CN110147779A - 一种遥感影像城市建筑物功能分类的方法 - Google Patents

一种遥感影像城市建筑物功能分类的方法 Download PDF

Info

Publication number
CN110147779A
CN110147779A CN201910444987.9A CN201910444987A CN110147779A CN 110147779 A CN110147779 A CN 110147779A CN 201910444987 A CN201910444987 A CN 201910444987A CN 110147779 A CN110147779 A CN 110147779A
Authority
CN
China
Prior art keywords
function
building
spot
land
remote sensing
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
Application number
CN201910444987.9A
Other languages
English (en)
Other versions
CN110147779B (zh
Inventor
周梅杰
刘伟元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningxia Yuntu Survey Planning Co Ltd
Original Assignee
Ningxia Yuntu Survey Planning Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningxia Yuntu Survey Planning Co Ltd filed Critical Ningxia Yuntu Survey Planning Co Ltd
Priority to CN201910444987.9A priority Critical patent/CN110147779B/zh
Publication of CN110147779A publication Critical patent/CN110147779A/zh
Application granted granted Critical
Publication of CN110147779B publication Critical patent/CN110147779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种遥感影像城市建筑物功能分类的方法，包括以下步骤：步骤1.采集遥感影像；步骤2.矢量化文件进行栅格化处理；步骤3.对栅格化建筑物样本进行成区处理；步骤4.数据相结合经过POI整理分类；步骤5.按照属性信息得出核密度；步骤6.确定每种功能的具体权重值；步骤7.进一步得出核密度图；步骤8.通过阈值的比较，实现建筑物的功能分类，进而获得高分辨率遥感影像城市建筑物功能分类结果图；本发明的有益效果：基于遥感影像的斑块分割，实现了POI由点状数据向面状数据的转变，在POI数据整理分类的同时根据权重增加斑块的，使得核密度平均值更加具有参考价值，使城市土地利用和功能分类分区更精细化，识别功能区的方法更实用，准确度更高。

Description

一种遥感影像城市建筑物功能分类的方法
技术领域：
本发明属于视频流处理技术领域，特别涉及一种遥感影像城市建筑物功能分类的方法。
背景技术：
遥感是通过遥感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物，获取其反射、辐射或散射的电磁波信息(如电场、磁场、电磁波、地震波等信息)，并进行提取、判定、加工处理、分析与应用的一门科学和技术，遥感影像已广泛应用于地球表面土地覆被、大气质量、气温反演等相关研究，在城市地理学中，主要使用遥感影像提取城市土地利用类型，用于研究城市建成区扩张、城市内部土地利用变化、城市建成区对非建成区的胁迫等。在目前利用遥感影像识别城市建成区的研究中，常用的有监督分类、非监督分类、面向对象等方法，识别结果中水体、林地、农地等自然形态较为明显的地物精度较高，而居住小区、商业中心、学校医院等公共服务区域识别精度较低。网络POI数据目前较多的应用与城市人口活动分析，空间布局研究等，其特点是分类详细，点密度较大，覆盖全面，有助于从细节上研究城市功能的空间布局，目前基于遥感影像建筑提取的技术方法仅能提取较为规则且特征明显的建筑，通用性较差，当建筑物较为密集时，提取效果一般，影像所表现的与实际建筑地块差距较大，难以应用到土地利用调查中。
发明内容：
本发明的目的就在于为了解决上述问题而提供一种遥感影像城市建筑物功能分类的方法，解决了目前现有的问题。
为了解决上述问题，本发明提供了一种技术方案：
一种遥感影像城市建筑物功能分类的方法，包括以下步骤：
步骤1.采集遥感影像，对遥感影像采取两步走方式，一种是对建筑物进行图斑识别，另一种是进行分割裁剪得到的分类对象的矢量文件；
步骤2.对步骤1中的矢量化文件进行栅格化处理，处理完成后进行矢量化文件建筑物标签处理，得到带有建筑物标签的矢量栅格数据，得到栅格化的建筑物样本，且所述矢量化文件建筑物标签包括社会功能用地、生态功能用地和经济功能用地；
步骤3.将步骤2中的栅格化建筑物样本进行成区处理；
步骤4.将步骤1中经过建筑物图斑识别模块识别后的的有效图斑与栅格化建筑物样本进行成区处理的数据相结合经过POI整理分类；
步骤5.按照属性信息对POI数据进行整理分类，对商业服务业设施用地、公共管理与公共服务用地和居住用地三种功能类型的POI分别进行核密度估计，得到社会功能用地、生态功能用地和经济功能用地功能类型的核密度；
步骤6.设定每种功能的权重范围，确定每种功能的具体权重值，根据功能的不同增加斑块；
步骤7.计算每种功能类型用地POI点数据的核密度，根据核密度大小分层设色，进一步得到POI数据社会功能用地、生态功能用地和经济功能用地的核密度图；
步骤8.分别对这三类用地设置核密度值阈值，通过各类的核密度平均值与该阈值的比较，实现建筑物的功能分类，进而获得高分辨率遥感影像城市建筑物功能分类结果图。
作为优选，所述步骤2中的所述社会功能用地包括居住和公共管理与公共服务用地，经济功能用地包括商业、工业和农业用地，所述生态功能用地具体则包括为水体、林地、人工草地和湿地等用地。
作为优选，所述步骤1中建筑物图斑识别模块分为有效图斑和无效图斑，根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑，并进行图斑腐蚀、开闭运算、填充处理来修补图斑，若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑，并进行图斑腐蚀、去噪处理来消除过滤图斑。
作为优选，所述步骤6中的社会功能用地、生态功能用地和经济功能用地的权重值均参考《土地利用现状分类》和《城市用地分类与规划建设用地标准》文献来确定功能权重。
本发明的有益效果：基于遥感影像的斑块分割，实现了POI由点状数据向面状数据的转变，在POI数据整理分类的同时根据权重增加斑块的，使得核密度平均值更加具有参考价值，使城市土地利用和功能分类分区更精细化，识别功能区的方法更实用，准确度更高。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1是本发明的方法流程图。
具体实施方式：
如图1所示，本具体实施方式采用以下技术方案：一种遥感影像城市建筑物功能分类的方法，包括以下步骤：
一种遥感影像城市建筑物功能分类的方法，包括以下步骤：
步骤1.采集遥感影像，对遥感影像采取两步走方式，一种是对建筑物进行图斑识别，另一种是进行分割裁剪得到的分类对象的矢量文件；
步骤2.对步骤1中的矢量化文件进行栅格化处理，处理完成后进行矢量化文件建筑物标签处理，得到带有建筑物标签的矢量栅格数据，得到栅格化的建筑物样本，且所述矢量化文件建筑物标签包括社会功能用地、生态功能用地和经济功能用地；
步骤3.将步骤2中的栅格化建筑物样本进行成区处理；
步骤4.将步骤1中经过建筑物图斑识别模块识别后的的有效图斑与栅格化建筑物样本进行成区处理的数据相结合经过POI整理分类；
步骤5.按照属性信息对POI数据进行整理分类，对商业服务业设施用地、公共管理与公共服务用地和居住用地三种功能类型的POI分别进行核密度估计，得到社会功能用地、生态功能用地和经济功能用地功能类型的核密度图；
步骤6.设定每种功能的权重范围，确定每种功能的具体权重值，根据功能的不同增加斑块；
步骤7.计算每种功能类型用地POI点数据的核密度，根据核密度大小分层设色，进一步得到POI数据社会功能用地、生态功能用地和经济功能用地的核密度图；
步骤8.分别对这三类用地设置核密度值阈值，通过各类的核密度平均值与该阈值的比较，实现建筑物的功能分类，进而获得高分辨率遥感影像城市建筑物功能分类结果图。
其中，所述步骤2中的所述社会功能用地包括居住和公共管理与公共服务用地，经济功能用地包括商业、工业和农业用地，所述生态功能用地具体则包括为水体、林地、人工草地和湿地等用地。
其中，所述步骤1中建筑物图斑识别模块分为有效图斑和无效图斑，根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑，并进行图斑腐蚀、开闭运算、填充处理来修补图斑，若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑，并进行图斑腐蚀、去噪处理来消除过滤图斑。
其中，所述步骤6中的社会功能用地、生态功能用地和经济功能用地的权重值均参考《土地利用现状分类》和《城市用地分类与规划建设用地标准》文献来确定功能权重，在城市用地功能分类中增加生态服务功能和农业生产功能，其中生态服务包括林地、水体、人工草地、湿地等。
本发明的有益效果：基于遥感影像的斑块分割，实现了POI由点状数据向面状数据的转变，在POI数据整理分类的同时根据权重增加斑块的，使得核密度平均值更加具有参考价值，使城市土地利用和功能分类分区更精细化，识别功能区的方法更实用，准确度更高。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种遥感影像城市建筑物功能分类的方法，其特征在于，包括以下步骤：
步骤1.采集遥感影像，对遥感影像采取两步走方式，一种是对建筑物进行图斑识别，另一种是进行分割裁剪得到的分类对象的矢量文件；
步骤2.对步骤1中的矢量化文件进行栅格化处理，处理完成后进行矢量化文件建筑物标签处理，得到带有建筑物标签的矢量栅格数据，得到栅格化的建筑物样本，且所述矢量化文件建筑物标签包括社会功能用地、生态功能用地和经济功能用地；
步骤3.将步骤2中的栅格化建筑物样本进行成区处理；
步骤4.将步骤1中经过建筑物图斑识别模块识别后的的有效图斑与栅格化建筑物样本进行成区处理的数据相结合经过POI整理分类；
步骤5.按照属性信息对POI数据进行整理分类，对商业服务业设施用地、公共管理与公共服务用地和居住用地三种功能类型的POI分别进行核密度估计，得到社会功能用地、生态功能用地和经济功能用地功能类型的核密度图；
步骤6.设定每种功能的权重范围，确定每种功能的具体权重值，根据功能的不同增加斑块；
步骤7.计算每种功能类型用地POI点数据的核密度，根据核密度大小分层设色，进一步得到POI数据社会功能用地、生态功能用地和经济功能用地的核密度图；
步骤8.分别对这三类用地设置核密度值阈值，通过各类的核密度平均值与该阈值的比较，实现建筑物的功能分类，进而获得高分辨率遥感影像城市建筑物功能分类结果图。
2.根据权利要求1所述的一种遥感影像城市建筑物功能分类的方法，其特征在于：所述步骤2中的所述社会功能用地包括居住和公共管理与公共服务用地，经济功能用地包括商业、工业和农业用地，所述生态功能用地具体则包括为水体、林地、人工草地和湿地等用地。
3.根据权利要求1所述的一种遥感影像城市建筑物功能分类的方法，其特征在于：所述步骤1中建筑物图斑识别模块分为有效图斑和无效图斑，根据建筑物类别获取图斑判定阈值，若对应建筑物类别的图斑面积大于等于所述图斑判定阈值，则判定图斑为有效图斑，并进行图斑腐蚀、开闭运算、填充处理来修补图斑，若对应建筑物类别的图斑面积小于所述图斑判定阈值，则判定图斑为无效图斑，并进行图斑腐蚀、去噪处理来消除过滤图斑。
4.根据权利要求1所述的一种遥感影像城市建筑物功能分类的方法，其特征在于：所述步骤6中的社会功能用地、生态功能用地和经济功能用地的权重值均参考《土地利用现状分类》和《城市用地分类与规划建设用地标准》文献来确定功能权重。
CN201910444987.9A 2019-05-27 2019-05-27 一种遥感影像城市建筑物功能分类的方法 Active CN110147779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910444987.9A CN110147779B (zh) 2019-05-27 2019-05-27 一种遥感影像城市建筑物功能分类的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910444987.9A CN110147779B (zh) 2019-05-27 2019-05-27 一种遥感影像城市建筑物功能分类的方法

Publications (2)

Publication Number Publication Date
CN110147779A true CN110147779A (zh) 2019-08-20
CN110147779B CN110147779B (zh) 2021-04-13

Family

ID=67592144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910444987.9A Active CN110147779B (zh) 2019-05-27 2019-05-27 一种遥感影像城市建筑物功能分类的方法

Country Status (1)

Country Link
CN (1) CN110147779B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111090015A (zh) * 2019-12-20 2020-05-01 广电计量检测（武汉）有限公司 一种基于环境应力影响因子的可靠性评估方法
CN111797188A (zh) * 2020-06-28 2020-10-20 武汉大学 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN112925764A (zh) * 2019-12-10 2021-06-08 中国再保险(集团)股份有限公司 一种巨灾模型的行业风险暴露数据库及其构建方法
CN113159406A (zh) * 2021-04-14 2021-07-23 同济大学 基于多源数据的城镇实体范围识别及划定信息处理方法
CN113240026A (zh) * 2021-05-24 2021-08-10 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN115791685A (zh) * 2022-11-21 2023-03-14 江苏省农业科学院 基于时间序列遥感影像的秸秆燃烧提取方法
CN116071373A (zh) * 2023-03-01 2023-05-05 南通大学 一种基于融合PCA的U-net模型舌体自动分割方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102314696A (zh) * 2011-07-13 2012-01-11 北京华迪宏图信息技术有限公司 遥感图像栅格数据的矢量化方法
US20160267326A1 (en) * 2015-03-10 2016-09-15 Fringefy Ltd. Image abstraction system
CN106919680A (zh) * 2017-02-28 2017-07-04 山东师范大学 一种利用poi数据进行地表覆盖分类的方法及系统
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
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
CN109508585A (zh) * 2017-09-15 2019-03-22 中国科学院城市环境研究所 一种基于poi和高分辨率遥感影像提取城市功能区的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102314696A (zh) * 2011-07-13 2012-01-11 北京华迪宏图信息技术有限公司 遥感图像栅格数据的矢量化方法
US20160267326A1 (en) * 2015-03-10 2016-09-15 Fringefy Ltd. Image abstraction system
CN106919680A (zh) * 2017-02-28 2017-07-04 山东师范大学 一种利用poi数据进行地表覆盖分类的方法及系统
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
CN109508585A (zh) * 2017-09-15 2019-03-22 中国科学院城市环境研究所 一种基于poi和高分辨率遥感影像提取城市功能区的方法
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 (2)

* Cited by examiner, † Cited by third party
Title
Y. LONG, X. LIU: "《Automated identification and characterization of parcels (AICP) with OpenStreetMap and points of interest》", 《ENVIRON》 *
高晨: "《基于高分一号影像和POI数据的土地功能分类方法研究》", 《全国优秀硕士学位论文电子库》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925764A (zh) * 2019-12-10 2021-06-08 中国再保险(集团)股份有限公司 一种巨灾模型的行业风险暴露数据库及其构建方法
CN112925764B (zh) * 2019-12-10 2023-09-12 中国再保险(集团)股份有限公司 一种巨灾模型的行业风险暴露数据库及其构建方法
CN111090015A (zh) * 2019-12-20 2020-05-01 广电计量检测（武汉）有限公司 一种基于环境应力影响因子的可靠性评估方法
CN111797188A (zh) * 2020-06-28 2020-10-20 武汉大学 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN111797188B (zh) * 2020-06-28 2024-03-01 武汉大学 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN113159406A (zh) * 2021-04-14 2021-07-23 同济大学 基于多源数据的城镇实体范围识别及划定信息处理方法
CN113240026A (zh) * 2021-05-24 2021-08-10 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN113240026B (zh) * 2021-05-24 2022-03-25 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN115791685A (zh) * 2022-11-21 2023-03-14 江苏省农业科学院 基于时间序列遥感影像的秸秆燃烧提取方法
CN115791685B (zh) * 2022-11-21 2024-05-07 江苏省农业科学院 基于时间序列遥感影像的秸秆燃烧提取方法
CN116071373A (zh) * 2023-03-01 2023-05-05 南通大学 一种基于融合PCA的U-net模型舌体自动分割方法

Also Published As

Publication number Publication date
CN110147779B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN110147779A (zh) 一种遥感影像城市建筑物功能分类的方法
Zhang et al. Joint Deep Learning for land cover and land use classification
Zhang et al. Scale Sequence Joint Deep Learning (SS-JDL) for land use and land cover classification
Li et al. Integrating Google Earth imagery with Landsat data to improve 30-m resolution land cover mapping
Lu et al. Land cover classification in a complex urban-rural landscape with QuickBird imagery
Zhang et al. Learning selfhood scales for urban land cover mapping with very-high-resolution satellite images
Zhou et al. Individual tree parameters estimation for plantation forests based on UAV oblique photography
CN106846322B (zh) 基于曲线波滤波器和卷积结构学习的sar图像分割方法
CN109508585A (zh) 一种基于poi和高分辨率遥感影像提取城市功能区的方法
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
Chen et al. Detecting changes in high-resolution satellite coastal imagery using an image object detection approach
Zhang et al. Remote sensing of impervious surfaces in tropical and subtropical areas
Qi et al. Land use and land cover classification using RADARSAT-2 polarimetric SAR image
Duan et al. Using remote sensing to identify soil types based on multiscale image texture features
Li et al. Effects of RapidEye imagery’s red-edge band and vegetation indices on land cover classification in an arid region
Sun et al. Hierarchical fusion of optical and dual-polarized SAR on impervious surface mapping at city scale
CN109308451A (zh) 一种高分数据信息提取系统及方法
Zhang et al. Urban area extraction by regional and line segment feature fusion and urban morphology analysis
Blanco et al. Ecological site classification of semiarid rangelands: Synergistic use of Landsat and Hyperion imagery
CN110910407B (zh) 基于移动激光扫描点云数据的行道树树干提取方法
Kamal et al. Comparison of Google Earth Engine (GEE)-based machine learning classifiers for mangrove mapping
Lijun et al. Geo‐information mapping improves Canny edge detection method
Da Silva et al. Evaluation of digital classification of polarimetric SAR data for iron-mineralized laterites mapping in the Amazon region
Wei et al. Using object-oriented coupled deep learning approach for typical object inspection of transmission channel
Lu et al. Lithology classification in semi-arid area combining multi-source remote sensing images using support vector machine optimized by improved particle swarm algorithm

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