CN112183444B - 城市景观分类优化方法及装置、设备及介质 - Google Patents
城市景观分类优化方法及装置、设备及介质 Download PDFInfo
- Publication number
- CN112183444B CN112183444B CN202011096001.2A CN202011096001A CN112183444B CN 112183444 B CN112183444 B CN 112183444B CN 202011096001 A CN202011096001 A CN 202011096001A CN 112183444 B CN112183444 B CN 112183444B
- Authority
- CN
- China
- Prior art keywords
- type
- current
- remote sensing
- sensing image
- probability
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000000007 visual effect Effects 0.000 claims description 62
- 238000009826 distribution Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000011748 cell maturation Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V20/176—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
- G06F18/23—Clustering techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供的一种城市景观分类优化方法及装置、设备及介质，该方法包括S1：获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；S2：基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；S3：基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；S4：利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并进入步骤S2直到达到预设停止条件。通过利用识别到的功能区类型反馈对识别到的土地覆盖类型进行重新的调整识别，从而使得正向识别和反馈调整相结合，识别的结果更加准确，能够更加准确地对城市中的景观进行分类。
Description
技术领域
本发明涉及机器识别技术领域，尤其涉及城市景观分类优化方法及装置、设备及介质。
背景技术
遥感影像中地表土地覆盖和功能区形成一个层次结构：每个城市景观可以划分为不同的功能分区；而每个功能区由不同的土地覆盖地物组成。这个层次结构表达了土地覆盖与功能区之间的关系，这一层次结构对于优化识别二者类别非常重要。对于功能区分类，土地覆盖的类别和空间结构是识别功能区类型的基本线索。例如，建筑物，道路，植被和土壤组成一个功能区，因此根据它们的类别比例和空间结构，可以对该区域进行分类识别。此分类过程使用低层土地覆盖来推断高层功能区类别。
然而现有的遥感影像的分类并不够准确，有时需要人工去校正，这大大增加了地图绘制的工作难度和工作量，也降低了地图的准确度。
因此，如何提供一种城市景观分类优化方案，能够更加准确地对城市中的景观进行分类是本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例提供一种城市景观分类优化方法及装置、设备及介质，能够更加准确地对城市中的景观进行分类。
第一方面，本发明实施例提供一种城市景观分类优化方法，包括：
S1：获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；
S2：基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；
S3：基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；
S4：利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并进入步骤S2直到达到预设停止条件。
进一步地，所述获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型包括：
获取城市景观遥感影像；
对所述城市景观遥感影像进行对象分割，得到影像对象图像；
对所述影像对象图像进行特征提取，得到对象视觉特征；
基于所述视觉特征识别得到与所述城市景观遥感影像对应的当前土地覆盖类型。
进一步地，所述对象视觉特征包括：光谱特征、纹理特征、几何特征、色彩特征中的一种或一种以上的组合。
进一步地，所述基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型包括：
对当前土地覆盖类型进行密度聚类，得到密度聚类G函数的函数值；
根据所述函数值与空间结构类型的对应关系确定与所述城市景观遥感影像对应的当前空间结构类型。
进一步地，所述基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型，包括：
根据概率公式确定城市景观遥感影像z属于功能区类型fi的概率值p(fi|z)；
根据所述概率值p(fi|z)确定对应的当前功能区类型；
所述概率公式如下：
其中，为对象视觉特征；ck为第k种土地覆盖类型，ck(1≤k≤K)；sj为空间结构类型sj(1≤j≤J)；fi(1≤i≤M)表示第i个功能区类型，K、J、M均为正整数；z为城市景观遥感影像中待分类的功能区；/>为场景z中对象视觉特征/>的频率分布；/>为在fi功能区中的对象视觉特征/>的概率分布；p(z)为城市景观遥感影像z出现的概率，为常数；是指fi中对象视觉特征的概率分布，p(sj|fi)是指fi中sj的出现概率，/>表示fi中sj的视觉特征的出现概率；p(ck|fi,sj)表示sj中ck的频率分布；/>是ck的视觉特征的出现概率。
进一步地，所述利用当前功能区类型对当前土地覆盖类型进行反馈调整，包括：
根据反馈概率公式对当前土地覆盖类型进行概率计算，得到概率结果：
根据概率结果重新确定新的当前土地覆盖类型；
所述反馈概率公式如下：
其中，为对象视觉特征，/>由N个特征组成，包括光谱、纹理、几何特征；ck为第k种土地覆盖类型，ck(1≤k≤K)，K为正整数；sj为空间结构类型sj(1≤j≤J)；fi(1≤i≤M)表示第i个功能区类型；z为城市景观遥感影像中待分类的功能区；/>为当前土地属于土地覆盖类别ck(1≤k≤K)的概率；p(ck|st,z)代表ck类土地覆盖在场景z中的比例；为ck土地覆盖类别中对象视觉特征的概率分布；p(st|z)为st属于z的概率值；p(fi|z)为城市景观遥感影像z属于功能区类型fi的概率值；/>为是cn的视觉特征的出现概率；p(cn|fi,sj)表示sj中cn的频率分布。
进一步地，述预设停止条件包括：达到预设循环次数；
或当前土地覆盖类型与新的当前土地覆盖类型相比没有发生变动。
第二方面，本发明实施例提供一种城市景观分类优化装置，包括：
土地类型识别模块，用于获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；
空间类型获得模块，用于基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；
功能类型确定模块，用于基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；
循环调整模块，用于利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并触发所述空间类型获得模块直到达到预设停止条件。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述城市景观分类优化方法的步骤。
第四方面，本发明实施例还提供一种非暂态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如上述任一种所述城市景观分类优化方法的步骤。
本发明实施例提供的一种城市景观分类优化方法及装置、设备及介质，通过利用识别到的功能区类型反馈对识别到的土地覆盖类型进行重新的调整识别，从而使得正向识别和反馈调整相结合，识别的结果更加准确，能够更加准确地对城市中的景观进行分类。
附图说明
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明实施例提供的一种城市景观分类优化方法的流程图；
图2为本发明实施例提供的一种城市景观分类优化方法的层次语义认知模型示意图；
图3为本发明实施例提供的一种城市景观分类优化方法的逆层次语义认知模型示意图；
图4为本发明实施例提供一种城市景观分类优化装置的组成示意图；
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图3描述本发明实施例的一种城市景观分类优化方法。图1为本发明实施例提供的一种城市景观分类优化方法的流程图；图2为本发明实施例提供的一种城市景观分类优化方法的层次语义认知模型示意图；图3为本发明实施例提供的一种城市景观分类优化方法的逆层次语义认知模型示意图。
在本发明一种具体实施方式中，本发明实施例提供一种城市景观分类优化方法，包括：
S1：获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；
具体地，可以进行以下步骤，首先获取城市景观遥感影像；具体可以使用卫星拍摄的城市地图作为城市景观遥感影响，然后可以对所述城市景观遥感影像进行对象分割，得到影像对象图像；对所述影像对象图像进行特征提取，得到对象视觉特征；基于所述视觉特征识别得到与所述城市景观遥感影像对应的当前土地覆盖类型。对象视觉特征包括：光谱特征、纹理特征、几何特征、色彩特征中的一种或一种以上的组合。
更具体地，在进行对象分割时，对采集到的遥感图像进行降噪预处理，得到去噪后的遥感图像；对去噪声后的遥感图像分别进行灰度处理和超像素分割；基于超像素分割结果分别提取纹理特征和颜色特征；具体包括：基于超像素分割结果，利用基于总变差模型的滤波方法去除纹理，得到颜色特征，利用Gabor滤波器进行滤波，得到纹理特征；对经过灰度处理的遥感图像进行几何特征提取；将纹理特征、颜色特征和几何特征进行融合，得到图像分割特征；基于图像分割特征，采用均值漂移进行图像滤波，得到初步分割结果；对初步分割结果进行区域合并，得到最终的分割结果，也就是影响对象图像。
S2：基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；
在得到当前土地覆盖类型后，可以根据土地覆盖类型得到对应的当前空间结构类型。具体地，对当前土地覆盖类型进行密度聚类，得到密度聚类G函数的函数值；根据所述函数值与空间结构类型的对应关系确定与所述城市景观遥感影像对应的当前空间结构类型。
也就是说，可以使用经典的面向对象的遥感影像技术分类对象的视觉特征和土地覆盖类别。空间结构类型以度量土地覆盖对象之间的空间关系、在每个场景中，对象由质心表示，空间关系由质心距离度量，因此它们的空间结构可以用G函数来表征。G函数衡量的是物体之间最近邻近距离的累积分布，其中最邻近距离指的是从一个物体到其最近邻居的距离。G函数可以度量聚集，随机分布和均匀分布的模式。但是，G曲线不直接用于表示空间物体的模式，因为它们很容易受到土地覆盖错误分类结果的影响。因此使用密度聚类的方法基于G函数聚类获得不同的空间结构类型。进一步地，可以构建层次语义认知模型分层表达对象视觉特征、土地覆盖类别和空间结构类型，用于识别功能区类型。
S3：基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；
在知道当前空间结构类型后，可以利用已经存在的空间结构类型与功能区类型之间的对应关系来确定当前功能区类型。当然，及时空间结构类型确定，也不能肯定功能区类型，但是两者之间存在概率关系，可以基本上确定当前功能区类型。
S4：利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并进入步骤S2直到达到预设停止条件。
在确定了功能区类型后可以利用功能区类型对之前的当前土地覆盖类型进行反馈调整。这时因为在进行土地覆盖类型的识别时，也存在一些模棱两可的情况，就有可能发生误判，在确定了功能区类型后，可以根据功能区类型反推该土地覆盖类型，从而实现土地覆盖类型更精精确的识别和确认。
例如，对于土地覆盖分类，功能区类型可以提供局部上下文信息，这可以作为一种约束补充遥感影像特征实现对土地覆盖的分类。例如，如果一个对象的影像特征是暗色的、长方形的，因此这个对象可能属于建筑物或水体，但是考虑到其所处功能区类型为“棚户区”，则可以推断其是一个建筑物。此过程使用高层功能区信息校准低层的土地覆盖类别，因此被称为“自上而下的反馈优化”。自下而上的分类和自上而下的反馈这两个过程是交替进行的，甚至是同步进行的，以便可以准确地识别土地覆盖类型和功能区类型。
本发明实施例提供的一种城市景观分类优化方法与现有技术相比，现有的土地覆盖和功能区分类主要侧重于自下而上的识别方法，但忽略了自上而下的反馈。对于土地覆盖分类，在过去的几十年中已经开发了许多技术，它们主要分为两种类型：逐像素分类和基于对象的分类。在早期阶段，逐像素分类很流行，并且开发了许多分类器，例如人工神经网络、决策树、K近邻、支持向量机和随机森林等。这些方法擅长根据影像特征对低分辨率卫星图像的土地覆盖进行分类，但是在处理高分辨率的遥感影像时精度偏低，因为这些影像中的土地覆盖是异质的。在为了解决这个问题，提出了基于对象的分类方法。首先将图像分割为同类对象，然后分类对象特征，最后根据特征对这些对象进行土地覆盖分类。基于对象的方法可以大大减少高分辨率遥感影像光谱异质性并分类更完整的土地覆盖。
实际上，基于像素和对象的分类自下而上的分类机制，因为它们仅使用低层的影像特征来获取高层土地覆盖类别；进而，这些方法都忽略了自上而下的反馈，因此无法进一步提高分类结果。对于功能区分类，通常基于高分辨率遥感影像使用基于场景的分类来实现，其中功能区由图像场景表示。在早期，场景分类以视觉特征为基础，例如光谱，纹理和几何特征等，并通过传统分类器进行分类。这些方法对于处理具有特殊视觉标志的简单场景有效，但不能对包含各种地物和非平稳视觉特征的异质场景进行分类。但是，这些场景分类方法完全依赖于低层特征信息，属于自下而上的分类，其结果通常受不准确的低层信息的影响。因此，应考虑自上而下的反馈，以优化土地覆盖并进一步改善功能区分类结果。
本发明实施例中首次引入了功能区类型对土地覆盖类型的反馈调整，从而使得土地覆盖类型的识别更加准确。无需人工去校正，这大大减少了地图绘制的工作难度和工作量，也提高了地图的准确度。
进一步地，在上述实施例的基础上，本发明实施例中重点对如何确定当前功能区类型进行说明，具体来说，首先，使用图像分割方法获取目标遥感影像对象之后，基于遥感影像的视觉特征分类识别土地覆盖的类别；基于土地覆盖的分类结果分类地物空间结构；基于影像特征、土地覆盖类别、空间结构定义层次语义认知模型识别功能区类型；从而可以利用层次语义认知模型来进行功能区类型的识别。
具体来说，图2为本发明实施例提供的层次语义认知模型示意图，如图2所示，层次语义认知模型的建模思路是将视觉特征、对象语义特征以及空间格局特征进行分层组织，并功能区条件概率的形式表达它们之间的层次依赖关系。本章研究涉及四个层次上的特征，包括对象视觉特征、土地覆盖、空间结构、功能区。其中：
对象视觉特征层：每个对象都可以被一个视觉特征所表达，/>由N个特征组成，包括光谱、纹理、几何特征。这些特征是识别对象土地覆盖语义的关键；土地覆盖语义层：考虑K种土地覆盖，其中第k种被表示为ck(1≤k≤K)；对象空间结构层：数字化度量对象空间结构，并将这些空间结构进行聚类。共生成J个聚类类簇，sj(1≤j≤J)表示第j个类簇；功能区类别层：考虑M个功能区类型，fi(1≤i≤M)表示第i个类别；此外，待分类的功能区被标注为z。
层次语义认知模型本质上是一个三层贝叶斯模型，其中每一层表示两个语义层的之间的依赖关系。首先，第一个层表示对象空间结构和功能区类型之间的关系。例如图2中，p(sj|fi)表示空间结构sj出现在fi功能区中的概率，在这幅图中，共三种土地覆盖对象出现在fi中，出现概率被分别表示为p(s1|fi)、p(s2|fi)和p(s3|fi)。其次，p(ck|fi,sj)建模了对象空间结构和土地覆盖对象语义之间的关系。以p(c1|fi,s1)为例，它表示在fi中，c1类土地覆盖出现在s1结构中的概率。对于不同的空间结构而言，其土地覆盖语义的概率分布通常不同。第三，表示ck特征的概率分布。在同一个空间格局中，不同土地覆盖对象通常具有不同的特征分布，例如：/>和/>然而在不同的对象空间结构中，相同的土地覆盖对象的特征分布也有有细微的差别，例如/>和因此，层次语义认知模型综合考虑和表达上述信息。可以根据概率公式确定城市景观遥感影像z属于功能区类型fi的概率值p(fi|z)；根据所述概率值p(fi|z)确定对应的当前功能区类型。
假设每个功能区其实是不同类别的组合体，因此，视觉特征可以被表达为不同类别的线性组合：
其中，p(fi|z)表示场景z属于功能区类别fi的概率，为了计算p(fi|z)，首先要先计算另外一个参数 是指fi中视觉特征的概率分布，它是非常难以被估计的，因为视觉特征在fi中通常是变化且非平稳的。例如在图2中，fi是由多种空间结构组成，而每种空间结构中视觉特征概率分布都不相同。因此，/>是混淆的，应该根据不同的空间结构进行分解：
其中，p(sj|fi)是指fi中sj的出现概率，表示fi中sj的视觉特征。然而，依旧是混淆的，因为在一个空间对象结构中，不同类型的土地覆盖对象通常具有不同的视觉特征。因此，进一步将其进行分解：
其中，p(ck|fi,sj)表示sj中ck的频率分布。是ck的视觉特征，它是相对纯净的，具有较低的变化性。因此，组合上述所有公式/>可以被分解为：
除此之外，还有另一种表达方式：
其中，p(sj|z)表示待分类场景z中对象的空间结构属于sj的概率，p(ck|sj,z)是ck出现的频率，它的特征被表达为准确地来讲，z只具有一种对象空间结构，这个空间结构被定义为st(1≤t≤J)，显然当j≠t时p(sj|z)＝0。因此上述公式可以被简化表达为：
通过结合上述公式，可以定义层次语义认知模型，它表示了待分类场景和不同类功能区之间的关系。层次语义认知模型中，p(fi|z)决定了z的分类结果是待求参数，而其它参数都可以通过数据统计获得。层次语义认知模型将四个语义层次上的特征通过层次的方法进行组织，并功能区条件概率的方法表达它们之间的关系：
其中，为对象视觉特征；ck为第k种土地覆盖类型，ck(1≤k≤K)，K为正整数；sj为空间结构类型sj(1≤j≤J)；fi(1≤i≤M)表示第i个功能区类型；z为城市景观遥感影像中待分类的功能区；/>为场景z中对象视觉特征/>的频率分布；/>为在fi功能区中的对象视觉特征/>的概率分布；p(z)为城市景观遥感影像z出现的概率，为常数；/>是指fi中对象视觉特征的概率分布，p(sj|fi)是指fi中sj的出现概率，/>表示fi中sj的视觉特征的出现概率；p(ck|fi,sj)表示sj中ck的频率分布；/>是ck的视觉特征的出现概率。
本发明实施例提供的城市景观分类优化方法，通过定义层次语义认知模型和逆层次语义认知模型，结合自下而上分类和自上而下反馈的对土地覆盖和功能区进行迭代优化分类，结果应用于基于遥感影像的土地覆盖和功能区制图。
具体来说，图3为本发明实施例提供的逆层次语义认知模型示意图，如图3所示，逆层次语义认知模型的建模思路是将功能区初分类结果、空间结构和影像特征进行分层组织，并功能区条件概率的形式表达三者与土地覆盖之间关系。本章研究涉及四个层次，包括对象视觉特征、土地覆盖、空间结构、功能区。其中每个层次上的数学表达与层次语义认知模型中一致。
逆层次语义认知模型是自顶向下(也就是从识别的结果功能区类型触发进行反馈倒退)的反馈的数学模型，具有与层次语义认知模型相似的层次结构，但认知过程相反。逆层次语义认知模型本质上使用区域类别作为先验信息来优化土地覆被分类，因此它与层次语义认知模型具有不同的数学表示形式。对于功能区中的对象O，它的特征为它属于空间结构st，因此它属于不同土地覆盖类别ck(1≤k≤K)的概率可以被表达为/>逆层次语义认知模型用于计算/>
其中，p(ck|st,z)代表ck类土地覆盖在场景z中的比例，指ck土地覆盖类别中对象视觉特征的概率分布，这两个参数可以通过统计获得。此外，是层次语义认知模型中的参数，可以通过下列公式计算：
其中，p(st|z)、p(sj|fi)、和p(cn|fi,sj)与层次语义认知模型中含义一致，而p(fi|z)可以通过层次语义认知模型计算获得。通过组合上述公式，可以构建逆层次语义认知模型，用于计算/>
逆层次语义认知模型不仅使用视觉特征，还使用自上而下的信息(包括功能区类别和空间结构)对土地覆盖进行分类，因此可以生成更准确的分类结果。逆层次语义认知模型是第一个可以将自上而下的反馈用于土地覆盖分类的数学模型。
本发明实施例提供的城市景观迭代优化分类方法，通过定义层次语义认知模型和逆层次语义认知模型，结合自下而上分类和自上而下反馈的对土地覆盖和功能区进行迭代优化分类，结果应用于基于遥感影像的土地覆盖和功能区制图。
也就是说，如果要根据反馈概率公式对当前土地覆盖类型进行概率计算，得到概率结果：根据概率结果重新确定新的当前土地覆盖类型；所述反馈概率公式如下，具体的原理如上文所述，这里不再一一赘述：
其中，为对象视觉特征，/>由N个特征组成，包括光谱、纹理、几何特征；ck为第k种土地覆盖类型，ck(1≤k≤K)，K为正整数；sj为空间结构类型sj(1≤j≤J)；fi(1≤i≤M)表示第i个功能区类型；z为城市景观遥感影像中待分类的功能区；/>为当前土地属于土地覆盖类别ck(1≤k≤K)的概率；p(ck|st,z)代表ck类土地覆盖在场景z中的比例；为ck土地覆盖类别中对象视觉特征的概率分布；p(st|z)为st属于z的概率值；p(fi|z)为城市景观遥感影像z属于功能区类型fi的概率值；/>为是cn的视觉特征的出现概率；p(cn|fi,sj)表示sj中cn的频率分布。
在上述实施例的基础上，本实施例中对预设停止条件进行说明，预设停止条件包括：达到预设循环次数；或当前土地覆盖类型与新的当前土地覆盖类型相比没有发生变动。也就是说，可以设定循环次数为1、2、3……等正整数，从而可以实现预设次数的循环，当然，也可以对当前土地覆盖类型和新生成的当前土地覆盖类型进行比较，如果没有发生改变，则说明不需要进行继续循环了，即使再进行循环，得到的各部分结果也不会发生改变。
下面对本发明实施例提供的城市景观分类优化装置进行描述，下文描述的城市景观分类优化装置与上文描述的城市景观分类优化方法可相互对应参照。
请参考图4，图4为本发明实施例提供一种城市景观分类优化装置的组成示意图。
在本方又一具体实施方式中欧冠，本发明实施例提供一种城市景观分类优化装置400，包括：
土地类型识别模块410，用于获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；
空间类型获得模块420，用于基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；
功能类型确定模块430，用于基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；
循环调整模块440，用于利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并触发所述空间类型获得模块直到达到预设停止条件。
本发明实施例提供的一种城市景观分类优化方法及装置、设备及介质，通过利用识别到的功能区类型反馈对识别到的土地覆盖类型进行重新的调整识别，从而使得正向识别和反馈调整相结合，识别的结果更加准确，能够更加准确地对城市中的景观进行分类。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行一种城市景观分类优化方法，该方法包括S1：获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；S2：基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；S3：基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；S4：利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并进入步骤S2直到达到预设停止条件。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态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以执行上述各实施例提供的一种城市景观分类优化方法，该方法包括S1：获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；S2：基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；S3：基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；S4：利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并进入步骤S2直到达到预设停止条件。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种城市景观分类优化方法，其特征在于，包括：
S1：获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；
S2：基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；
S3：基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；
S4：利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并进入步骤S2直到达到预设停止条件；
所述基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型，包括：
根据概率公式确定城市景观遥感影像z属于功能区类型fi的概率值p(fi|z)；
根据所述概率值p(fi|z)确定对应的当前功能区类型；
所述概率公式如下：
其中，为对象视觉特征；ck为第k种土地覆盖类型，ck(1≤k≤K)；sj为空间结构类型sj(1≤j≤J)；fi(1≤i≤M)表示第i个功能区类型，K、J、M均为正整数；z为城市景观遥感影像中待分类的功能区；/>为场景z中对象视觉特征/>的频率分布；/>为在fi功能区中的对象视觉特征/>的概率分布；p(z)为城市景观遥感影像z出现的概率，为常数；/>是指fi中对象视觉特征的概率分布，p(sj|fi)是指fi中sj的出现概率，/>表示fi中si的视觉特征的出现概率；p(ck|fi,sj)表示sj中ck的频率分布；/>是ck的视觉特征的出现概率。
2.根据权利要求1所述的城市景观分类优化方法，其特征在于，所述获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型包括：
获取城市景观遥感影像；
对所述城市景观遥感影像进行对象分割，得到影像对象图像；
对所述影像对象图像进行特征提取，得到对象视觉特征；
基于所述视觉特征识别得到与所述城市景观遥感影像对应的当前土地覆盖类型。
3.根据权利要求2所述的城市景观分类优化方法，其特征在于，所述对象视觉特征包括：光谱特征、纹理特征、几何特征、色彩特征中的一种或一种以上的组合。
4.根据权利要求1所述的城市景观分类优化方法，其特征在于，所述基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型包括：
对当前土地覆盖类型进行密度聚类，得到密度聚类G函数的函数值；
根据所述函数值与空间结构类型的对应关系确定与所述城市景观遥感影像对应的当前空间结构类型。
5.根据权利要求1所述的城市景观分类优化方法，其特征在于，所述利用当前功能区类型对当前土地覆盖类型进行反馈调整，包括：
根据反馈概率公式对当前土地覆盖类型进行概率计算，得到概率结果：
根据概率结果重新确定新的当前土地覆盖类型；
所述反馈概率公式如下：
其中，为对象视觉特征，/>由N个特征组成，包括光谱、纹理、几何特征；ck为第k种土地覆盖类型，ck(1≤k≤K)，K为正整数；sj为空间结构类型sj(1≤j≤J)；fi(1≤i≤M)表示第i个功能区类型；z为城市景观遥感影像中待分类的功能区；/>为当前土地属于土地覆盖类别ck(1≤k≤K)的概率；p(ck|st,z)代表ck类土地覆盖在场景z中的比例；/>为ck土地覆盖类别中对象视觉特征的概率分布；p(st|z)为st属于z的概率值；p(fi|z)为城市景观遥感影像z属于功能区类型fi的概率值；/>为是cn的视觉特征的出现概率；p(cn|fi,sj)表示sj中cn的频率分布。
6.根据权利要求1至5任一项所述的城市景观分类优化方法，其特征在于，述预设停止条件包括：达到预设循环次数；
或当前土地覆盖类型与新的当前土地覆盖类型相比没有发生变动。
7.一种城市景观分类优化装置，其特征在于，包括：
土地类型识别模块，用于获取城市景观遥感影像，并基于城市景观遥感影像识别当前土地覆盖类型；
空间类型获得模块，用于基于当前土地覆盖类型获得与所述城市景观遥感影像对应的当前空间结构类型；
功能类型确定模块，用于基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型；
循环调整模块，用于利用当前功能区类型对当前土地覆盖类型进行反馈调整，得到新的当前土地覆盖类型，并触发所述空间类型获得模块直到达到预设停止条件；
所述基于当前空间结构类型确定与所述城市景观遥感影像对应的当前功能区类型，包括：
根据概率公式确定城市景观遥感影像z属于功能区类型fi的概率值p(fi|z)；
根据所述概率值p(fi|z)确定对应的当前功能区类型；
所述概率公式如下：
其中，为对象视觉特征；ck为第k种土地覆盖类型，ck(1≤k≤K)；sj为空间结构类型sj(1≤j≤J)；fi(1≤i≤M)表示第i个功能区类型，K、J、M均为正整数；z为城市景观遥感影像中待分类的功能区；/>为场景z中对象视觉特征/>的频率分布；/>为在fi功能区中的对象视觉特征/>的概率分布；p(z)为城市景观遥感影像z出现的概率，为常数；是指fi中对象视觉特征的概率分布，p(sj|fi)是指fi中sj的出现概率，/>表示fi中si的视觉特征的出现概率；p(ck|fi,sj)表示sj中ck的频率分布；/>是ck的视觉特征的出现概率。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述城市景观分类优化方法的步骤。
9.一种非暂态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如权利要求1至6任一项所述城市景观分类优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011096001.2A CN112183444B (zh) | 2020-10-14 | 2020-10-14 | 城市景观分类优化方法及装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011096001.2A CN112183444B (zh) | 2020-10-14 | 2020-10-14 | 城市景观分类优化方法及装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183444A CN112183444A (zh) | 2021-01-05 |
