CN111414878B - 一种关于地块的社会属性分析、图像处理方法及装置 - Google Patents

一种关于地块的社会属性分析、图像处理方法及装置 Download PDF

Info

Publication number
CN111414878B
CN111414878B CN202010225432.8A CN202010225432A CN111414878B CN 111414878 B CN111414878 B CN 111414878B CN 202010225432 A CN202010225432 A CN 202010225432A CN 111414878 B CN111414878 B CN 111414878B
Authority
CN
China
Prior art keywords
remote sensing
image
greening area
land
preset
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
Application number
CN202010225432.8A
Other languages
English (en)
Other versions
CN111414878A (zh
Inventor
陈国春
孙沁田
郑宇�
张钧波
孟垂实
袁野
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.)
Beijing Jingdong Intelligent City Big Data Research Institute
Original Assignee
Beijing Jingdong Intelligent City Big Data Research Institute
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 Beijing Jingdong Intelligent City Big Data Research Institute filed Critical Beijing Jingdong Intelligent City Big Data Research Institute
Priority to CN202010225432.8A priority Critical patent/CN111414878B/zh
Publication of CN111414878A publication Critical patent/CN111414878A/zh
Application granted granted Critical
Publication of CN111414878B publication Critical patent/CN111414878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/188—Vegetation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种关于地块的社会属性分析方法、图像处理方法及装置，该方法包括：获取待检测的城市遥感图像；确定所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容获取所述城市遥感图像中的绿化区域；按照预设规则对所述绿化区域进行划分得到至少一个地块单元；对所述地块单元进行分析确定所述地块单元的社会属性。该技术方案提供的方法对不同卫星来源的遥感图像、不同城市的遥感图像的适应性更高；通过确定遥感图像的图像特征个语义内容，能够精准的确定出绿化区域，从而容易地将此方法推广应用到多种城市环境、不同卫星来源的遥感影像中，同时在后续的处理过程中能免除更多人工干预。

Description

一种关于地块的社会属性分析、图像处理方法及装置
技术领域
本申请涉及图像处理领域，尤其涉及一种关于地块的社会属性分析、图像处理方法及装置。
背景技术
目前，在城市绿化区域的划分和社会属性分析的实际工作中，已有方法很难对城市绿化区域进行高度自动化的、精准的识别和统计，由于遥感影像牵涉广阔的地理范围，因此常常需要较大的人工投入。在实现本发明的过程中，发明人发现现有绿化区域的划分方法存在以下不足：
(1)完全依赖人工标注和划分方法。这种做法非常费时费力，成本巨大，无法适应城市快速发展节奏，难以满足现代城市建设中的绿化区域分析需求。
(2)基于传统的遥感图像分析和处理方法(如NDVI)。尽管一定程度上较少了人工手动标注的成本，但此类方法的分割准确度非常依赖于算法中各项预设的固定阈值，对不同地貌、不同城市区域、不同植被类型以及不同卫星来源的遥感图像的适应性较差。因此，此类方法仍存在自动化程度有限、自适应程度不足和精度较低等问题。
(3)基于通用的图像语义分割模型来实现绿化区域分割。由于通用图像语义分割模型未能充分考虑绿化区域遥感图像的具体形态和特性，缺乏针对性的模型设计，因此作为绿化区域分割模型时，它们一般为次优模型，在分割精度方面有较大的改进空间。具体地，在模型结构层面，通用的图像语义分割模型面向的是通用的视觉目标，这些视觉目标主要为生活中常见的、具有强视觉语义性的对象(比如各类动物、行人、车辆、街景道路等)。与上述的视觉对象相比，遥感图像中的绿色植被有诸多不同的重要视觉特性。比如，不同绿化区域可能有千变万化的形状、极其悬殊的尺度和面积。换言之，在除像素值分布、植被纹理之外的特征上，绿化区域整体上往往没有特定的模式，这使得一般的卷积神经网络模型难以有效地捕获到绿化区域的整体语义特征。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种关于地块的社会属性分析、图像处理方法及装置。
第一方面，本申请提供了一种关于地块的社会属性分析方法，包括：
获取待检测的城市遥感图像；
通过预先训练的语义分割模型识别所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容从所述城市遥感图像中分割绿化区域；
按照预设规则对所述绿化区域进行划分得到至少一个地块单元；
对所述地块单元进行分析确定所述地块单元的社会属性。
可选的，所述语义分割模型包括:浅层卷积网络、深层卷积网络，可变形卷积网络以及池化网络，其中所述浅层卷积网络和所述深层卷积网络为交互且平行推进的卷积网络结构；
所述通过预先训练的语义分割模型识别所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容从所述城市遥感图像中分割绿化区域，包括：
获取预先训练的语义分割模型；
将所述城市遥感图像输入所述语义分割模型，由所述语义分割模型检测所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容获取所述城市遥感图像中的绿化区域。
可选的，所述将所述城市遥感图像输入所述语义分割模型，由所述语义分割模型检测所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容获取所述城市遥感图像中的绿化区域，包括：
将所述城市遥感图像输入所述浅层卷积网络得到第一卷积结果；
根据所述第一卷积结果确定所述城市遥感图像的图像特征；
将所述第一卷积结果输入所述深层卷积网络得到第二卷积结果；
根据所述第二卷积结果确定所述城市遥感图像的语义内容；
按照所述图像特征以及所述语义内容对所述城市遥感图像进行分割得到所述绿化区域。
可选的，所述按照预设规则对所述绿化区域进行划分得到至少一个地块单元，包括：
获取所述城市遥感影像对应的城市，以及所述城市覆盖的交通路线；
根据所述交通路线确定所述绿化区域的第一边界；
获取与所述城市相关联交通工具的历史行驶轨迹；
根据所述历史行驶轨迹确定所述绿化区域的第二边界；
基于所述第一边界与所述第二边界对所述绿化区域进行划分得到所述地块单元。
可选的，所述对所述地块单元进行分析确定所述地块单元的社会属性，包括：
获取预先训练的分类模型；
确定所述绿化区域中携带标签信息的第一地块单元；
所述标签信息输入所述分类模型得到所述第一地块单元的社会属性；
将属于同一社会属性且相邻的第一地块单元融合为地块单元集群。
可选的，所述方法还包括：
以所述地块单元为节点、地块单元之间的连线为边界，以及地块单元的标签信息为节点属性构建图模型；
获取绿化区域样本，所述绿化区域样本中包括预设地块单元以及所述预设地块单元对应的预设标签信息；
获取所述绿化区域样本中的标注信息，所述标注信息包括：所述预设标签信息对应的社会属性；
将所述绿化区域样本输入所述图模型进行训练，由所述图模型学习所述预设标签信息与所述社会属性的对应关系，得到所述分类模型。
可选的，所述方法还包括：
确定所述绿化区域中未携带标签信息的第二地块单元；
从所述第一地块单元中获取与所述第二地块单元相邻的第三地块单元；
根据所述第三地块单元的社会属性确定所述第二地块单元的社会属性。
可选的，所述根据所述第三地块单元的社会属性确定所述第二地块单元的社会属性，包括：
按照社会属性对所述第三地块单元进行排序，确定满足预设条件的第三地块单元；
将所述第二地块单元与所述满足预设条件的第三地块单元对应的地块单元集群进行融合。
第二方面，本申请提供了一种图像处理方法，包括：
获取第一遥感样本图像，所述第一遥感样本图像中包括绿化区域；
获取所述第一遥感样本图像中的第一标注信息，所述第一标注信息包括：所述绿化区域对应的第一图像特征以及第一语义内容；
将所述第一遥感样本图像输入预设卷积神经网络进行训练，由所述预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型；
所述预设卷积神经网络包括：浅层卷积网络、深层卷积网络，可变形卷积网络以及池化网络，其中所述浅层卷积网络和所述深层卷积网络为交互且平行推进的卷积网络结构。
可选的，所述将所述第一遥感样本图像输入预设卷积神经网络进行训练，由所述预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型，包括：
将所述第一遥感样本图像依次输入所述浅层卷积网络和深层卷积网络得到第二图像特征以及第二语义内容；
根据所述第二图像特征和所述第一图像特征计算第一损失函数；
根据所述第二语义内容和所述第一语义内容计算第二损失函数；
根据所述第一损失函数对所述浅层卷积网络进行训练，根据所述第二损失函数对所述深层卷积网络进行训练，当所述第一损失函数和所述第二损失函数满足预设条件时，得到所述第一语义分割模型。
可选的，所述方法还包括：
获取第二遥感样本图像，所述第二遥感样本图像中包括绿化区域；
采用所述第二遥感样本图像对所述第一语义分割模型进行测试，得到测试结果；
当所述测试结果大于或等于预设阈值时，将所述第一语义分割模型作为目标语义分割模型。
可选的，所述方法还包括:
当所述测试结果小于所述预设阈值时，获取第三遥感样本图像，所述第三遥感样本图像中包括绿化区域；
获取所述第三遥感样本图像中的第一标注信息，所述第二标注信息包括：所述绿化区域对应的第二图像特征以及第二语义内容；
采用所述第三遥感样本图像对所述第一语义分割模型进行训练，直至所述测试结果大于或等于预设阈值。
第三方面，本申请实施例提供了一种关于地块的社会属性分析装置，包括：
获取模块，用于获取当前城市的城市遥感图像；
确定模块，用于确定所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容获取所述城市遥感图像中的绿化区域；
处理模块，用于按照预设规则对所述绿化区域进行划分得到至少一个地块单元；
分析模块，用于对所述地块单元进行分析确定所述地块单元的社会属性。
第四方面，本申请实施例提供了一种图像处理装置，包括：
第一获取模块，用于获取第一遥感样本图像，所述第一遥感样本图像中包括绿化区域；
第二获取模块，用于获取所述第一遥感样本图像中的第一标注信息，所述第一标注信息包括：所述绿化区域对应的第一图像特征以及第一语义内容；
训练模块，用于将所述第一遥感样本图像输入预设卷积神经网络进行训练，由所述预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型；
其中，所述预设卷积神经网络包括：浅层卷积网络和深层卷积网络，且所述浅层卷积网络和所述深层卷积网络为交互和平行推进的卷积网络结构。
第五方面，本申请提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行计算机程序时，实现上述方法步骤。
第六方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请提供的方法对不同卫星来源的遥感图像、不同城市的遥感图像的适应性更高；通过确定遥感图像的图像特征个语义内容，能够精准的确定出绿化区域，从而容易地将此方法推广应用到多种城市环境、不同卫星来源的遥感影像中，同时在后续的处理过程中能免除更多人工干预。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种关于地块的社会属性分析方法的流程图；
图2为本申请实施例提供的城市绿化区域分割效果图；
图3为本申请实施例提供的一种地块的社会属性分析效果图；
图4为本申请实施例提供的一种图像处理方法的流程图；
图5为本申请实施例提供的语义分割模型的结构示意图；
图6为本申请实施例提供的一种地块的社会属性分析装置的框图；
图7为本申请另一实施例提供的一种图像处理装置的框图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种关于地块的社会属性分析方法、图像处理方法及装置。本发明实施例所提供的方法可以应用于任意需要的电子设备，例如，可以为服务器、终端等电子设备，在此不做具体限定，为描述方便，后续简称为电子设备。
下面首先对本发明实施例所提供的一种地块的社会属性分析方法进行介绍。
图1为本申请实施例提供的一种地块的社会属性分析方法的流程图。如图1所示，该方法包括以下步骤：
步骤S11，获取待检测的城市遥感图像；
步骤S12，通过预先训练的语义分割模型识别城市遥感图像的图像特征以及语义内容，并根据图像特征以及语义内容从城市遥感图像中分割绿化区域；
步骤S13，按照预设规则对绿化区域进行划分得到至少一个地块单元；
步骤S14，对地块单元进行分析确定地块单元的社会属性。
本实施例提供的方法对不同卫星来源的遥感图像、不同城市的遥感图像的适应性更高；通过确定遥感图像的图像特征个语义内容，能够精准的确定出绿化区域，从而容易地将此方法推广应用到多种城市环境、不同卫星来源的遥感影像中，同时在后续的处理过程中能免除更多人工干预。
可选的，通过预先训练的语义分割模型识别城市遥感图像的图像特征以及语义内容，并根据图像特征以及语义内容从城市遥感图像中分割绿化区域，具体通过以下方式实现：
获取预先训练的语义分割模型；将城市遥感图像输入语义分割模型，由语义分割模型检测城市遥感图像的图像特征以及语义内容，并根据图像特征以及语义内容获取城市遥感图像中的绿化区域；其中，语义分割模型包括:浅层卷积网络和深层卷积网络，且浅层卷积网络和深层卷积网络为交互且平行推进的卷积网络结构。
其中保持高分辨率的卷积层，一种多分辨率卷积层交互和并行推进的卷积网络结构。此类网络虽在一定程度上增加参数量，但有利于提高遥感影像的高分辨率感知能力，有利于减小信息的损失和提高分割的精细度。
另外本申请提供的语义分割模型还包括：可变形卷积层和池化层，目的是通过学习的偏移参数获得卷积感受野的偏移量，增加空间采样的灵活性，进而可以获得对城市绿化区域的更准确的感受野。由于绿化区域的形状千变万化，不具备稳定的模式，可变形卷积层能够通过学习感受野的偏置来获得自适应的感受野，进而提高对遥感影像的感知能力。
可选的，将城市遥感图像输入语义分割模型，得到城市遥感图像中的绿化区域，具体通过以下方式实现：将城市遥感图像输入浅层卷积网络得到第一卷积结果，根据第一卷积结果确定城市遥感图像的图像特征，将第一卷积结果输入深层卷积网络得到第二卷积结果，根据第二卷积结果确定城市遥感图像的语义内容，按照图像特征以及语义内容对城市遥感图像进行分割得到绿化区域。
可选的，按照预设规则对绿化区域进行划分得到至少一个地块单元，包括：获取城市遥感影像对应的城市，以及城市覆盖的交通路线，根据交通路线确定绿化区域的第一边界，获取与城市相关联交通工具的历史行驶轨迹，根据历史行驶轨迹确定绿化区域的第二边界，基于第一边界与第二边界对绿化区域进行划分得到地块单元。
可以理解的，从物理性质上，城市用地的许多性质呈现较大的多样性，比如，同一类功能的地块可能有多种颗粒度的空间面积和复杂多变的几何形状。因此，难以使用简单、固定的规则去评估不同地块的功能；同理，由于地块的空间大小的多颗粒度，在地块划分阶段，许多现有方法未能确定如何通过既有的路网来划分出适合尺度的地块。
作为一个示例，本实施例中城市覆盖的交通路线包括：二级路网以上的骨干网络、多级河道、铁路等较稳定、带较强隔离性的空间边界。一般情况下，同一社会属性的城市用地不会跨越这类边界，比如，铁路、河流和主干公路不会从一个小区的中间穿越。对二级路网，在中国多数城市建设和交通规划中，同一社会属性的城市用地不会跨越二级路网。因此采用交通路线确定绿化区域的第一边界。
确定第一边界后，采集多种交通工具的历史行驶轨迹、手机信令轨迹等数据，并进行去噪和轨迹融合，形成细致的第二边界。其中，历史行驶轨迹着主要包括：共享单车、社区的快递站配物流配送小车和出租车等轨迹，其目的是补全和细化空间分割边界，达到主干路网、河道和铁路无法现实的细颗粒度地块划分效果。
本实施例中，对地块单元进行分析确定地块单元的社会属性，包括：获取预先训练的分类模型，确定绿化区域中携带标签信息的第一地块单元，标签信息输入分类模型得到第一地块单元的社会属性，将属于同一社会属性且相邻的第一地块单元融合为地块单元集群。
其中建立分类型的过程如下：以地块单元为节点、地块单元之间的连线为边界，以及地块单元的标签信息为节点属性构建图模型，获取绿化区域样本，绿化区域样本中包括预设地块单元以及预设地块单元对应的预设标签信息，获取绿化区域样本中的标注信息，标注信息包括：预设标签信息对应的社会属性，将绿化区域样本输入图模型进行训练，由图模型学习预设标签信息与社会属性的对应关系，得到分类模型。
本实施例提供的方法还包括对于未携带标签信息的地块单元进行社会属性分析，具体过程包括：确定绿化区域中未携带标签信息的第二地块单元，根据地块单元集群的社会属性确定第二地块单元的社会属性。
其中，根据地块单元集群确定第二地块单元的社会属性，包括：按照社会属性对第二地块单元相邻的地块单元集群进行统计，确定满足预设条件的地块单元集群，将第二地块单元与满足预设条件的地块单元集群进行融合。
作为一个示例：将携带标签信息的第一地块单元记作{Oi}，其余未携带标签信息的第二地块单元记作{Ui}。以第一地块单元{Oi}为种子，对第二地块单元{Ui}进行属性确定。以此本实施例提供一种基于排序和投票两项原则的属性确认方法。由于地理空间具有近邻连续性，在确定{Ui}的属性时，相近第一地块单元的社会属性是重要的线索，并且依据线索的数量，确定第二地块单元的社会属性：
步骤A、此步骤遵循以下原则：线索越多则优先进行社会属性确认。因此，先统计{Ui}相邻的且社会属性已确认的地块单元集群的数量{Ni}，依据{Ni}对{Ui}进行排序。
步骤B、排序后，依次对{Ui}依据邻近第一地块单元的原则进行属性确定。对每个第二地块单元{Ui}，以其邻近第一地块单元中频次最高的属性作为{Ui}的社会属性，并将相邻的属性相同的地块单元集群进行融合。
图3为申请实施例提供的一种地块的社会属性分析效果图，地块单元集群的社会属性一般可分为居住用地、商业服务业设施用地、广场用地、公共设施用地，可以根据不同的社会属性分配相应的颜色，最终得到绿化区域的规划效果图。
图4为本申请另一实施例提供的一种图像处理方法的流程图。如图4所示，该方法还包括以下步骤：
步骤S21，获取第一遥感样本图像，第一遥感样本图像中包括绿化区域；
步骤S22，获取第一遥感样本图像中的第一标注信息，第一标注信息包括：绿化区域对应的第一图像特征以及第一语义内容；
步骤S23，将第一遥感样本图像输入预设卷积神经网络进行训练，由预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型；
本实施例中，预设卷积神经网络的结构如图5所示，预设卷积神经网络包括：浅层卷积网络、深层卷积网络，可变形卷积网络以及池化网络，且浅层卷积网络和深层卷积网络为交互和平行推进的卷积网络结构。
可选的，将第一遥感样本图像输入预设卷积神经网络进行训练，由预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型，包括：
