CN109993753A - 遥感影像中城市功能区的分割方法及装置 - Google Patents
遥感影像中城市功能区的分割方法及装置 Download PDFInfo
- Publication number
- CN109993753A CN109993753A CN201910196897.2A CN201910196897A CN109993753A CN 109993753 A CN109993753 A CN 109993753A CN 201910196897 A CN201910196897 A CN 201910196897A CN 109993753 A CN109993753 A CN 109993753A
- Authority
- CN
- China
- Prior art keywords
- incrementss
- remote sensing
- sensing image
- heterogeneous
- target
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种遥感影像中城市功能区的分割方法及装置,所述方法包括:获取任意两个相邻对象之间的异质性增加量;根据异质性增加量和自适应分割尺度,对目标遥感影像中的所有对象进行迭代合并,获取目标遥感影像中的城市功能区,其中,自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度。本发明实施例提供的遥感影像中城市功能区的分割方法及装置,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种遥感影像中城市功能区的分割方法及装置。
背景技术
城市社会经济活动在空间上表现出很强的聚集模式,从而产生了各种城市功能区,以适应人们对生活、工作、教育、娱乐和公共服务等的不同需求。城市功能区作为实现城市经济和社会功能的重要空间载体,通常被用作城市规划和管理的基本单元。由于城市功能区在遥感影像中通常具有任意的形状和大小,并且在视觉特征上具有较大的异质性,因此通过高分辨率遥感影像进行功能区自动分割较为困难。
现有技术中,城市功能区分析方法主要依赖于瓦片影像和道路分割结果。瓦片影像虽然使用简单,但不能代表任意形状和大小的功能区。随着可用的城市道路数据越来越丰富,现在较多的研究使用道路矢量将高分辨率遥感影像分割为不同的功能区。然而,现实情况中,功能区并不一定都被道路分开,此外道路矢量数据的完整性和质量对功能区的分割精度有很大影响。
而广泛使用的影像分割方法包括对象分割和语义分割,然而对象分割是为了获得建筑物、道路等均质的影像对象,而不是像功能区一样的非均质的影像斑块。语义分割实际上是一种逐像素的影像分类方法,可以获得比对象分割更精确、更完整的地理对象。然而,无论是对象分割还是语义分割,目的都是获得具有一致视觉特征(光谱、纹理和形状)的均质对象,而功能区是影像上具有较大异质性的斑块,是由具有不同视觉特征的不同地理对象组成,这两种分割方法都不能分割出城市功能区。
可见,利用现有技术中的城市功能区分析方法,得到的城市功能区分割结果精度低。对象分割或者语义分割主要针对地理对象的分割,采用这两种分割方法都不能分割出城市功能区。
发明内容
本发明实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的遥感影像中城市功能区的分割方法及装置。
为了解决上述技术问题,一方面,本发明实施例提供一种遥感影像中城市功能区的分割方法,包括:
获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;
根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
另一方面,本发明实施例提供一种遥感影像中城市功能区的分割装置,包括:
获取模块,用于获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;
分割模块,用于根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
再一方面,本发明实施例提供一种电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
又一方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现上述的方法。
本发明实施例提供的遥感影像中城市功能区的分割方法及装置,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
附图说明
图1为本发明实施例提供的遥感影像中城市功能区的分割方法示意图;
图2为本发明实施例提供的遥感影像中城市功能区的分割装置示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做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。
图1为本发明实施例提供的遥感影像中城市功能区的分割方法示意图,如图1所示,本发明实施例提供一种遥感影像中城市功能区的分割方法,该方法包括:
步骤S101、获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;
步骤S102、根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
具体来说,对原始目标遥感影像进行对象分割后,得到多个影像分割对象(简称“对象”),一个对象在遥感影像中相当于该遥感影像的一个子区域,被分割出来的多个对象相互相邻,共同组成了完整的遥感影像,任意一个对象周围都至少存在一个其他对象与其相邻。
首先,获取目标遥感影像中任意两个相邻对象之间的异质性增加量,该异质性增加量用于表示两个相邻对象合并前后异质性的变化。
该异质性增加量包括上下文特征异质性增加量和形状异质性增加量。
(1)上下文特征异质性增加量
两相邻对象的上下文特征标准差和面积分别定义为σ1,i,σ2,i,n1,n2,合并后对象的上下文特征标准差和面积分别定义为σmerg,i,nm,则上下文特征异质性增加量可用如下公式表示:
其中,i指的是第i维特征,wi指的是第i维特征的权重。
(2)形状异质性增加量
形状异质性包括光滑度和紧凑度,分别定义为其中,l为对象的周长,b为对象最小外接矩形的周长,n为对象面积。光滑度可用如下公式表示:
紧凑度可用如下公式表示:
则形状异质性增加量可用如下公式表示:
hshape=wsmooth×hsmooth+(1-wsmooth)×hcom
其中,wsmooth为光滑度的权重。
获取遥感影像中任意两个相邻对象之间的异质性增加量之后,根据异质性增加量和自适应分割尺度,对目标遥感影像中的所有对象进行迭代合并,获取目标遥感影像中的城市功能区。
其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
对目标遥感影像中的所有对象进行迭代合并时,在一次迭代过程中,按照对象的顺序,依次遍历目标遥感影像中的每一对象。针对目标对象,首先获取与该目标对象之间的异质性增加量最小的相邻对象,作为该目标对象的合并对象,该目标对象和其合并对象,构成一对待合并的对象。例如,对原始遥感影像进行对象分割后,得到A、B、C、D、E和F,共六个对象,与对象A相邻的对象包括:对象B、对象C、对象D、对象E和对象F,其中,对象C是与对象A之间的异质性增加量最小的对象,则对象C成为对象A的合并对象,对象A和对象C构成一对待合并的对象。
迭代合并时,采用局部最优合并策略进行迭代,逐对待合并的对象进行合并,在一次迭代过程中包括若干次合并,当前的两个对象合并完成后,再遍历后面的对象,进行合并,直到遍历完所有对象,再进行下一次迭代,最终直到没有需要合并的对象。
例如,对原始目标遥感影像进行对象分割后,得到A、B、C、D、E和F,共六个对象,在上次迭代过程中,首先,遍历对象A,若没有满足与对象A进行合并的相邻对象,则继续遍历对象B,若对象B与其相邻的对象C进行了合并,合并之后得到的对象命名为B1,由于本次迭代过程中,对象C已经进行了合并,则不再遍历对象C,直接遍历对象D,若对象D与其相邻的对象E进行了合并,合并之后得到的对象命名为D1,由于本次迭代过程中,对象E已经进行了合并,则不再遍历对象E,直接遍历对象F,经过本次迭代,最终剩下的对象为A、B1、D1和F,共四个对象;在下一次迭代过程中,按照对象A、B1、D1和F的顺序,依次遍历每一对象,直到遍历完所有对象,再进行下一次迭代,最终直到没有需要合并的对象。
每一对待合并的对象都对应一个自适应分割尺度,不同待合并的对象对应的自适应分割尺度可以不同,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
本发明实施例提供的遥感影像中城市功能区的分割方法,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
在上述实施例的基础上,进一步地,所述根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,具体包括:
在一次迭代过程中,依次遍历所述目标遥感影像中的每一对象,获取与第一对象之间的异质性增加量最小的相邻对象,作为第一合并对象,所述第一对象和所述第一合并对象构成第一对待合并的对象;
若判断获知第一最小异质性增加量小于第一自适应分割尺度,则将所述第一对象和所述第一合并对象合并,所述第一最小异质性增加量为所述第一对象和所述第一合并对象之间的异质性增加量,所述第一自适应分割尺度是根据所述第一对待合并的对象所包含的像素的上下文特征,按照所述预设自适应算法模型计算得到的分割尺度;若判断获知所述第一最小异质性增加量大于等于所述第一自适应分割尺度,则不对所述第一对象和所述第一合并对象处理;
获取与第二对象之间的异质性增加量最小的相邻对象,作为第二合并对象,所述第二对象和所述第二合并对象构成第二对待合并的对象;
若判断获知第二最小异质性增加量小于第二自适应分割尺度,则将所述第二对象和所述第二合并对象合并,所述第二最小异质性增加量为所述第二对象和所述第二合并对象之间的异质性增加量,所述第二自适应分割尺度是根据所述第二对待合并的对象所包含的像素的上下文特征,按照所述预设自适应算法模型计算得到的分割尺度;若判断获知所述第二最小异质性增加量大于等于所述第二自适应分割尺度,则不对所述第二对象和所述第二合并对象处理;直到遍历完所述目标遥感影像中的所有对象,再进行下一次迭代。
具体来说,对目标遥感影像中的所有对象进行迭代合并时,在一次迭代过程中,按照对象的顺序,依次遍历目标遥感影像中的每一对象。针对目标对象,首先获取与该目标对象之间的异质性增加量最小的相邻对象,作为该目标对象的合并对象,该目标对象和其合并对象,构成一对待合并的对象。迭代合并时,采用局部最优合并策略进行迭代,逐对待合并的对象进行合并,每一对待合并的对象都对应一个自适应分割尺度,不同待合并的对象对应的自适应分割尺度可以不同,自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
在一次迭代过程中,首先,获取与第一对象之间的异质性增加量最小的相邻对象,作为第一合并对象,第一对象和第一合并对象构成第一对待合并的对象。
然后,判断第一最小异质性增加量与第一自适应分割尺度的关系,如果第一最小异质性增加量小于第一自适应分割尺度,则将第一对象和第一合并对象合并,第一最小异质性增加量为第一对象和第一合并对象之间的异质性增加量,第一自适应分割尺度是根据第一对待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度。如果第一最小异质性增加量大于等于第一自适应分割尺度,则不对第一对象和第一合并对象处理。
然后,移动到下一个未处理的第二对象,获取与第二对象之间的异质性增加量最小的相邻对象,作为第二合并对象,第二对象和第二合并对象构成第二对待合并的对象。
然后,判断第二最小异质性增加量与第二自适应分割尺度的关系,如果第二最小异质性增加量小于第二自适应分割尺度,则将第二对象和第二合并对象合并,第二最小异质性增加量为第二对象和第二合并对象之间的异质性增加量,第二自适应分割尺度是根据第二对待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度。如果第二最小异质性增加量大于等于第二自适应分割尺度,则不对第二对象和第二合并对象处理。
按照上述方式进行遍历,直到遍历完该目标遥感影像中的所有对象,再进行下一次迭代,最终直到没有对象合并时,分割将停止。
例如,对原始目标遥感影像进行对象分割后,得到A、B、C、D、E和F,共六个对象,在上次迭代过程中,首先,遍历对象A,与对象A相邻的对象包括:对象B、对象C、对象D、对象E和对象F,其中,对象C是与对象A之间的异质性增加量最小的对象,则对象C成为对象A的合并对象,对象A和对象C构成一对待合并的对象,但是,对象A与对象C之间的异质性增加量大于第一自适应分割尺度,则不对对象A和对象C处理,其中,第一自适应分割尺度是根据对象A和对象C所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度。
然后,继续遍历对象B,若对象B和对象C构成一对待合并的对象,且对象B与对象C之间的异质性增加量小于第二自适应分割尺度,则将对象B和对象C进行合并,合并之后得到的对象命名为B1,其中,第二自适应分割尺度是根据对象B和对象C所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度。
由于本次迭代过程中,对象C已经进行了合并,则不再遍历对象C,直接遍历对象D,若对象D与其相邻的对象E进行了合并,合并之后得到的对象命名为D1,由于本次迭代过程中,对象E已经进行了合并,则不再遍历对象E,直接遍历对象F。
经过本次迭代,最终剩下的对象为A、B1、D1和F,共四个对象。在下一次迭代过程中,按照对象A、B1、D1和F的顺序,依次遍历每一对象,直到遍历完所有对象,再进行下一次迭代,最终直到没有需要合并的对象。
本发明实施例提供的遥感影像中城市功能区的分割方法,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
在以上各实施例的基础上,进一步地,所述预设自适应算法模型具体为:
其中,S为目标自适应分割尺度,Sset为初始分割尺度,di为目标对象所包含的像素的上下文特征的平均值,dj为目标合并对象所包含的像素的上下文特征的平均值,所述目标合并对象是与所述目标对象之间的异质性增加量最小的相邻对象,所述目标对象和所述目标合并对象构成一对待合并的对象,di,j为所述目标对象和所述目标合并对象总共包含的像素的上下文特征的平均值,dm为所述目标遥感影像中所有像素的上下文特征值分布的中位数,duq为所述目标遥感影像中所有像素的上下文特征值分布的上四分位数。
具体来说,在对目标遥感影像中的所有对象进行迭代合并时,采用局部最优合并策略进行迭代,逐对待合并的对象进行合并,每一对待合并的对象都对应一个自适应分割尺度,不同待合并的对象对应的自适应分割尺度可以不同,自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度。
本发明实施例中,上下文特征用于表示像素与其他不同类别的像素之间的空间关系。上下文特征主要测量了距离信息,由于较大的功能区的像素距离其他类别的像素较远,将具有较大的上下文特征值。因此,根据上下文特征的大小可以确定不同城市区域的适宜分割尺度,使用较大的分割尺度分割具有较大上下文特征值的区域。分割尺度根据上下文特征的异质性而变化,并非一个固定值,从而使分割出来的城市功能区的精度更高。
预设自适应算法模型用公式表示如下:
其中,S为目标自适应分割尺度,Sset为初始分割尺度,di为目标对象所包含的像素的上下文特征的平均值,dj为目标合并对象所包含的像素的上下文特征的平均值,所述目标合并对象是与所述目标对象之间的异质性增加量最小的相邻对象,所述目标对象和所述目标合并对象构成一对待合并的对象,di,j为所述目标对象和所述目标合并对象总共包含的像素的上下文特征的平均值,dm为所述目标遥感影像中所有像素的上下文特征值分布的中位数,duq为所述目标遥感影像中所有像素的上下文特征值分布的上四分位数。
本发明实施例提出的自适应尺度分割,分割尺度参数会根据di和dj是否大于duq来决定是否进行改变,也就是说,如果di和dj大于duq,那么分割尺度将会根据di,j与dm的比例来进行放大,否则,将会采用初始分割尺度Sset。因此,di,j越大,分割尺度将会越大。通过设置的自适应分割尺度,将目标遥感影像分割对象进行迭代合并,得到初始的功能区分割结果。
本发明实施例提供的遥感影像中城市功能区的分割方法,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
在以上各实施例的基础上,进一步地,所述获取目标遥感影像中任意两个相邻对象之间的异质性增加量,具体包括:
获取两个目标相邻对象之间的上下文特征异质性增加量和形状异质性增加量;
将所述上下文特征异质性增加量和所述形状异质性增加量,输入至预设权重算法模型,输出所述两个目标相邻对象之间的异质性增加量。
具体来说,异质性增加量包括上下文特征异质性增加量和形状异质性增加量,获取目标遥感影像中任意两个相邻对象之间的异质性增加量的具体步骤包括:
首先,获取两个目标相邻对象之间的上下文特征异质性增加量和形状异质性增加量。
在获取两个目标相邻对象之间的上下文特征异质性增加量和形状异质性增加量之后,将上下文特征异质性增加量和形状异质性增加量,输入至预设权重算法模型,输出两个目标相邻对象之间的异质性增加量。
预设权重算法模型的计算公式如下:
f=wcontext×hcontext+(1-wcontext)×hshape
其中,f为两个相邻对象之间的异质性增加量,hcontext为上下文特征异质性增加量,hsha为形状异质性增加量,wcontext为上下文特征异质性增加量的权重。
本发明实施例提供的遥感影像中城市功能区的分割方法,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
在以上各实施例的基础上,进一步地,所述获取两个目标相邻对象之间的上下文特征异质性增加量和形状异质性增加量之前,还包括
获取每一像素的上下文特征;
对所述目标遥感影像进行对象分割。
具体来说,在获取两个目标相邻对象之间的上下文特征异质性增加量和形状异质性增加量之前,还需要采用光谱特征和形状特征通过多尺度分割方法(MRS)对原始目标遥感影像进行初始分割,得到影像分割对象,将其作为后续合并的初始单元。
首先,需要获取原始目标遥感影像中每一像素的上下文特征。上下文特征用于表示像素与其他不同类别的像素之间的空间关系,例如,每个像素到影像上不同类别像素的最近邻距离。
然后,对目标遥感影像进行对象分割,得到影像分割对象,将其作为后续合并的初始单元,以保留地物的边界信息。因此,在本发明实施例中,首先使用MRS将原始影像分割为若干个对象,然后对这些对象做进一步合并。
本发明实施例提供的遥感影像中城市功能区的分割方法,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
在以上各实施例的基础上,进一步地,所述获取每一像素的上下文特征,具体包括:
对所述目标遥感影像中所有像素的像素值进行聚类,将所述目标遥感影像中所有像素分成若干个类别;
计算每一像素分别到所述目标遥感影像上其他类别像素的最近邻距离,作为像素的上下文特征。
具体来说,从原始目标遥感影像中获取每一像素的上下文特征的详细步骤如下:
首先,采用ISODATA聚类算法对目标遥感影像进行非监督聚类,将影像分为不同的类别,设类别数为n。
然后,对于每一个像素,计算其到n个类别中每一个类别的像素最近的距离,共计算n个距离,将这n个距离作为像素的上下文特征,因此对于每一个像素,将会对应一个n维的上下文特征。
本发明实施例提供的遥感影像中城市功能区的分割方法,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
在以上各实施例的基础上,进一步地,所述获取所述目标遥感影像中的城市功能区之后,还包括:
根据所述目标遥感影像中的对象,以及所述城市功能区构建能量函数;
通过最小化所述能量函数对所述城市功能区分割结果进行优化。
具体来说,在对目标遥感影像中的对象进行合并,获取城市功能区之后,还可以将影像分割对象作为节点,功能区初始分割结果作为标记,构建能量函数,利用图割算法对初始的分割结果进行优化,使分割结果更精确。
在迭代合并过程中,采用局部最优策略,忽略了全局信息,图割算法能够考虑相邻对象之间的相似性而实现全局最优结果,因此本发明实施例采用图割算法对初始分割的功能区进行优化,主要是通过影像分割对象和初始功能区分割结果来构建能量函数,通过最小化能量函数来优化初始分割的功能区。
给定节点集合P以及一个有限的标记集合L,图割算法的目的是对每一个节点p∈P给予一个标记lp∈L,能量函数的表达式如下:
其中,第一项∑p∈PDp(lp)和第二项∑{p,q}∈Nw(p,q)×V(p,q)(lp,lq)分别为数据项和平滑项,Dp(lp)指示标记lp适合节点p的程度,w(p,q)×V(p,q)(lp,lq)定义了相邻节点p和q的相似性,λ控制数据项和平滑项之间的相对权重,N为所有相邻节点对的集合。
能量函数的构建是优化的关键,在本发明实施例中,以采用MRS算法对原始影像分割的对象作为节点,初始功能区分割结果中的功能区作为标记,假设有n个功能区,那么标记集合L={l1,l2,…li,…ln},即每一个功能区将对应一个标记,根据影像分割对象和功能区的包含关系,就可以得到每个节点所对应的标记,同样的,对于每一个标记li,其将会对应该功能区所包含的所有影像分割对象,为了能够更好地优化功能区分割结果,每一个标记li将会同时被赋予与该功能区2-阶邻接的影像分割对象,这样,对于每一个影像分割对象,将会对应多个可能的标记。令S(li)表示标记li所对应的所有的影像分割对象(包括该功能区所包含的影像分割对象以及与其2-阶邻接的对象),则数据项的计算公式如下:
w(p,q)的计算公式如下:
其中,f=wcontext×hcontext+(1-wcontext)×hshap,即两个对象合并后异质性增加量,dist(p,q)为两节点之间的欧氏距离,σ用来调整平滑项的取值范围。V(p,q)(lp,lq)的计算公式如下:
构建完能量函数后,采用α-expansion算法进行解算,最终每一个影像分割对象将会得到一个新的标记,所有相邻的具有相同标记的影像分割对象将会组成一个功能区,以此完成对初始功能区分割结果的优化。
本发明实施例提供的遥感影像中城市功能区的分割方法,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
为了验证本发明实施例的效果,采用空间分辨率为2米的WorldView2影像进行实验,所在地区为北京海淀,影像大小为3000×3000。该区域为典型的城市场景,建筑风格复杂多样,包括居民区、商业区、工业区、棚户区、学校、公园等不同的功能区,有助于准确评价所提出算法的性能。
选择现有技术中的多层聚合算法进行比较,以验证本发明实施例的方法的优越性,通过对比本发明实施例的功能区分割结果和多层聚合方法的功能区分割结果,可知,在本发明实施例的方法的分割结果中,大部分功能区都被适当分割,尤其是被道路包围的功能区,保留了良好的边缘信息。此外,具有显著空间特征的功能区(如住宅区)被更好地分割。在研究区域的左上角有一较大面积的公园,根据自适应尺度自动选择了较大的尺度进行分割。而多层聚合的结果在视觉上虽然可以接受,但是存在三个问题:1)需要道路矢量的约束;2)必须进行对象分割和分类,精度会影响分割结果;3)较多区域产生了欠分割的结果。此外,多层聚合在一个分割过程中尺度是固定的,而本发明实施例提出的方法在不同的城市区域使用了不同的分割尺度。
为了进一步定量评价分割精度,采用Polak提出的对象一致性误差(OCE)来进行评价,OCE取值[0,1],值越小表明分割效果越好。通过目视解译手工选取了50个功能区来作为参考数据,计算OCE指标,结果如表1所示。
表1功能区分割结果评价
如表1所示,本发明实施例的方法在分割效果和算法效率上都明显优于多层聚合方法。
为了与传统的功能区分析中所采用的空间单元(瓦片影像和道路分割结果)进行比较,选取了一个区域的结果进行对比,由于瓦片影像都是矩形,因此不能表示任意形状和大小的真实功能区。而道路分割结果存在严重的欠分割,一个道路分割块中往往包含不同类别的功能区。例如,道路分割结果中未被分割的区域,采用发明实施例的方法将该区域分割成多个功能区,包括棚户区、工业区和公园。因此,本发明实施例的方法可以自动,快速的从高分辨率遥感影像中产生满足各种应用需求的多尺度的功能区分割结果。
图2为本发明实施例提供的遥感影像中城市功能区的分割装置示意图,如图2所示,本发明实施例提供一种遥感影像中城市功能区的分割装置,用于执行上述任一实施例中所述的方法,具体包括获取模块201和分割模块202,其中:
获取模块201用于获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;分割模块202用于根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
具体来说,首先,通过获取模块201获取遥感影像中任意两个相邻对象之间的异质性增加量,该异质性增加量用于表示两个对象合并前后异质性的变化。
该异质性增加量包括上下文特征异质性增加量和形状异质性增加量。
获取遥感影像中任意两个相邻对象之间的异质性增加量之后,通过分割模块202根据异质性增加量和自适应分割尺度,对目标遥感影像中的所有对象进行迭代合并,获取目标遥感影像中的城市功能区。
其中,自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
对目标遥感影像中的所有对象进行迭代合并时,在一次迭代过程中,按照对象的顺序,依次遍历目标遥感影像中的每一对象。针对目标对象,首先获取与该目标对象之间的异质性增加量最小的相邻对象,作为该目标对象的合并对象,该目标对象和其合并对象,构成一对待合并的对象。迭代合并时,采用局部最优合并策略进行迭代,逐对待合并的对象进行合并,每一对待合并的对象都对应一个自适应分割尺度,不同待合并的对象对应的自适应分割尺度可以不同,自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
本发明实施例提供的遥感影像中城市功能区的分割装置,基于遥感影像中像素的上下文特征,采用自适应分割尺度对遥感影像中的对象进行迭代合并,得到城市功能区,能够自动、快速的从遥感影像中产生满足各种应用需求的多尺度的功能区分割结果,并且分割出来的城市功能区的精度更高。
图3为本发明实施例提供的电子设备的结构示意图,如图3所示,所述设备包括:处理器(processor)301、存储器(memory)302和总线303;
其中,处理器301和存储器302通过所述总线303完成相互间的通信;
处理器301用于调用存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;
根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;
根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;
根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
以上所描述的装置及设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种遥感影像中城市功能区的分割方法,其特征在于,包括:
获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;
根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
2.根据权利要求1所述的方法,其特征在于,所述根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,具体包括:
在一次迭代过程中,所述目标遥感影像中的每一对象,获取与第一对象之间的异质性增加量最小的相邻对象,作为第一合并对象,所述第一对象和所述第一合并对象构成第一对待合并的对象;
若判断获知第一最小异质性增加量小于第一自适应分割尺度,则将所述第一对象和所述第一合并对象合并,所述第一最小异质性增加量为所述第一对象和所述第一合并对象之间的异质性增加量,所述第一自适应分割尺度是根据所述第一对待合并的对象所包含的像素的上下文特征,按照所述预设自适应算法模型计算得到的分割尺度;若判断获知所述第一最小异质性增加量大于等于所述第一自适应分割尺度,则不对所述第一对象和所述第一合并对象处理;
获取与第二对象之间的异质性增加量最小的相邻对象,作为第二合并对象,所述第二对象和所述第二合并对象构成第二对待合并的对象;
若判断获知第二最小异质性增加量小于第二自适应分割尺度,则将所述第二对象和所述第二合并对象合并,所述第二最小异质性增加量为所述第二对象和所述第二合并对象之间的异质性增加量,所述第二自适应分割尺度是根据所述第二对待合并的对象所包含的像素的上下文特征,按照所述预设自适应算法模型计算得到的分割尺度;若判断获知所述第二最小异质性增加量大于等于所述第二自适应分割尺度,则不对所述第二对象和所述第二合并对象处理;直到遍历完所述目标遥感影像中的所有对象,再进行下一次迭代。
3.根据权利要求1所述的方法,其特征在于,所述预设自适应算法模型具体为:
其中,S为目标自适应分割尺度,Sset为初始分割尺度,di为目标对象所包含的像素的上下文特征的平均值,dj为目标合并对象所包含的像素的上下文特征的平均值,所述目标合并对象是与所述目标对象之间的异质性增加量最小的相邻对象,所述目标对象和所述目标合并对象构成一对待合并的对象,di,j为所述目标对象和所述目标合并对象总共包含的像素的上下文特征的平均值,dm为所述目标遥感影像中所有像素的上下文特征值分布的中位数,duq为所述目标遥感影像中所有像素的上下文特征值分布的上四分位数。
4.根据权利要求1所述的方法,其特征在于,所述获取目标遥感影像中任意两个相邻对象之间的异质性增加量,具体包括:
获取两个目标相邻对象之间的上下文特征异质性增加量和形状异质性增加量;
将所述上下文特征异质性增加量和所述形状异质性增加量,输入至预设权重算法模型,输出所述两个目标相邻对象之间的异质性增加量。
5.根据权利要求4所述的方法,其特征在于,所述获取两个目标相邻对象之间的上下文特征异质性增加量和形状异质性增加量之前,还包括
获取每一像素的上下文特征;
对所述目标遥感影像进行对象分割。
6.根据权利要求5所述的方法,其特征在于,所述获取每一像素的上下文特征,具体包括:
对所述目标遥感影像中所有像素的像素值进行聚类,将所述目标遥感影像中所有像素分成若干个类别;
计算每一像素分别到所述目标遥感影像上其他类别像素的最近邻距离,作为像素的上下文特征。
7.根据权利要求1所述的方法,其特征在于,所述获取所述目标遥感影像中的城市功能区之后,还包括:
根据所述目标遥感影像中的对象,以及所述城市功能区构建能量函数;
通过最小化所述能量函数对所述城市功能区分割结果进行优化。
8.一种遥感影像中城市功能区的分割装置,其特征在于,包括:
获取模块,用于获取目标遥感影像中任意两个相邻对象之间的异质性增加量,所述异质性增加量用于表示两个对象合并前后异质性的变化;
分割模块,用于根据所述异质性增加量和自适应分割尺度,对所述目标遥感影像中的所有对象进行迭代合并,获取所述目标遥感影像中的城市功能区,其中,在一次迭代过程中包括若干次合并,当前合并过程中的自适应分割尺度是根据当前的两个待合并的对象所包含的像素的上下文特征,按照预设自适应算法模型计算得到的分割尺度,所述上下文特征用于表示像素与其他不同类别的像素之间的空间关系。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196897.2A CN109993753B (zh) | 2019-03-15 | 2019-03-15 | 遥感影像中城市功能区的分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196897.2A CN109993753B (zh) | 2019-03-15 | 2019-03-15 | 遥感影像中城市功能区的分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993753A true CN109993753A (zh) | 2019-07-09 |
CN109993753B CN109993753B (zh) | 2021-03-23 |
Family
ID=67129703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910196897.2A Active CN109993753B (zh) | 2019-03-15 | 2019-03-15 | 遥感影像中城市功能区的分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993753B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532974A (zh) * | 2019-09-03 | 2019-12-03 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
CN113240685A (zh) * | 2021-04-29 | 2021-08-10 | 平安科技(深圳)有限公司 | 图像层次化超像素分割方法、系统、电子设备及存储介质 |
CN113722884A (zh) * | 2021-07-27 | 2021-11-30 | 北京大学 | 一种城市温度效应分析方法及装置 |
CN114387275A (zh) * | 2021-12-01 | 2022-04-22 | 北京大学 | 时序遥感影像分割方法、装置、电子设备及存储介质 |
WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320467A (zh) * | 2008-05-16 | 2008-12-10 | 西安电子科技大学 | 基于自适应窗口固定及传播的多尺度纹理图像分割方法 |
CN101706950A (zh) * | 2009-07-13 | 2010-05-12 | 中国科学院遥感应用研究所 | 一种遥感影像多尺度分割的高性能实现方法 |
CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN103390271A (zh) * | 2013-06-27 | 2013-11-13 | 中国科学院遥感与数字地球研究所 | 遥感影像分割方法及装置 |
CN104200223A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院城市环境研究所 | 一种基于高分辨率遥感影像的城市功能区识别方法 |
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
CN106340005A (zh) * | 2016-08-12 | 2017-01-18 | 盐城师范学院 | 基于尺度参数自动优化的高分遥感影像非监督分割方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
CN107564017A (zh) * | 2017-08-29 | 2018-01-09 | 南京信息工程大学 | 一种城市高分遥感影像阴影检测及分割方法 |
CN108764193A (zh) * | 2018-06-04 | 2018-11-06 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
-
2019
- 2019-03-15 CN CN201910196897.2A patent/CN109993753B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320467A (zh) * | 2008-05-16 | 2008-12-10 | 西安电子科技大学 | 基于自适应窗口固定及传播的多尺度纹理图像分割方法 |
CN101706950A (zh) * | 2009-07-13 | 2010-05-12 | 中国科学院遥感应用研究所 | 一种遥感影像多尺度分割的高性能实现方法 |
CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
CN103390271A (zh) * | 2013-06-27 | 2013-11-13 | 中国科学院遥感与数字地球研究所 | 遥感影像分割方法及装置 |
CN104200223A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院城市环境研究所 | 一种基于高分辨率遥感影像的城市功能区识别方法 |
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
CN106340005A (zh) * | 2016-08-12 | 2017-01-18 | 盐城师范学院 | 基于尺度参数自动优化的高分遥感影像非监督分割方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
CN107564017A (zh) * | 2017-08-29 | 2018-01-09 | 南京信息工程大学 | 一种城市高分遥感影像阴影检测及分割方法 |
CN108764193A (zh) * | 2018-06-04 | 2018-11-06 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
Non-Patent Citations (5)
Title |
---|
MICHAEL MEINILD NIELSEN: "Remote sensing for urban planning and management: The use of window-independent context segmentation to extract urban features in Stockholm", 《COMPUTERS, ENVIRONMENT AND URBAN SYSTEMS》 * |
OLGA VEKSLER ET AL.: "Superpixels and Supervoxels in an Energy Optimization Framework", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
RYAD MALIK ET AL.: "Multi-scale segmentation for remote sensing imagery based on minimum heterogeneity rule", 《IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS》 * |
XIUYUAN ZHANG ET AL.: "Learning selfhood scales for urban land cover mapping with very-high-resolution satellite images", 《REMOTE SENSING OF ENVIRONMENT》 * |
XIUYUAN ZHANG ET AL.: "Multiscale Geoscene Segmentation for Extracting Urban Functional Zones from VHR Satellite Images", 《REMOTE SENSING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532974A (zh) * | 2019-09-03 | 2019-12-03 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
CN110532974B (zh) * | 2019-09-03 | 2021-10-22 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
CN113240685A (zh) * | 2021-04-29 | 2021-08-10 | 平安科技(深圳)有限公司 | 图像层次化超像素分割方法、系统、电子设备及存储介质 |
CN113240685B (zh) * | 2021-04-29 | 2023-06-13 | 平安科技(深圳)有限公司 | 图像层次化超像素分割方法、系统、电子设备及存储介质 |
CN113722884A (zh) * | 2021-07-27 | 2021-11-30 | 北京大学 | 一种城市温度效应分析方法及装置 |
CN113722884B (zh) * | 2021-07-27 | 2024-02-27 | 北京大学 | 一种城市温度效应分析方法及装置 |
CN114387275A (zh) * | 2021-12-01 | 2022-04-22 | 北京大学 | 时序遥感影像分割方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109993753B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993753A (zh) | 遥感影像中城市功能区的分割方法及装置 | |
CN112052787B (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
CN109903310A (zh) | 目标跟踪方法、装置、计算机装置及计算机存储介质 | |
CN104424634B (zh) | 对象跟踪方法和装置 | |
CN109614935A (zh) | 车辆定损方法及装置、存储介质及电子设备 | |
CN115017418B (zh) | 基于强化学习的遥感影像推荐系统及方法 | |
CN102054166B (zh) | 一种新的用于户外增强现实系统的场景识别方法 | |
Fan et al. | The spatial restructuring and determinants of industrial landscape in a mega city under rapid urbanization | |
CN110766038A (zh) | 无监督式的地貌分类模型训练和地貌图构建方法 | |
CN111126459A (zh) | 一种车辆细粒度识别的方法及装置 | |
CN109766822A (zh) | 基于神经网络的手势识别方法及系统 | |
CN103049340A (zh) | 基于纹理上下文约束的视觉词汇的图像超分辨率重建方法 | |
CN108960912A (zh) | 用于确定目标位置的方法和装置 | |
CN113888748A (zh) | 一种点云数据处理方法及装置 | |
CN109636809B (zh) | 一种基于尺度感知的图像分割层次选择方法 | |
CN111611960B (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
CN108846845A (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN116308501B (zh) | 用于管理共享车辆的运营区域的方法、装置、设备和介质 | |
CN116362294B (zh) | 一种神经网络搜索方法、装置和可读存储介质 | |
CN117333035A (zh) | 基于卫星遥感数据的城市土地利用策略生成方法、装置、设备及介质 | |
CN110852255B (zh) | 一种基于u型特征金字塔的交通目标检测方法 | |
Cao et al. | Traffic Condition Classification Model Based on Traffic‐Net | |
Wang et al. | Machine learning-based image recognition for rural architectural planning and design | |
CN110633890A (zh) | 一种土地利用效率判断方法和系统 |
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 |