CN111598036B - 分布式架构的城市群地理环境知识库构建方法及系统 - Google Patents

分布式架构的城市群地理环境知识库构建方法及系统 Download PDF

Info

Publication number
CN111598036B
CN111598036B CN202010442653.0A CN202010442653A CN111598036B CN 111598036 B CN111598036 B CN 111598036B CN 202010442653 A CN202010442653 A CN 202010442653A CN 111598036 B CN111598036 B CN 111598036B
Authority
CN
China
Prior art keywords
geographic
initial
operation terminal
target area
subgraph
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
CN202010442653.0A
Other languages
English (en)
Other versions
CN111598036A (zh
Inventor
陈军
袁少雄
王钧
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.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
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 Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN202010442653.0A priority Critical patent/CN111598036B/zh
Publication of CN111598036A publication Critical patent/CN111598036A/zh
Application granted granted Critical
Publication of CN111598036B publication Critical patent/CN111598036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Instructional Devices (AREA)

Abstract

本发明提供了分布式架构的城市群地理环境知识库构建方法及系统，包括：在服务器端将每个城市的初始母图切割成多个初始子图，并将初始子图分发给对应的运算终端；在每个运算终端，对初始子图进行预处理，通过灰度运算在初始子图中分割出多个目标区域，对目标区域进行地理特征识别；运算终端将完成地理特征识别的初始子图的各目标区域的地理属性信息发送给服务器端，并根据服务器端的地理属性信息和运输端的与地理属性信息对应的地理实体信息创建知识库。提高了现有设备利用率，降低设备成本和能源消耗，更充分利用多个运算终端的算力，提高知识库的创建速度，克服了现有技术中大规模地理特征识别时准确率、精细程度与处理速度之间相矛盾的缺陷。

Description

分布式架构的城市群地理环境知识库构建方法及系统
技术领域
本发明涉及人工智能与信息处理技术领域，具体而言，涉及分布式架构的城市群地理环境知识库构建方法及系统。
背景技术
地理环境是指一定社会所处的地理位置以及与此相联系的各种自然条件的总和，包括气候、土地，河流、湖泊、山脉、矿藏以及动植物资源等。城市群地理环境是地理环境中的重要一种，包括多个城市中以及城市之间的建筑物、交通设施、休闲绿地、城市山地、水道、地下特征等。
城市群地理环境由于涉及的面积广、地理环境种类多，且信息较为琐碎。现有技术中，目前跟城市地理环境有关的知识库的构建通常是由领域内的专家或其它人通过人工编辑来完成，但是这种通过人员来构建知识库需要大量时间、精力和成本，且无法做到精细，不便于对城市群地理环境进行精细化掌握和管理。后续再对知识库更新时，需要操作者对知识库中的内容有充分了解才能进行更新，因此现有这种通过人工来构建城市群地理环境的方式不利于知识库的维护。
随着技术的发展，高分辨率卫星图像、航拍图像被用于城市地表图像的获取，图像中包含城市群的地理环境信息，尤其是地表的地理环境信息，但现有技术中图像识别多是局部识别、离散识别或非专业人士的人工标记，错误率高，不全面，缺乏对实体特征的计算、存储。统计，且难以通过属性信息或字段的进行精确、全面查询与显示。此外，由于高分辨率的城市群卫星图像数据量极大，在对图像进行识别、处理、计算、存储等操作时，对计算机设备要求极高，需要大量的设备成本和能耗。此外，传统的图像识别技术一般仅针对某一种类的信息识别，由于算力和识别方法的限制，其图像处理的精细程度、准确率和处理速度之间通常是矛盾的，难以适用于处理城市群地理环境存在的超多数据量、种类复杂的情况。
发明内容
为了克服现有技术的不足，本发明提供了分布式架构的城市群地理环境知识库构建方法及系统，具体技术方案如下所示：
一种分布式架构的城市群地理环境知识库构建方法，包括以下步骤：
S1：获取目标城市群中每个城市的卫星图像，定义为初始母图，在服务器端将每个城市的初始母图切割成多个初始子图，服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端；
S2：在每个运算终端，对初始子图进行预处理，通过灰度运算在初始子图中分割出多个目标区域，按照以下方法对目标区域进行地理特征识别：
S21：将每个目标区域与本地样本库中的样本进行比较，若近似度超过预设阀值则将目标区域标记为与样本同类型的地理特征，给完成识别的该目标区域设定地理属性信息，并存储目标区域的地理属性信息和地理实体信息；
S22：若近似度小于预设阀值则与下一个样本进行比较，直至该目标区域完成与同类型样本的匹配，然后对下一个目标区域进行识别，直至完成所有目标区域的识别；
S23：若未找到与目标区域同类型的样本，则将阀值下调后重新进行循环比较，完成对目标区域的识别，若仍未找到相似样本，将该目标区域定义为新的地理特征类型并生成新的样本类型；
S3：运算终端将完成地理特征识别的初始子图的各目标区域的地理属性信息发送给服务器端，在服务器端接收并存储所有的地理属性信息，并根据服务器端的地理属性信息和运输端的与地理属性信息对应的地理实体信息创建知识库。
在一个具体的实施例中，步骤S1中，在服务器端将每个城市的初始母图进行均匀切割形成多个初始子图，“服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端”按照以下方法实现：
(1)T1：预先测定的每个运算终端各自完成一个初始子图的预处理和地理特征识别所需的总时间；
(2)T2：每个运算终端上各自等待预处理和地理特征识别的初始子图数量；
(3)T3：每个运算终端上正在处理的初始子图的剩余完成时间；
(4)TX：T1*T2+T3；
在存在“闲置”状态的运算终端时，服务器端将初始子图分发给每个闲置的运算终端；
不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX值最小的运算终端；
当有初始子图识别任务被加入任务列表时，与该初始子图识别任务相关的运算终端的状态由“闲置”变为“非闲置”，而当某个运算终端完成所有初始子图识别任务时，与之相关的运算终端的状态由“非闲置”变为“闲置”。
在一个具体的实施例中，步骤S2中，“对初始子图进行预处理”的方法包括：
(1)先按照以下算法对初始子图中每个像素点的灰度值进行调整：
Figure BDA0002504712770000031
其中，设定初始子图中x和y为像素点的坐标值，W为该像素点的原始灰度值，Wδ为调整后的灰度值，δ为标准差，优选地δ为1；
再按照以下算法继续对初始子图中每个像素点的灰度值进行调整：
Figure BDA0002504712770000032
其中，N为处理后的灰度值，M为灰度级数，优选地，M为256，h(k)为灰度级为k的像素总数，k为灰度级，s为像素的宽度，t为像素的高度。
在一个具体的实施例中，步骤S2中，“通过灰度运算在初始子图中分割出多个目标区域”的方法包括：
(1)按照以下算法求解出各目标区域的边缘：
g(x，y)＝{[f(x，y)-f(x-1，y)]2+[f(x，y)-f(x，y-l)]2}0.5，其中，f(x,y)表示坐标(x，y)原始灰度值，g(x，y)表示运算后的灰度值；
