CN111739032A - 一种基于城市街景的绿化面积计算方法及系统 - Google Patents

一种基于城市街景的绿化面积计算方法及系统 Download PDF

Info

Publication number
CN111739032A
CN111739032A CN202010576876.6A CN202010576876A CN111739032A CN 111739032 A CN111739032 A CN 111739032A CN 202010576876 A CN202010576876 A CN 202010576876A CN 111739032 A CN111739032 A CN 111739032A
Authority
CN
China
Prior art keywords
area
greening
street view
greening area
foreground
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
CN202010576876.6A
Other languages
English (en)
Other versions
CN111739032B (zh
Inventor
杨刚
关丽
丁艳杰
王怡
郑国江
冯学兵
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 Institute of Surveying and Mapping
Original Assignee
Beijing Institute of Surveying and Mapping
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 Institute of Surveying and Mapping filed Critical Beijing Institute of Surveying and Mapping
Priority to CN202010576876.6A priority Critical patent/CN111739032B/zh
Publication of CN111739032A publication Critical patent/CN111739032A/zh
Application granted granted Critical
Publication of CN111739032B publication Critical patent/CN111739032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于城市街景的绿化面积计算方法及系统，方法包括以下步骤：步骤1，对街景图像进行绿化面积特征提取，获得特征图；步骤2，计算特征图的自适应阈值；步骤3，判断所求自动阈值是否有效，如果是则进入下一步，否则退出；步骤4，计算绿化面积。本发明能够在无人干预的条件下，自动计算城市街景目标区域的绿化面积，减少测绘作业员的工作量。本发明实现了人眼视角绿化郁闭度的量化分析，能实现大规模、大尺度的绿化评估，弥补了现有方法的不足。本发明运用新技术推动了街巷绿化的精细化管理，在提升城市公共空间面貌等方面发挥着重要作用。

Description

一种基于城市街景的绿化面积计算方法及系统
技术领域
本发明涉及模式识别技术领域，具体涉及一种基于城市街景的绿化面积计算方法及系统。
背景技术
《北京城市总体规划(2016年-2035年)》提出，改善背街小巷等公共空间面貌，营造宜居环境，让街巷胡同成为有绿荫处、有鸟鸣声的清净、舒适的公共空间。依托绿色空间等自然和人文资源，构建层次鲜明、功能多样、内涵丰富、顺畅便捷的绿道系统。
为提升街巷的空间品质，提出街巷绿化郁闭度的概念，是指街巷两侧绿化植物的覆盖率与街巷尺度的关系，街巷绿化郁闭度的高低对人们的生理和心理都会产生不同的影响。街巷绿化郁闭度较高的场所空间氛围更加自然，容易给人造成一种亲切轻松的氛围，安全感知评价也较高。
从现有的街道绿色景观研究来看，目前现场调研街巷绿化郁闭度的方法人力成本较高，无法在大规模尺度实现。目前基于遥感图像的街巷绿化率的测量方法，精细化程度不高，而且无法等同于为人行视角，难以准确展现市民日常生活中绿化接触程度。
发明内容
为了解决上述问题，本发明的目的是提供一种基于城市街景的绿化面积计算方法及系统，能够在无人干预的条件下，自动计算城市街景目标区域的绿化面积，减少测绘作业员的工作量。
为实现上述目的，本发明采用以下技术方案：
一方面，本发明提供的一种基于城市街景的绿化面积计算方法，包括以下步骤：
步骤1，对街景图像进行绿化面积特征提取，获得特征图；
步骤2，计算特征图的自适应阈值；
步骤3，判断所求自动阈值是否有效，如果是则进入下一步，否则退出；
步骤4，计算绿化面积。
作为本实施例一种可能的实现方式，所述步骤1具体为：
利用特征提取方程对如图4a所示街景图像进行绿化面积特征提取，所述特征提取方程为：
Figure BDA0002550577860000021
其中，Feature(i,j)为街景图像的绿化面积特征图，Ired(i,j)为输入图像的红色分量，Igreen(i,j)为输入的图像的绿色分量，Iblue(i,j)为输入图像的蓝色分量；
对绿化面积特征图进行标准化处理，得到如图4b所示的标准化特征图：
Figure BDA0002550577860000022
其中，normal(i,j)为标准化特征图，n为图像灰度级总数，通常为256，Min(Feature)和Min(Feature)分别为对特征图的求最大值和最小值的计算。
作为本实施例一种可能的实现方式，所述步骤2具体为：
将标准化特征图分为前景和背景两类，所述前景为图像内的绿化区域，所述背景为非绿化区域；
计算标准化特征图每个灰度级对应的前景和背景的类间差：
Figure BDA0002550577860000023
Figure BDA0002550577860000024
σb(t)＝ω1(t)ω2(t)[μ1(t)-μ2(t)]2
其中，hist为标准化后的特征图normal对应的直方图分布，n为灰度级总数，通常为256，ω1为前景所占整体图像的面积，ω2为背景所占整体图像的面积，μ1为前景的特征值的均值，μ2为背景特征值的均值，t为特征图的灰度级，σb为特征图前景和背景的类间差；
利用下式求解自适应阈值T：
σb(T)＝Max(σb)
其中，σb为特征图前景和背景的类间差。
作为本实施例一种可能的实现方式，所述步骤3具体为：
目标区域是否存在绿化植被的判断表达式为：
Figure BDA0002550577860000031
其中，T0为原始特征图所对应的阈值；
如果Val＝1则街景内具有有效的绿化面积，否则街景范围内则没有有效的绿化面积。
作为本实施例一种可能的实现方式，所述步骤4具体为：
计算分割后的二值图像的前景面积的占比：
Figure BDA0002550577860000032
其中，Result为最终所得的街景图像中绿化面积的占比，areaobject为分割的二值图像的前景面积，areaall为整幅图像的尺寸。
作为本实施例一种可能的实现方式，所述街景图像采用基于车行视角的城市街巷街景影像。
另一方面，本发明提供的一种基于城市街景的绿化面积计算系统，包括：
特征提取模块，用于对街景图像进行绿化面积特征提取，获得特征图；
阈值计算模块，用于计算特征图的自适应阈值；
判断模块，用于判断所求自动阈值是否有效，如果是则进入下一步，否则退出；
面积计算模块，用于计算绿化面积。
作为本实施例一种可能的实现方式，所述特征提取模块包括：
绿化面积特征提取模块，用于利用特征提取方程进行绿化面积特征提取，所述特征提取方程为：
Figure BDA0002550577860000041
其中，Feature(i,j)为街景图像的绿化面积特征图，Ired(i,j)为输入图像的红色分量，Igreen(i,j)为输入的图像的绿色分量，Iblue(i,j)为输入图像的蓝色分量；
特征图处理模块，用于对绿化面积特征图进行标准化处理，得到标准化特征图：
Figure BDA0002550577860000042
其中，normal(i,j)为标准化特征图，n为图像灰度级总数，通常为256，Min(Feature)和Min(Feature)分别为对特征图的求最大值和最小值的计算。
作为本实施例一种可能的实现方式，所述阈值计算模块包括：
特征图分类模块，用于将标准化特征图分为前景和背景两类，所述前景为图像内的绿化区域，所述背景为非绿化区域；
类间差计算模块，用于计算标准化特征图每个灰度级对应的前景和背景的类间差：
Figure BDA0002550577860000043
Figure BDA0002550577860000051
σb(t)＝ω1(t)ω2(t)[μ1(t)-μ2(t)]2
其中，hist为标准化后的特征图normal对应的直方图分布，n为灰度级总数，通常为256，ω1为前景所占整体图像的面积，ω2为背景所占整体图像的面积，μ1为前景的特征值的均值，μ2为背景特征值的均值，t为特征图的灰度级，σb为特征图前景和背景的类间差；
阈值求解模块，用于利用下式求解自适应阈值T：
σb(T)＝Max(σb)
其中，σb为特征图前景和背景的类间差。
作为本实施例一种可能的实现方式，所述判断模块包括：
表达式模块，用于判断目标区域是否存在绿化植被：
Figure BDA0002550577860000052
其中，T0为原始特征图所对应的阈值；
有效绿化面积判断模块，用于判断是否具有效绿化面积：如果Val＝1则街景内具有有效的绿化面积，否则街景范围内则没有有效的绿化面积。
作为本实施例一种可能的实现方式，所述面积计算模块具体用于：
计算分割后的二值图像的前景面积的占比：
Figure BDA0002550577860000053
其中，Result为最终所得的街景图像中绿化面积的占比，areaobject为分割的二值图像的前景面积，areaall为整幅图像的尺寸。
本发明实施例的技术方案可以具有的有益效果如下：
本发明提供一种基于城市街景的城市绿化面积的计算方法，能够在无人干预的条件下，自动计算城市街景目标区域的绿化面积，减少测绘作业员的工作量。本发明实现了人眼视角绿化郁闭度的量化分析，能实现大规模、大尺度的绿化评估，弥补了现有方法的不足。本发明运用新技术推动了街巷绿化的精细化管理，在提升城市公共空间面貌等方面发挥着重要作用。
附图说明
图1是根据一示例性实施例示出的一种基于城市街景的绿化面积计算方法的流程图；
图2是根据一示例性实施例示出的一种基于城市街景的绿化面积计算系统的结构图；
图3是一种图像的灰度直方图分布图；
图4a是一种原始的街景图像示意图，图4b是图4a所示原始街景图像的特征图示意图，图4c是本发明对图4a所示原始街景图像提取的绿化面积的二值结果示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的一种基于城市街景的绿化面积计算方法的流程图。如图1所示，本发明实施例提供的一种基于城市街景的绿化面积计算方法，包括以下步骤：
步骤1，对街景图像进行绿化面积特征提取，获得特征图；
步骤2，计算特征图的自适应阈值；
步骤3，判断所求自动阈值是否有效，如果是则进入下一步，否则退出；
步骤4，计算绿化面积。
作为本实施例一种可能的实现方式，所述步骤1具体为：
利用特征提取方程进行绿化面积特征提取，由于在街景图像中，绿化面积的绿色分量的含量较大，而红色和蓝色分量的含量较小，因此，所述特征提取方程为：
Figure BDA0002550577860000071
其中，Feature(i,j)为街景图像的绿化面积特征图，Ired(i,j)为输入图像的红色分量，Igreen(i,j)为输入的图像的绿色分量，Iblue(i,j)为输入图像的蓝色分量；
对绿化面积特征图进行标准化处理，得到标准化特征图：
Figure BDA0002550577860000072
其中，normal(i,j)为标准化特征图，n为图像灰度级总数，通常为256，Min(Feature)和Min(Feature)分别为对特征图的求最大值和最小值的计算。
作为本实施例一种可能的实现方式，本发明采用最大类间差算法对特征图像的自适应阈值进行计算。所谓最大类间差方法，就是利用如图3所示图像的灰度直方图分布，计算对应每一灰度级的类间差，最大类间差对应的灰度级被选为最佳分类阈值。所述步骤2具体为：
将标准化特征图分为前景和背景两类，所述前景为图像内的绿化区域，所述背景为红色和蓝色等其他的非绿化区域；
计算标准化特征图每个灰度级对应的前景和背景的类间差：
Figure BDA0002550577860000081
Figure BDA0002550577860000082
σb(t)＝ω1(t)ω2(t)[μ1(t)-μ2(t)]2
其中，hist为标准化后的特征图normal对应的直方图分布，n为灰度级总数，通常为256，ω1为前景所占整体图像的面积，ω2为背景所占整体图像的面积，μ1为前景的特征值的均值，μ2为背景特征值的均值，t为特征图的灰度级，σb为特征图前景和背景的类间差；
利用下式求解自适应阈值T：
σb(T)＝Max(σb)
其中，σb为特征图前景和背景的类间差。
作为本实施例一种可能的实现方式，判断所求自动阈值T是否有效，即目标区域是否存在绿化植被。所述步骤3具体为：
目标区域是否存在绿化植被的判断表达式为：
Figure BDA0002550577860000083
其中，T0为原始特征图所对应的阈值；
如果Val＝1则街景内具有有效的绿化面积，否则街景范围内则没有有效的绿化面积。
作为本实施例一种可能的实现方式，所述步骤4具体为：
计算分割后的二值图像的前景面积的占比：
Figure BDA0002550577860000084
其中，Result为最终所得的街景图像中绿化面积的占比，如图4c所示，areaobject为分割的二值图像的前景面积，areaall为整幅图像的尺寸。
作为本实施例一种可能的实现方式，所述街景图像采用基于车行视角的城市街巷街景影像。本发明采用的城市街巷街景照片是基于车行视角的影像，拥有覆盖广、精度高、易获取、数据采集成本低的特点，可以等同于为人行视角，能够直接反映城市立面信息，为街巷绿化面积研究提供了一个重要的数据来源。
图2是根据一示例性实施例示出的一种基于城市街景的绿化面积计算系统的结构图。如图2所示，本发明提供的一种基于城市街景的绿化面积计算系统，包括：
特征提取模块，用于对街景图像进行绿化面积特征提取，获得特征图；
阈值计算模块，用于计算特征图的自适应阈值；
判断模块，用于判断所求自动阈值是否有效，如果是则进入下一步，否则退出；
面积计算模块，用于计算绿化面积。
作为本实施例一种可能的实现方式，所述特征提取模块包括：
绿化面积特征提取模块，用于利用特征提取方程进行绿化面积特征提取，所述特征提取方程为：
Figure BDA0002550577860000091
其中，Feature(i,j)为街景图像的绿化面积特征图，Ired(i,j)为输入图像的红色分量，Igreen(i,j)为输入的图像的绿色分量，Iblue(i,j)为输入图像的蓝色分量；
特征图处理模块，用于对绿化面积特征图进行标准化处理，得到标准化特征图：
Figure BDA0002550577860000101
其中，normal(i,j)为标准化特征图，n为图像灰度级总数，通常为256，Min(Feature)和Min(Feature)分别为对特征图的求最大值和最小值的计算。
作为本实施例一种可能的实现方式，所述阈值计算模块包括：
特征图分类模块，用于将标准化特征图分为前景和背景两类，所述前景为图像内的绿化区域，所述背景为红色和蓝色等其他的非绿化区域；
类间差计算模块，用于计算标准化特征图每个灰度级对应的前景和背景的类间差：
Figure BDA0002550577860000102
Figure BDA0002550577860000103
σb(t)＝ω1(t)ω2(t)[μ1(t)-μ2(t)]2
其中，hist为标准化后的特征图normal对应的直方图分布，n为灰度级总数，通常为256，ω1为前景所占整体图像的面积，ω2为背景所占整体图像的面积，μ1为前景的特征值的均值，μ2为背景特征值的均值，t为特征图的灰度级，σb为特征图前景和背景的类间差；
阈值求解模块，用于利用下式求解自适应阈值T：
σb(T)＝Max(σb)
其中，σb为特征图前景和背景的类间差。
作为本实施例一种可能的实现方式，所述判断模块包括：
表达式模块，用于判断目标区域是否存在绿化植被：
Figure BDA0002550577860000111
其中，T0为原始特征图所对应的阈值；
有效绿化面积判断模块，用于判断是否具有效绿化面积：如果Val＝1则街景内具有有效的绿化面积，否则街景范围内则没有有效的绿化面积。
作为本实施例一种可能的实现方式，所述面积计算模块具体用于：
计算分割后的二值图像的前景面积的占比：
Figure BDA0002550577860000112
其中，Result为最终所得的街景图像中绿化面积的占比，areaobject为分割的二值图像的前景面积，areaall为整幅图像的尺寸。
通过基于6万张的月坛街景数据的实验表明，本发明基于城市街景进行计算绿化面积的识别精确率(Precision)不低于85％，其召回率(Recall)不低于90％。精度(Accuracy)不低于88％，成功率(VRI>75％)不低于98％。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于城市街景的绿化面积计算方法，其特征在于，包括以下步骤：
步骤1，对街景图像进行绿化面积特征提取，获得特征图；
步骤2，计算特征图的自适应阈值；
步骤3，判断所求自动阈值是否有效，如果是则进入下一步，否则退出；
步骤4，计算绿化面积。
2.根据权利要求1所述的一种基于城市街景的绿化面积计算方法，其特征在于，所述步骤1具体为：
利用特征提取方程进行绿化面积特征提取，所述特征提取方程为：
Figure FDA0002550577850000011
其中，Feature(i,j)为街景图像的绿化面积特征图，Ired(i,j)为输入图像的红色分量，Igreen(i,j)为输入的图像的绿色分量，Iblue(i,j)为输入图像的蓝色分量；
对绿化面积特征图进行标准化处理，得到标准化特征图：
Figure FDA0002550577850000012
其中，normal(i,j)为标准化特征图，n为图像灰度级总数，Min(Feature)和Min(Feature)分别为对特征图的求最大值和最小值的计算。
3.根据权利要求2所述的一种基于城市街景的绿化面积计算方法，其特征在于，所述步骤2具体为：
将标准化特征图分为前景和背景两类，所述前景为图像内的绿化区域，所述背景为非绿化区域；
计算标准化特征图每个灰度级对应的前景和背景的类间差：
Figure FDA0002550577850000013
Figure FDA0002550577850000021
σb(t)＝ω1(t)ω2(t)[μ1(t)-μ2(t)]2
其中，hist为标准化后的特征图normal对应的直方图分布，n为灰度级总数，ω1为前景所占整体图像的面积，ω2为背景所占整体图像的面积，μ1为前景的特征值的均值，μ2为背景特征值的均值，t为特征图的灰度级，σb为特征图前景和背景的类间差；
利用下式求解自适应阈值T：
σb(T)＝Max(σb)
其中，σb为特征图前景和背景的类间差。
4.根据权利要求3所述的一种基于城市街景的绿化面积计算方法，其特征在于，所述步骤3具体为：
目标区域是否存在绿化植被的判断表达式为：
Figure FDA0002550577850000022
其中，T0为原始特征图所对应的阈值；
如果Val＝1则街景内具有有效的绿化面积，否则街景范围内则没有有效的绿化面积。
5.根据权利要求4所述的一种基于城市街景的绿化面积计算方法，其特征在于，所述步骤4具体为：
计算分割后的二值图像的前景面积的占比：
Figure FDA0002550577850000023
其中，Result为最终所得的街景图像中绿化面积的占比，areaobject为分割的二值图像的前景面积，areaall为整幅图像的尺寸。
6.根据权利要求1-5任意一项所述的一种基于城市街景的绿化面积计算方法，其特征在于，所述街景图像采用基于车行视角的城市街巷街景影像。
7.一种基于城市街景的绿化面积计算系统，其特征在于，包括：
特征提取模块，用于对街景图像进行绿化面积特征提取，获得特征图；
阈值计算模块，用于计算特征图的自适应阈值；
判断模块，用于判断所求自动阈值是否有效，如果是则进入下一步，否则退出；
面积计算模块，用于计算绿化面积。
8.根据权利要求7所述的一种基于城市街景的绿化面积计算系统，其特征在于，所述特征提取模块包括：
绿化面积特征提取模块，用于利用特征提取方程进行绿化面积特征提取，所述特征提取方程为：
Figure FDA0002550577850000031
其中，Feature(i,j)为街景图像的绿化面积特征图，Ired(i,j)为输入图像的红色分量，Igreen(i,j)为输入的图像的绿色分量，Iblue(i,j)为输入图像的蓝色分量；
特征图处理模块，用于对绿化面积特征图进行标准化处理，得到标准化特征图：
Figure FDA0002550577850000032
其中，normal(i,j)为标准化特征图，n为图像灰度级总数，Min(Feature)和Min(Feature)分别为对特征图的求最大值和最小值的计算。
9.根据权利要求8所述的一种基于城市街景的绿化面积计算系统，其特征在于，所述阈值计算模块包括：
特征图分类模块，用于将标准化特征图分为前景和背景两类，所述前景为图像内的绿化区域，所述背景为非绿化区域；
类间差计算模块，用于计算标准化特征图每个灰度级对应的前景和背景的类间差：
Figure FDA0002550577850000041
Figure FDA0002550577850000042
σb(t)＝ω1(t)ω2(t)[μ1(t)-μ2(t)]2
其中，hist为标准化后的特征图normal对应的直方图分布，n为灰度级总数，ω1为前景所占整体图像的面积，ω2为背景所占整体图像的面积，μ1为前景的特征值的均值，μ2为背景特征值的均值，t为特征图的灰度级，σb为特征图前景和背景的类间差；
阈值求解模块，用于利用下式求解自适应阈值T：
σb(T)＝Max(σb)
其中，σb为特征图前景和背景的类间差。
10.根据权利要求9所述的一种基于城市街景的绿化面积计算系统，其特征在于，所述判断模块包括：
表达式模块，用于判断目标区域是否存在绿化植被：
Figure FDA0002550577850000043
其中，T0为原始特征图所对应的阈值；
有效绿化面积判断模块，用于判断是否具有效绿化面积：如果Val＝1则街景内具有有效的绿化面积，否则街景范围内则没有有效的绿化面积。
CN202010576876.6A 2020-06-22 2020-06-22 一种基于城市街景的绿化面积计算方法及系统 Active CN111739032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010576876.6A CN111739032B (zh) 2020-06-22 2020-06-22 一种基于城市街景的绿化面积计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010576876.6A CN111739032B (zh) 2020-06-22 2020-06-22 一种基于城市街景的绿化面积计算方法及系统

Publications (2)

Publication Number Publication Date
CN111739032A true CN111739032A (zh) 2020-10-02
CN111739032B CN111739032B (zh) 2023-08-01

Family

ID=72650521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010576876.6A Active CN111739032B (zh) 2020-06-22 2020-06-22 一种基于城市街景的绿化面积计算方法及系统

Country Status (1)

Country Link
CN (1) CN111739032B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001142393A (ja) * 1999-11-17 2001-05-25 Asia Air Survey Co Ltd 緑被マップまたは緑視マップの作成方法
CN104463164A (zh) * 2014-09-03 2015-03-25 中国科学院遥感与数字地球研究所 一种基于伞骨法与冠高比的树木冠层结构信息提取方法
CN104517024A (zh) * 2014-08-05 2015-04-15 中国科学院遥感与数字地球研究所 一种基于建筑物尺度的城市绿度空间评价建模方法
CN107705254A (zh) * 2017-11-03 2018-02-16 福州大学 一种基于街景图的城市环境评估方法
CN109657602A (zh) * 2018-12-17 2019-04-19 中国地质大学（武汉） 基于街景数据和迁移学习的自动城市功能分区方法及系统
CN109948547A (zh) * 2019-03-20 2019-06-28 广州市城市规划勘测设计研究院 城市绿地景观评价方法、装置、存储介质及终端设备
CN111008967A (zh) * 2019-12-04 2020-04-14 华北电力大学 一种绝缘子rtv涂层缺陷识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001142393A (ja) * 1999-11-17 2001-05-25 Asia Air Survey Co Ltd 緑被マップまたは緑視マップの作成方法
CN104517024A (zh) * 2014-08-05 2015-04-15 中国科学院遥感与数字地球研究所 一种基于建筑物尺度的城市绿度空间评价建模方法
CN104463164A (zh) * 2014-09-03 2015-03-25 中国科学院遥感与数字地球研究所 一种基于伞骨法与冠高比的树木冠层结构信息提取方法
CN107705254A (zh) * 2017-11-03 2018-02-16 福州大学 一种基于街景图的城市环境评估方法
CN109657602A (zh) * 2018-12-17 2019-04-19 中国地质大学（武汉） 基于街景数据和迁移学习的自动城市功能分区方法及系统
CN109948547A (zh) * 2019-03-20 2019-06-28 广州市城市规划勘测设计研究院 城市绿地景观评价方法、装置、存储介质及终端设备
CN111008967A (zh) * 2019-12-04 2020-04-14 华北电力大学 一种绝缘子rtv涂层缺陷识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIAOJIANG LI: "Mapping Urban Landscapes Along Streets Using Google Street View", 《SPRINGER》, pages 341 - 356 *
XU CHEN等: "Evaluating Greenery around Streets Using Baidu Panoramic Street View Images and the Panoramic Green View Index", 《FORESTS 2019》, vol. 10, no. 12, pages 1 - 14 *
刘凤梅等: "基于Landsat 7的武汉市热岛效应研究", 《中国环境监测》, vol. 26, no. 5, pages 51 - 54 *
叶宇;张灵珠;颜文涛;曾伟;: "街道绿化品质的人本视角测度框架――基于百度街景数据和机器学习的大规模分析", 风景园林, no. 08, pages 24 - 29 *
孟庆岩;汪雪淼;孙云晓;张佳晖;陈旭;: "基于街景数据的绿视率模型构建及其影响因子研究", 生态科学, vol. 39, no. 01, pages 146 - 155 *

Also Published As

Publication number Publication date
CN111739032B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
WO2021208275A1 (zh) 一种交通视频背景建模方法及系统
US10628890B2 (en) Visual analytics based vehicle insurance anti-fraud detection
CN112734775B (zh) 图像标注、图像语义分割、模型训练方法及装置
CN110956094A (zh) 一种基于非对称双流网络的rgb-d多模态融合人员检测方法
CN103077407B (zh) 车标定位识别方法及系统
CN107016403B (zh) 一种基于夜间灯光数据提取城市建成区阈值的方法
CN108491797A (zh) 一种基于大数据的车辆图像精确检索方法
CN109935080B (zh) 一种交通线路上的车流量实时计算的监测系统及方法
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN109255350A (zh) 一种基于视频监控的新能源车牌检测方法
WO2021077947A1 (zh) 图像处理方法、装置、设备及存储介质
CN112287827A (zh) 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统
CN109916415B (zh) 道路类型确定方法、装置、设备及存储介质
CN102833492A (zh) 一种基于颜色相似度的视频场景分割方法
CN115272876A (zh) 一种基于深度学习的遥感图像船舶目标检测方法
CN114519819B (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN113870196A (zh) 一种基于锚点切图的图像处理方法、装置、设备和介质
CN111739032B (zh) 一种基于城市街景的绿化面积计算方法及系统
CN105205485B (zh) 基于多类类间最大方差算法的大尺度图像分割算法
CN116543325A (zh) 基于无人机影像的农作物人工智能自动识别方法和系统
CN116092034A (zh) 一种基于改进的DeeplabV3+模型的车道线检测方法
CN112686105B (zh) 一种基于视频图像多特征融合的雾浓度等级识别方法
CN116503750A (zh) 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统
CN116342877A (zh) 一种复杂场景下基于改进aspp和融合模块的语义分割方法
CN108109125A (zh) 基于遥感图像的信息提取方法和装置

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
CB03 Change of inventor or designer information

Inventor after: Yang Gang

Inventor after: Guan Li

Inventor after: Ding Yanjie

Inventor after: Wang Yi

Inventor after: Zheng Guojiang

Inventor after: Feng Xuebing

Inventor before: Yang Gang

Inventor before: Guan Li

Inventor before: Ding Yanjie

Inventor before: Wang Yi

Inventor before: Zheng Guojiang

Inventor before: Feng Xuebing

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant