CN107220615B - 一种融合兴趣点大数据的城市不透水面信息提取方法 - Google Patents
一种融合兴趣点大数据的城市不透水面信息提取方法 Download PDFInfo
- Publication number
- CN107220615B CN107220615B CN201710376992.1A CN201710376992A CN107220615B CN 107220615 B CN107220615 B CN 107220615B CN 201710376992 A CN201710376992 A CN 201710376992A CN 107220615 B CN107220615 B CN 107220615B
- Authority
- CN
- China
- Prior art keywords
- pixel
- sub
- impervious surface
- big data
- interest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合兴趣点大数据的城市不透水面信息提取方法,首先,引入遥感超分辨率制图技术,依靠地理学第一定律,从各像元的不透水面比例值中获得其内部精细亚像元的不透水面空间相关性特征值;其次,从网络地图上爬取兴趣点大数据,获取各亚像元兴趣点个数占所在像元兴趣点总数的百分比;然后,将以上两个步骤各亚像元的信息进行融合;最后,构建利用遥感影像和兴趣点大数据的空间优化模型,获取像元内部不透水面信息在亚像元尺度下的精细准确结果,进而实现城市不透水面信息的精确提取。本发明具有实用性强、模拟精度高等优点,适用于城市扩张、城市热岛效应及城市水资源保护等地学研究工作。
Description
技术领域
本发明涉及一种融合兴趣点大数据的城市不透水面信息提取方法,属于地球空间信息技术领域。
背景技术
不透水面主要是指水不能渗入的人工表面,可作为许多领域的关键因子,如城市扩展、城市热岛效应及城市水资源保护等。从遥感影像中精确提取不透水面信息一直是国内外诸多学者研究的热点。目前,主要包括四类方法:(1)基于像元硬分类;(2)基于像元软分类;(3)基于对象分类;(4)基于人工神经网络的相关方法。这些方法在各类影像中进行了不同应用尝试,也取得了较好的效果。然而,这些方法依然存在几类亟待解决的问题:(1)不透水面的提取精度依然有限,主要缘于不透水面常位于城市的复杂区域内,各类信息相互交错;(2)混合像元问题在各类影像中依然存在,从而限制了不透水面信息提取的效果;(3)在中低分辨率影像中提取的不透水面信息常难以满足城市所需高空间分辨率信息的数据需求;(4)大多数方法仅能得到各像元内不透水面信息的多少(不透水面的比例),而无法确定各像元内不透水面具体的位置。
对于复杂城市区域造成不透水面信息提取精度的局限,常用的技术手段是利用辅助信息来降低提取过程中的不确定性以提高提取精度。如比较流行的LiDAR辅助数据,这类数据主要关注城市不透水面信息的几何特征,而处理光谱特征较弱。对于混合像元问题,新型的超分辨率制图技术正好能够解决这个问题。超分辨率制图技术首先通过将各像元切分为多个精细的亚像元提高空间分辨率,然后根据不透水面的比例信息,确定各像元内不透水面具体的空间位置,从而在解决混合像元问题的同时,能提供更高空间分辨率的不透水面专题数据,并确定不透水面在各像元内部的具体空间分布。
尽管超分辨率制图可作为解决不透水面信息提取的潜在手段,但是其自身是一种欠定的技术,需要更多的有效约束辅助信息才能得到较高的精度。最近,一种与不透水面紧密相关的地理大数据(即兴趣点)正日益增加且在诸多地学应用中得到了使用,其能够为不透水面提供较好的辅助信息。兴趣点是记录和标记与人类活动紧密相关的点,比如各类路网基础设施、房产小区、餐馆酒店等。这些兴趣点标记的人类活动区主要是位于城市不透水面,其能提供部分精确的不透水面信息,可作为辅助信息降低城市复杂环境中不透水面信息提在的不确定。因此,将遥感影像与兴趣点空间大数据进行有效融合,对提高不透水面信息提取精度具有巨大潜力。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种融合兴趣点大数据的城市不透水面信息提取方法。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种融合兴趣点大数据的城市不透水面信息提取方法,包括以下步骤:
步骤1、预处理遥感影像,进行基于像元的软分类获取每个像元内不透水面所占的比例值,即不透水面比例图;
步骤2、设定放大尺度因子S,将步骤1获得的不透水面比例图中各像元划分为多个精细的亚像元,并进行超分辨率制图,依靠空间相关性原理,以中心像元及其邻域像元中不透水面的比例值,获取中心像元内各亚像元不透水面的空间相关性特征值;
步骤3、从网络地图爬取兴趣点大数据,统计每个像元和亚像元包含兴趣点的个数,并计算各亚像元兴趣点个数占所在像元兴趣点总数的百分比;
步骤4、对步骤2获取的亚像元不透水面的空间相关性特征值进行归一化,并与步骤3获取的亚像元兴趣点个数百分比进行融合,得到融合兴趣点大数据的亚像元不透水面隶属度Gj;
步骤5、根据步骤4中获得的各亚像元的不透水面隶属度Gj,在不透水面比例值的约束和兴趣点比例约束条件下,对各像元建立空间优化模型,进而确定其内部不透水面信息在亚像元尺度下的精细准确的空间分布,从而实现不透水面的精确提取。
有益效果:本发明提供的一种融合兴趣点大数据的城市不透水面信息提取方法,针对城市内部复杂的不透水面信息提取问题,开展利用兴趣点大数据和遥感影像多源数据的城市不透水面精确提取。具有实用性强、模拟精度高等优点,适用于城市扩张、城市热岛效应及城市水资源保护等地学研究工作。具有以下技术效果:
(1)、本发明是一种全新的融合兴趣点大数据的城市不透水面信息提取方法,利用遥感影像和兴趣点大数据多源信息各自的独特优势,引入超分辨率制图技术,获取不透水面在像元内部精细准确的空间分布信息,而传统的方法无法确定各像元内不透水面的具体空间分布;
(2)、本发明方法能运用遥感影像和兴趣点大数据两者的优势,而传统方法主要是利用遥感影像单一数据源;
(3)、本发明方法能将兴趣点大数据作为辅助数据,提供新的约束,以降低不透水面信息提取过程中的不确定性问题;
(4)、本发明方法能有效利用超分辨率制图技术和兴趣点大数据的特征,以不透水面比例值为输入,依靠空间相关性原理,在不透水面比例和兴趣点大数据的共同约束下提高不透水面信息的精度和分辨率。
附图说明
图1为本发明的主流程图。
图2为融合兴趣点的不透水面信息提取输入数据和结果;其中,(a)为不透水面比例,(b)为兴趣点,(c)为融合兴趣点的不透水面信息提取结果。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,一种融合兴趣点大数据的城市不透水面信息提取方法,具体实施步骤如下:
步骤1、预处理遥感影像,进行基于像元的软分类获取每个像元内不透水面的比例值,如图2(a)所示;
步骤2、设定放大尺度因子S,将步骤1获得的不透水面比例图中各像元划分为多个精细的亚像元,并进行超分辨率制图,依靠空间相关性原理,以中心像元及其邻域像元中不透水面的比例值,获取中心像元内各亚像元不透水面的空间相关性特征值;
亚像元不透水面的空间相关性特征值提取模型如公式(1)所示:
其中,qj表示第j个亚像元不透水面的空间相关性特征值,qpl(j),qsl(j)分别表示第j个亚像元不透水面的像元和亚像元两种尺度的空间相关性特征值;ω是像元尺度空间相关性特征的权重;xi表示第i个邻域像元的不透水面比例值;yj∈{0,1}表示第j个亚像元不透水面的类别值,其中yj=1表示第j个亚像元属于不透水面类别,yj=0表示第j个亚像元属于其他透水面类别;d(j,i)是第j个亚像元与第i个邻域像元的距离;d(j,j′)表示第j亚像元与第j′亚像元的距离,m,M分别表示邻域像元与亚像元的个数;β是指数函数的参数。
步骤3、从网络地图爬取兴趣点大数据(如图2(b)所示),统计每个像元和亚像元包含兴趣点的个数,并计算各亚像元兴趣点个数占所在像元兴趣点总数的百分比;
亚像元的兴趣点百分比计算如公式(2)所示:
其中,pj表示第j个亚像元兴趣点的比例;POIj表示第j个亚像元兴趣点的个数;POIi表示第i个像元兴趣点的总数;S表示放大因子。
步骤4、对步骤2获取的亚像元不透水面的空间相关性特征值进行归一化,并与步骤3获取的亚像元兴趣点个数百分比进行融合,得到融合兴趣点大数据的亚像元不透水面隶属度;
融合兴趣点大数据的亚像元不透水面隶属度Gj如公式(3)所示:
其中,q′j表示第j个亚像元不透水面的归一化空间相关性特征值;S表示放大因子。
步骤5、根据步骤4中获得的各亚像元的不透水面隶属度Gj,对各像元建立空间优化模型,以目标函数z中各亚像元所取类别的隶属度之和最大为目标,如公式(4)所示,并受不透水面比例值和兴趣点比例的共同约束,如公式(5)所示。当目标函数值最大时,即确定了各亚像元是否标记为不透水面的类别属性。当亚像元对应不透水面类别的标记值为1时,被标记为不透水面类别的亚像元在像元内部的空间分布便是不透水面信息的精细准确空间分布提取结果,如图2(c)所示。
优化模型如公式(4)和(5)所示:
其中,z是目标函数,表示各亚像元所取类别的隶属度之和;表示第j个亚像元对应第c个类别的隶属度;表示第j个亚像元对应第c个类别的取值;表示第i个像元对应第c个类别的比例值;S表示放大因子。所述类别数量定义如下::c=1对应不透水面类别,c=2对应其他透水面信息类别;当c=1,由公式(3)计算得来对应于不透水面类别的隶属度;当c=2,为其他透水面类别,并由计算得来。
为分析融合兴趣点大数据的城市不透水面信息提取方法在实验中的性能,开展了一个示例实验,如图2所示,其中,(a)为16米分辨率的不透水面比例,(b)为兴趣点,(c)为设置放大因子为2得到的8米分辨率的融合兴趣点的不透水面信息提取结果。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种融合兴趣点大数据的城市不透水面信息提取方法,其特征在于,包括以下步骤:
步骤1、预处理遥感影像,进行基于像元的软分类获取每个像元内不透水面所占的比例值,即不透水面比例图;
步骤2、设定放大尺度因子S,将步骤1获得的不透水面比例图中各像元划分为多个精细的亚像元,并进行超分辨率制图,依靠空间相关性原理,以中心像元及其邻域像元中不透水面的比例值,获取中心像元内各亚像元不透水面的空间相关性特征值;
步骤3、从网络地图爬取兴趣点大数据,统计每个像元和亚像元包含兴趣点的个数,并计算各亚像元兴趣点个数占所在像元兴趣点总数的百分比;
步骤4、对步骤2获取的亚像元不透水面的空间相关性特征值进行归一化,并与步骤3获取的亚像元兴趣点个数百分比进行融合,得到融合兴趣点大数据的亚像元不透水面隶属度Gj;
步骤5、根据步骤4中获得的各亚像元的不透水面隶属度Gj,在不透水面比例值的约束和兴趣点比例约束条件下,对各像元建立空间优化模型,进而确定其内部不透水面信息在亚像元尺度下的精细准确的最优空间分布,从而实现不透水面的精确提取;
所述亚像元不透水面的空间相关性特征值提取模型如公式(1)所示:
其中,qj表示第j个亚像元不透水面的空间相关性特征值,qpl(j),qsl(j)分别表示第j个亚像元不透水面的像元和亚像元两种尺度的空间相关性特征值;ω是像元尺度空间相关性特征的权重;xi表示第i个邻域像元的不透水面比例值;yj∈{0,1}表示第j个亚像元不透水面的类别值,其中yj=1表示第j个亚像元属于不透水面类别,yj=0表示第j个亚像元属于其他透水面类别;d(j,i)是第j个亚像元与第i个邻域像元的距离;d(j,j′)表示第j亚像元与第j′亚像元的距离,m,M分别表示邻域像元与亚像元的个数;β是指数函数的参数;
所述亚像元的兴趣点百分比计算如公式(2)所示:
其中,pj表示第j个亚像元兴趣点的比例;POIj表示第j个亚像元兴趣点的个数;POIi表示第i个像元兴趣点的总数;S表示放大因子;
所述融合兴趣点大数据的亚像元不透水面隶属度Gj如公式(3)所示:
其中,q′j表示第j个亚像元不透水面的归一化空间相关性特征值;S表示放大因子;
所述优化模型如公式(4)和(5)所示:
2.根据权利要求1所述的一种融合兴趣点大数据的城市不透水面信息提取方法,其特征在于:所述放大尺度因子S可设置为大于等于2的正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710376992.1A CN107220615B (zh) | 2017-05-24 | 2017-05-24 | 一种融合兴趣点大数据的城市不透水面信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710376992.1A CN107220615B (zh) | 2017-05-24 | 2017-05-24 | 一种融合兴趣点大数据的城市不透水面信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220615A CN107220615A (zh) | 2017-09-29 |
CN107220615B true CN107220615B (zh) | 2020-08-14 |
Family
ID=59944359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710376992.1A Active CN107220615B (zh) | 2017-05-24 | 2017-05-24 | 一种融合兴趣点大数据的城市不透水面信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220615B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985154B (zh) * | 2018-06-06 | 2020-10-27 | 中国农业科学院农业资源与农业区划研究所 | 基于影像聚集度的小尺寸地物亚像元定位方法和系统 |
CN110991705B (zh) * | 2019-11-15 | 2023-07-11 | 南方海洋科学与工程广东省实验室(广州) | 一种基于深度学习的城市扩展预测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184423A (zh) * | 2011-05-17 | 2011-09-14 | 中国科学院遥感应用研究所 | 一种全自动的区域不透水面遥感信息精确提取方法 |
CN102495412A (zh) * | 2011-11-23 | 2012-06-13 | 中国科学院地理科学与资源研究所 | 一种多尺度不透水地表信息协同遥感反演方法 |
CN102521598A (zh) * | 2011-12-16 | 2012-06-27 | 北京市城市规划设计研究院 | 一种基于遥感影像的识别方法 |
CN104268829A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学院地理科学与资源研究所 | 一种基于多尺度空间正则化模型的超分辨率制图方法 |
CN104268581A (zh) * | 2014-10-15 | 2015-01-07 | 中国科学院地理科学与资源研究所 | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 |
CN104463836A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于移动窗口的城市绿色空间遥感度量方法 |
CN105447452A (zh) * | 2015-11-13 | 2016-03-30 | 中国科学院地理科学与资源研究所 | 一种基于地物空间分布特征的遥感亚像元制图方法 |
CN105469051A (zh) * | 2015-11-25 | 2016-04-06 | 中国科学院电子学研究所 | 一种基于不透水层检测的城市外轮廓提取方法及装置 |
CN106127144A (zh) * | 2016-06-21 | 2016-11-16 | 沈阳航空航天大学 | 采用时谱空一体化特征模型的点源风险源自动提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9564055B2 (en) * | 2015-06-15 | 2017-02-07 | WxOps, Inc. | Prediction and warning of transported turbulence in long-haul aircraft operations |
-
2017
- 2017-05-24 CN CN201710376992.1A patent/CN107220615B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184423A (zh) * | 2011-05-17 | 2011-09-14 | 中国科学院遥感应用研究所 | 一种全自动的区域不透水面遥感信息精确提取方法 |
CN102495412A (zh) * | 2011-11-23 | 2012-06-13 | 中国科学院地理科学与资源研究所 | 一种多尺度不透水地表信息协同遥感反演方法 |
CN102521598A (zh) * | 2011-12-16 | 2012-06-27 | 北京市城市规划设计研究院 | 一种基于遥感影像的识别方法 |
CN104463836A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于移动窗口的城市绿色空间遥感度量方法 |
CN104268581A (zh) * | 2014-10-15 | 2015-01-07 | 中国科学院地理科学与资源研究所 | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 |
CN104268829A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学院地理科学与资源研究所 | 一种基于多尺度空间正则化模型的超分辨率制图方法 |
CN105447452A (zh) * | 2015-11-13 | 2016-03-30 | 中国科学院地理科学与资源研究所 | 一种基于地物空间分布特征的遥感亚像元制图方法 |
CN105469051A (zh) * | 2015-11-25 | 2016-04-06 | 中国科学院电子学研究所 | 一种基于不透水层检测的城市外轮廓提取方法及装置 |
CN106127144A (zh) * | 2016-06-21 | 2016-11-16 | 沈阳航空航天大学 | 采用时谱空一体化特征模型的点源风险源自动提取方法 |
Non-Patent Citations (3)
Title |
---|
A subpixel mapping algorithm combining pixel-level and subpixel-level spatial dependences withbinary integer programming;Chen, Yuehong 等;《REMOTE SENSING LETTERS》;20141102;第5卷(第10期);第902-911页 * |
Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model;Yao Yao 等;《International Journal of Geographical Information Science》;20161023;第1-24页 * |
基于城市POI的遥感影像渐进压缩技术;俞童 等;《测绘工程》;20170430;第26卷(第4期);第58-63+69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107220615A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Cultivated land information extraction in UAV imagery based on deep convolutional neural network and transfer learning | |
CN108871286B (zh) | 空间大数据协同的城市建成区人口密度估算方法和系统 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
Li et al. | Coastal wetland loss and environmental change due to rapid urban expansion in Lianyungang, Jiangsu, China | |
Tong et al. | A new genetic method for subpixel mapping using hyperspectral images | |
Hidayati et al. | Developing an extraction method of urban built-up area based on remote sensing imagery transformation index | |
Tan et al. | Vehicle detection in high resolution satellite remote sensing images based on deep learning | |
CN104408463B (zh) | 一种高分辨率建设用地图斑识别方法 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
Du et al. | A novel lacunarity estimation method applied to SAR image segmentation | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
Alahmadi et al. | A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia | |
CN104268581A (zh) | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
CN107220615B (zh) | 一种融合兴趣点大数据的城市不透水面信息提取方法 | |
Wang et al. | Boundary extraction of urban built-up area based on luminance value correction of NTL image | |
Beiranvand et al. | Evaluation of changes in per capita green space through remote sensing data | |
CN107463944A (zh) | 一种利用多时相高分辨率sar图像的道路信息提取方法 | |
Shao et al. | Mapping impervious surfaces with a hierarchical spectral mixture analysis incorporating endmember spatial distribution | |
Zhou et al. | Green urban garden landscape simulation platform based on high-resolution image recognition technology and GIS | |
CN111639672B (zh) | 一种基于多数投票的深度学习城市功能区分类方法 | |
Zheng et al. | Extraction of impervious surface with Landsat based on machine learning in Chengdu urban, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 211100 No. 8 West Buddha Road, Jiangning District, Jiangsu, Nanjing Patentee after: HOHAI University Patentee after: Jiangsu Yitu Geographic Information Technology Co.,Ltd. Address before: 211100 No. 8 West Buddha Road, Jiangning District, Jiangsu, Nanjing Patentee before: HOHAI University Patentee before: JIANGSU YITU GEOGRAPHY INFORMATION TECHNOLOGY Co.,Ltd. |