(2)基于求解出的边缘在初始子图中分割出多个目标区域。
根据权利要求1所述的分布式架构的城市群地理环境知识库构建方法，其特征在于，步骤S21中，计算目标区域与本地样本库中的样本之间近似度的具体算法为：
P＝0.4*目标区域与样本之间的汉明距离近似度+0.2*目标区域与样本之间的直方图近似度+0.4*目标区域与样本之间的结构近似度，其中，P为近似度。
在一个具体的实施例中，步骤S21中，近似度的阀值为0.85；
步骤S23中，下调后的近似度的阀值为0.8。
在一个具体的实施例中，所述地理属性信息包括地理类型和运算端设定的ID名称；
所述地理特征信息包括坐标、面积、形状、颜色、高度中的一种或多种。
在一个具体的实施例中，步骤S23之后还包括：
S24：接收航拍设备拍摄的视频，根据航拍设备过程中拍摄的分辨率、拍摄角度、时间将视频转换成静态图，在静态图中提取出与步骤S23中新样本相同区域的图像，定义为校正图像，将校正图像与样本库中的原样本进行比较，识别出地理特征，并确定为新样本的地理特征。
一种分布式架构的城市群地理环境知识库系统，包括服务器、运算端和人机界面；
服务器用于获取目标城市群中每个城市的卫星图像，定义为初始母图，在服务器端将每个城市的初始母图切割成多个初始子图，服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端，；
预算端用于对初始子图进行预处理，通过灰度运算在初始子图中分割出多个目标区域，按照以下方法对目标区域进行地理特征识别：将每个目标区域与本地样本库中的样本进行比较，若近似度超过预设阀值则将目标区域标记为与样本同类型的地理特征，给完成识别的该目标区域设定地理属性信息，并存储目标区域的地理属性信息和地理实体信息；若近似度小于预设阀值则与下一个样本进行比较，直至该目标区域完成与同类型样本的匹配，然后对下一个目标区域进行识别，直至完成所有目标区域的识别；若未找到与目标区域同类型的样本，则将阀值下调后重新进行循环比较，完成对目标区域的识别，若仍未找到相似样本，将该目标区域定义为新的地理特征类型并生成新的样本类型；
服务器端和预算端还用于，运算终端将完成地理特征识别的初始子图的各目标区域的地理属性信息发送给服务器端，在服务器端接收并存储所有的地理属性信息，并根据服务器端的地理属性信息和运输端的与地理属性信息对应的地理实体信息创建知识库
人机界面根据接收用户的查询指令或者预设的显示规则，显示知识库中的地理特征。
在一个具体的实施例中，服务器端还用于：
(1)T1：预先测定的每个运算终端各自完成一个初始子图的预处理和地理特征识别所需的总时间；
(2)T2：每个运算终端上各自等待预处理和地理特征识别的初始子图数量；
(3)T3：每个运算终端上正在处理的初始子图的剩余完成时间；
(4)TX：T1*T2+T3；
在存在“闲置”状态的运算终端时，服务器端将初始子图分发给每个闲置的运算终端；
不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX值最小的运算终端；
当有初始子图识别任务被加入任务列表时，与该初始子图识别任务相关的运算终端的状态由“闲置”变为“非闲置”，而当某个运算终端完成所有初始子图识别任务时，与之相关的运算终端的状态由“非闲置”变为“闲置”。
本发明至少具有以下有益效果：
本发明中，在服务器端将每个城市的初始母图切割成多个初始子图，服务器端将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端，由分布式架构的多个运算终端分别执行部分运算任务，实现对初始子图预处理、运算识别和地理特征信息本地存储，服务器端接收并存储各运输终端反馈的地理地理属性信息，然后根据服务器端的全部地理属性信息和对应的分散在各运算终端的地理实体信息创建知识库。由此，可通过网络上多台现有运算设备组网形成基于分布式架构的图像处理和信息存储单元，服务器端起到资源调度、任务分配和提供知识库的人机交流作用。与现有技术相比，提高了现有设备的利用率，且可显著降低设备成本和能源消耗。
进一步地，本发明中设计了独特的动态任务模型，能够更充分的利用多个运算终端的算力，可显著提高知识库的创建速度。
本发明中，设置了独特的图像预处理方法，使得图像更加平滑，减少了噪声，且图像对比度更加鲜明。
而且，先通过灰度运算在图像中区分出多个目标区域，实现效率更高的粗识别，然后通过将目标区域与样本库中的样本进行比较实现对各目标区域的地理特征的精确识别。与现有技术中单纯的图像特征算法识别相比，不但显著提升了地理环境特征的识别准确率和精细程度，还提升了处理速度，克服了现有技术中大规模地理特征识别时准确率、精细程度与处理速度之间相矛盾的缺陷。
进一步地，本发明中提供了独特的样本更新、识别修正方法，可进一步提升复杂数据情景下大规模地理特征识别时准确率和精细程度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是实施例中分布式架构的城市群地理环境知识库构建方法的整体流程图；
图2是步骤S2的详细流程图；
图3是实施例中分布式架构的城市群地理环境知识库系统的示意图
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例
如图1、图2所示，本实施例提供了一种分布式架构的城市群地理环境知识库构建方法，包括步骤：
S1：获取目标城市群中每个城市的卫星图像，定义为初始母图，在服务器端将每个城市的初始母图切割成多个初始子图，服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端。其中，服务器端和多个分布式运算终端之间通过有线和/或无线网络进行通信。其中，卫星图像优选为位图格式，以便于进行像素灰度计算和调整。
具体地，步骤S1中，在服务器端将每个城市的初始母图进行均匀切割形成多个初始子图。“服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端”按照以下方法实现：
(1)T1：预先测定的每个运算终端各自完成一个初始子图的预处理和地理特征识别所需的总时间。
(2)T2：每个运算终端上各自等待预处理和地理特征识别的初始子图数量。
(3)T3：每个运算终端上正在处理的初始子图的剩余完成时间。
(4)TX：T1*T2+T3。
其中，在存在“闲置”状态的运算终端时，服务器端将初始子图分发给每个闲置的运算终端。
其中，不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX值最小的运算终端。
当有初始子图识别任务被加入任务列表时，与该初始子图识别任务相关的运算终端的状态由“闲置”变为“非闲置”，而当某个运算终端完成所有初始子图识别任务时，与之相关的运算终端的状态由“非闲置”变为“闲置”。
因此，基于本实施例中的，由分布式架构的多个运算终端分别执行部分运算任务，实现对初始子图预处理、运算识别和地理特征信息本地存储，服务器端接收并存储各运输终端反馈的地理地理属性信息，然后根据服务器端的全部地理属性信息和对应的分散在各运算终端的地理实体信息创建知识库。由此，可通过网络上多台现有运算设备组网形成基于分布式架构的图像处理和信息存储单元，服务器端起到资源调度、任务分配和提供知识库的人机交流作用。与现有技术相比，提高了现有设备的利用率，且可显著降低设备成本和能源消耗。
进一步地，本发明中设计了独特的动态任务模型，在不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX值最小的运算终端。能够更充分的利用多个运算终端的算力，降低每个分布式运算终端的闲置率，可显著提高知识库的创建速度。
S2：在每个运算终端，对初始子图进行预处理。具体地，步骤S2中，“对初始子图进行预处理”的方法包括：
(1)先按照以下算法对初始子图中每个像素点的灰度值进行调整：
Figure BDA0002504712770000081
其中，设定初始子图中x和y为像素点的坐标值，W为该像素点的原始灰度值，Wδ为调整后的灰度值，δ为标准差，优选地δ为1。通过该阶段的预处理，使得每个像素点的灰度值取周围若干个像素点的灰度均值，使得图像更加平滑，减少了噪声。优选地，每个像素点的灰度值取周围4个像素点的灰度均值。
再按照以下算法继续对初始子图中每个像素点的灰度值进行调整：
Figure BDA0002504712770000082
其中，N为处理后的灰度值，M为灰度级数，优选地，M为256，h(k)为灰度级为k的像素总数，k为灰度级，s为像素的宽度，t为像素的高度。通过该阶段的预处理，使得图像中局部区域的对比度更加鲜明，更加有利于后续的地理特征识别。
步骤S2还包括，通过灰度运算在初始子图中分割出多个目标区域，按照以下方法对目标区域进行地理特征识别：
S21：将每个目标区域与本地样本库中的样本进行比较，若近似度超过预设阀值则将目标区域标记为与样本同类型的地理特征，给完成识别的该目标区域设定地理属性信息，并存储目标区域的地理属性信息和地理实体信息。
S22：若近似度小于预设阀值则与下一个样本进行比较，直至该目标区域完成与同类型样本的匹配，然后对下一个目标区域进行识别，直至完成所有目标区域的识别。
S23：若未找到与目标区域同类型的样本，则将阀值下调后重新进行循环比较，完成对目标区域的识别，若仍未找到相似样本，将该目标区域定义为新的地理特征类型并生成新的样本类型。
S3：运算终端将完成地理特征识别的初始子图的各目标区域的地理属性信息发送给服务器端，在服务器端接收并存储所有的地理属性信息，并根据服务器端的地理属性信息和运输端的与地理属性信息对应的地理实体信息创建知识库。
具体地，步骤S2中，“通过灰度运算在初始子图中分割出多个目标区域”的方法包括：
(1)按照以下算法求解出各目标区域的边缘：
g(x，y)＝{[f(x，y)-f(x-1，y)]2+[f(x，y)-f(x，y-1)]2}0.5
，其中，f(x，y)表示坐标(x，y)原始灰度值，g(x，y)表示运算后的灰度值；
(3)基于求解出的边缘在初始子图中分割出多个目标区域。
本实施例中通过前述方法，先通过灰度运算在图像中区分出多个目标区域，实现效率更高的粗识别。
具体地，步骤S21中，计算目标区域与本地样本库中的样本之间近似度的具体算法为：
P＝0.4*目标区域与样本之间的汉明距离近似度+0.2*目标区域与样本之间的直方图近似度+0.4*目标区域与样本之间的结构近似度，其中，P为近似度。
其中，汉明距离近似度是指，对每张图像生成一个字符串，然后比较不同图像的指纹。结果越接近，就说明越相似。实现步骤：缩小尺寸：将图像缩小到特定的尺寸。简化色彩：将缩小后的图像，转为特定级灰度；计算平均值：计算所有像素的灰度平均值；比较像素的灰度：将每个像素的灰度，与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；计算哈希值：将上一步的比较结果，组合在一起，就构成了一个特定位的整数，这就是这张图像的字符串。将目标区域的字符串与样本的字符串进行比较，得到汉明距离，汉明距离越大则近似度越小，例如对于10位的字符串，假如二者不同字符位数为1个，表示近似度为90％，假如二者不同字符位数为10个，表示近似度为0，量化的汉明距离近似度＝1-不同字符位数/字符串总位数。
其中，直方图近似度是指，分别计算两幅图像的直方图，并将直方图进行归一化，然后按照距离度量的标准进行近似度的测量。
其中，结构相似性分别从亮度、对比度、结构三方面度量图像相似性。结构相似性取值范围[0,1]，值越大，表示图像失真越小。在具体实现时，利用滑动窗将图像分块，令分块总数为N，考虑到窗口形状对分块的影响，可采用高斯加权计算每一窗口的均值、方差以及协方差，然后计算对应块的结构近似度，最后将平均值作为两图像的结构近似度量，即平均结构近似度。
在实践中，汉明距离近似度、直方图近似度和结构近似度分别具有各自优点和缺点，例如直方图近似度更适用于边界不够清晰、颜色特征鲜明的图像，汉明距离近似度更适合噪音、异常像素较少的图像，结构近似度，单一的一种近似度评价方法通常仅适用于特定场合，难以适用于城市群地理环境知识库创建所面临的图像总体尺寸大、数据量大、种类多且复杂的场合。本实施例中，针对城市群的地理环境图像的特性，创造性的提出了该特定的近似度的加权均值计算方式，兼顾了颜色、边界、准确度等多种因子，实现了更好的综合评价。
具体地，步骤S21中，近似度的阀值为0.85；
步骤S23中，下调后的近似度的阀值为0.8。
具体地，所述地理属性信息包括地理类型和运算端设定的ID名称。
具体地，地理特征信息包括坐标、面积、形状、颜色、高度中的一种或多种。
基于，阀值判定，即通过将目标区域与样本库中的样本进行比较实现对各目标区域的地理特征的精确识别。与现有技术中单纯的图像特征算法识别相比，不但显著提升了地理环境特征的识别准确率和精细程度，还提升了处理速度，克服了现有技术中大规模地理特征识别时准确率、精细程度与处理速度之间相矛盾的缺陷。
具体地，步骤S23之后还包括：
S24：接收航拍设备拍摄的视频，根据航拍设备过程中拍摄的分辨率、拍摄角度、时间将视频转换成静态图，在静态图中提取出与步骤S23中新样本相同区域的图像，定义为校正图像，将校正图像与样本库中的原样本进行比较，识别出地理特征，并确定为新样本的地理特征。
因此，本实施例中提供了独特的样本更新、识别修正方法，可进一步提升复杂数据情景下大规模地理特征识别时准确率和精细程度。
如图3所示，本实施例还提供了一种分布式架构的城市群地理环境知识库系统，包括服务器、运算端和人机界面。服务器用于获取目标城市群中每个城市的卫星图像，定义为初始母图，在服务器端将每个城市的初始母图切割成多个初始子图，服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端。
预算端用于对初始子图进行预处理，通过灰度运算在初始子图中分割出多个目标区域，按照以下方法对目标区域进行地理特征识别：将每个目标区域与本地样本库中的样本进行比较，若近似度超过预设阀值则将目标区域标记为与样本同类型的地理特征，给完成识别的该目标区域设定地理属性信息，并存储目标区域的地理属性信息和地理实体信息；若近似度小于预设阀值则与下一个样本进行比较，直至该目标区域完成与同类型样本的匹配，然后对下一个目标区域进行识别，直至完成所有目标区域的识别；若未找到与目标区域同类型的样本，则将阀值下调后重新进行循环比较，完成对目标区域的识别，若仍未找到相似样本，将该目标区域定义为新的地理特征类型并生成新的样本类型；
服务器端和预算端还用于，运算终端将完成地理特征识别的初始子图的各目标区域的地理属性信息发送给服务器端，在服务器端接收并存储所有的地理属性信息，并根据服务器端的地理属性信息和运输端的与地理属性信息对应的地理实体信息创建知识库
人机界面根据接收用户的查询指令或者预设的显示规则，显示知识库中的地理特征。
在一个具体的实施例中，服务器端还用于：
(1)T1：预先测定的每个运算终端各自完成一个初始子图的预处理和地理特征识别所需的总时间；
(2)T2：每个运算终端上各自等待预处理和地理特征识别的初始子图数量；
(3)T3：每个运算终端上正在处理的初始子图的剩余完成时间；
(4)TX：T1*T2+T3；
在存在“闲置”状态的运算终端时，服务器端将初始子图分发给每个闲置的运算终端；
不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX值最小的运算终端；
当有初始子图识别任务被加入任务列表时，与该初始子图识别任务相关的运算终端的状态由“闲置”变为“非闲置”，而当某个运算终端完成所有初始子图识别任务时，与之相关的运算终端的状态由“非闲置”变为“闲置”。
如本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (8)

1.一种分布式架构的城市群地理环境知识库构建方法，其特征在于，包括以下步骤：
S1：获取目标城市群中每个城市的卫星图像，定义为初始母图，在服务器端将每个城市的初始母图切割成多个初始子图，服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端；
S2：在每个运算终端，对初始子图进行预处理，通过灰度运算在初始子图中分割出多个目标区域，按照以下方法对目标区域进行地理特征识别：
S21：将每个目标区域与本地样本库中的样本进行比较，若近似度超过预设阀值则将目标区域标记为与样本同类型的地理特征，给完成识别的该目标区域设定地理属性信息，并存储目标区域的地理属性信息和地理实体信息；
S22：若近似度小于预设阀值则与下一个样本进行比较，直至该目标区域完成与同类型样本的匹配，然后对下一个目标区域进行识别，直至完成所有目标区域的识别；
S23：若未找到与目标区域同类型的样本，则将阀值下调后重新进行循环比较，完成对目标区域的识别，若仍未找到相似样本，将该目标区域定义为新的地理特征类型并生成新的样本类型；
S3：运算终端将完成地理特征识别的初始子图的各目标区域的地理属性信息发送给服务器端，在服务器端接收并存储所有的地理属性信息，并根据服务器端的地理属性信息和运输端的与地理属性信息对应的地理实体信息创建知识库；
步骤S1中，在服务器端将每个城市的初始母图进行均匀切割形成多个初始子图，“服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端”按照以下方法实现：
(1)T1：预先测定的每个运算终端各自完成一个初始子图的预处理和地理特征识别所需的总时间；
(2)T2：每个运算终端上各自等待预处理和地理特征识别的初始子图数量；
(3)T3：每个运算终端上正在处理的初始子图的剩余完成时间；
(4)TX：T1*T2+T3；
在存在“闲置”状态的运算终端时，服务器端将初始子图分发给每个闲置的运算终端；
不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX值最小的运算终端；
当有初始子图识别任务被加入任务列表时，与该初始子图识别任务相关的运算终端的状态由“闲置”变为“非闲置”，而当某个运算终端完成所有初始子图识别任务时，与之相关的运算终端的状态由“非闲置”变为“闲置”。
2.根据权利要求1所述的分布式架构的城市群地理环境知识库构建方法，其特征在于，步骤S2中，“对初始子图进行预处理”的方法包括：
(1)先按照以下算法对初始子图中每个像素点的灰度值进行调整：
Figure FDA0002772908250000021
其中，设定初始子图中x和y为像素点的坐标值，W为该像素点的原始灰度值，Wδ为调整后的灰度值，δ为标准差，优选地δ为1；
(2)再按照以下算法继续对初始子图中每个像素点的灰度值进行调整：
Figure FDA0002772908250000022
其中，N为处理后的灰度值，M为灰度级数，优选地，M为256，h(k)为灰度级为k的像素总数，k为灰度级，s为像素的宽度，t为像素的高度。
3.根据权利要求1所述的分布式架构的城市群地理环境知识库构建方法，其特征在于，步骤S2中，“通过灰度运算在初始子图中分割出多个目标区域”的方法包括：
(1)按照以下算法求解出各目标区域的边缘：
g(x，y)＝{[f(x，y)-f(x-1，y)]2+[f(x，y)-(x，y-1)]2}0.5，其中，f(x,y)表示坐标(x，y)原始灰度值，g(x，y)表示运算后的灰度值；
(2)基于求解出的边缘在初始子图中分割出多个目标区域。
4.根据权利要求1所述的分布式架构的城市群地理环境知识库构建方法，其特征在于，步骤S21中，计算目标区域与本地样本库中的样本之间近似度的具体算法为：P＝0.4*目标区域与样本之间的汉明距离近似度+0.2*目标区域与样本之间的直方图近似度+0.4*目标区域与样本之间的结构近似度，其中，P为近似度。
5.根据权利要求4所述的分布式架构的城市群地理环境知识库构建方法，其特征在于，步骤S21中，近似度的阀值为0.85；
步骤S23中，下调后的近似度的阀值为0.8。
6.根据权利要求1所述的分布式架构的城市群地理环境知识库构建方法，其特征在于，所述地理属性信息包括地理类型和运算端设定的ID名称；
所述地理特征信息包括坐标、面积、形状、颜色、高度中的一种或多种。
7.根据权利要求1所述的分布式架构的城市群地理环境知识库构建方法，其特征在于，步骤S23之后还包括：
S24：接收航拍设备拍摄的视频，根据航拍设备过程中拍摄的分辨率、拍摄角度、时间将视频转换成静态图，在静态图中提取出与步骤S23中新样本相同区域的图像，定义为校正图像，将校正图像与样本库中的原样本进行比较，识别出地理特征，并确定为新样本的地理特征。
8.一种分布式架构的城市群地理环境知识库系统，其特征在于，包括服务器、运算端和人机界面；
服务器用于获取目标城市群中每个城市的卫星图像，定义为初始母图，在服务器端将每个城市的初始母图切割成多个初始子图，服务器端再根据动态任务模型将各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端；
预算端用于对初始子图进行预处理，通过灰度运算在初始子图中分割出多个目标区域，按照以下方法对目标区域进行地理特征识别：将每个目标区域与本地样本库中的样本进行比较，若近似度超过预设阀值则将目标区域标记为与样本同类型的地理特征，给完成识别的该目标区域设定地理属性信息，并存储目标区域的地理属性信息和地理实体信息；若近似度小于预设阀值则与下一个样本进行比较，直至该目标区域完成与同类型样本的匹配，然后对下一个目标区域进行识别，直至完成所有目标区域的识别；若未找到与目标区域同类型的样本，则将阀值下调后重新进行循环比较，完成对目标区域的识别，若仍未找到相似样本，将该目标区域定义为新的地理特征类型并生成新的样本类型；
服务器端和预算端还用于，运算终端将完成地理特征识别的初始子图的各目标区域的地理属性信息发送给服务器端，在服务器端接收并存储所有的地理属性信息，并根据服务器端的地理属性信息和运输端的与地理属性信息对应的地理实体信息创建知识库
人机界面根据接收用户的查询指令或者预设的显示规则，显示知识库中的地理特征；
服务器端还用于：
(1)T1：预先测定的每个运算终端各自完成一个初始子图的预处理和地理特征识别所需的总时间；
(2)T2：每个运算终端上各自等待预处理和地理特征识别的初始子图数量；
(3)T3：每个运算终端上正在处理的初始子图的剩余完成时间；
(4)TX：T1*T2+T3；
在存在“闲置”状态的运算终端时，服务器端将初始子图分发给每个闲置的运算终端；
不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX值最小的运算终端；
当有初始子图识别任务被加入任务列表时，与该初始子图识别任务相关的运算终端的状态由“闲置”变为“非闲置”，而当某个运算终端完成所有初始子图识别任务时，与之相关的运算终端的状态由“非闲置”变为“闲置”。
CN202010442653.0A 2020-05-22 2020-05-22 分布式架构的城市群地理环境知识库构建方法及系统 Active CN111598036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010442653.0A CN111598036B (zh) 2020-05-22 2020-05-22 分布式架构的城市群地理环境知识库构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010442653.0A CN111598036B (zh) 2020-05-22 2020-05-22 分布式架构的城市群地理环境知识库构建方法及系统

Publications (2)

Publication Number Publication Date
CN111598036A CN111598036A (zh) 2020-08-28
CN111598036B true CN111598036B (zh) 2021-01-01

Family

ID=72186356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010442653.0A Active CN111598036B (zh) 2020-05-22 2020-05-22 分布式架构的城市群地理环境知识库构建方法及系统

Country Status (1)

Country Link
CN (1) CN111598036B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435560B (zh) * 2020-12-02 2022-06-28 王钧 一种土木工程管理用便携式沙盘制作方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117294A (zh) * 2015-09-15 2015-12-02 民政部国家减灾中心 多机多任务并行卫星遥感影像正射校正处理系统及其方法
CN107247628A (zh) * 2017-06-22 2017-10-13 华中科技大学 一种面向多核系统的数据流程序任务划分与调度方法
CN109614238A (zh) * 2018-12-11 2019-04-12 深圳市网心科技有限公司 一种目标对象识别方法、装置、系统及可读存储介质
CN110390246A (zh) * 2019-04-16 2019-10-29 江苏慧中数据科技有限公司 一种边云环境中的视频分析方法
CN111030802A (zh) * 2018-05-16 2020-04-17 腾讯科技（深圳）有限公司 图数据的计算任务发布方法、装置、设备和存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880879B (zh) * 2012-08-16 2015-04-22 北京理工大学 基于分布式和svm分类器的室外海量物体识别方法和系统
CN103617295B (zh) * 2013-12-16 2017-09-08 北京锐安科技有限公司 一种地理信息矢量数据处理的方法和装置
CN103955511B (zh) * 2014-04-30 2017-02-15 华南理工大学 一种城市3d建筑数据的云平台数据组织和检索方法
CN103970901B (zh) * 2014-05-27 2017-10-03 重庆大学 一种地理信息图形数据整合方法
CN106649391B (zh) * 2015-11-03 2020-10-27 华为技术有限公司 处理图数据的方法和装置
CN105786942B (zh) * 2015-11-27 2019-11-26 武汉大学 一种基于云平台的地理信息存储系统
CN105512297A (zh) * 2015-12-10 2016-04-20 中国测绘科学研究院 一种基于分布式流式计算的空间数据处理方法与系统
CN107665456A (zh) * 2017-09-25 2018-02-06 广州地理研究所 一种基于云gis的空间大数据交易平台
CN107818338B (zh) * 2017-10-16 2021-04-06 辛秦川 一种面向地图综合的建筑物群组模式识别的方法及系统
CN107944503A (zh) * 2017-12-13 2018-04-20 北京数洋智慧科技有限公司 一种基于图像识别的城市数据采集方法及系统
CN109684435B (zh) * 2019-01-11 2019-09-10 长沙市规划勘测设计研究院 去专业化多源异构时空地理数据集成系统及方法
CN109947565B (zh) * 2019-03-08 2021-10-15 北京百度网讯科技有限公司 用于分配计算任务的方法和装置
CN110209749A (zh) * 2019-04-29 2019-09-06 南瑞集团有限公司 一种基于HBase的地理信息查询方法及装置
CN110135364A (zh) * 2019-05-16 2019-08-16 中煤航测遥感集团有限公司 一种地物识别方法及装置
CN110956213A (zh) * 2019-11-29 2020-04-03 珠海大横琴科技发展有限公司 遥感影像特征库生成、遥感影像检索方法及装置
CN111046213B (zh) * 2019-12-18 2021-12-10 电子科技大学 一种基于图像识别的知识库构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117294A (zh) * 2015-09-15 2015-12-02 民政部国家减灾中心 多机多任务并行卫星遥感影像正射校正处理系统及其方法
CN107247628A (zh) * 2017-06-22 2017-10-13 华中科技大学 一种面向多核系统的数据流程序任务划分与调度方法
CN111030802A (zh) * 2018-05-16 2020-04-17 腾讯科技（深圳）有限公司 图数据的计算任务发布方法、装置、设备和存储介质
CN109614238A (zh) * 2018-12-11 2019-04-12 深圳市网心科技有限公司 一种目标对象识别方法、装置、系统及可读存储介质
CN110390246A (zh) * 2019-04-16 2019-10-29 江苏慧中数据科技有限公司 一种边云环境中的视频分析方法

Also Published As

Publication number Publication date
CN111598036A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN113449594B (zh) 一种多层网络组合的遥感影像地类语义分割与面积计算方法
CN109325502B (zh) 基于视频渐进区域提取的共享单车停放检测方法和系统
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN111967313B (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
CN108399424B (zh) 一种点云分类方法、智能终端及存储介质
CN109447111B (zh) 一种基于子类训练样本的遥感监督分类方法
CN111738113A (zh) 基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN115984850A (zh) 基于改进Deeplabv3+的轻量级遥感影像语义分割方法
CN116863274A (zh) 一种基于半监督学习的钢板表面缺陷检测方法及系统
CN105068918A (zh) 一种页面测试方法及装置
CN115497006B (zh) 基于动态混合策略的城区遥感图像变化深度监测方法及系统
CN112150804A (zh) 一种基于MaskRCNN算法的城市多类型交叉口识别方法
CN110852164A (zh) 一种基于YOLOv3的自动检测违章建筑方法及系统
CN109323697A (zh) 一种针对室内机器人任意点启动时粒子快速收敛的方法
CN105447488B (zh) 基于素描线段拓扑结构的sar图像目标检测方法
CN111104850A (zh) 一种基于残差网络的遥感影像建筑物自动提取方法和系统
CN111598036B (zh) 分布式架构的城市群地理环境知识库构建方法及系统
CN109934151B (zh) 一种基于movidius计算芯片和Yolo face的人脸检测方法
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
CN105205485A (zh) 基于多类类间最大方差算法的大尺度图像分割算法
CN116935073A (zh) 一种基于粗精特征筛选的视觉图像定位方法
Zachar et al. Application of machine learning for object detection in oblique aerial images
CN117671181B (zh) 基于大数据的智慧城市挛生地图的构建方法及系统
CN118154576B (zh) 一种地铁隧道接缝渗漏水的智能检测方法

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
CP03 Change of name, title or address

Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Address before: Guangzhou Institute of geography, No.100 Xianlie Middle Road, Guangzhou, Guangdong 510070

Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY

CP03 Change of name, title or address