CN102521598A

CN102521598A - 一种基于遥感影像的识别方法

Info

Publication number: CN102521598A
Application number: CN2011104211012A
Authority: CN
Inventors: 吴运超; 黄晓春; 王碧辉
Original assignee: Beijing Institute Of City Planning & Design
Current assignee: Beijing Institute Of City Planning & Design
Priority date: 2011-12-16
Filing date: 2011-12-16
Publication date: 2012-06-27

Abstract

一种基于遥感影像的识别方法，该方法包括以下步骤：从遥感影像提取矢量地物要素，并将包含土地类型的先验信息与矢量地物要素进行空间叠加分析，确定两者的寄宿关系；根据先验信息确定矢量地物要素的属性；根据矢量地物要素的属性进行聚类，得到相邻同类矢量地物要素的凸包；对凸包进行图形整饰，并对其赋予土地类型，从而得到识别结果。本发明采用先验信息与遥感影像相结合，以有效识别土地类型。

Description

一种基于遥感影像的识别方法

技术领域

本发明涉及遥感对地观测识别领域，特别涉及一种基于遥感图像的识别方法，其适用于利用遥感影像对城市土地进行土地识别等调查。

背景技术

掌握城市用地的使用现状是开展城市规划和建设工作的必备基础。遥感解译和实地踏勘是目前开展现状调查的主要方法。从发展趋势来看，遥感将会发挥更为重要的作用。但是随着高分辨率传感器技术的发展，卫星遥感图像的空间分辨率越来越高，图像的内容和形式也随之发生了很大的改变，图像的空间信息越来越丰富，这给传统的图像识别分类技术带来了新的挑战。

在遥感对地观测领域，土地覆盖/土地类型识别是一项基础应用。长期以来主要根据地物的光谱物理特性对多光谱遥感数据进行分类。由于传统影像的空间分辨率比较低，含有大量混合像元，存在同物异谱、异物同谱等现象，使得能够准确且稳定识别出的类型比较少，尤其是难以细分城市用地，无法满足城市规划和建设部门日常工作需要，只能用作宏观趋势性分析。随着分辨率提升至1米甚至小于1米，通过遥感影像能表现出的地物类型越来越丰富，往往需要对图像进行分割，如专利文献1(CN101710387A)中公开了一种高分辨率遥感图像智能分类方法，其通过将之前获得的全色图像的图像分割结果空间映射得到多光谱图像的分割结果，并对欠分割的全色图像的分割区域进行再分割，生成区域的特征空间，然后采用分类器设计并实现图像分类，其有效地解决了图像欠分割区域所存在影响图像分类精度的问题。但是其无法有效地将土地的现状进行识别及标识，仍旧需要人工目视判读方式按照城市规划需要对图像进行识别和标识，但是工作量大，周期长，对解译人员要求高，亟需利用计算机进行辅助分类。

基于面向对象影像分析方法(Object Oriented Image Analysis)，虽然能够自动或半自动从高分辨率遥感影像中提取出建筑、植被和水域等基本地物要素，进而识别出地表某些区域的土地使用类型，但很难按行业标准实现大区域的土地类型识别。究其原因，主要是由于行业标准多以用地的功能属性为主，遥感影像反映的是物理属性，而物理属性与功能属性之间不存在一一对应关系，现实中混杂着大量的同物异类和异类同物现象。例如《城市用地分类与规划建设用地标准》(GBJ 137-90)规定，绿地作为大类G与居住用地R并存，同时也以居住用地的三级小类R14出现；又如公共绿地G1是指向公众开放，有一定游憩设施的绿化用地，包括其范围内的水域，此时水域将和植被一起被归类为G1，而不是独立的水域类型E1。所以，单纯依靠影像进行计算机判读分类难以满足相关行业的应用需求。

发明内容

以实地踏勘方式调查城市用地现状的成本很高，难以短周期性形式持续开展。人工解译遥感影像的方法虽然有所改善，但是工作量依然较大，对人员要求高。现有基于计算机判读的土地类型识别更进一步提高了工作效率，但识别结果不符合城市规划等行业标准。本发明旨在克服这个难点，在利用面向对象影像分析方法识别出基本地物要素的基础上，通过引入先验信息实现用地性质和地块边界的准确判定，在高效识别标识的基础上使最终结果符合需求。

为实现该目的，本发明提供了一种基于遥感影像的识别方法，该方法包括以下步骤：从遥感影像中提取矢量地物要素；将矢量地物要素分割为若干个矢量地物要素集合；根据先验信息而获得行业类型，并将该行业类型添加到该先验信息中；将先验信息中的行业类型映射为土地类型，并将该土地类型添加到该先验信息中；将先验信息与矢量地物要素或矢量地物要素集合进行空间叠加分析，确定两者的寄宿关系；根据先验信息确定矢量地物要素或矢量地物要素集合的属性；根据矢量地物要素或矢量地物要素集合的属性进行聚类，得到相邻同类矢量地物要素的凸包；对凸包进行图形整饰，并对其赋予土地类型，从而得到识别结果。

优选地，所述将矢量地物要素分割为若干个矢量地物要素集合是利用道路网进行分割的。

为了实现该目的，本发明还提供了一种基于遥感影像的识别方法，该方法包括以下步骤：从遥感影像提取矢量地物要素，并将包含土地类型的先验信息与矢量地物要素进行空间叠加分析，确定两者的寄宿关系；根据先验信息确定矢量地物要素的属性；根据矢量地物要素的属性进行聚类，得到相邻同类矢量地物要素的凸包；对凸包进行图形整饰，并对其赋予土地类型，从而得到识别结果。

优选地，该先验信息为兴趣点信息。

优选地，该属性包括名称、地址和土地类型。

优选地，该遥感影像为高分辨率遥影像。

优选地，该方法用于对城市土地使用类型的识别。

本发明有效地提高遥感图像的识别性能，提升效率，更好地符合需要。

附图说明

通过下面结合附图对本发明的一个优选实施例进行的描述，本发明的技术方案及其技术效果将变得更加清楚，且更加易于理解。其中：

图1示出了本发明的基于遥感影像的识别方法的流程图。

图2示出了用于示范性说明本发明的基于遥感影像的识别方法的原始遥感影像。

图3示出了用于示范性说明本发明的基于遥感影像的识别方法的所提取的建筑要素。

图4示出了用于示范性说明本发明的基于遥感影像的识别方法的土地边界。

图5示出了用于示范性说明本发明的基于遥感影像的识别方法的标识结果图。

具体实施方式

先验信息可优选为兴趣点信息，即POI(Points Of Interesting，兴趣点)信息。POI信息是反映现状的点状空间数据，其包含丰富的语义信息且该语义信息符合认知习惯。POI信息通常包括名称、地址、简介和坐标等四项内容，例如北京大学人民医院位于北京市西城区西直门南大街11号，是综合性三级甲等医院，地理坐标为(116.34，39.93)。现以POI信息为例对本发明的方法进行说明。

图1示出了本发明的基于遥感影像的识别方法的流程图。如图1所示，本发明的基于遥感影像的识别方法优选包括八个步骤，需要说明的是，本发明的基于遥感影像的识别方法在不脱离本发明的思想的情况下可包含这八个步骤的全部或部分。

第1步，从遥感影像中提取矢量地物要素。

采用面向对象分析方法，从遥感影像(尤其是高分辨率遥感影像)中提取出地物要素，包括建筑、水域、植被、裸土、阴影和道路等六类。同时将各地物要素矢量化，记录坐标存为矢量数据，并赋予相应的类型编号，例如建筑为1，水域为2，植被为3，裸土为4，阴影为5，道路为6，从而获得矢量地物要素。

第2步，将矢量地物要素分割为若干个矢量地物要素集合。

利用矢量道路网数据对影像中提取的矢量地物要素进行空间分析，将与矢量道路网相交的道路要素剔除，减少后续计算量，并将矢量地物要素分割为若干个矢量地物要素集合。

第3步，根据先验信息而获得行业类型，并将该行业类型添加到该先验信息中。

POI信息中的一部分可经过适当处理而转换为行业类型，并可将该行业类型添加到POI信息中。例如，使用文本分类技术可将POI的名称和简介等信息转换为行业类型。

通常，POI信息中的名称和简介含有专有名词，其体现了该POI信息所属行业的特征，例如“医院”和“三级甲等”表明属于医疗卫生行业。因而可通过选取若干样本进行训练，建立专有名词与行业类型之间的分类模型，但专有名词所用的词库应当覆盖常见的行业类型名称，例如“大学”、“医院”、“小区”等。其中以教育行业为例，“大学”、“学院”、“中学”、“幼儿园”等均可根据这些专有名词判定为教育行业。该方法保证了语义信息的准确性，可提升识别转换精度。

第4步，将先验信息中的行业类型映射为土地类型，并将该土地类型添加到该先验信息中。

城市规划等部门所设计的用地分类标准与行业类型有关，因而可通过行业类型来判断土地类型。本发明的方法根据映射规则，将行业类型转换为土地类型，并添加到POI信息中。该映射规则例如优选为行业和土地类型的对照表，例如该对照表可通过人工梳理建立。当已知行业类型时，通过检索对照表得到相应的土地类型，从而确定包含该行业类型的POI信息所对应的土地类型，并将该土地类型添加到该POI信息中。例如“人民医院”属于医疗卫生行业，从而判定包含“医疗卫生行业”行业类型的POI信息属于规划用地的C5类土地类型，而“汽车制造”属于大中型机械制造工业，从而判定包含“大中型机械制造工业”属于规划用地的M3类土地类型。

第5步，将先验信息与矢量地物要素或矢量地物要素集合进行空间叠加分析，确定两者的寄宿关系。

将POI信息和矢量地物要素集合叠加在一起，若POI信息落在矢量地物要素集合内部则称为矢量地物要素是POI信息的宿主，并采用数据库记录两者间的寄宿关系，由此可根据矢量地物要素或矢量地物要素集合检索寄宿其内部的POI信息，也可根据POI信息检索出作为其宿主的矢量地物要素或矢量地物要素集合。

POI信息以抽象的点反映现状，而矢量地物要素和矢量地物要素集合所对应的地块都是面状的多边形，所以为了实现土地类型识别，需要通过空间叠加分析来建立POI信息和矢量地物要素或矢量地物要素集合的关联。但叠加后的POI信息通常只会落在其中的一个矢量地物要素上。例如指向“XX公园”的POI信息落在了公园内的水域上，而周边大片的绿地也属于该公园，即与POI信息空间相交的矢量地物要素只是POI信息指代对象的子集。因此，要想实现最终的土地类型识别需要解决POI信息指代对象与空间相交的矢量地物要素之间的匹配问题。优选地可采用分治、归并等方式来匹配POI信息和矢量地物要素：

1)先构造矢量地物要素集合，如上根据矢量道路网对矢量地物要素分割所获得的矢量地物要素集合，然后再进行POI信息与矢量地物要素集合的匹配，这可以有效的减少计算量和匹配时间。

2)不同的POI信息指代对象在是否独立占地及占地规模等指标方面有着不同的统计特性，例如ATM机通常不会独立占地，此类POI对用地分类基本没有贡献，可以过滤掉。为此，可选择一个典型区域统计分析POI信息指代对象的两项指标，作为判断是否需要扩大匹配POI信息空间邻近矢量地物要素的依据。如上述指向公园的POI信息落在了水域上，考虑到公园的特点可扩大匹配范围，搜索与水域相邻的矢量地物要素，从而匹配到周边的植被等矢量地物要素。

3)不论哪种行业土地类型标准，城市土地的用途多数还是以建筑为载体。POI信息则隐含了很多建筑本体的信息，例如POI信息中的地址为“XX路XX号XX大厦XX室”，与之匹配的建筑要素即为“XX大厦”，地址是“XX路XX号”。这些信息为语义上的逻辑推理提供了支撑，如多栋建筑都具有形如“XX小区XX号楼”的名称，则可计算语义相似度来判定这些楼属于同一地块。

4)空间相邻且土地类型相同的矢量地物要素需要近一步归并形成更大的地块。除道路相隔外，相邻地块之间应该享有公共边界而无缝隙，即扣除道路占地外，地块的集合等价于研究区。

第6步，根据先验信息确定矢量地物要素或矢量地物要素集合的属性，该属性包括名称、地址和土地类型。

通过寄宿关系数据库，找出同一矢量地物要素或同一矢量地物要素集合上的所有POI信息，根据它们的名称、地址和土地类型来确定作为宿主的矢量地物要素或矢量地物要素集合的属性，优选地，该确定原则是以出现频次高低为准，高频信息将赋予给该地物。例如，同一建筑上有三个POI信息，其中两个的地址都是“南礼士路66号”，则该建筑的地址即为“南礼士路66号”。

第7步，根据矢量地物要素或矢量地物要素集合的属性进行聚类，得到相邻同类矢量地物要素的凸包。

从任一矢量地物要素开始搜索，判断与其相邻矢量地物要素的土地类型和地址是否一致，如果一致则标记两者为同一地块，直到周边没有可归并的矢量地物要素为止。对该地块离散化为点集，求该点集的凸包，该凸包包含这些相邻同类矢量地物要素。

第8步，对凸包进行图形整饰，并对其赋予土地类型，从而得到识别结果。

对凸包进行图形整饰，使之形成较为规则的多边形并与相邻凸包之间共边，无缝隙，最后将土地类型赋予给其，从而得到土地类型识别结果。

因此，本发明的基于遥感影像的识别方法通过将遥感影像与先验信息进行结合而实现了对于相同类型土地进行合并、识别和标识，由此实现对土地类型的最终识别。

现结合图2-5以北京市2010年0.5米的World View-II遥感数据为影像源为例，按照《城市用地分类与规划建设用地标准》(GBJ 137-90)对城市的土地类型进行识别。

图2示出了用于示范性说明本发明的基于遥感影像的识别方法的原始遥感影像。其以北京市2010年0.5米的World View-II遥感数据为影像源，并采用的POI信息是参考Sogou网络地图后手工采编得到。

图3示出了用于示范性说明本发明的基于遥感影像的识别方法的所提取的建筑要素。其采用eCognition软件对World View-II数据进行面向对象分类，提取出建筑要素。

图4示出了用于示范性说明本发明的基于遥感影像的识别方法的土地边界。如图所示，由POI信息所含的“玉渊潭南路9号院XX号楼”信息可以判断其行业类型为住宅，对应的规划土地类型为居住用地R。由于用途相同且POI信息的名称具有明显的规律性，都属于玉渊潭南路9号院，所以这些建筑要素属于同一集合，归并后得到要素的凸包即为用地边界。

图5示出了用于示范性说明本发明的基于遥感影像的识别方法的标识结果图。图5中，粗实线区域就是识别出的土地类型为居住用地R的地块。

对于所属技术领域的技术人员而言，随着技术的发展，本发明构思可以不同方式实现。本发明的实施方式并不仅限于以上描述的实施例，而且可在权利要求的范围内进行变化。

Claims

1.一种基于遥感影像的识别方法，该方法包括以下步骤：

从遥感影像中提取矢量地物要素；

将矢量地物要素分割为若干个矢量地物要素集合；

根据先验信息而获得行业类型，并将该行业类型添加到该先验信息中；

将先验信息中的行业类型映射为土地类型，并将该土地类型添加到该先验信息中；

将先验信息与矢量地物要素或矢量地物要素集合进行空间叠加分析，确定两者的寄宿关系；

根据先验信息确定矢量地物要素或矢量地物要素集合的属性；

根据矢量地物要素或矢量地物要素集合的属性进行聚类，得到相邻同类矢量地物要素的凸包；

对凸包进行图形整饰，并对其赋予土地类型，从而得到识别结果。

2.如权利要求1所述的识别方法，其特征在于，所述将矢量地物要素分割为若干个矢量地物要素集合是利用道路网进行分割的。

3.一种基于遥感影像的识别方法，该方法包括以下步骤：从遥感影像提取矢量地物要素，并将包含土地类型的先验信息与矢量地物要素进行空间叠加分析，确定两者的寄宿关系；根据先验信息确定矢量地物要素的属性；根据矢量地物要素的属性进行聚类，得到相邻同类矢量地物要素的凸包；对凸包进行图形整饰，并对其赋予土地类型，从而得到识别结果。

4.如权利要求1-3中任一所述的识别方法，其特征在于，该先验信息为兴趣点信息。

5.如权利要求1-3中任一所述的识别方法，其特征在于，该属性包括名称、地址和土地类型。

6.如权利要求1-3中任一所述的识别方法，其特征在于，该方法采用文本分类技术通过名称和简介信息来识别土地类型。

7.如权利要求1-3中任一所述的识别方法，其特征在于，该遥感影像为高分辨率遥影像。

8.如权利要求1-3中任一所述的识别方法，其特征在于，该方法用于对城市土地使用类型的识别。