所述初级示例性测绘图像中各个图像像素是否被调整的数据；依据所述各个初级示例性测绘图像的图像像素调整估计数据和所述各个初级示例性测绘图像的图像像素调整实际数据，将所述初级关键信息挖掘子网络进行网络优化操作，以形成所述初级关键信息挖掘子网络对应的高级关键信息挖掘子网络。
9.如权利要求3所述的应用于图像分析的测绘数据处理方法，其特征在于，所述依据所述高级关键信息挖掘子网络，形成对应的优化图像分析网络的步骤，包括：提取到高级示例性测绘图像，并提取到所述高级示例性测绘图像对应的图像种类标识数据；利用高级候选神经网络，分析出至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，所述融合示例性测绘图像包括所述高级示例性测绘图像和待定图像种类信息，所述高级候选神经网络包括所述高级关键信息挖掘子网络；依据所述至少两个融合示例性测绘图像中各个图像像素的分析可能性参数，在所述至少两个融合示例性测绘图像中，分析出目标融合示例性测绘图像；依据所述目标融合示例性测绘图像中的待定图像种类信息和所述高级示例性测绘图像的图像种类标识数据，将所述高级候选神经网络进行网络优化操作，以形成对应的优化图像分析网络。10.一种应用于图像分析的测绘数据处理系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的方法。

技术总结
本发明提供的应用于图像分析的测绘数据处理方法及系统，涉及人工智能技术领域。在本发明中，提取到待分析测绘图像；通过进行网络优化操作，以形成优化图像分析网络；利用优化图像分析网络，分析出至少两个还原绘图图像中各个图像像素的分析可能性参；依据至少两个还原绘图图像中各个图像像素的分析可能性参数，在至少两个还原绘图图像中，选择出目标还原绘图图像；对目标还原绘图图像中的待定图像种类信息进行标记，以标记为待分析测绘图像的目标图像种类信息。基于上述内容，可以在一定程度上提高测绘图像分析的可靠度。上提高测绘图像分析的可靠度。上提高测绘图像分析的可靠度。


技术研发人员：高秋阳 张艺馨 徐明星
受保护的技术使用者：江苏追梦信息科技有限公司
技术研发日：2023.06.12
技术公布日：2023/8/23