CN108647721A - 基于网络图片自动识别的地表覆盖验证方法及系统 - Google Patents
基于网络图片自动识别的地表覆盖验证方法及系统 Download PDFInfo
- Publication number
- CN108647721A CN108647721A CN201810444212.7A CN201810444212A CN108647721A CN 108647721 A CN108647721 A CN 108647721A CN 201810444212 A CN201810444212 A CN 201810444212A CN 108647721 A CN108647721 A CN 108647721A
- Authority
- CN
- China
- Prior art keywords
- ground mulching
- type
- sample point
- picture
- network picture
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出基于网络图片自动识别的地表覆盖验证方法及系统，首先，通过Python语言编写网络爬虫，获取网络图片数据；继而，通过引入卷积神经网络，构建网络图片自动识别模型；然后，利用DBSCAN模型与凸包模型，选取用于地表覆盖验证的样本点；接下来，结合网络图片识别结果，通过计算样本点的类型权重与距离权重，对样本点进行地表覆盖类型确定；最后，将上述样本点作为参考数据，引入混淆矩阵，对地表覆盖产品中的每一类地表覆盖类型进行精度验证。
Description
技术领域
本发明涉及图片自动识别及地表覆盖验证技术领域，尤其涉及基于网络图片自动识别的地表覆盖验证方法及系统。
背景技术
地表覆盖及其变化是全球变化研究、生态环境评估以及地理国情监测的重要基础数据。地表覆盖验证是其数据精度评价的一种重要手段。现有的地表覆盖验证主要是通过野外实地调查、或者遥感影像目视解译等方式，来确定样本点数量及空间分布，并解译样本点类型。该方法存在样本点解译成本高、验证周期长等问题，难以满足地表覆盖产品快速验证的需求。因此，急需发展一种新的地表覆盖验证的自动化处理方法及系统。
近年来，随着移动互联网技术的发展以及社交媒体网站的广泛应用，产生了大量带有地理位置信息的网络图片。这类图片的文字标签以及图像内容很多与地表覆盖类型相关，如水体、植被、耕地等。国内外很多学者已经提出了应用网络图片进行地表覆盖验证的方法：“Fonte,C.C.,Bastin,L.,See,L.,Foody,G.,Lupia,F.,2015.Usability of VGI forvalidation of land cover maps.International Journal of GeographicalInformation Science 29,1269-1291.”中论述了将人工解译的网络图片应用于地表覆盖验证的可行性；“Foody G M,Boyd D S.Using volunteered data in land cover mapvalidation:Mapping West African forests[J].IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing,2013,6(3):1305-1312.”中利用Degrees of Confluence Project中的网络图片，通过志愿者人工解译的方式，对非洲西部森林区域的分类精度进行验证。“Antoniou V,Fonte C C,See L,et al.Investigatingthe feasibility of geo-tagged photographs as sources of land cover input data[J].ISPRS International Journal of Geo-Information,2016,5(5):64.”中通过多名志愿者对Panoramio、Flickr、Geograph3个网站的图片进行人工解译，将解译结果应用到地表覆盖验证中。
上述成果较好地论证了网络图片应用于地表覆盖验证的可行性，但它们主要通过人工解译方式进行图片的识别，解译过程耗时耗力，需要发展一种网络图片自动化识别的技术方法；同时，现有方法大都是将网络图片直接作为样本点，进行地表覆盖验证，它们丢弃了样本点选取策略，同时也忽略了图片的分布情况对样本点选取造成的影响。
发明内容
现有方法大多通过图片的人工解译进行地表覆盖验证，耗时耗力，且未考虑图片的分布情况对样本点选取造成的影响。为了解决现有技术的不足，本发明提供了基于网络图片自动识别的地表覆盖验证方法及系统；
作为本发明的第一方面，提供了基于网络图片自动识别的地表覆盖验证方法，
基于网络图片自动识别的地表覆盖验证方法，包括如下步骤：
步骤(1)：获取网络图片数据：通过网络爬虫方式爬取地表覆盖验证所需的网络图片数据；所述网络图片数据，包括：图片本身和图片的空间位置；
步骤(2)：构建网络图片自动识别模型，计算每一张网络图片所归属的地表覆盖类型的概率；将概率最大的地表覆盖类型作为网络图片的识别结果；
步骤(3)：通过确定样本点数量和样本点的空间位置，选取用于地表覆盖验证的样本点；
步骤(4)：依据步骤(2)和步骤(3)的结果，计算样本点分类的类型权重和距离权重，利用类型权重和距离权重对样本点进行地表覆盖分类；
步骤(5)：地表覆盖精度验证：将待验证分类精度的地表覆盖数据产品中的每一类地表覆盖类型和步骤(4)得到的样本点的地表覆盖类型作为参考数据，输入到混淆矩阵中，输出地表覆盖类型分类精度。
作为本发明的进一步改进，所述步骤(2)中，
构建卷积神经网络模型，将步骤(1)的网络图片数据拆分成两部分，一部分为训练数据，另外一部分为测试数据；利用训练数据对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，其中，卷积神经网络模型的输入数据是图片的分辨率；然后将测试数据输入到训练好的卷积神经网络模型中，计算每一张网络图片所归属的地表覆盖类型的概率；将概率最大的地表覆盖类型作为网络图片的识别结果；
作为本发明的进一步改进，所述步骤(2)中，
第i张网络图片属于第k种地表覆盖类型的概率P(fik)的计算公式为：
式中，K表示地表覆盖类型的总数，fik为属于第k种地表覆盖类型的第i张网络图片的输入值，即图片的分辨率，exp(fik)为分辨率的指数函数。
作为本发明的进一步改进，所述确定样本点数量，包括：
式中，N表示样本总量，h表示置信区间的1/2，zα/2表示置信水平的数学期望，P为计算样本总量的参数。
计算每种地表覆盖类型中样本点的数量：
Nk＝N·wk (4)
式中，wk为分类为第k种地表覆盖类型的图片数量占网络图片总数量的百分比，
Pk为第k种地表覆盖类型的图片数量；P为图片总数量；
Nk表示第k种地表覆盖类型的样本点数量。
作为本发明的进一步改进，所述确定样本点的空间位置的步骤，包括：
步骤(31)：将步骤(1)所得的网络图片的空间位置，输入到密度聚类算法模型DBSCAN中，得到网络图片聚类簇；
其中，密度聚类算法模型DBSCAN的参数设为：Eps＝50，Minpts＝5。其中，Eps为聚类时的最长搜索半径，Minpts为最长搜索半径下的最小图片数；
步骤(32)：将得到的网络图片聚类簇输入到凸包模型Convex Hull中，生成每个聚类簇上的地表覆盖区域；
步骤(33)：在生成的地表覆盖区域中，通过随机选取一个空间位置，作为样本点的空间位置。
作为本发明的进一步改进，所述步骤(4)包括：
步骤(41)：将所述步骤(2)中的每一张网络图片所归属的地表覆盖类型的概率作为样本点分类的类型权重；
步骤(42)：通过计算地表覆盖区域内网络图片的空间位置与样本点的空间位置之间的欧式距离，将所得的欧式距离和设置的权重参数输入到反距离权重算法中，得到样本点分类的距离权重。
步骤(43)：通过样本点分类的类型权重与距离权重，计算每个样本点所归属的地表覆盖类型的概率，将每个样本点所归属的地表覆盖类型的概率最大值所对应的地表覆盖类型，作为样本点的表覆盖类型。
所述步骤(42)中，反距离权重算法(Inverse Distance Weighting，IDW)的距离权重计算公式为：
式中，Wi表示第i张图片的距离权重，n为地表覆盖区域内网络图片的总数，hi表示网络图片的空间位置i到样本点的空间位置之间的距离，p为权重参数。
所述步骤(43)中计算每个样本点所归属的地表覆盖类型的概率，计算公式为：
Pik＝Wi×P(fik) (6)
式中，Pik为距离权重Wi下第i张网络图片属于第k种地表覆盖类型的概率，n为地表覆盖区域内网络图片的总数，Msk表示样本点s分类为第k种地表覆盖类型的概率，并将概率值最大的地表覆盖类型作为样本点的类别。
作为本发明的第二方面，提供了基于网络图片自动识别的地表覆盖验证方系统；
基于网络图片自动识别的地表覆盖验证方系统，包括：
存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
作为本发明的第三方面，提供了一种计算机可读存储介质；
一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
与现有技术相比，本发明的有益效果是：
首先，通过Python语言编写网络爬虫，获取网络图片数据；继而，通过引入卷积神经网络，构建网络图片自动识别模型；然后，利用DBSCAN模型与凸包模型，选取用于地表覆盖验证的样本点；接下来，结合网络图片识别结果，通过计算样本点的类型权重与距离权重，对样本点进行地表覆盖类型确定；最后，将上述样本点作为参考数据，引入混淆矩阵，对地表覆盖产品中的每一类地表覆盖类型进行精度验证。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为专利流程图；
图2为部分区域的网络图片聚类结果示意图；
图3为部分区域的地表覆盖区域示意图；
图4为研究区的样本点分布示意图；
图5为研究区的样本点分类结果示意图；
图6(a)-图6(g)为网络地理图片Flickr图片的图像信息和位置信息。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
为了对本发明的技术特征、目的和效果有更加清楚的理解，现以加利福尼亚西海岸中部和Flickr图片数据集为例，对Globeland30地表覆盖产品进行验证，并对照附图说明本发明的具体实施方式。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
作为本发明的第一个实施例，提供了基于网络图片自动识别的地表覆盖验证方法，
如图1所示，基于网络图片自动识别的地表覆盖验证方法，包括如下步骤：
步骤(1)：获取网络图片数据：通过网络爬虫方式爬取地表覆盖验证所需的网络图片数据；所述网络图片数据，包括：图片本身和图片的空间位置；在本实施例中，网络地理图片Flickr图片的图像信息和位置信息如图6(a)和图6(g)所示。
图6(a)的经度坐标是-122.678167，纬度坐标是38.276883；
图6(b)的经度坐标是-122.482688，纬度坐标是37.828887；
图6(c)的经度坐标是-122.407211，纬度坐标是37.800968；
图6(d)的经度坐标是-122.572816，纬度坐标是37.893333；
图6(e)的经度坐标是-122.673172，纬度坐标是37.914478；
图6(f)的经度坐标是-122.4775，纬度坐标是37.811666。
图6(g)的经度坐标是-122.673172，纬度坐标是37.914478。
步骤(2)：构建网络图片自动识别模型，计算每一张网络图片所归属的地表覆盖类型的概率；将概率最大的地表覆盖类型作为网络图片的识别结果；
构建卷积神经网络模型，将步骤(1)的网络图片数据拆分成两部分，一部分为训练数据，另外一部分为测试数据；利用训练数据对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，其中，卷积神经网络模型的输入数据是图片的分辨率；然后将测试数据输入到训练好的卷积神经网络模型中，计算每一张网络图片所归属的地表覆盖类型的概率；将概率最大的地表覆盖类型作为网络图片的识别结果；
第i张网络图片属于第k种地表覆盖类型的概率P(fik)的计算公式为：
式中，K表示地表覆盖类型的总数，fik为属于第k种地表覆盖类型的第i张网络图片的输入值，即图片的分辨率，exp(fik)为分辨率的指数函数。
在本实施例中，所得网络图片自动识别精度如表1所示：
表1网络图片自动识别模型精度。
步骤(3)：通过确定样本点数量和样本点的空间位置，选取用于地表覆盖验证的样本点；继而，引入DBSCAN(Density-Based Spatial Clustering of Applications withNoise)模型与凸包(Convex Hull)模型，划分用于抽样点选取的地表覆盖区域；最后，在上述地表覆盖区域中，通过随机选取的方式，确定样本点的空间位置。
所述确定样本点数量，包括：
式中，N表示样本总量，h表示置信区间的1/2，zα/2表示置信水平的数学期望，P为计算样本总量的参数。上述参数值的选取可参照“Schultz M,Voss J,Auer M,et al.Openland cover from OpenStreetMap and remote sensing[J].International Journal ofApplied Earth Observation and Geoinformation,2017,63:206-213.”。
计算每种地表覆盖类型中样本点的数量：
Nk＝N·wk (4)
式中，wk为分类为第k种地表覆盖类型的图片数量占网络图片总数量的百分比，
Pk为第k种地表覆盖类型的图片数量；P为图片总数量；
Nk表示第k种地表覆盖类型的样本点数量。
所述确定样本点的空间位置的步骤，包括：
步骤(31)：将步骤(1)所得的网络图片的空间位置，输入到密度聚类算法模型DBSCAN中，得到网络图片聚类簇；
其中，密度聚类算法模型DBSCAN的参数设为：Eps＝50，Minpts＝5。其中，Eps为聚类时的最长搜索半径，Minpts为最长搜索半径下的最小图片数；
步骤(32)：将得到的网络图片聚类簇输入到凸包模型Convex Hull中，生成每个聚类簇上的地表覆盖区域；
步骤(33)：在生成的地表覆盖区域中，通过随机选取一个空间位置，作为样本点的空间位置。
在本实施例中，计算所得样本点总量为179，每种地表覆盖类型中的样本点数量如表2所示。
表2用于地表覆盖验证的样本点数量。
| 人造地表 | 植被 | 水体 | 总计 | |
| 图片数量 | 4620 | 12813 | 1365 | 18798 |
| 图片所占比例 | 24.58％ | 68.16％ | 7.26％ | 100.00％ |
| 样本数量 | 44 | 122 | 13 | 179 |
此外，部分区域的网络图片聚类结果与生成的地表覆盖区域结果如图2、图3所示。研究区域内选取的样本点空间分布如图4所示。
步骤(4)：依据步骤(2)和步骤(3)的结果，计算样本点分类的类型权重和距离权重，利用类型权重和距离权重对样本点进行地表覆盖分类；
步骤(41)：将所述步骤(2)中的每一张网络图片所归属的地表覆盖类型的概率作为样本点分类的类型权重；
步骤(42)：通过计算地表覆盖区域内网络图片的空间位置与样本点的空间位置之间的欧式距离，将所得的欧式距离和设置的权重参数输入到反距离权重算法中，得到样本点分类的距离权重。
所述步骤(42)中，反距离权重算法(Inverse Distance Weighting，IDW)的距离权重计算公式为：
式中，Wi表示第i张图片的距离权重，n为地表覆盖区域内网络图片的总数，hi表示网络图片的空间位置i到样本点的空间位置之间的距离，p为权重参数。
步骤(43)：通过样本点分类的类型权重与距离权重，计算每个样本点所归属的地表覆盖类型的概率，将每个样本点所归属的地表覆盖类型的概率最大值所对应的地表覆盖类型，作为样本点的表覆盖类型。
所述步骤(43)中计算每个样本点所归属的地表覆盖类型的概率，计算公式为：
Pik＝Wi×P(fik) (6)
式中，Pik为距离权重Wi下第i张网络图片属于第k种地表覆盖类型的概率，n为地表覆盖区域内网络图片的总数，Msk表示样本点s分类为第k种地表覆盖类型的概率，并将概率值最大的地表覆盖类型作为样本点的类别。
在本实施例中，样本点的分类结果如图5所示。通过对样本点进行目视解译，得到样本点的分类精度如表3所示：
表3样本点分类精度。
| 人造地表 | 植被 | 水体 | 总计 | |
| 人造地表 | 32 | 3 | 7 | 42 |
| 植被 | 16 | 101 | 2 | 119 |
| 水体 | 1 | 8 | 9 | 18 |
| 总计 | 49 | 112 | 18 | 179 |
| 总体精度 | - | - | - | 79.33％ |
步骤(5)：地表覆盖精度验证：将待验证分类精度的地表覆盖数据产品中的每一类地表覆盖类型和步骤(4)得到的样本点的地表覆盖类型作为参考数据，输入到混淆矩阵中，输出地表覆盖类型分类精度。
在本实施例中，基于分类后的样本点数据，利用混淆矩阵，对GlobeLand30地表覆盖产品进行分类精度验证，验证结果如表4所示。
表4地表覆盖验证精度。
| 人造地表 | 植被 | 水体 | 总计 | 用户精度 | |
| 人造地表 | 34 | 7 | 1 | 42 | 80.95％ |
| 植被 | 7 | 108 | 4 | 119 | 90.76％ |
| 水体 | 3 | 7 | 8 | 18 | 44.44％ |
| 总计 | 44 | 122 | 13 | 179 | |
| 制图精度 | 77.27％ | 88.52％ | 61.54％ | 83.80％ |
作为本发明的第二个实施例，提供了基于网络图片自动识别的地表覆盖验证方系统；
基于网络图片自动识别的地表覆盖验证方系统，包括：
存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
作为本发明的第三个实施例，提供了一种计算机可读存储介质；
一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
本发明首先，通过Python语言编写网络爬虫，获取网络图片数据；继而，通过引入卷积神经网络，构建网络图片自动识别模型；然后，利用DBSCAN模型与凸包模型，选取用于地表覆盖验证的样本点；接下来，结合网络图片识别结果，通过计算样本点的类型权重与距离权重，对样本点进行地表覆盖类型确定；最后，将上述样本点作为参考数据，引入混淆矩阵，对地表覆盖产品中的每一类地表覆盖类型进行精度验证。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.基于网络图片自动识别的地表覆盖验证方法，其特征是，包括如下步骤：
步骤(1)：获取网络图片数据：通过网络爬虫方式爬取地表覆盖验证所需的网络图片数据；所述网络图片数据，包括：图片本身和图片的空间位置；
步骤(2)：构建网络图片自动识别模型，计算每一张网络图片所归属的地表覆盖类型的概率；将概率最大的地表覆盖类型作为网络图片的识别结果；
步骤(3)：通过确定样本点数量和样本点的空间位置，选取用于地表覆盖验证的样本点；
步骤(4)：依据步骤(2)和步骤(3)的结果，计算样本点分类的类型权重和距离权重，利用类型权重和距离权重对样本点进行地表覆盖分类；
步骤(5)：地表覆盖精度验证：将待验证分类精度的地表覆盖数据产品中的每一类地表覆盖类型和步骤(4)得到的样本点的地表覆盖类型作为参考数据，输入到混淆矩阵中，输出地表覆盖类型分类精度。
2.如权利要求1所述的基于网络图片自动识别的地表覆盖验证方法，其特征是，所述步骤(2)中，构建卷积神经网络模型，将步骤(1)的网络图片数据拆分成两部分，一部分为训练数据，另外一部分为测试数据；利用训练数据对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，其中，卷积神经网络模型的输入数据是图片的分辨率；然后将测试数据输入到训练好的卷积神经网络模型中，计算每一张网络图片所归属的地表覆盖类型的概率；将概率最大的地表覆盖类型作为网络图片的识别结果。
3.如权利要求2所述的基于网络图片自动识别的地表覆盖验证方法，其特征是，所述步骤(2)中，
第i张网络图片属于第k种地表覆盖类型的概率P(fik)的计算公式为：
式中，K表示地表覆盖类型的总数，fik为属于第k种地表覆盖类型的第i张网络图片的输入值，即图片的分辨率，exp(fik)为分辨率的指数函数。
4.如权利要求1所述的基于网络图片自动识别的地表覆盖验证方法，其特征是，所述确定样本点数量，包括：
式中，N表示样本总量，h表示置信区间的1/2，zα/2表示置信水平的数学期望，P为计算样本总量的参数；
计算每种地表覆盖类型中样本点的数量：
Nk＝N·wk (4)
式中，wk为分类为第k种地表覆盖类型的图片数量占网络图片总数量的百分比，
Pk为第k种地表覆盖类型的图片数量；P为图片总数量；
Nk表示第k种地表覆盖类型的样本点数量。
5.如权利要求1所述的基于网络图片自动识别的地表覆盖验证方法，其特征是，所述确定样本点的空间位置的步骤，包括：
步骤(31)：将步骤(1)所得的网络图片的空间位置，输入到密度聚类算法模型DBSCAN中，得到网络图片聚类簇；
其中，密度聚类算法模型DBSCAN的参数设为：Eps＝50，Minpts＝5；其中，Eps为聚类时的最长搜索半径，Minpts为最长搜索半径下的最小图片数；
步骤(32)：将得到的网络图片聚类簇输入到凸包模型Convex Hull中，生成每个聚类簇上的地表覆盖区域；
步骤(33)：在生成的地表覆盖区域中，通过随机选取一个空间位置，作为样本点的空间位置。
6.如权利要求1所述的基于网络图片自动识别的地表覆盖验证方法，其特征是，所述步骤(4)包括：
步骤(41)：将所述步骤(2)中的每一张网络图片所归属的地表覆盖类型的概率作为样本点分类的类型权重；
步骤(42)：通过计算地表覆盖区域内网络图片的空间位置与样本点的空间位置之间的欧式距离，将所得的欧式距离和设置的权重参数输入到反距离权重算法中，得到样本点分类的距离权重；
步骤(43)：通过样本点分类的类型权重与距离权重，计算每个样本点所归属的地表覆盖类型的概率，将每个样本点所归属的地表覆盖类型的概率最大值所对应的地表覆盖类型，作为样本点的表覆盖类型。
7.如权利要求6所述的基于网络图片自动识别的地表覆盖验证方法，其特征是，
所述步骤(42)中，反距离权重算法的距离权重计算公式为：
式中，Wi表示第i张图片的距离权重，n为地表覆盖区域内网络图片的总数，hi表示网络图片的空间位置i到样本点的空间位置之间的距离，p为权重参数。
8.如权利要求6所述的基于网络图片自动识别的地表覆盖验证方法，其特征是，
所述步骤(43)中计算每个样本点所归属的地表覆盖类型的概率，计算公式为：
Pik＝Wi×P(fik) (6)
式中，Pik为距离权重Wi下第i张网络图片属于第k种地表覆盖类型的概率，n为地表覆盖区域内网络图片的总数，Msk表示样本点s分类为第k种地表覆盖类型的概率，并将概率值最大的地表覆盖类型作为样本点的类别。
9.基于网络图片自动识别的地表覆盖验证方系统，其特征是，包括：
存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-8任一方法所述的步骤。
10.一种计算机可读存储介质，其特征是，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-8任一方法所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810444212.7A CN108647721B (zh) | 2018-05-10 | 2018-05-10 | 基于网络图片自动识别的地表覆盖验证方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810444212.7A CN108647721B (zh) | 2018-05-10 | 2018-05-10 | 基于网络图片自动识别的地表覆盖验证方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108647721A true CN108647721A (zh) | 2018-10-12 |
| CN108647721B CN108647721B (zh) | 2021-10-26 |
Family
ID=63754361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810444212.7A Active CN108647721B (zh) | 2018-05-10 | 2018-05-10 | 基于网络图片自动识别的地表覆盖验证方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108647721B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740485A (zh) * | 2018-12-27 | 2019-05-10 | 中国水利水电科学研究院 | 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法 |
| CN111652882A (zh) * | 2020-07-07 | 2020-09-11 | 中国水利水电科学研究院 | 一种大尺度地表水体产品制图精度评估方法 |
| CN111814555A (zh) * | 2020-06-09 | 2020-10-23 | 广东国地规划科技股份有限公司 | 一种基于多源数据的土地功能智能识别方法、系统及设备 |
| CN113590732A (zh) * | 2021-08-02 | 2021-11-02 | 高崟 | 遥感解译样本点的显示方法、装置、电子设备及存储介质 |
| CN115438735A (zh) * | 2022-09-09 | 2022-12-06 | 中国电信股份有限公司 | 基于联邦学习的质检方法、系统、可读介质及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140212055A1 (en) * | 2013-01-25 | 2014-07-31 | Shyam Boriah | Automated Mapping of Land Cover Using Sequences of Aerial Imagery |
| CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
| CN106126593A (zh) * | 2016-06-20 | 2016-11-16 | 国家基础地理信息中心 | 基于网络开放照片资源的地表实景信息生成方法及装置 |
| CN107844751A (zh) * | 2017-10-19 | 2018-03-27 | 陕西师范大学 | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 |
-
2018
- 2018-05-10 CN CN201810444212.7A patent/CN108647721B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140212055A1 (en) * | 2013-01-25 | 2014-07-31 | Shyam Boriah | Automated Mapping of Land Cover Using Sequences of Aerial Imagery |
| CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
| CN106126593A (zh) * | 2016-06-20 | 2016-11-16 | 国家基础地理信息中心 | 基于网络开放照片资源的地表实景信息生成方法及装置 |
| CN107844751A (zh) * | 2017-10-19 | 2018-03-27 | 陕西师范大学 | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| ALSALMAN A S 等: "Comparative Study of Change Detection and Urban Expansion Using Multi-Date Multi-Source Data: A Case Study of Greater Khartoum", 《JOURNAL OF KING ABDULAZIZ UNIVERSITY ENGINEERING SCIENCES》 * |
| 陈斐 等: "基于景观形状指数的地表覆盖检验样本自适应抽样方法", 《中国科学:地球科学》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740485A (zh) * | 2018-12-27 | 2019-05-10 | 中国水利水电科学研究院 | 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法 |
| CN109740485B (zh) * | 2018-12-27 | 2021-02-02 | 中国水利水电科学研究院 | 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法 |
| CN111814555A (zh) * | 2020-06-09 | 2020-10-23 | 广东国地规划科技股份有限公司 | 一种基于多源数据的土地功能智能识别方法、系统及设备 |
| CN111652882A (zh) * | 2020-07-07 | 2020-09-11 | 中国水利水电科学研究院 | 一种大尺度地表水体产品制图精度评估方法 |
| CN113590732A (zh) * | 2021-08-02 | 2021-11-02 | 高崟 | 遥感解译样本点的显示方法、装置、电子设备及存储介质 |
| CN113590732B (zh) * | 2021-08-02 | 2023-11-24 | 高崟 | 遥感解译样本点的显示方法、装置、电子设备及存储介质 |
| CN115438735A (zh) * | 2022-09-09 | 2022-12-06 | 中国电信股份有限公司 | 基于联邦学习的质检方法、系统、可读介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108647721B (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647721A (zh) | 基于网络图片自动识别的地表覆盖验证方法及系统 | |
| Comber et al. | A route map for successful applications of geographically weighted regression | |
| Blackard et al. | Comparative accuracies of artificial neural networks and discriminant analysis in predicting forest cover types from cartographic variables | |
| Llobera | Modeling visibility through vegetation | |
| Kavanaugh et al. | Hierarchical and dynamic seascapes: A quantitative framework for scaling pelagic biogeochemistry and ecology | |
| Yang et al. | An integrative hierarchical stepwise sampling strategy for spatial sampling and its application in digital soil mapping | |
| CN106845559B (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及系统 | |
| CN106919680B (zh) | 一种利用poi数据进行地表覆盖分类的方法及系统 | |
| Torri et al. | On cold pool collisions in tropical boundary layers | |
| Liang et al. | A case-based method of selecting covariates for digital soil mapping | |
| CN107239967A (zh) | 房产信息处理方法、装置、计算机设备及存储介质 | |
| Zhao et al. | Using the rotation and random forest models of ensemble learning to predict landslide susceptibility | |
| CN107666649A (zh) | 个人财产状态评估方法及装置 | |
| Zhu et al. | Making direction a first‐class citizen of Tobler's first law of geography | |
| CN106021290A (zh) | 一种基于多尺度地理信息的社交网络关联挖掘方法 | |
| Chen et al. | A subpixel mapping algorithm combining pixel-level and subpixel-level spatial dependences with binary integer programming | |
| Retsch et al. | Assessing convective organization in tropical radar observations | |
| Fan et al. | Land cover classification of resources survey remote sensing images based on segmentation model | |
| Zheng et al. | Evolution process of urban spatial pattern in Hubei Province based on DMSP/OLS nighttime light data | |
| Manganelli et al. | Urban residential land value analysis: the case of Potenza | |
| Mousavinezhad et al. | Performance evaluation of machine learning algorithms in change detection and change prediction of a watershed’s land use and land cover | |
| Hao et al. | Integration of multinomial-logistic and Markov-chain models to derive land-use change dynamics | |
| Saboori et al. | Combining multi-scale textural features from the panchromatic bands of high spatial resolution images with ANN and MLC classification algorithms to extract urban land uses | |
| CN111401683B (zh) | 古村落传统性的测算方法及装置 | |
| Arrillaga et al. | Analyzing the synoptic‐, meso‐and local‐scale involved in sea breeze formation and frontal characteristics |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221101 Address after: 528000 room 2301-2302, block 7, Tian'an center, No. 31, Jihua East Road, Guicheng Street, Nanhai District, Foshan City, Guangdong Province Patentee after: Guangdong shengtengdixin Technology Co.,Ltd. Address before: 250014 No. 146, Lishan Road, Lixia District, Jinan City, Shandong Province Patentee before: Xing Hanfa |