CN111915608A - 建筑物提取方法、装置、设备和存储介质 - Google Patents

建筑物提取方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111915608A
CN111915608A CN202010952905.4A CN202010952905A CN111915608A CN 111915608 A CN111915608 A CN 111915608A CN 202010952905 A CN202010952905 A CN 202010952905A CN 111915608 A CN111915608 A CN 111915608A
Authority
CN
China
Prior art keywords
data
positioning
poi
remote sensing
sensing image
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
CN202010952905.4A
Other languages
English (en)
Other versions
CN111915608B (zh
Inventor
彭继东
万程
陈程
文石磊
孙珂
罗程亮
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010952905.4A priority Critical patent/CN111915608B/zh
Publication of CN111915608A publication Critical patent/CN111915608A/zh
Priority to EP21169399.9A priority patent/EP3968224A1/en
Priority to US17/236,050 priority patent/US20210240983A1/en
Priority to KR1020210104526A priority patent/KR20210106395A/ko
Priority to JP2021142053A priority patent/JP7289337B2/ja
Application granted granted Critical
Publication of CN111915608B publication Critical patent/CN111915608B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种建筑物提取方法、装置、设备和存储介质，涉及图像处理技术领域，具体实现方案为：获取目标区域的遥感影像数据和用户行为关联数据；其中，用户行为关联数据与遥感影像数据具备时空关联；根据用户行为关联数据和遥感影像数据，生成新增通道数据；根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。本申请实施例提供了建筑物提取精度。

Description

建筑物提取方法、装置、设备和存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及遥感影像的智能翻译技术，具体涉及一种建筑物提取方法、装置、设备和存储介质。
背景技术
建筑物是指能够提供给人们居住、娱乐、工作或储物等功能的空间场所，如住宅、商业体和办公楼等。建筑物作为基础地理数据库中的主要要素之一，在城市规划与建设、城市化评估、人口密度估计以及灾后重建等领域占据这重要地位。
由于建筑物变化较为频繁，因此需要及时对基础地理数据库中的建筑物情况进行更新。然而，现有技术中对建筑物进行提取时，通常会受到环境等因素的影响，导致建筑物提取精度较差，无法满足使用需求。
发明内容
本申请提供了一种精度更高的建筑物提取方法、装置、设备和存储介质。
根据本申请的一方面，提供了一种建筑物提取方法，包括：
获取目标区域的遥感影像数据和用户行为关联数据；其中，所述用户行为关联数据与所述遥感影像数据具备时空关联；
根据所述用户行为关联数据和所述遥感影像数据，生成新增通道数据；
根据所述遥感影像数据和所述新增通道数据，提取所述目标区域中的建筑物。
根据本申请的另一方面，提供了一种建筑物提取装置，包括：
数据获取模块，用于获取目标区域的遥感影像数据和用户行为关联数据；其中，所述用户行为关联数据与所述遥感影像数据具备时空关联；
新增通道数据生成模块，用于根据所述用户行为关联数据和所述遥感影像数据，生成新增通道数据；
建筑物提取模块，用于根据所述遥感影像数据和所述新增通道数据，提取所述目标区域中的建筑物。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例提供的一种建筑物提取方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例提供的一种建筑物提取方法。
根据本申请实施例的技术方案，提高了建筑物提取精度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的一种建筑物提取方法的流程图；
图2是本申请实施例提供的另一种建筑物提取方法的流程图；
图3是本申请实施例提供的另一种建筑物提取方法的流程图；
图4是本申请实施例提供的另一种建筑物提取方法的流程图；
图5是本申请实施例提供的另一种建筑物提取方法的流程图；
图6是本申请实施例提供的另一种建筑物提取方法的流程图；
图7是本申请实施例提供的另一种建筑物提取装置的结构图；
图8是用来实现本申请实施例的建筑物提取方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请实施例提供的各建筑物提取方法和建筑物提取装置，适用于在智慧城市构建、城市化评估、人口密度估计以及灾后重建等项目实施过程中，采用图像处理技术通过遥感影像数据进行智能翻译，从而实现建筑物提取的情况。本申请实施例所提供的各建筑物提取方法可以由建筑物提取装置执行，该装置采用软件和/或硬件实现，并具体配置于电子设备中。
图1是本申请实施例提供的一种建筑物提取方法的流程图，该方法包括：
S101、获取目标区域的遥感影像数据和用户行为关联数据；其中，用户行为关联数据和遥感影像数据具备时空关联。
其中，用户行为关联数据与遥感影像数据具备时空关联。示例性地，遥感影像数据可以理解为是记录有目标区域的地物电磁波大小的影像数据。其中，遥感影像数据中的每个像元表征目标区域中的子区域。
示例性地，用户行为关联数据用于表征与遥感影像数据具备时间关系和空间关系，并且能够反映用户行为的辅助数据。
其中，时间关系可以通过用户行为关联数据与遥感影像的采集时间加以限定。示例性地，用户行为关联数据可以是遥感影像数据采集之前的设定历史时段所采集或使用的辅助数据，其中设定历史时段可以由技术人员根据需要或经验值进行确定，或通过大量试验反复确定。例如，设定历史时段可以是遥感影像数据采集时刻之前60天内所采集或使用的辅助数据。
其中，空间关系可以通过辅助数据与遥感影像的采集地点加以限定。具体的，用户行为关联数据可以是目标区域内各子区域所采集或使用的辅助数据。
在一实施例中，用户行为关联数据可以是POI(Point of Interest，兴趣点)数据、定位数据和搜索数据等中的至少一种，丰富了用户行为关联数据所包含的内容类别，从而为多种类型的新增通道数据的生成提供可能。
示例性地，POI数据用于表征目标区域内各候选POI的相关数据，例如，可以是候选POI的类别或描述信息等，侧面反映了用户在各候选POI中的活动情况。
示例性地，定位数据可以是目标区域内的用户，在使用具备定位功能的应用程序时，所采集的坐标信息等，能够反映用户在目标区域中不同子区域的定位行为。
示例性地，搜索数据可以是目标区域内的用户，在使用具备搜索功能的应用程序时，所采集的用户搜索行为产生的搜索信息等，能够反映用户在目标区域中不同子区域的搜索行为。
可选的，遥感影像数据和用户行为关联数据中的至少一种可以预先存储在电子设备本地、与电子设备关联的其他存储设备或云端中，相应的，在需要进行建筑物提取时，从相应的存储空间中分别进行遥感影像数据和用户行为关联数据的获取。
S102、根据用户行为关联数据和遥感影像数据，生成新增通道数据。
示例性地，根据遥感影像数据，对用户行为关联数据进行处理，得到与遥感影像数据具备时空关联的新增通道数据。可选的，对用户行为关联数据的处理可以是拆分、组合、特征提取和其他数据变换等中的至少一种。
可选的，可以根据遥感影像数据中各像元的位置信息，对用户行为关联数据进行拆分，并根据遥感影像数据中各像元的排列顺序，对拆分后的用户行为关联数据重新组合，从而根据各像元中所关联的用户行为关联数据，进行新增通道数据的生成。
可选的，还可以通过机器学习模型，从用户行为关联数据中提取出与遥感影像数据相关联的协同特征，并根据所提取的协同特征，生成新增通道数据。其中，机器学习模型可以采用现有的任意一种模型或至少两种模型的组合，本申请对模型的具体结构不做任何限定。
在一实施例中，根据用户行为关联数据和遥感影像数据，生成新增通道数据，可以是：根据定位信息，将用户行为关联数据映射至遥感影像数据的像元中，并根据各像元关联的用户行为关联数据，生成新增通道数据。可以理解的是，通过数据映射的方式建立遥感影像数据与用户行为关联数据之间的关联关系，为新增通道数据的生成奠定了基础。同时，采用数据映射的方式操作简便快捷，可操作性强，数据运算量小。
具体的，由于遥感影像数据中每个像元对应目标区域中的子区域，可以根据像元对应目标区域中的子区域的位置信息，以及用户行为关联数据中各数据的定位信息，将用户行为关联数据分别映射至相应的像元中，从而建立各像元与用户行为关联数据之间的关联关系，进而根据各像元所关联的用户行为关联数据，生成新增通道数据，用于辅助进行目标区域中的建筑物提取。
S103、根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。
其中，遥感影像数据可以包括至少一种通道类型的数据。其中，通道类型可以是RGB类型或红外类型等中的至少一种。
示例性地，可以在遥感影像数据中设置附加通道，其中，附加通道的通道数量与新增通道数据的通道数量相同；将新增通道数据依通道添加至遥感影像数据中，以更新遥感影像数据；根据更新后的遥感影像数据对目标区域中的建筑物进行提取。
可以理解的是，通过用户行为关联数据和遥感影像数据生成新增通道数据，辅助进行目标区域中建筑物的提取，弥补了由于采集环境等因素导致遥感影像数据质量较差，造成的建筑物提取结果准确度不高的缺陷。同时，在建筑物提取过程中引入新增通道数据，丰富了建筑物提取时的参照数据，进而提高了建筑物提取结果的准确度。
本申请实施例通过获取目标区域的遥感影像数据和用户行为关联数据；其中，用户行为关联数据与遥感影像数据具备时空关联；根据用户行为关联数据和遥感影像数据，生成新增通道数据；根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。本申请实施例通过引入基于用户行为关联数据和遥感影像数据所生成的新增通道数据，表征用户在目标区域中不同位置的活动情况，并将该新增通道数据作为遥感影像数据的补充数据，进行目标区域中建筑物的提取，丰富了建筑物提取过程中的数据参照，进而提高了建筑物提取结果的准确度。同时，通过新增通道数据还可以弥补由于采集环境等因素致使遥感影像数据质量较差，给建筑物提取结果带来的影响，从而提高了建筑物提取结果的稳定性和建筑物提取方式的通用性。
图2是本申请实施例提供的另一种建筑物提取方法的流程图，该方法在上述各技术方案的基础上，进行了优化改进。
进一步地，将操作“根据所述遥感影像数据和所述新增通道数据，提取所述目标区域中的建筑物”细化为“将所述遥感影像数据和所述新增通道数据，输入至预先训练好的建筑物提取模型，提取所述目标区域中的建筑物”，以完善建筑物提取方式。
如图2所示的一种建筑物提取方法，包括：
S201、获取目标区域的遥感影像数据和用户行为关联数据；其中，所述用户行为关联数据与所述遥感影像数据具备时空关联。
S202、根据所述用户行为关联数据和所述遥感影像数据，生成新增通道数据。
S203、将所述遥感影像数据和所述新增通道数据，输入至预先训练好的建筑物提取模型，提取所述目标区域中的建筑物。
可选的，提取目标区域中的建筑物，可以是检测目标区域中的建筑物。或者可选的，提取目标区域中的建筑物，可以是对目标区域中的建筑物进行语义分割等。
其中，在建筑物提取模型的模型训练阶段，可以采用预先标注好建筑物的遥感影像数据和新增通道数据，对所构建的建筑物提取模型中的网络参数进行调整，直至满足对建筑物提取模型的精度需求。
示例性地，建筑物提取模型可以包括目标检测模型和语义分割模型中的至少一种。其中，目标检测模型用于检测目标区域中的建筑物，该目标检测模型可以基于PP-YOLO(PaddlePaddle You only look once，飞浆-只看一次)和Mask R-CNN(Mask RegionConvolutional Neural Networks，区域标记卷积神经网络)等网络结构中的至少一种加以实现。其中，语义分割模型用于对目标区域中的建筑物进行语义分割，该语义分割模型可以基于U-net、DeepLab等网络结构中的至少一种加以实现。
本申请实施例通过在进行目标区域中的建筑物提取过程中，引入建筑物提取模型，提高建筑物提取的通用性和便捷度，同时提高建筑物提取效率，根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。
图3是本申请实施例提供的另一种建筑物提取方法的流程图，该方法在上述各实施例的技术方案的基础上，进行了优化改进。
进一步地，将用户行为关联数据细化为包括POI数据；相应的，将操作“根据用户行为关联数据和遥感影像数据，生成新增通道数据”细化为“根据POI数据中各候选POI的定位信息，确定遥感影像数据中各像元的邻近POI；根据邻近POI的POI数据，生成新增通道数据”，以完善新增通道数据的确定机制。
如图3所示的一种建筑物提取方法，包括：
S301、获取目标区域的遥感影像数据和POI数据；其中，POI数据与遥感影像数据具备时空关联。
其中，POI数据可以是用户使用具备导航功能或地图查询功能的应用程序时，所使用的地图数据中，与目标区域所对应的各候选POI的相关数据，例如，可以包括候选POI的类别或描述信息等。
需要说明的是，由于候选POI对应的POI数据不同，那么，相应的，用户在各候选POI中能够执行的操作也不同，也即用户在不同候选POI中的活动情况不同。因此，可以通过引入POI数据，侧面反映了用户在各候选POI中的活动情况
其中，POI数据中可以包含定位信息、文本信息等数据中的至少一种。其中，定位信息用于表征当前POI对应的位置坐标；文本信息用于表征当前POI的概况描述和POI类别等基本属性。
由于POI数据可能会根据候选POI的新增或删除对应调整，为了保证POI数据的实时性和有效性，通常所获取的POI数据为遥感影像数据采集前设定时间段内的POI数据。其中，设定时间段可以由技术人员根据需要或经验值进行设定，或通过大量试验加以确定。
S302、根据POI数据中各候选POI的定位信息，确定遥感影像数据中各像元的邻近POI。
示例性地，根据POI数据中各候选POI的定位信息，将POI数据分别映射至与遥感影像数据的各像元中，从而建立像元与POI数据之间的关联关系，并将各像元所关联的候选POI作为邻近POI。
S303、根据邻近POI的POI数据，生成新增通道数据。
在一个可选实施方式中，根据邻近POI的POI数据，生成新增通道数据，可以是：针对每个像元，根据邻近POI的文本数据，生成POI主题向量；根据各像元的POI主题向量，生成新增通道数据。
其中，POI的文本数据包括POI名称和POI描述和地理位置等信息中的至少一种。
其中，POI主题向量用于表征POI的功能主题或位置主题的特征向量，可以从POI的文本数据中提取得到。
示例性地，可以对POI的文本数据进行切词处理，得到切词结果；将切词结果输入至预先训练好的主题生成模型，得到POI主题向量。其中，文档主题生成模型可以是LDA(Latent Dirichlet Allocation，潜在狄利克雷分布)模型等，可以将POI词语划分为多个主题。
为了减少POI主题向量确定过程的数据运算量，从而提高POI主题向量确定效率，还可以预先构建POI主题向量集合，在POI主题向量集合中存储有各候选POI的文本数据所对应的POI主题向量。相应的，将邻近POI的文本数据与各候选POI的文本数据进行匹配，确定匹配度较高的候选POI的POI主题向量作为该邻近POI的POI主题向量。
其中，POI主题集合可以采用以下方式进行构建：对从预设的POI数据库中抽取各候选POI的POI名称进行切词，得到POI名称的切词结果，例如可以基于中文词库和外文词库中的至少一种对POI名称进行切词，然后将兴趣点名称的切词结果输入文档主题生成模型，得到POI主题集合，并建立POI主题集合中各候选POI与POI主题向量之间的对应关系。其中，文档主题生成模型可以是LDA(Latent Dirichlet Allocation，潜在狄利克雷分布)模型等，可以将POI词语划分为多个主题。
在另一可选实施方式中，根据邻近POI的POI数据，生成新增通道数据，可以是：对各像元的邻近POI进行统计；根据统计结果，生成新增通道数据。
可选的，对各像元的邻近POI进行统计；根据统计结果，生成新增通道数据，可以是：针对每个像元，统计该像元的邻近POI的POI数量；根据遥感影像数据中各像元的排列顺序，将各像元的邻近POI的POI数量，组合生成新增通道数据。
或者可选的，对各像元的邻近POI进行统计；根据统计结果，生成新增通道数据，可以是：针对每个像元，分别统计该像元的邻近POI的POI类别；根据遥感影像数据中各像元的排列顺序，将各像元的邻近POI的POI类别数量，组合生成新增通道数据。其中，POI的类别可以由技术人员根据需要或经验进行划分。示例性地，POI的类别可以采用行业分类标准，将POI划分为美食、酒店、购物、生活服务、旅游景点和休闲娱乐等中的至少一种一级行业分类。为了进一步提高新增通道数据中的内容丰富度，还可以将各一级行业分类结果进一步划分为至少一个二级行业分类。例如，将酒店划分为星级酒店、快捷酒店、公寓式酒店和民宿等。
或者可选的，对各像元的邻近POI进行统计；根据统计结果，生成新增通道数据，可以是：针对每个像元，分别统计该像元的邻近POI的在各POI类别下的POI数量；针对每一POI类别，根据遥感影像数据中各像元的排列顺序，将各像元的POI数量，组合生成该POI类别所对应的新增通道数据。
需要说明的是，在根据统计结果，生成新增通道数据时，为了消除不同通道数据的量纲的影响，还可以对统计结果进行归一化处理，并根据归一化后的统计结果，生成新增通道数据。其中，归一化处理可以采用线性函数归一化、零均值标准化和其他现有归一化方法中的其中一种，或至少两种方法的组合。
需要说明的是，为了消除新增通道数据与遥感影像数据中各通道数据的量纲不同所带来的影像，在进行归一化处理时，可以将新增通道数据归一化至[0,255]这一数据区间中。
S304、根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。
本申请实施例通过将新增通道数据的生成操作，细化为根据POI数据中各候选POI的定位信息，确定遥感影像数据中各像元的邻近POI；根据邻近POI的POI数据，生成新增通道数据。采用上述技术方案完善了新增通道数据的生成机制，并通过POI数据进行与用户活动行为相关的隐含特征的挖掘，从而丰富了进行建筑物提取的参照依据，为建筑物提取结果准确度的提高，奠定了基础。
图4是本申请实施例提供的另一种建筑物提取方法的流程图，该方法在上述各实施例的技术方案的基础上，进行了优化改进。
进一步地，将用户行为关联数据细化为包括定位数据；相应的，将操作“根据用户行为关联数据和遥感影像数据，生成新增通道数据”细化为“根据定位数据中各定位点的分布情况，确定各像元所关联的定位点的驻留类别；其中，驻留类别包括常驻类别和非常驻类别；根据各像元所关联的驻留类别，生成新增通道数据”，以完善新增通道数据的确定机制。
如图4所示的一种建筑物提取方法，包括：
S401、获取目标区域的遥感影像数据和定位数据；其中，定位数据与遥感影像数据具备时空关联。
其中，定位数据可以是目标区域中的用户使用具备定位功能的应用程序所生成的定位数据，因此该定位数据能够表征用户的定位行为或对对具备定位功能的应用程序的使用行为。
需要说明的是，定位行为可以是由用户主动触发的定位行为，例如通过导航类应用程序对自身所处位置进行定位。可选的，定位行为还可以是用户被动触发的定位行为，例如用户使用购物类应用程序进行商品浏览时，购物类应用程序根据应用程序授权后进行用户所处位置的收集。
示例性地，定位数据可以是在遥感影像数据采集时刻之前的设定历史时间段内所采集的数据，体现了定位数据与遥感影像数据之间的时间关联，同时保证了定位数据的时效性。其中，设定历史时间段可以由技术人员根据需要或经验进行确定，或通过大量试验反复确定。
示例性地，定位数据可以是目标区域内的用户所生成的数据，从而体现了定位数据和遥感影像数据之间的空间关联，为候选新增通道数据的生成奠定了基础。
S402、根据定位数据中各定位点的分布情况，确定各像元所关联的定位点的驻留类别；其中，驻留类别包括常驻类别和非常驻类别。
示例性地，根据各像元的位置信息，将目标区域划分为不同的子区域；按照定位数据中各定位用户的定位点的定位时间顺序，分别确定各定位点的定位用户在子区域中的移动特征；其中，移动特征包括移动速度和停留时间中的至少一种；根据定位用户的移动特征，确定定位点为常驻类别或非常驻类别。
可选的，针对每个定位用户，根据该定位用户的定位点的相邻定位时间和相邻定位时间对应的定位距离，确定该定位用户在相邻定位点的其中一个定位点的移动速度；若移动速度小于设定速度阈值，则确定该定位点为常驻类别；若移动速度不小于设定速度阈值，则确定该定位点为非常驻类别。其中，设定速度阈值，可以由技术人员根据需要或经验值进行确定，或通过大量试验反复确定。
或者可选的，针对每个定位用户，根据该定位用户的定位点的相邻定位时间和相邻定位时间对应的定位距离，确定该定位用户在相邻定位点的其中一个定位点的移动速度；若相邻定位时间的设定数量个连续定位点的移动速度均小于设定速度阈值，则确定该设定数量个连续定位点的驻留类别为常驻类别，否则，该设定数量个连续定位点的驻留类别为非常驻类别。其中，设定数量和设定速度阈值中的至少一种，可以由技术人员根据需要或经验值进行确定，或通过大量试验反复确定。
S403、根据各像元所关联的驻留类别，生成新增通道数据。
在一实施例中，根据各像元所关联定位点的驻留类别，生成通道数据，可以是：根据驻留类别，对各像元所关联的定位点进行统计，并根据统计结果，生成新增通道数据。可以理解的是，通过驻留类别统计的方式进行新增通道数据的生成，进一步完善了新增通道数据的生成方式。同时，通过统计的方式为新增通道数据的生成提供数据支撑，操作简便快捷、内存资源占用量小。
示例性地，针对每一驻留类别，分别统计各像元所关联的定位点在各驻留类别下的统计值；根据各像元在各驻留类别下的统计值，结合遥感影像数据中各像元的排列顺序，组合生成与该驻留类别相对应的新增通道数据。需要说明的是，可以根据驻留类别的数量，确定生成的新增通道数据的通道数量。典型的，驻留类别的数量与新增通道数据的通道数量相同。
可以理解的是，为了消除不同驻留类别的统计值的量纲带来的影响，还可以对统计值进行归一化处理，并根据归一化后的统计值，进行新增通道数据的生成。其中，归一化处理可以采用线性函数归一化、零均值标准化和其他现有归一化方法中的其中一种，或至少两种方法的组合。
需要说明的是，为了消除新增通道数据与遥感影像数据中各通道数据的量纲不同所带来的影像，在进行归一化处理时，可以将新增通道数据归一化至[0,255]这一数据区间中。
示例性地，分别统计各像元所关联的定位点在常驻类别下的统计值；根据常驻类别的统计值与对应像元所关联的定位点的总数量的比值，确定常驻类别占比；根据各像元的常驻类别占比，结合遥感影像数据中各像元的排列顺序，组合生成新增通道数据。
S404、根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。
本申请实施例通过将新增通道数据的生成操作，细化为根据定位数据中各定位点的分布情况，确定各像元所关联的定位点的驻留类别；其中驻留类别包括常驻类别和非常驻类别；根据各像元所关联的驻留类别，生成新增通道数据。采用上述技术方案，完善了新增通道数据的生成机制，并通过引入驻留类别对定位点加以区分，映射出定位点所属区域内的用户活跃度，从而根据驻留类别进行新增通道数据的生成，使得所生成的新增通道数据中包含有与用户行为活动所关联的隐含特征，从而在建筑物提取过程中，对遥感影像数据加以补充，丰富了建筑物提取的参照依据，为建筑物提取结果准确度的提高，奠定了基础。
图5是本申请实施例提供的另一种建筑物提取方法的流程图，该方法在上述各实施例的技术方案的基础上，进行了优化改进。
进一步地，将用户行为关联数据细化为包括定位数据；相应的，将操作“根据用户行为关联数据和遥感影像数据，生成新增通道数据”细化为“根据定位数据中各定位点的分布情况，确定遥感影像数据的各像元所关联的定位数据；对各像元所关联的定位数据中的定位点数量和定位用户数量中的至少一种进行统计，并根据统计结果，生成新增通道数据”，以完善新增通道数据的确定机制。
如图5所示的一种建筑物提取方法，包括：
S501、获取目标区域的遥感影像数据和定位数据；其中，定位数据与遥感影像数据具备时空关联。
其中，定位数据包括各定位点的定位信息和各定位点对应的定位用户的用户信息。
S502、根据定位数据中各定位点的分布情况，确定遥感影像数据的各像元所关联的定位数据。
示例性地，根据定位数据中各定位点的分布情况，将定位数据分别映射至遥感影像数据各像元的位置区域中，得到与各像元关联的定位数据。
S503、对各像元所关联的定位数据中的定位点数量和定位用户数量中的至少一种进行统计，并根据统计结果，生成新增通道数据。
可选的，对各像元所关联的定位数据中的定位点数量进行统计，并根据统计结果，生成新增通道数据，可以是：直接统计各像元所关联的定位数据中的定位点数量，得到定位点统计值；将各像元所关联的定位点统计值，按照各像元在遥感影像数据中的排列顺序，组合生成定位点维度下的新增通道数据。
可选的，对各像元所关联的定位数据中的定位用户数量进行统计，并根据统计结果，生成新增通道数据，可以是：统计各像元所关联的定位数据的定位用户的定位用户数量，得到用户统计值；将各像元所关联的用户统计值，按照各像元在遥感影像数据中的排列顺序，组合生成用户维度下的新增通道数据。
可选的，对各像元所关联的定位数据中的定位用户数量进行统计，并根据统计结果，生成新增通道数据，可以是：确定各像元所关联的定位数据的定位用户；确定各定位用户的用户类别，并对各像元所关联的定位用户的用户类别进行统计，得到用户类别统计值；针对每一用户类别，将该用户类别的统计值，按照各像元在遥感影像数据中的排列顺序，组合生成用户类别维度下的新增通道数据。其中，新增通道数据的通道数与用户类别数相对应。
进一步地，为了丰富新增通道数据的信息量，还可以分时段进行不同时段不同维度(定位点维度、用户维度和用户类别维度等中的至少一种)下的统计值的确定，并根据统计值，生成相应通道新增通道数据。其中，新增通道数据的通道数量与时段数量和维度数量的乘积相对应。其中，时段划分方式可以由技术人员根据需要或经验进行确定，例如，可以将一天划分为白天和晚上两个时段等。
需要说明的是，为了丰富新增通道数据的信息量，可以采用上述至少两种新增通道数据，组合得到多通道的新增通道数据，为后续进行建筑物提取提供数据支撑。
可以理解的是，为了消除不同通道的数据由于量纲不同带来的影响，还可以对各通道的新增通道数据进行归一化处理。其中，归一化处理可以采用线性函数归一化、零均值标准化和其他现有归一化方法中的其中一种，或至少两种方法的组合。
需要说明的是，为了消除新增通道数据与遥感影像数据中各通道数据的量纲不同所带来的影像，在进行归一化处理时，可以将新增通道数据归一化至[0,255]这一数据区间中。
需要说明的是，通过引入定位点数量，能够反映目标区域内用户的定位情况，从而能够在定位点维度或应用程序使用维度表征用户的行为活动。通过引入像元所关联的定位用户数量，能够确定用户分布情况，从而能够反映出用户在目标区域中的潜在活动情况。
S504、根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。
本申请实施例通过将新增通道数据的生成操作，细化为根据定位数据中各定位点的分布情况，确定遥感影像数据的各像元所关联的定位数据；对各像元所关联的定位数据中的定位点数量和定位用户数量中的至少一种进行统计，并根据统计结果，生成新增通道数据。上述技术方案通过引入像元所关联的定位数据中定位点数量和定位用户数量中的至少一种，侧面表征该像元内用户的用户活动情况，使得所生成的新增通道数据中包含有与用户行为活动所关联的隐含特征，从而在建筑物提取过程中，对遥感影像数据加以补充，丰富了建筑物提取的参照依据，为建筑物提取结果准确度的提高，奠定了基础。
图6是本申请实施例提供的另一种建筑物提取方法的流程图，该方法在上述各实施例的技术方案的基础上，进行了优化改进。
进一步地，将用户行为关联数据细化为包括搜索数据；相应的，将操作“根据用户行为关联数据和遥感影像数据，生成新增通道数据”细化为“根据搜索数据的定位信息，确定遥感影像数据的各像元所关联的关键词组合的搜索次数；根据各像元所关联的搜索次数，生成新增通道数据”，以完善新增通道数据的确定机制。
如图6所示的一种建筑物提取方法，包括：
S601、获取目标区域的遥感影像数据和搜索数据；其中，搜索数据与遥感影像数据具备时空关联。
其中，搜索数据可以是目标区域中的用户使用具备搜索功能的应用程序所生成的搜索数据，因此该搜索数据能够表征用户的搜索行为。
示例性地，搜索数据可以是在遥感影像数据采集时刻之前的设定历史时间段内所采集的数据，体现了定位数据与遥感影像数据之间的时间关联，同时保证了定位数据的时效性。其中，设定历史时间段可以由技术人员根据需要或经验进行确定，或通过大量试验反复确定。
示例性地，搜索数据可以是目标区域内的用户所生成的数据，从而保证了搜索数据和遥感影像数据之间的空间关联，为候选新增通道数据的生成奠定了基础。
S602、根据搜索数据的定位信息，确定遥感影像数据的各像元所关联的关键词组合的搜索次数。
其中，搜索数据的定位信息用于表征产生搜索行为的位置信息。示例性地，可以根据搜索数据的定位信息，按照遥感影像数据的各像元的位置信息，将搜索数据分别映射至各像元中，得到各像元所关联的搜索数据；分别统计各像元所关联的搜索数据中关键词组合的搜索次数，为后续新增通道数据的生成提供数据支撑。
示例性地，关键词组合可以通过查找预先构建的搜索词库确定。可选的，根据搜索数据中的候选词组合，查找预先构建的搜索词库，并根据搜索词库中各词组与候选词组合的匹配情况，确定搜索数据中的关键词组合，并对所确定的关键词组合的搜索次数进行数量统计。具体的，若搜索词库中存在与候选词组合相匹配的词组，则确定该候选词组合为关键词组合；否则，确定该候选词组合为无关词组合。
S603、根据各像元所关联的搜索次数，生成新增通道数据。
示例性地，将各像元所关联的搜索次数，按照遥感影像数据中各像元的排列顺序，组合生成搜索维度下的新增通道数据。
S604、根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。
本申请实施例通过将新增通道数据的生成操作，细化为根据搜索数据的定位信息，确定遥感影像数据的各像元所关联的关键词组合的搜索次数；根据各像元所关联的搜索次数，生成新增通道数据。上述技术方案通过引入像元所关联的搜索数据中关键词组合的搜索次数，表征该像元内用户的搜索行为，使得所生成的新增通道数据中包含有与用户搜索行为所关联的隐含特征，从而在建筑物提取过程中，对遥感影像数据加以补充，丰富了建筑物提取的参照依据，为建筑物提取结果准确度的提高，奠定了基础。
图7是本申请实施例提供的一种建筑物提取装置的结构图，该建筑物提取装置700，包括：数据获取模块701、新增通道数据生成模块702和建筑物提取模块703。其中，
数据获取模块701，用于获取目标区域的遥感影像数据和用户行为关联数据；其中，所述用户行为关联数据与所述遥感影像数据具备时空关联；
新增通道数据生成模块702，用于根据用户行为关联数据和遥感影像数据，生成新增通道数据；
建筑物提取模块703，用于根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。
本申请实施例通过数据获取模块获取目标区域的遥感影像数据和用户行为关联数据；所述用户行为关联数据与遥感影像数据具备时空关联；通过新增通道数据生成模块根据用户行为关联数据和遥感影像数据，生成新增通道数据；通过建筑物提取模块根据遥感影像数据和新增通道数据，提取目标区域中的建筑物。本申请实施例通过引入基于用户行为关联数据和遥感影像数据所生成的新增通道数据，表征用户在目标区域中不同位置的活动情况，并将该新增通道数据作为遥感影像数据的补充数据，进行目标区域中建筑物的提取，丰富了建筑物提取过程中的数据参照，进而提高了建筑物提取结果的准确度。同时，通过新增通道数据还可以弥补由于采集环境等因素致使遥感影像数据质量较差，给建筑物提取结果带来的影响，从而提高了建筑物提取结果的稳定性和建筑物提取方式的通用性。
进一步地，新增通道数据生成模块702，包括：
像元映射单元，用于根据定位信息，将用户行为关联数据映射至遥感影像数据的像元中，并根据各像元关联的用户行为关联数据，生成新增通道数据
进一步地，用户行为关联数据包括兴趣点POI数据、定位数据和搜索数据中的至少一种。
进一步地，若用户行为关联数据包括POI数据，则像元映射单元，包括：
邻近POI确定子单元，用于根据POI数据中各候选POI的定位信息，确定遥感影像数据中各像元的邻近POI；
新增通道数据生成子单元，用于根据邻近POI的POI数据，生成新增通道数据。
进一步地，新增通道数据生成子单元，包括：
POI向量生成从单元，用于针对每个像元，根据邻近POI的文本数据，生成POI主题向量，并根据各像元的POI主题向量，生成新增通道数据；
POI统计从单元，用于对各像元的邻近POI进行统计，并根据统计结果，生成新增通道数据。
进一步地，若用户行为关联数据包括定位数据，则像元映射单元，包括：
驻留类别确定从单元，用于根据定位数据中各定位点的分布情况，确定各像元所关联的定位点的驻留类别；其中，驻留类别包括常驻类别和非常驻类别；
新增通道数据生成从单元，用于根据各像元所关联的驻留类别，生成新增通道数据。
进一步地，新增通道数据生成从单元，包括：
驻留类别统计子从单元，用于根据驻留类别，对各像元所关联的定位点进行统计，并根据统计结果，生成所述新增通道数据。
进一步地，若用户行为关联数据包括定位数据，则像元映射单元，包括：
像元关联定位数据确定从单元，用于根据定位数据中各定位点的分布情况，确定遥感影像数据的各像元所关联的定位数据；
定位数据统计从单元，用于对各像元所关联的定位数据中的定位点数量和定位用户数量中的至少一种进行统计，并根据统计结果，生成新增通道数据。
进一步地，若用户行为关联数据包括搜索数据，则像元映射单元，包括：
搜索次数确定从单元，用于根据搜索数据的定位信息，确定所述遥感影像数据的各像元所关联的关键词组合的搜索次数；
搜索类别确定从单元，用于根据各像元所关联的搜索次数，生成所述新增通道数据。
进一步地，建筑物提取模块703，包括：
建筑物提取单元，用于将遥感影像数据和新增通道数据，输入至预先训练好的建筑物提取模型，提取目标区域中的建筑物。
上述建筑物提取装置可执行本发明任意实施例所提供的建筑物提取方法，具备执行建筑物提取方法相应的功能模块和有益效果。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是实现本申请实施例的建筑物提取方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的建筑物提取方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的建筑物提取方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的建筑物提取方法对应的程序指令/模块(例如，附图7所示的数据获取模块701、新增通道数据生成模块702和建筑物提取模块703)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的建筑物提取方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储实现建筑物提取方法的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至实现建筑物提取方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现建筑物提取方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与实现建筑物提取方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，通过引入基于用户行为关联数据和遥感影像数据所生成的新增通道数据，表征用户在目标区域中不同位置的活动情况，并将该新增通道数据作为遥感影像数据的补充数据，进行目标区域中建筑物的提取，丰富了建筑物提取过程中的数据参照，进而提高了建筑物提取结果的准确度。同时，通过新增通道数据还可以弥补由于采集环境等因素致使遥感影像数据质量较差，给建筑物提取结果带来的影响，从而提高了建筑物提取结果的稳定性和建筑物提取方式的通用性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (22)

1.一种建筑物提取方法，包括：
获取目标区域的遥感影像数据和用户行为关联数据；其中，所述用户行为关联数据与所述遥感影像数据具备时空关联；
根据所述用户行为关联数据和所述遥感影像数据，生成新增通道数据；
根据所述遥感影像数据和所述新增通道数据，提取所述目标区域中的建筑物。
2.根据权利要求1所述的方法，其中，所述根据所述用户行为关联数据和所述遥感影像数据，生成新增通道数据，包括：
根据定位信息，将所述用户行为关联数据映射至所述遥感影像数据的像元中，并根据各像元关联的所述用户行为关联数据，生成所述新增通道数据。
3.根据权利要求2所述的方法，其中，所述用户行为关联数据包括兴趣点POI数据、定位数据和搜索数据中的至少一种。
4.根据权利要求3所述的方法，若所述用户行为关联数据包括所述POI数据，则所述根据定位信息，将所述用户行为关联数据映射至所述遥感影像数据的像元中，并根据各像元关联的所述用户行为关联数据，生成所述新增通道数据，包括：
根据所述POI数据中各候选POI的定位信息，确定所述遥感影像数据中各像元的邻近POI；
根据所述邻近POI的POI数据，生成所述新增通道数据。
5.根据权利要求4所述的方法，其中，所述根据所述邻近POI的POI数据，生成所述新增通道数据，包括：
针对每个像元，根据所述邻近POI的文本数据，生成POI主题向量，并根据各像元的POI主题向量，生成所述新增通道数据；或者，
对各像元的邻近POI进行统计，并根据统计结果，生成所述新增通道数据。
6.根据权利要求3所述的方法，若所述用户行为关联数据包括所述定位数据，则所述根据定位信息，将所述用户行为关联数据映射至所述遥感影像数据的像元中，并根据各像元关联的所述用户行为关联数据，生成所述新增通道数据，包括：
根据所述定位数据中各定位点的分布情况，确定各像元所关联的定位点的驻留类别；其中，所述驻留类别包括常驻类别和非常驻类别；
根据各像元所关联的驻留类别，生成所述新增通道数据。
7.根据权利要求6所述的方法，其中，所述根据各像元所关联的驻留类别，生成所述新增通道数据，包括：
根据驻留类别，对各像元所关联的定位点进行统计，并根据统计结果，生成所述新增通道数据。
8.根据权利要求3所述的方法，若所述用户行为关联数据包括所述定位数据，则所述根据定位信息，将所述用户行为关联数据映射至所述遥感影像数据的像元中，并根据各像元关联的所述用户行为关联数据，生成所述新增通道数据，包括：
根据所述定位数据中各定位点的分布情况，确定所述遥感影像数据的各像元所关联的定位数据；
对各像元所关联的定位数据中的定位点数量和定位用户数量中的至少一种进行统计，并根据统计结果，生成所述新增通道数据。
9.根据权利要求3所述的方法，若所述用户行为关联数据包括搜索数据，则所述根据定位信息，将所述用户行为关联数据映射至所述遥感影像数据的像元中，并根据各像元关联的所述用户行为关联数据，生成所述新增通道数据，包括：
根据搜索数据的定位信息，确定所述遥感影像数据的各像元所关联的关键词组合的搜索次数；
根据各像元所关联的搜索次数，生成所述新增通道数据。
10.根据权利要求1-9中任一项所述的方法，其中，所述根据所述遥感影像数据和所述新增通道数据，提取所述目标区域中的建筑物，包括：
将所述遥感影像数据和所述新增通道数据，输入至预先训练好的建筑物提取模型，提取所述目标区域中的建筑物。
11.一种建筑物提取装置，包括：
数据获取模块，用于获取目标区域的遥感影像数据和用户行为关联数据；其中，所述用户行为关联数据与所述遥感影像数据具备时空关联；
新增通道数据生成模块，用于根据所述用户行为关联数据和所述遥感影像数据，生成新增通道数据；
建筑物提取模块，用于根据所述遥感影像数据和所述新增通道数据，提取所述目标区域中的建筑物。
12.根据权利要求11所述的装置，其中，所述新增通道数据生成模块，包括：
像元映射单元，用于根据定位信息，将所述用户行为关联数据映射至所述遥感影像数据的像元中，并根据各像元关联的所述用户行为关联数据，生成所述新增通道数据。
13.根据权利要求12所述的装置，其中，所述用户行为关联数据包括兴趣点POI数据、定位数据和搜索数据中的至少一种。
14.根据权利要求13所述的装置，若所述用户行为关联数据包括所述POI数据，则所述像元映射单元，包括：
邻近POI确定子单元，用于根据所述POI数据中各候选POI的定位信息，确定所述遥感影像数据中各像元的邻近POI；
新增通道数据生成子单元，用于根据所述邻近POI的POI数据，生成所述新增通道数据。
15.根据权利要求14所述的装置，其中，所述新增通道数据生成子单元，包括：
POI向量生成从单元，用于针对每个像元，根据所述邻近POI的文本数据，生成POI主题向量，并根据各像元的POI主题向量，生成所述新增通道数据；
POI统计从单元，用于对各像元的邻近POI进行统计，并根据统计结果，生成所述新增通道数据。
16.根据权利要求13所述的装置，若所述用户行为关联数据包括所述定位数据，则所述像元映射单元，包括：
驻留类别确定从单元，用于根据所述定位数据中各定位点的分布情况，确定各像元所关联的定位点的驻留类别；其中，所述驻留类别包括常驻类别和非常驻类别；
新增通道数据生成从单元，用于根据各像元所关联的驻留类别，生成所述新增通道数据。
17.根据权利要求16所述的装置，其中，所述新增通道数据生成从单元，包括：
驻留类别统计子从单元，用于根据驻留类别，对各像元所关联的定位点进行统计，并根据统计结果，生成所述新增通道数据。
18.根据权利要求13所述的装置，若所述用户行为关联数据包括所述定位数据，则所述像元映射单元，包括：
像元关联定位数据确定从单元，用于根据所述定位数据中各定位点的分布情况，确定所述遥感影像数据的各像元所关联的定位数据；
定位数据统计从单元，用于对各像元所关联的定位数据中的定位点数量和定位用户数量中的至少一种进行统计，并根据统计结果，生成所述新增通道数据。
19.根据权利要求13所述的装置，若所述用户行为关联数据包括搜索数据，则所述像元映射单元，包括：
搜索次数确定从单元，用于根据搜索数据的定位信息，确定所述遥感影像数据的各像元所关联的关键词组合的搜索次数；
搜索类别确定从单元，用于根据各像元所关联的搜索次数，生成所述新增通道数据。
20.根据权利要求11-19中任一项所述的装置，其中，所述建筑物提取模块，包括：
建筑物提取单元，用于将所述遥感影像数据和所述新增通道数据，输入至预先训练好的建筑物提取模型，提取所述目标区域中的建筑物。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的一种建筑物提取方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的一种建筑物提取方法。
CN202010952905.4A 2020-09-11 2020-09-11 建筑物提取方法、装置、设备和存储介质 Active CN111915608B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010952905.4A CN111915608B (zh) 2020-09-11 2020-09-11 建筑物提取方法、装置、设备和存储介质
EP21169399.9A EP3968224A1 (en) 2020-09-11 2021-04-20 Method and apparatus for building extraction, device and storage medium
US17/236,050 US20210240983A1 (en) 2020-09-11 2021-04-21 Method and apparatus for building extraction, and storage medium
KR1020210104526A KR20210106395A (ko) 2020-09-11 2021-08-09 건축물 추출 방법, 장치, 기기 및 저장 매체
JP2021142053A JP7289337B2 (ja) 2020-09-11 2021-09-01 建物の抽出方法、装置、機器及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010952905.4A CN111915608B (zh) 2020-09-11 2020-09-11 建筑物提取方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111915608A true CN111915608A (zh) 2020-11-10
CN111915608B CN111915608B (zh) 2023-08-15

Family

ID=73267076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010952905.4A Active CN111915608B (zh) 2020-09-11 2020-09-11 建筑物提取方法、装置、设备和存储介质

Country Status (5)

Country Link
US (1) US20210240983A1 (zh)
EP (1) EP3968224A1 (zh)
JP (1) JP7289337B2 (zh)
KR (1) KR20210106395A (zh)
CN (1) CN111915608B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076803A (zh) * 2021-03-03 2021-07-06 中山大学 一种基于高分辨率遥感影像的建筑物矢量提取方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116069436B (zh) * 2023-03-17 2023-07-21 阿里巴巴达摩院(杭州)科技有限公司 遥感图像的处理方法、电子设备以及存储介质
CN117115641B (zh) * 2023-07-20 2024-03-22 中国科学院空天信息创新研究院 建筑物信息提取方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103026357A (zh) * 2010-07-23 2013-04-03 高通股份有限公司 用于增强实境的灵活数据下载模型
US20140368507A1 (en) * 2008-11-05 2014-12-18 Hover, Inc. Heat maps for 3d maps
US20150117796A1 (en) * 2011-03-28 2015-04-30 Google Inc. Method and system for prioritizing points of interest for display in a map
KR101641672B1 (ko) * 2015-07-21 2016-07-21 (주)디자인비아트 휴대단말기를 이용한 건축 모형 실행의 증강 현실 시스템
CN107810472A (zh) * 2015-06-24 2018-03-16 三星电子株式会社 电子装置和用于控制全景图像的显示的方法
JP2019160320A (ja) * 2018-03-12 2019-09-19 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ 位置基盤情報探索方法およびシステム
US20200132491A1 (en) * 2017-09-21 2020-04-30 Beijing Sankuai Online Technology Co., Ltd Generating point of interest copy
CN111126482A (zh) * 2019-12-23 2020-05-08 自然资源部国土卫星遥感应用中心 一种基于多分类器级联模型的遥感影像自动分类方法
CN111563448A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 一种违章建筑物检测方法、装置、电子设备和存储介质

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3568621B2 (ja) * 1995-04-20 2004-09-22 株式会社日立製作所 地図表示装置
US6553308B1 (en) * 1999-04-29 2003-04-22 Donnelly Corporation Vehicle-based navigation system with smart map filtering, portable unit home-base registration and multiple navigation system preferential use
BRPI0512543A (pt) * 2004-06-25 2008-03-25 Digitalglobe Inc método e equipamento para determinar uma localização associada a uma imagem
JP4774816B2 (ja) * 2005-04-07 2011-09-14 ソニー株式会社 画像処理装置，画像処理方法，およびコンピュータプログラム。
US10872322B2 (en) * 2008-03-21 2020-12-22 Dressbot, Inc. System and method for collaborative shopping, business and entertainment
US8825387B2 (en) * 2008-07-25 2014-09-02 Navteq B.V. Positioning open area maps
US20130300740A1 (en) * 2010-09-13 2013-11-14 Alt Software (Us) Llc System and Method for Displaying Data Having Spatial Coordinates
US9317921B2 (en) * 2014-07-10 2016-04-19 Qualcomm Incorporated Speed-up template matching using peripheral information
CN107667366B (zh) * 2015-03-24 2021-12-28 开利公司 用于捕获和分析多维建筑物信息的系统和方法
CN105279372B (zh) * 2015-09-29 2018-12-14 百度在线网络技术（北京）有限公司 一种确定建筑物高度的方法和装置
JP6849705B2 (ja) * 2016-06-24 2021-03-24 スイス リインシュランス カンパニー リミテッド 自動化されたリスク制御システムを含む自律的又は部分的に自律的な自動車及びそれに対応する方法
US10275687B2 (en) * 2017-02-16 2019-04-30 International Business Machines Corporation Image recognition with filtering of image classification output distribution
EP3616118A1 (en) * 2017-04-26 2020-03-04 Skansense S.L.U. Identifying targets within images
JP2019056956A (ja) * 2017-09-19 2019-04-11 株式会社ナビタイムジャパン 情報処理システム、情報処理プログラム、情報処理装置及び情報処理方法
JP2019101783A (ja) * 2017-12-04 2019-06-24 キヤノン株式会社 情報処理装置及び方法
US10462359B1 (en) * 2018-04-13 2019-10-29 Adobe Inc. Image composition instruction based on reference image perspective
US11280621B2 (en) * 2019-01-04 2022-03-22 International Business Machines Corporation Navigation using a device without global positioning system assistance
US11676344B2 (en) * 2019-11-12 2023-06-13 MFTB Holdco, Inc. Presenting building information using building models
US11343636B2 (en) * 2020-06-24 2022-05-24 Here Global B.V. Automatic building detection and classification using elevator/escalator stairs modeling—smart cities

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140368507A1 (en) * 2008-11-05 2014-12-18 Hover, Inc. Heat maps for 3d maps
CN103026357A (zh) * 2010-07-23 2013-04-03 高通股份有限公司 用于增强实境的灵活数据下载模型
US20150117796A1 (en) * 2011-03-28 2015-04-30 Google Inc. Method and system for prioritizing points of interest for display in a map
CN107810472A (zh) * 2015-06-24 2018-03-16 三星电子株式会社 电子装置和用于控制全景图像的显示的方法
KR101641672B1 (ko) * 2015-07-21 2016-07-21 (주)디자인비아트 휴대단말기를 이용한 건축 모형 실행의 증강 현실 시스템
US20200132491A1 (en) * 2017-09-21 2020-04-30 Beijing Sankuai Online Technology Co., Ltd Generating point of interest copy
JP2019160320A (ja) * 2018-03-12 2019-09-19 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ 位置基盤情報探索方法およびシステム
CN111126482A (zh) * 2019-12-23 2020-05-08 自然资源部国土卫星遥感应用中心 一种基于多分类器级联模型的遥感影像自动分类方法
CN111563448A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 一种违章建筑物检测方法、装置、电子设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ORLANDO SOTO等: "Characterization of Multi Pixel Photon Counter (MPPC) Array. Statistical approach", 2013 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE (I2MTC) *
曲畅;任玉环;刘亚岚;李娅;: "POI辅助下的高分辨率遥感影像城市建筑物功能分类研究", 地球信息科学学报, no. 06 *
李焕;丁建丽;宁娟;苏雯;地力夏提・艾木热拉;: "基于关联规则遥感影像的分类研究――以渭库绿洲为例", 新疆大学学报(自然科学版), no. 03 *
黄杰品;: "基于建筑物的无人机摄影测量3D建模研究", 当代化工研究, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076803A (zh) * 2021-03-03 2021-07-06 中山大学 一种基于高分辨率遥感影像的建筑物矢量提取方法及系统
CN113076803B (zh) * 2021-03-03 2022-09-30 中山大学 一种基于高分辨率遥感影像的建筑物矢量提取方法及系统

Also Published As

Publication number Publication date
EP3968224A1 (en) 2022-03-16
JP7289337B2 (ja) 2023-06-09
CN111915608B (zh) 2023-08-15
KR20210106395A (ko) 2021-08-30
JP2021192261A (ja) 2021-12-16
US20210240983A1 (en) 2021-08-05

Similar Documents

Publication Publication Date Title
JP7159405B2 (ja) 地図情報表示方法、装置、電子デバイス及び記憶媒体
KR101916798B1 (ko) 검색 컨텍스트를 이용한 질의 추천 방법 및 시스템
CN111915608B (zh) 建筑物提取方法、装置、设备和存储介质
CN110704600B (zh) 问答动态匹配方法、装置和电子设备
CN111782977B (zh) 兴趣点处理方法、装置、设备及计算机可读存储介质
KR20200011123A (ko) 어플리케이션의 내용 분석을 통해 사용자 접근을 제어하는 방법 및 시스템
US20210356290A1 (en) Method and apparatus for recommending point of interest, device, and medium
CN111814077B (zh) 信息点查询方法、装置、设备和介质
KR20210132578A (ko) 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체
CN111708876A (zh) 生成信息的方法和装置
CN112507735A (zh) 机器翻译模型的训练方法、装置和电子设备
US20210209160A1 (en) Method and apparatus for identifying map region words
KR102490712B1 (ko) 질문 응답 로봇 생성 방법 및 장치
JP7206514B2 (ja) 地理位置点のソート方法、ソートモデルの訓練方法及び対応装置
JP7298090B2 (ja) 地理位置点の空間関係を抽出する方法及び装置
CN111241225B (zh) 常驻区域变更的判断方法、装置、设备及存储介质
CN111694914A (zh) 用户常驻区域确定方法及装置
CN111625724A (zh) 信息处理方法、装置、电子设备及存储介质
CN113157829A (zh) 一种兴趣点名称比对方法、装置、电子设备和存储介质
CN111104418A (zh) 文本描述的处理方法、装置和电子设备
CN114111813A (zh) 高精地图元素更新方法、装置、电子设备及存储介质
CN112035751A (zh) 信息推荐的方法、装置、设备以及存储介质
CN112115222A (zh) 兴趣点显示方法、装置、电子设备和存储介质
CN113449754A (zh) 标签的匹配模型训练和展示方法、装置、设备及介质
KR102378565B1 (ko) 어플리케이션의 내용 분석을 통해 사용자 접근을 제어하는 방법 및 시스템

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