将第一遥感样本图像依次输入浅层卷积网络和深层卷积网络得到第二图像特征以及第二语义内容，根据第二图像特征和第一图像特征计算第一损失函数，根据第一损失函数对浅层卷积网络进行训练。
具体的，使用图像特征损失函数来约束浅层卷积层的参数训练。在计算机视觉中，表征图像特征的量有多种(如图像协相关量等)，记之为G。卷积特征图的特征转移约束为：
其中，和/>分别表示第l层测试集样本的特征特征和训练集特征特征，Dist1(g)表示特征特征距离计算算子(可以选择欧氏距离、内积等作为距离算子)，μl为第l层的加权权重。
根据第二语义内容和第一语义内容计算第二损失函数，根据第二损失函数对深层卷积网络进行训练，当第一损失函数和第二损失函数满足预设条件时，得到第一语义分割模型。
具体的，使用图像语义一致性来约束深层卷积层的参数训练。记多源训练集经卷积网络获得的语义特征图为其中l表示第l层；类似地，记/>为语义一致性的目标卷积特征图。语义一致性约束如下：
其中，wl为对第l层特征约束的加权权重，Dist2(g)表示语义特征距离计算算子。
在上述两个约束下，可以从白噪音中生成的带有预测源特征并保持训练源语义一致性的特征。在此基础上，加入二分类判别网络来区分生成特征的域和真实目标域，计算交叉熵损失来指导参数训练。基于上述完整的生成对抗式的学习过程，可以实现测试集和多源训练集的特征空间对齐。
可选的，方法还包括：获取第二遥感样本图像，第二遥感样本图像中包括绿化区域，采用第二遥感样本图像对第一语义分割模型进行测试，得到测试结果，当测试结果大于或等于预设阈值时，将第一语义分割模型作为目标语义分割模型。
可选的，方法还包括:当测试结果小于预设阈值时，获取第三遥感样本图像，第三遥感样本图像中包括绿化区域，获取第三遥感样本图像中的第一标注信息，第二标注信息包括：绿化区域对应的第二图像特征以及第二语义内容，采用第三遥感样本图像对第一语义分割模型进行训练，直至测试结果大于或等于预设阈值。
图6为本申请实施例提供的一种图像处理装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图6所示，该装置包括：
获取模块61，用于获取当前城市的城市遥感图像；
确定模块62，用于确定所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容获取所述城市遥感图像中的绿化区域；
处理模块63，用于按照预设规则对所述绿化区域进行划分得到至少一个地块单元；
分析模块64，用于对所述地块单元进行分析确定所述地块单元的社会属性。
图7为本申请实施例提供的一种图像处理装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图7所示，该装置包括：
第一获取模块71，用于获取第一遥感样本图像，所述第一遥感样本图像中包括绿化区域；
第二获取模块72，用于获取所述第一遥感样本图像中的第一标注信息，所述第一标注信息包括：所述绿化区域对应的第一图像特征以及第一语义内容；
训练模块73，用于将所述第一遥感样本图像输入预设卷积神经网络进行训练，由所述预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型；
其中，所述预设卷积神经网络包括：浅层卷积网络和深层卷积网络，且所述浅层卷积网络和所述深层卷积网络为交互和平行推进的卷积网络结构。
本申请实施例还提供一种电子设备，如图8所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
存储器1503，用于存放计算机程序；
处理器1501，用于执行存储器1503上所存放的计算机程序时，实现上述实施例的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，P C I)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例的步骤。
需要说明的是，对于上述装置、电子设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
进一步需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (15)

1.一种关于地块社会属性的分析方法，其特征在于，包括：
获取待检测的城市遥感图像；
通过预先训练的语义分割模型识别所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容从所述城市遥感图像中分割绿化区域；
按照预设规则对所述绿化区域进行划分得到至少一个地块单元；
对所述地块单元进行分析确定所述地块单元的社会属性，包括：获取预先训练的分类模型；确定所述绿化区域中携带标签信息的第一地块单元；所述标签信息输入所述分类模型得到所述第一地块单元的社会属性；将属于同一社会属性且相邻的第一地块单元融合为地块单元集群。
2.根据权利要求1所述的方法，其特征在于，所述语义分割模型包括:浅层卷积网络、深层卷积网络，可变形卷积网络以及池化网络，其中所述浅层卷积网络和所述深层卷积网络为交互且平行推进的卷积网络结构；
所述通过预先训练的语义分割模型识别所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容从所述城市遥感图像中分割绿化区域，包括：
获取预先训练的语义分割模型；
将所述城市遥感图像输入所述语义分割模型，由所述语义分割模型检测所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容获取所述城市遥感图像中的绿化区域。
3.根据权利要求2所述的方法，其特征在于，所述将所述城市遥感图像输入所述语义分割模型，由所述语义分割模型检测所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容获取所述城市遥感图像中的绿化区域，包括：
将所述城市遥感图像输入所述浅层卷积网络得到第一卷积结果；
根据所述第一卷积结果确定所述城市遥感图像的图像特征；
将所述第一卷积结果输入所述深层卷积网络得到第二卷积结果；
根据所述第二卷积结果确定所述城市遥感图像的语义内容；
按照所述图像特征以及所述语义内容对所述城市遥感图像进行分割得到所述绿化区域。
4.根据权利要求1所述的方法，其特征在于，所述按照预设规则对所述绿化区域进行划分得到至少一个地块单元，包括：
获取所述城市遥感影像对应的城市，以及所述城市覆盖的交通路线；
根据所述交通路线确定所述绿化区域的第一边界；
获取与所述城市相关联交通工具的历史行驶轨迹；
根据所述历史行驶轨迹确定所述绿化区域的第二边界；
基于所述第一边界与所述第二边界对所述绿化区域进行划分得到所述地块单元。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
以所述地块单元为节点、地块单元之间的连线为边界，以及地块单元的标签信息为节点属性构建图模型；
获取绿化区域样本，所述绿化区域样本中包括预设地块单元以及所述预设地块单元对应的预设标签信息；
获取所述绿化区域样本中的标注信息，所述标注信息包括：所述预设标签信息对应的社会属性；
将所述绿化区域样本输入所述图模型进行训练，由所述图模型学习所述预设标签信息与所述社会属性的对应关系，得到所述分类模型。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述绿化区域中未携带标签信息的第二地块单元；
从所述第一地块单元中获取与所述第二地块单元相邻的第三地块单元；
根据所述第三地块单元的社会属性确定所述第二地块单元的社会属性。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第三地块单元的社会属性确定所述第二地块单元的社会属性，包括：
按照社会属性对所述第三地块单元进行排序，确定满足预设条件的第三地块单元；
将所述第二地块单元与所述满足预设条件的第三地块单元对应的地块单元集群进行融合。
8.一种图像处理方法，其特征在于，包括：
获取第一遥感样本图像，所述第一遥感样本图像中包括绿化区域；
获取所述第一遥感样本图像中的第一标注信息，所述第一标注信息包括：所述绿化区域对应的第一图像特征以及第一语义内容；
将所述第一遥感样本图像输入预设卷积神经网络进行训练，由所述预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型；
所述预设卷积神经网络包括：浅层卷积网络、深层卷积网络，可变形卷积网络以及池化网络，其中所述浅层卷积网络和所述深层卷积网络为交互且平行推进的卷积网络结构。
9.根据权利要求8所述的方法，其特征在于，所述将所述第一遥感样本图像输入预设卷积神经网络进行训练，由所述预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型，包括：
将所述第一遥感样本图像依次输入所述浅层卷积网络和深层卷积网络得到第二图像特征以及第二语义内容；
根据所述第二图像特征和所述第一图像特征计算第一损失函数；
根据所述第二语义内容和所述第一语义内容计算第二损失函数；
根据所述第一损失函数对所述浅层卷积网络进行训练，根据所述第二损失函数对所述深层卷积网络进行训练，当所述第一损失函数和所述第二损失函数满足预设条件时，得到所述第一语义分割模型。
10.根据权利要求8所述的方法，其特征在于，所述方法还包括：
获取第二遥感样本图像，所述第二遥感样本图像中包括绿化区域；
采用所述第二遥感样本图像对所述第一语义分割模型进行测试，得到测试结果；
当所述测试结果大于或等于预设阈值时，将所述第一语义分割模型作为目标语义分割模型。
11.根据权利要求10所述的方法，其特征在于，所述方法还包括:
当所述测试结果小于所述预设阈值时，获取第三遥感样本图像，所述第三遥感样本图像中包括绿化区域；
获取所述第三遥感样本图像中的第二标注信息，所述第二标注信息包括：所述绿化区域对应的第二图像特征以及第二语义内容；
采用所述第三遥感样本图像对所述第一语义分割模型进行训练，直至所述测试结果大于或等于预设阈值。
12.一种关于地块社会属性的分析装置，其特征在于，包括：
获取模块，用于获取当前城市的城市遥感图像；
确定模块，用于确定所述城市遥感图像的图像特征以及语义内容，并根据所述图像特征以及语义内容获取所述城市遥感图像中的绿化区域；
处理模块，用于按照预设规则对所述绿化区域进行划分得到至少一个地块单元；
分析模块，用于对所述地块单元进行分析确定所述地块单元的社会属性，包括：获取预先训练的分类模型；确定所述绿化区域中携带标签信息的第一地块单元；所述标签信息输入所述分类模型得到所述第一地块单元的社会属性；将属于同一社会属性且相邻的第一地块单元融合为地块单元集群。
13.一种图像处理装置，其特征在于，包括：
第一获取模块，用于获取第一遥感样本图像，所述第一遥感样本图像中包括绿化区域；
第二获取模块，用于获取所述第一遥感样本图像中的第一标注信息，所述第一标注信息包括：所述绿化区域对应的第一图像特征以及第一语义内容；
训练模块，用于将所述第一遥感样本图像输入预设卷积神经网络进行训练，由所述预设卷积神经网络学习绿化区域对应的第一图像特征以及第一语义内容，得到第一语义分割模型；
其中，所述预设卷积神经网络包括：浅层卷积网络和深层卷积网络，且所述浅层卷积网络和所述深层卷积网络为交互和平行推进的卷积网络结构。
14.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述计算机程序时，实现权利要求1-11任一项所述的方法步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-11任一项所述的方法步骤。
CN202010225432.8A 2020-03-26 2020-03-26 一种关于地块的社会属性分析、图像处理方法及装置 Active CN111414878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010225432.8A CN111414878B (zh) 2020-03-26 2020-03-26 一种关于地块的社会属性分析、图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010225432.8A CN111414878B (zh) 2020-03-26 2020-03-26 一种关于地块的社会属性分析、图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN111414878A CN111414878A (zh) 2020-07-14
CN111414878B true CN111414878B (zh) 2023-11-03

Family

ID=71494692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010225432.8A Active CN111414878B (zh) 2020-03-26 2020-03-26 一种关于地块的社会属性分析、图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN111414878B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966548B (zh) * 2021-01-18 2023-10-27 中国农业科学院农业信息研究所 一种大豆地块识别方法及系统
CN113657166A (zh) * 2021-07-17 2021-11-16 北京清华同衡规划设计研究院有限公司 一种城乡聚落传统肌理智能辅助识别方法、系统、终端及存储介质
CN116189000B (zh) * 2022-11-11 2023-11-14 北京市测绘设计研究院 地块分析方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109446992A (zh) * 2018-10-30 2019-03-08 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN110263717A (zh) * 2019-06-21 2019-09-20 中国科学院地理科学与资源研究所 一种融入街景影像的土地利用类别确定方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7400770B2 (en) * 2002-11-06 2008-07-15 Hrl Laboratories Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks
US10664702B2 (en) * 2016-12-30 2020-05-26 International Business Machines Corporation Method and system for crop recognition and boundary delineation
US10984532B2 (en) * 2018-08-24 2021-04-20 Ordnance Survey Limited Joint deep learning for land cover and land use classification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109446992A (zh) * 2018-10-30 2019-03-08 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN110263717A (zh) * 2019-06-21 2019-09-20 中国科学院地理科学与资源研究所 一种融入街景影像的土地利用类别确定方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
于佩鑫 ; 周询 ; 刘素红 ; 王西凯 ; .东北黑土区侵蚀沟遥感影像特征提取与识别.遥感学报.2018,(04),全文. *
彭正洪 ; 孙志豪 ; 程青 ; 焦洪赞 ; 陈伟 ; .利用时序手机通话数据识别城市用地功能.武汉大学学报(信息科学版).2018,(09),全文. *
许夙晖 ; 慕晓冬 ; 赵鹏 ; 马骥 ; .利用多尺度特征与深度网络对遥感影像进行场景分类.测绘学报.2016,(07),全文. *
陈亚萍 ; 郑伯红 ; 曾祥平 ; .基于街景和遥感影像的城市绿地多维度量化研究――以郴州市为例.经济地理.2019,(12),全文. *
陈蕊 ; 张继超 ; .基于eCognition的遥感图像面向对象分类方法研究.测绘与空间地理信息.2020,(02),全文. *
韩衍欣 ; 蒙继华 ; .面向地块的农作物遥感分类研究进展.国土资源遥感.2019,(02),全文. *

Also Published As

Publication number Publication date
CN111414878A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111091105B (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
Naddaf-Sh et al. An efficient and scalable deep learning approach for road damage detection
Safaei et al. An automatic image processing algorithm based on crack pixel density for pavement crack detection and classification
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
Tran et al. A two-step sequential automated crack detection and severity classification process for asphalt pavements
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN109214422B (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质
CN109255279A (zh) 一种交通标志检测识别的方法及系统
CN109427062A (zh) 道路特征标记方法、装置、计算机设备以及可读存储介质
CN108648210B (zh) 一种静态复杂场景下快速多目标检测方法及装置
Gao et al. Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data
CN116168246A (zh) 一种用于铁路工程的弃渣场识别方法、装置、设备及介质
CN116681657B (zh) 基于改进YOLOv7模型的沥青路面病害检测方法
CN112836590A (zh) 洪涝灾害监测方法、装置、电子设备及存储介质
CN112733782A (zh) 基于道路网的城市功能区识别方法、存储介质和电子设备
Mehajabin et al. Real-time deep learning based road deterioration detection for smart cities
Aghayan‐Mashhady et al. Road damage detection with bounding box and generative adversarial networks based augmentation methods
CN116628531A (zh) 众包地图道路对象要素聚类方法、系统及存储介质
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN110414386A (zh) 基于改进scnn网络的车道线检测方法
CN111832103B (zh) 一种基于道路网络封闭地块合并交通子区的快速实现方法
CN108109156A (zh) 基于比值特征的sar图像道路检测方法
TW202228091A (zh) 用於產生地圖資料之方法、資料處理設備及電腦程式產品

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
TA01 Transfer of patent application right

Effective date of registration: 20200721

Address after: Room 806, 8 / F, Zhongguancun International Innovation Building, Haidian District, Beijing 100080

Applicant after: Beijing Jingdong intelligent city big data research institute

Address before: 100086 No.76 Zhichun Road, Haidian District, Beijing, Building No.1, Building No.9, Floor 1-7-5

Applicant before: Jingdong City (Beijing) Digital Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant