训练集生成、数据模型训练、游戏地形生成方法与流程

1.本技术涉及游戏技术领域，尤其是涉及一种训练集生成、数据模型训练、游戏地形生成方法。


背景技术：

2.随着深度学习的不断发展，使用ai生成各种内容成为热点技术。该项技术的应用，需要构建训练集对数据模型进行训练，然后才能使用训练好的数据模型生成相应内容。
3.然而现有技术中，通常是通过人工标注的方式构建训练集，不可避免存在构建效率低、标注准确性差导致训练得到的数据模型效果不理想等问题。


技术实现要素：

4.本技术的主要目的在于提供一种训练集生成、数据模型训练、游戏地形生成方法，旨在解决训练集的构建效率低、标注准确性差的技术问题，提升训练集的构建效率及标注准确性。
5.为实现上述目的，本技术提供一种训练集生成方法，所述训练集生成方法，包括：
6.获取包含目标对象的若干样本图像；
7.对所述样本图像进行对比度调整，得到调整后的样本图像；
8.对所述调整后的样本图像进行二值化，得到二值化后的目标图像；
9.对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图；
10.基于所述若干样本图像和每一样本图像对应的线框图，生成目标训练集。
11.可选地，所述对所述样本图像进行对比度调整，得到调整后的样本图像的步骤，包括：
12.根据每一样本图像的对比度，获取对应的最大值、最小值和均值；
13.根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值；
14.根据所述对比度调整数值，对所述样本图像进行调整，得到所述调整后的样本图像。
15.可选地，所述根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值的步骤，包括：
16.根据每一样本图像的对比度的最大值、最小值和均值，得到每一样本图像的对比度描述值；
17.根据预定义数值和所述每一样本图像的对比度描述值，得到每一样本图像对应的对比度调整数值。
18.可选地，对所述调整后的样本图像进行二值化，得到二值化后的目标图像的步骤包括：
19.确定每一调整后的样本图像的初始二值化阈值；
20.根据每一样本图像对应的对比度调整数值，对所述初始二值化阈值进行调整，得到每一调整后的样本图像的目标二值化阈值；
21.根据所述目标二值化阈值，对每一调整后的样本图像进行区域化二值化，得到所述目标图像。
22.可选地，所述对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图的步骤包括：
23.根据所述目标图像中的颜色，确定第一区域和第二区域；
24.分别对所述第一区域和所述第二区域进行骨架提取，得到所述线框图。
25.可选地，所述对所述样本图像进行对比度调整，得到调整后的样本图像的步骤之前，还包括：
26.对所述样本图像进行直方图优化。
27.可选地，所述对所述调整后的样本图像进行二值化，得到二值化后的目标图像的步骤之前，还包括：
28.对所述调整后的样本图像进行中值滤波。
29.为实现上述目的，本技术还提供一种数据模型训练方法，所述数据模型训练方法应用于游戏地形生成模型的生成，包括：
30.获取若干地表高程图；
31.采用如上所述一种训练集生成方法，根据所述地表高程图生成地形训练集；
32.根据所述地形训练集，对预先构建的数据模型进行训练，得到所述游戏地形生成模型。
33.为实现上述目的，本技术还提供一种游戏地形生成方法，所述游戏地形生成方法包括：
34.获取输入的地形线框图；
35.将所述地形线框图输入如上所述一种数据模型训练方法所述的游戏地形生成模型，得到进行游戏地形构建的目标高度图；
36.根据所述目标高度图，生成目标游戏地形。
37.可选地，所述获取输入的地形线框图的步骤包括：
38.响应于采用预设第一颜色绘制的第一绘制操作，根据所述第一绘制操作，生成对应的山峰线框图；
39.响应于采用预设第二颜色绘制的第二绘制操作，根据所述第二绘制操作，生成对应的山谷线框图；
40.根据所述山峰线框图和所述山谷线框图，得到所述地形线框图。
41.为实现上述目的，本技术还提供一种训练集生成装置，所述训练集生成装置包括：
42.样本图像获取模块，用于获取包含目标对象的若干样本图像；
43.对比度调整模块，用于对所述样本图像进行对比度调整，得到调整后的样本图像；
44.图像二值化模块，用于对所述调整后的样本图像进行二值化，得到二值化后的目标图像；
45.骨架提取模块，用于对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图；
46.目标训练集生成模块，用于基于所述若干样本图像和每一样本图像对应的线框图，生成目标训练集。
47.其中，本技术训练集生成装置的各个功能模块各自在运行时均实现如上所述的训练集生成方法的步骤。
48.为实现上述目的，本技术还提供一种数据模型训练装置，所述数据模型训练装置包括：
49.高程图获取模块，用于获取若干地表高程图；
50.地形训练集生成模块，用于采用如上所述的训练集生成方法，根据所述地表高程图生成地形训练集；
51.模型训练模块，用于根据所述地形训练集，对预先构建的数据模型进行训练，得到所述游戏地形生成模型。
52.为实现上述目的，本技术还提供一种游戏地形生成装置，所述游戏地形生成装置包括：
53.线框图获取模块，用于获取输入的地形线框图；
54.高度图生成模块，用于将所述地形线框图输入如上所述的数据模型训练方法所述的游戏地形生成模型，得到进行游戏地形构建的目标高度图；
55.游戏地形生成模块，用于根据所述目标高度图，生成目标游戏地形。
56.为实现上述目的，本技术还提供一种设备，所述设备包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的方法的步骤。
57.为实现上述目的，本技术还提出一种计算机可读存储介质，所述计算机可读存储介质上存储程序，所述程序被处理器执行时实现如上所述的方法的步骤。
58.本技术提供一种训练集生成、数据模型训练、游戏地形生成方法，所述方法包括：获取包含目标对象的若干样本图像；对样本图像进行调整，得到调整后的样本图像；对调整后的样本图像进行二值化，得到二值化后的目标图像；对目标图像中的目标对象进行骨架提取，得到样本图像对应的线框图；基于若干样本图像和每一样本图像对应的线框图，生成目标训练集。
59.相比于人工标注的方式构建训练集，本方案通过对包含目标对象的样本图像进行二值化并对目标对象进行骨架提取，得到样本图像对应的线框图，根据样本图像及其对应的线框图，可以实现自动化构建训练集，进而可以提高训练集的构建效率；此外，通过对样本图像进行对比度调整，可以使得样本图像对应的线框图更准确，进而可以提升训练集的标注准确性。
附图说明
60.图1为本技术实施例方案涉及的硬件运行环境的结构示意图；
61.图2为本技术训练集生成方法第一实施例的流程示意图；
62.图3为本技术训练集生成方法第二实施例的流程示意图；
63.图4为现有对比度调整后的示例性图像示意图；
64.图5为本技术训练集生成方法第三实施例的流程示意图；
65.图6为本技术训练集生成方法第四实施例的流程示意图；
66.图7为示例性的灰度图与调整后的样本图像的显示效果对比示意图；
67.图8为示例性的山峰山谷直方图调整对比示意图；
68.图9为示例性地对调整后的样本图像进行中值滤波后图像的对比示意图。
69.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
70.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
71.本技术实施例的主要解决方案：
72.本方案提供一种训练集生成方法，通过获取包含目标对象的若干样本图像；对样本图像进行调整，得到调整后的样本图像；对调整后的样本图像进行二值化，得到二值化后的目标图像；对目标图像中的目标对象进行骨架提取，得到样本图像对应的线框图；基于若干样本图像和每一样本图像对应的线框图，生成目标训练集。
73.上述训练集生成方法解决了训练集的构建效率低、标注准确性差的技术问题，通过对包含目标对象的样本图像进行二值化并对目标对象进行骨架提取，得到样本图像对应的线框图，根据样本图像及其对应的线框图，可以实现自动化构建训练集，进而可以提高训练集的构建效率；此外，通过对样本图像进行对比度调整，可以使得样本图像对应的线框图更准确，进而可以提升训练集的标注准确性。
74.本技术实施例中涉及到的专业技术用语：
75.灰度图(灰阶图)，把白色与黑色之间按照对数关系分为若干等级，称为灰度，灰度分为256阶，用灰度表示的图像被称为灰度图，灰度图一般用于卫星图像、航空照片以及许多地球物理观测数据，通过利用灰度图的灰度值(灰阶值)表示图像中的色彩变化，在图像处理过程中，对于原始的rgb图像一般需要先转换为灰度图进行处理，当图像太亮或太暗时，图像特征并不明显，因此，图像对比度往往通过对图像的灰度方差(标准差)进行衡量，在本实施例中，灰度图示例性地用于表示地形、地脉走向以及地面高度信息对应的灰度色彩变化的灰度图，但本实施例的方法用于对灰度图(灰阶图)进行对比度调整处理，对具体应用场景和灰度图类型不作具体限制。
76.图像对比度：是指一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，即指一幅图像灰度反差的大小，在一幅图像中灰度反差的差异范围越大表示图像色彩的对比越大，能够显示更加丰富的色彩，灰度反差的差异范围越小则表示图像色彩对比越小，色彩显示较为局限。
77.二值化图像：是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程，二值化图像使图像中数据量大为减少，从而能够凸显出目标图像的轮廓线。
78.本技术实施例考虑到，现有的训练集生成方法的具体技术手段：通过人工实现收集数据、特征标注等工作，获取目标训练集。
79.采用上述现有技术手段存在以下技术问题：人工工作导致训练集的构建效率低、标注准确性差。
80.因此，本技术实施例从目标训练集生成的实际问题出发，结合自适应图像的对比
度调整以及自适应图像的二值化调整，并针对目标对象的骨骼提取出对应的线框图，可以提升训练集的构建效率及标注准确性，进而可以根据目标训练集对数据模型进行有效训练，从而可以提高数据模型训练的准确度。
81.具体地，参照图1，图1是本技术实施例方案涉及的硬件运行环境的设备结构示意图。如图1所示，该设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
82.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及程序。其中，操作系统是管理和控制设备硬件和软件资源的程序，支持程序以及其它软件或程序的运行；网络通信模块用于管理和控制网络接口1002；用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001可以用于调用存储器1005中存储的程序。
83.其中，上述存储器1005中存储的程序被处理器执行时实现以下步骤：
84.获取包含目标对象的若干样本图像；
85.对所述样本图像进行对比度调整，得到调整后的样本图像；
86.对所述调整后的样本图像进行二值化，得到二值化后的目标图像。
87.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
88.获取包含目标对象的若干样本图像；
89.对所述样本图像进行对比度调整，得到调整后的样本图像；
90.对所述调整后的样本图像进行二值化，得到二值化后的目标图像；
91.对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图；
92.基于所述若干样本图像和每一样本图像对应的线框图，生成目标训练集。
93.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
94.根据每一样本图像的对比度，获取对应的最大值、最小值和均值；
95.根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值；
96.根据所述对比度调整数值，对所述样本图像进行调整，得到所述调整后的样本图像。
97.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
98.根据每一样本图像的对比度的最大值、最小值和均值，得到每一样本图像的对比度描述值；
99.根据预定义数值和所述每一样本图像的对比度描述值，得到每一样本图像对应的对比度调整数值。
100.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
101.确定每一调整后的样本图像的初始二值化阈值；
102.根据每一样本图像对应的对比度调整数值，对所述初始二值化阈值进行调整，得到每一调整后的样本图像的目标二值化阈值；
103.根据所述目标二值化阈值，对每一调整后的样本图像进行区域化二值化，得到所述目标图像。
104.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
105.根据所述目标图像中的颜色，确定第一区域和第二区域；
106.分别对所述第一区域和所述第二区域进行骨架提取，得到所述线框图。
107.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
108.对所述样本图像进行直方图优化。
109.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
110.对所述调整后的样本图像进行中值滤波。
111.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
112.获取若干地表高程图；
113.采用如上所述一种训练集生成方法，根据所述地表高程图生成地形训练集；
114.根据所述地形训练集，对预先构建的数据模型进行训练，得到所述游戏地形生成模型。
115.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
116.获取输入的地形线框图；
117.将所述地形线框图输入如上所述一种数据模型训练方法所述的游戏地形生成模型，得到进行游戏地形构建的目标高度图；
118.根据所述目标高度图，生成目标游戏地形。
119.进一步地，存储器1005中存储的程序被处理器执行时还实现以下步骤：
120.响应于采用预设第一颜色绘制的第一绘制操作，根据所述第一绘制操作，生成对应的山峰线框图；
121.响应于采用预设第二颜色绘制的第二绘制操作，根据所述第二绘制操作，生成对应的山谷线框图；
122.根据所述山峰线框图和所述山谷线框图，得到所述地形线框图。
123.为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
124.基于上述终端设备架构但不限于上述架构，提出本技术训练集生成方法的具体实施例。
125.具体地，参照图2，图2为本技术训练集生成方法第一实施例的流程示意图，所述训练集生成方法可以包括：
126.步骤s10，获取包含目标对象的若干样本图像；
127.本技术考虑到，现有的训练集生成方式大多通过人工实现收集数据、特征标注等工作，获取目标训练集，人工工作导致目标训练集中数据的准确性低，目标训练集构建效率低。因此，本技术实施例主要实现训练集的构建尤其是训练集的生成，提升训练集的构建效
率及标注准确性。
128.具体地，样本图像可以是卫星图像、航空照片以及许多地球物理观测数据等地表高程图，样本图像可以包含同一类的目标对象，目标对象可以是地形等。示例性地，可以从卫星遥感所得到的高程图数据集中，获取包含地形的地表高程图(灰度图)。
129.步骤s20，对所述样本图像进行对比度调整，得到调整后的样本图像；
130.具体地，在获取包含地形的样本图像后，为了提升对样本图像进行二值化并对目标对象进行骨架提取的准确性，可以先针对包含目标对象的样本图像进行自适应的对比度调整，得到经过自适应的对比度调整后的样本图像，可以使得每一调整后的样本图像的对比度都不相同。
131.可选地，在对样本图像进行对比度调整之前，还可以对样本图像进行直方图优化。
132.步骤s30，对所述调整后的样本图像进行二值化，得到二值化后的目标图像；
133.具体地，在每一样本图像经过对比度调整后，可以针对每一调整后的样本图像进行自适应的二值化优化，进而可以得到每一样本图像所对应的包含目标对象的目标图像，可以使得每一目标图像的灰度值都不相同。
134.可选地，在对调整后的样本图像进行二值化之前，还可以对调整后的样本图像进行中值滤波操作。
135.步骤s40，对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图；
136.具体地，在对每一调整后的样本图像进行二值化，得到每一调整后的样本图像所对应的目标图像后，可以分别对每一目标图像中的目标对象进行形态骨骼提取，得到每一样本图像所对应的线框图。
137.步骤s50，基于所述若干样本图像和每一样本图像对应的线框图，生成目标训练集。
138.具体地，通过将若干样本图像和每一样本图像对应的线框图建立一一的对应关系之后，可以构建得到目标训练集。
139.示例性地，以包含地形的地表高程图作为包含目标对象的样本图像进行举例，在本技术实施例中，为了实现自动化构建目标地形训练集，可以对地表高程图进行二值化，进而通过骨架提取算法对地表高程图进行形态骨骼提取，将二值化后的地表高程图中的地形抽离出与其骨骼近似的单像素表示形态，得到每一地表高程图所对应的地形线框图，进而基于若干地表高程图及其一一对应的地形线框图，可以提高训练集的构建效率。
140.进一步地，可以将目标训练集应用于涉及到轮廓构建场景的数据模型训练，例如，可以是地形地势图、云层厚度图等场景图像信息，且数据模型的具体应用场景并不作具体限制。
141.本实施例通过对包含目标对象的样本图像进行二值化并对目标对象进行骨架提取，得到样本图像对应的线框图，根据样本图像及其对应的线框图，可以实现自动化构建训练集，提高训练集的构建效率；此外，通过对样本图像进行对比度调整，可以使得样本图像对应的线框图更准确，提升训练集的标注准确性。
142.进一步地，基于上述本技术训练集生成方法的第一实施例，提出本技术训练集生成方法的第二实施例。
143.在本实施例是对步骤s20，对所述样本图像进行对比度调整，得到调整后的样本图像的细化，参照图3，具体可以包括如下子步骤：
144.子步骤s21，根据每一样本图像的对比度，获取对应的最大值、最小值和均值；
145.本技术实施例考虑到，目前图像对比度增强方法是通过设定单一的标准对比度阈值进行对比度调整的方式导致当全局图像的色彩差距较大时，难以通过单一的标准对比度阈值实现全局图像的视觉效果优化。参照图4，图4为直接二值化提取的图像示意图，其中，图4a为卫星遥感抓取的地表灰度图，图4b为直接进行二值化提取的第一图像示意图，图4c为直接进行二值化提取的第二图像示意图。
146.由图4可知，直接对样本图像进行固定化二值化所提取得到示意图准确度低，也即，如果标准对比度阈值设定过高，则调整后的图像过分增强，不自然，造成某些图像细节减小甚至消失；如果标准对比度阈值设定过低，则调整后的图像变化效果不大，达不到调整后的样本图像效果。
147.具体地，本技术实施例可以通过对提取样本图像的对比度的最大值、最小值和均值，进而根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像所对应的对比度调整数值。
148.其中，作为一种实施方案，可以基于灰度分布的方法，计算每一样本图像的对比度，分别获得每一样本图像的对比度的最大值、最小值和均值；作为另一种实施方案，还可以基于几何中心的方法，计算每一样本图像的对比度，分别获得每一样本图像的对比度的最大值、最小值和均值。
149.子步骤s22，根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值；
150.具体地，由于每一样本图像的对比度都不相同，因此，可以根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值，可以针对每一样本图像，得到不一样的自适应对比度调整数值。其中，对比度调整数值可以是与样本图像一一对应的。
151.进一步地，子步骤s22，根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值，还可以包括以下子步骤：
152.子步骤s221，根据每一样本图像的对比度的最大值、最小值和均值，得到每一样本图像的对比度描述值；
153.具体地，根据最大值、最小值和均值进一步计算，得到每一样本图像对应的对比度描述值。
154.示例性地，具体公式如下：
155.img_mean＝image.mean()
156.img_max＝image.max()
157.img_min＝image.min()
158.imgconstrast＝(img_max-img_min)/img_mean
159.其中，img_mean表示均值，img_max表示最大值，img_min表示最小值，imgconstrast表示对比度描述值。
160.子步骤s222，根据预定义数值和所述每一样本图像的对比度描述值，得到每一样
本图像对应的对比度调整数值。
161.示例性地，可以通过将样本图像对应的对比度描述值输入至预先定义的自适应计算公式，根据预先定义的调整阈值baseconstrast和对比度描述值imgconstrast进行计算，得到样本图像对应的对比度调整数值adaptiveconstrast，具体公式如下：
162.adaptiveconstrast＝baseconstrast/imgconstrast
163.其中，预先定义的调整阈值baseconstrast可以为卫星数据集整体自定义对比度的中位数(目标数据集整体对比度的中位数)。
164.子步骤s23，根据所述对比度调整数值，对所述样本图像进行调整，得到所述调整后的样本图像。
165.具体地，本技术实施例可以针对不同样本图像所对应的对比度调整数值进行对比度自适应调整，也即，可以使得样本图像中的对比度较强的区域少或不增强，还可以使得样本图像中的对比度较弱的区域进行较大幅度增强，使得整张图像仍然可以是做全局的对比度增强。
166.可以通过对比度调整数值实现训练集生成的方式是根据自适应样本图像的对比度调整数值，对样本图像的对比度进行调整，进而得到对比度调整后的样本图像。
167.本实施例根据每一样本图像的对比度，获得对应的最大值、最小值及均值，进而计算得到自适应与样本图像的对比度调整数值，进而根据对比度调整数字对样本图像进行对比度调整，得到调整后的样本图像，可以保留每一样本图像的色彩特点，避免在整体图像的色彩差距较大时，仍通过单一对比度调整数值对整体图像的色彩显示效果进行调整，提升了对比度调整数值在对全局的灰度图中的每一样本图像进行对比度调整过程中的适应性，优化图像对比度的调整效果，并强化对比度调整对图像显示效果的优化作用。
168.进一步地，基于上述本技术训练集生成方法的第一、第二实施例，提出本技术训练集生成方法的第三实施例。
169.本实施例是对步骤s30，对所述调整后的样本图像进行二值化，得到二值化后的目标图像的细化，参照图5，具体可以包括如下子步骤：
170.子步骤s31，确定每一调整后的样本图像的初始二值化阈值；
171.具体地，初始二值化阈值可以是一个设定的固定标准二值化阈值。本技术实施例可以通过函数确定调整后的样本图像的目标二值化阈值。
172.示例性地，可以通过均值法和高斯法，自适应的计算对比度调整后的样本图像的初始二值化阈值。
173.子步骤s32，根据每一样本图像对应的对比度调整数值，对所述初始二值化阈值进行调整，得到每一调整后的样本图像的目标二值化阈值；
174.具体地，目标二值化阈值可以是通过算法根据每一样本图像对应的对比度调整数值对初始二值化进行调整，进而实现自适应于样本图像的二值化阈值。
175.示例性地，可以根据样本图像的对比度调整数值，对初始的二值化阈值进行修正，进而得到自适应于经过对比度调整后的样本图像的目标二值化阈值。
176.子步骤s33，根据所述目标二值化阈值，对每一调整后的样本图像进行区域化二值化，得到所述目标图像。
177.本技术实施例考虑到，经过对比度调整后的样本图像可以非常接近二值图，但是
对比度调整步骤有一个负面作用，也即，使得样本图像中的白色区域补全较多，进而使得样本图像中的黑色区域变少，即信息丢失。
178.因此，本技术实施例为了对经过对比度调整后的样本图像进行补偿，通过根据目标二值化阈值，对每一调整后的样本图像进行区域化二值化，得到二值化后的目标图像，可以使得目标图像中的白色区域变少，黑色区域变多，更加接近样本图像(原图)的比例。
179.示例性地，在得到每一调整后的样本图像的目标二值化阈值之后，可以根据目标二值化阈值对调整后的样本图像进行自适应的二值化优化，得到二值化优化后的包含目标对象的图像。
180.本实施例通过对自适应对比度调整后的样本图像进行区域二值化的调节，可以有效解决对比度调整后的图像中数据丢失、信息失真的问题，可以增加图像的使用价值，优化图像的显示效果。
181.进一步地，基于上述本技术训练集生成方法的第一实施例，提出本技术训练集生成方法的第四实施例。
182.本实施例是对步骤s40，对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图的细化，参照图6，具体可以包括如下子步骤：
183.子步骤s41，根据所述目标图像中的颜色，确定第一区域和第二区域；
184.具体地，由于图像的二值化后，可以将目标图像上的像素点的灰度值设置为0或255，也即，将整个图像呈现出明显的只有黑和白的视觉效果。因此，通过根据目标图像中的颜色，分别确定第一区域和第二区域。
185.作为一种实施方案，可以是第一区域为黑色区域，第二区域为白色区域；作为另一种实施方案，可以是第一区域为白色区域，第二区域为黑色区域。
186.子步骤s42，分别对所述第一区域和所述第二区域进行骨架提取，得到所述线框图。
187.参照图7，图7为示例性的灰度图与调整后的样本图像的显示效果对比示意图，其中，图7a为样本图像示意图，图7b为样本图像经过上述步骤进行骨骼提取后的示意图。
188.在本实施例中，在获得自适应对比度调整以及自适应二值化调整后的目标图像后，可以对目标图像中的目标对象进行形态骨骼提取，将目标图像区域细化成由像素组成的灰度值数据，从目标图像对应的各个像素对应的灰度值数据中提取出中心像素的骨骼轮廓，并将该中心像素的骨骼轮廓作为目标特征值勾勒对应的线框图。
189.示例性地，假定样本图像为地表高程图，目标对象为地表高程图中的地形，地形包括山峰和山谷。采用骨骼提取法，根据二值化后的地表高程图中的黑色区域以及白色区域进行骨骼形态提取，可以分别确定山峰线框图和山谷线框图，进而根据山峰线框图和山谷线框图得到地表高程图所对应的地形线框图。
190.其中，由于同时对黑色区域和白色区域进行骨骼形态提取所得到的地形线框图用于与对应的地表高程图构建训练集，可以使得数据模型的训练效果更加准确，因此本技术实施例以同时对黑色区域以及白色区域进行骨骼形态区域为优选。
191.本技术实施例通过根据目标图像中的颜色，可以分别确定第一区域和第二区域，进而对目标图像中的目标对象进行骨骼提取，得到线框图，可以提升目标对象提取的准确率。
192.进一步地，基于上述本技术训练集生成方法的各实施例，提出本技术训练集生成方法的第五实施例。
193.可选地，在步骤s20，对所述样本图像进行对比度调整，得到调整后的样本图像之前，还可以包括对样本图像进行直方图调整的方案，具体可以包括：
194.步骤s201，对所述样本图像进行直方图优化。
195.需要说明的是，在对样本图像进行自适应的对比度调整之前，本方案还可以包括通过对全局的样本图像进行直方图调整，可以增强全局的样本图像中的对比度，优化通过对比度对样本图像分割效果。
196.具体地，对全局的样本图像进行直方图调整的实施方案，可以是通过累积分布函数变换-直方图均衡，得到样本图像经过直方图调整后的增强的图像对比度。
197.示例性地，假设地表高程图(灰度图)的灰阶值都集中在暗区，可以将地表高程图的灰度值分布变换到整个0-255的区间中，增加地表高程图中每一像素的灰阶值方差，可以得到地表高程图增强的图像对比度，并基于该图像对比度增强全局的地表高程图的均衡值，可以优化全局的地表高程图的对比效果。
198.进一步地，上述增强的图像对比度可以用于后续的样本图像调整，样本图像自适应的对比度调整数值计算、样本图像自适应的对比度调整以及样本图像对应的调整后的样本图像的图像转换。
199.参照图8，图8为示例性的山峰山谷直方图调整对比示意图，图8a为示例性地直方图调整前的山峰山谷轮廓线示意图，图8b为示例性的直方图调整后的山峰山谷轮廓线示意图。由调整对比图可知，在使用直方图优化后生成对应的山峰山谷轮廓线可以更加合理，表达更加清楚的地形走向线条和地形构造图。
200.本实施例通过对全局的样本图像进行直方图调整，增强样本图像的图像对比度，有利于后续的样本图像自适应的对比度调整数值计算、样本图像自适应的对比度调整以及调整后的样本图像的二值化调整，提高了样本图像的调整效果，提升对比度调整数值的有效性和适应性，优化自适应的对比度调整效果，进而提高训练集中数据的准确性。
201.进一步地，基于上述本技术训练集生成方法的各实施例，提出本技术训练集生成方法的第六实施例。
202.可选地，步骤s30，对所述调整后的样本图像进行二值化，得到二值化后的目标图像之前，还可以包括对调整后的样本图像进行中值滤波调整的方案，具体可以包括：
203.步骤s301，对所述调整后的样本图像进行中值滤波。
204.在本实施例中，将对比度调整后的样本图像进行目标图像转换，生成调整后的样本图像对应的目标图像的步骤之前，所述方法还包括对调整后的样本图像进行中值滤波，平滑调整后的样本图像中的数据噪点的方案。
205.作为一种实施方案，本实施例可以通过标准的中值滤波方法对调整后的样本图像进行噪点过滤；作为另一种实施方案，本实施例还可以通过带权值的中值滤波方法对调整后的样本图像进行噪点过滤；作为又一种实施方案，本实施例还可以通过tri-state中值滤波方法对调整后的样本图像进行噪点过滤；作为再一种实施方案，本实施例还可以通过自适应终止滤波方法对调整后的样本图像进行噪点过滤。
206.需要说明的是，中值滤波去噪法可以是一种非线性平滑技术，可以通过将图像某
一区域内的每一像素点的灰度值设置为该像素点与邻域窗口内的所有像素点灰度值的中值，可以达到调整图像灰度值并过滤灰度图噪点的目的，中值滤波对像素点边界的灰度值有良好的滤除作用，可以保护图像的边缘灰度值，使之不被模糊。
207.具体地，参照图9，图9为示例性地对调整后的样本图像进行中值滤波后图像的对比示意图，其中，图9a为中值滤波前的图像示意图，图9b为中值滤波后的图像示意图，由中值滤波前后图像的对比示意图可知，本技术实施例可以通过加入中值滤波后的调整后的样本图像中的地形，去掉了一些无意义的闭合性曲线，对地形中山脉走向的表述更加清晰、明确，一定程度上提升了图像的使用价值。
208.进一步地，基于上述本技术训练集生成方法的各实施例，提出本技术训练集生成方法的第七实施例。
209.一种数据模型训练方法，数据模型训练方法应用于游戏地形生成模型的生成，所述数据模型训练方法可以包括：
210.步骤a110，获取若干地表高程图；
211.在本实施例中，可以从卫星遥感所得到的高程图数据集中，获取包含地形的地表高程图(灰度图)。
212.步骤a120，采用如上述各实施例的步骤，根据所述地表高程图生成地形训练集；
213.在本技术实施例中，可以根据所述地表高程图生成地形训练集的步骤与上述训练集生成方法的各实施例基本相同，在此不在赘述。
214.示例性地，可以将地表高程图对应的地形线框图提取出来后，将地表高程图和地形线框图作为样本地形数据集，对预先构建的游戏地形生成模型进行训练，可以得到训练后的游戏地形生成模型。
215.示例性地，将灰度图中表示山峰和山谷的骨骼线条提取出来后，可以将地形原图和包含山峰山谷的线框图作为训练集，构建数据模型并训练，得到游戏地形生成模型。
216.步骤a130，根据所述地形训练集，对预先构建的数据模型进行训练，得到所述游戏地形生成模型。
217.示例性地，通过对包含地形的卫星高度图以及山谷线框图和/或山峰线框图，构建得到目标地形训练集后，可以将目标地形训练集应用于游戏地形图的构建场景，对游戏地形生成模型进行训练，可以获得训练后的游戏地形生成模型。
218.本实施例通过采用上述方法构建训练集，可以节省人工进行数据模型训练过程标注的人工成本，可以提高构建场景反向构建数据模型的效率，提高场景反向构建的准确性。
219.进一步地，基于上述本技术训练集生成方法的第七实施例，提出本技术训练集生成方法的第八实施例。
220.一种游戏地形生成方法，所述游戏地形生成方法可以包括：
221.步骤a210，获取输入的地形线框图；
222.具体地，本方案可以具体应用于游戏场景制作领域，地形线框图用于反向生成对应的游戏地形。
223.示例性地，作为一种实施方案，可以是通过用户终端向用户提供画布，使得用户可以在画布上进行简单的绘制操作，进而根据绘制操作确定地形线框图；作为另一种实施方案，可以是从其他接口获取的直接输入的地形线框图。
224.步骤a220，将所述地形线框图输入如第七实施例中的游戏地形生成模型，得到进行游戏地形构建的目标高度图；
225.需要具体说明的是，在本实施例中游戏地形生成模型是根据输入的地形线框图反向生成对应的可以进行游戏地形构建的目标高度图。
226.示例性地，将地形线框图发送给服务器，输入训练好的游戏地形生成模型，生成地形的地表高程图(即灰度图)。
227.其中，游戏地形生成模型的具体应用场景并不作具体限制。
228.步骤a230，根据所述目标高度图，生成目标游戏地形。
229.具体地，通过灰度图对应的目标高度图进行地形计算，可以输出目标游戏虚拟地形。
230.示例性地，可以通过根据用户所绘制的地形线框图反向生成对应的虚拟地形，也即，用户通过绘制简单的山谷线框图和山峰线框图，可以构建得到对应的游戏虚拟地形。将高度图输入游戏引擎，得到游戏地形，并向用户展示。
231.进一步地，步骤a210，获取输入的地形线框图的细化，还可以包括以下子步骤：
232.步骤a211，响应于采用预设第一颜色绘制的第一绘制操作，根据所述第一绘制操作，生成对应的山峰线框图；
233.步骤a212，响应于采用预设第二颜色绘制的第二绘制操作，根据所述第二绘制操作，生成对应的山谷线框图；
234.示例性地，在用户客户端进行绘制操作时，客户端可以向用户提供窗口，也即，客户端可以向用户提供平面画布，用于绘图的显示、面向用户的显示。用户在平面画布或外接的数位板上绘制线条，使用不同颜色的线条代表游戏场景内的山峰山谷，得到表示游戏场景内的山峰山谷的地形线框图。
235.其中，作为一种实施方案，可以是山峰线框图对应上述第四实施例的第一区域，山谷线框图对应第四实施例的第二区域；作为另一种实施方案，可以是山峰线框图对应上述第四实施例的第二区域，山谷线框图对应上述第四实施例的第一区域。
236.步骤a215，根据所述山峰线框图和所述山谷线框图，得到所述地形线框图。
237.具体地，将线框图发送给服务器，输入如上述第七实施例中预先训练后的数据模型，进而可以反向生成地形的高度图(即灰度图)，将高度图输入游戏引擎，得到游戏地形，使得游戏地形可以用于向用户展示。
238.本技术实施例可以通过采用上述步骤反向生成游戏地形，使得用户可以在客户端上简单随意地画不同颜色的线条，使得客户端可以响应于用户绘制操作，生成对应的山峰线框图和山谷线框图，可以完成游戏地形的生成，进而可以降低开发人员的入门门槛，降低游戏开发成本，提高游戏开发效率，并提升图像的交互效果，优化用户的交互体验。
239.此外，本技术实施例还提出一种训练集生成装置，所述训练集生成装置包括：
240.样本图像获取模块，用于获取包含目标对象的若干样本图像；
241.对比度调整模块，用于对所述样本图像进行对比度调整，得到调整后的样本图像；
242.图像二值化模块，用于对所述调整后的样本图像进行二值化，得到二值化后的目标图像；
243.骨架提取模块，用于对所述目标图像中的目标对象进行骨架提取，得到所述样本
图像对应的线框图；
244.目标训练集生成模块，用于基于所述若干样本图像和每一样本图像对应的线框图，生成目标训练集。
245.可选地，所述对比度调整模块，可以包括：
246.第一获取单元，用于根据每一样本图像的对比度，获取对应的最大值、最小值和均值；
247.第一计算单元，用于根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值；
248.第一调整单元，用于根据所述对比度调整数值，对所述样本图像进行调整，得到所述调整后的样本图像。
249.可选地，所述第一获取单元，可以包括：
250.第一获取子单元，用于根据每一样本图像的对比度的最大值、最小值和均值，得到每一样本图像的对比度描述值；
251.第一计算子单元，用于根据预定义数值和所述每一样本图像的对比度描述值，得到每一样本图像对应的对比度调整数值。
252.可选地，所述图像二值化模块，可以包括：
253.第二确定单元，用于确定每一调整后的样本图像的初始二值化阈值；
254.第二计算单元，用于根据每一样本图像对应的对比度调整数值，对所述初始二值化阈值进行调整，得到每一调整后的样本图像的目标二值化阈值；
255.第二调整单元，用于根据所述目标二值化阈值，对每一调整后的样本图像进行区域化二值化，得到所述目标图像。
256.可选地，所述骨架提取模块，可以包括：
257.第三确定单元，用于根据所述目标图像中的颜色，确定第一区域和第二区域；
258.提取单元，用于分别对所述第一区域和所述第二区域进行骨架提取，得到所述线框图。
259.可选地，所述训练集生成装置，还可以包括：
260.图像直方图模块，用于对所述样本图像进行直方图优化。
261.可选地，所述训练集生成装置，还可以包括：
262.中值滤波模块，用于对所述调整后的样本图像进行中值滤波。
263.此外，本技术还提供一种数据模型训练装置，所述数据模型训练装置包括：
264.高程图获取模块，用于获取若干地表高程图；
265.地形训练集生成模块，用于采用如上所述的训练集生成方法，根据所述地表高程图生成地形训练集；
266.模型训练模块，用于根据所述地形训练集，对预先构建的数据模型进行训练，得到所述游戏地形生成模型。
267.此外，本技术还提供一种游戏地形生成装置，所述游戏地形生成装置包括：
268.线框图获取模块，用于获取输入的地形线框图；
269.高度图生成模块，用于将所述地形线框图输入如上所述的数据模型训练方法所述的游戏地形生成模型，得到进行游戏地形构建的目标高度图；
270.游戏地形生成模块，用于根据所述目标高度图，生成目标游戏地形。
271.可选地，所述线框图获取模块，还可以包括：
272.第一响应单元，用于响应于采用预设第一颜色绘制的第一绘制操作，根据所述第一绘制操作，生成对应的山峰线框图；
273.第二响应单元，用于响应于采用预设第二颜色绘制的第二绘制操作，根据所述第二绘制操作，生成对应的山谷线框图；
274.生成单元，用于根据所述山峰线框图和所述山谷线框图，得到所述地形线框图。
275.此外，本技术实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的方法的步骤。
276.由于本程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再赘述。
277.此外，本技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的方法的步骤。
278.由于本程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再赘述。
279.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
280.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
281.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
282.以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。

技术特征：
1.一种训练集生成方法，其特征在于，所述训练集生成方法，包括：获取包含目标对象的若干样本图像；对所述样本图像进行对比度调整，得到调整后的样本图像；对所述调整后的样本图像进行二值化，得到二值化后的目标图像；对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图；基于所述若干样本图像和每一样本图像对应的线框图，生成目标训练集。2.如权利要求1所述的训练集生成方法，其特征在于，所述对所述样本图像进行对比度调整，得到调整后的样本图像的步骤，包括：根据每一样本图像的对比度，获取对应的最大值、最小值和均值；根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值；根据所述对比度调整数值，对所述样本图像进行调整，得到所述调整后的样本图像。3.如权利要求2所述的训练集生成方法，其特征在于，所述根据每一样本图像的对比度的最大值、最小值和均值，确定每一样本图像对应的对比度调整数值的步骤，包括：根据每一样本图像的对比度的最大值、最小值和均值，得到每一样本图像的对比度描述值；根据预定义数值和所述每一样本图像的对比度描述值，得到每一样本图像对应的对比度调整数值。4.如权利要求2-3中任一项所述的训练集生成方法，其特征在于，对所述调整后的样本图像进行二值化，得到二值化后的目标图像的步骤包括：确定每一调整后的样本图像的初始二值化阈值；根据每一样本图像对应的对比度调整数值，对所述初始二值化阈值进行调整，得到每一调整后的样本图像的目标二值化阈值；根据所述目标二值化阈值，对每一调整后的样本图像进行区域化二值化，得到所述目标图像。5.如权利要求1所述的训练集生成方法，其特征在于，所述对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图的步骤包括：根据所述目标图像中的颜色，确定第一区域和第二区域；分别对所述第一区域和所述第二区域进行骨架提取，得到所述线框图。6.如权利要求1-3或5中任一项所述的训练集生成方法，其特征在于，所述对所述样本图像进行对比度调整，得到调整后的样本图像的步骤之前，还包括：对所述样本图像进行直方图优化。7.如权利要求1-3或5中任一项所述的训练集生成方法，其特征在于，所述对所述调整后的样本图像进行二值化，得到二值化后的目标图像的步骤之前，还包括：对所述调整后的样本图像进行中值滤波。8.一种数据模型训练方法，其特征在于，所述数据模型训练方法应用于游戏地形生成模型的生成，包括：获取若干地表高程图；采用如权利要求1-7中任一项所述的方法，根据所述地表高程图生成地形训练集；
根据所述地形训练集，对预先构建的数据模型进行训练，得到所述游戏地形生成模型。9.一种游戏地形生成方法，其特征在于，所述游戏地形生成方法包括：获取输入的地形线框图；将所述地形线框图输入如权利要求8所述的游戏地形生成模型，得到进行游戏地形构建的目标高度图；根据所述目标高度图，生成目标游戏地形。10.如权利要求9所述的游戏地形生成方法，其特征在于，所述获取输入的地形线框图的步骤包括：响应于采用预设第一颜色绘制的第一绘制操作，根据所述第一绘制操作，生成对应的山峰线框图；响应于采用预设第二颜色绘制的第二绘制操作，根据所述第二绘制操作，生成对应的山谷线框图；根据所述山峰线框图和所述山谷线框图，得到所述地形线框图。11.一种训练集生成装置，其特征在于，所述训练集生成装置包括：样本图像获取模块，用于获取包含目标对象的若干样本图像；对比度调整模块，用于对所述样本图像进行对比度调整，得到调整后的样本图像；图像二值化模块，用于对所述调整后的样本图像进行二值化，得到二值化后的目标图像；骨架提取模块，用于对所述目标图像中的目标对象进行骨架提取，得到所述样本图像对应的线框图；目标训练集生成模块，用于基于所述若干样本图像和每一样本图像对应的线框图，生成目标训练集。12.一种设备，其特征在于，所述设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-7或8或9-10中任一项所述的方法的步骤。13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1-7或8或9-10中任一项所述的方法的步骤。

技术总结
本申请涉及游戏技术领域，公开了一种训练集生成、数据模型训练、游戏地形生成方法，所述方法包括：获取包含目标对象的若干样本图像；对样本图像进行调整，得到调整后的样本图像；对调整后的样本图像进行二值化，得到二值化后的目标图像；对目标图像中的目标对象进行骨架提取，得到样本图像对应的线框图；基于若干样本图像和每一样本图像对应的线框图，生成目标训练集，通过对包含目标对象的样本图像进行二值化并对目标对象进行骨架提取，得到样本图像对应的线框图，根据样本图像及其对应的线框图，可以实现自动化构建训练集，提高训练集的构建效率；通过对样本图像进行对比度调整，可以使得样本图像对应的线框图更准确，提升训练集的标注准确性。集的标注准确性。集的标注准确性。


技术研发人员：史少桦
受保护的技术使用者：珠海沙盒网络科技有限公司
技术研发日：2023.04.14
技术公布日：2023/8/4