| CN112183444B true CN112183444B (zh) | 2024-02-13 |
Family
ID=73950011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011096001.2A Active CN112183444B (zh) | 2020-10-14 | 2020-10-14 | 城市景观分类优化方法及装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183444B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611638B (zh) * | 2022-05-13 | 2022-10-18 | 华中农业大学 | 一种基于尺度自适应的乡村景观功能区划分方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
-
2020
- 2020-10-14 CN CN202011096001.2A patent/CN112183444B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| "Integrating bottom-up classification and top-down feedback for improving urban land-cover and functional-zone mapping;Xiuyuan Zhang等;《Remote Sensing of Environment》;说明书第2-3章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183444A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764085B (zh) | 基于生成对抗网络的人群计数方法 | |
| CN107784663B (zh) | 基于深度信息的相关滤波跟踪方法及装置 | |
| Xu et al. | Multiple-entity based classification of airborne laser scanning data in urban areas | |
| EP3614308A1 (en) | Joint deep learning for land cover and land use classification | |
| CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
| Sumer et al. | An adaptive fuzzy-genetic algorithm approach for building detection using high-resolution satellite images | |
| CN108846826A (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
| CN109029363A (zh) | 一种基于深度学习的目标测距方法 | |
| Yu | Segmentation using multiscale cues | |
| Gwet et al. | A review on image segmentation techniques and performance measures | |
| CN114386466B (zh) | 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法 | |
| Chi | Self‐organizing map‐based color image segmentation with k‐means clustering and saliency map | |
| CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
| CN112488996A (zh) | 非齐次三维食管癌能谱ct弱监督自动标注方法与系统 | |
| CN112183444B (zh) | 城市景观分类优化方法及装置、设备及介质 | |
| Deeksha et al. | Classification of Brain Tumor and its types using Convolutional Neural Network | |
| Ghamisi et al. | Extending the fractional order Darwinian particle swarm optimization to segmentation of hyperspectral images | |
| CN113609887A (zh) | 深度学习与浅层学习决策融合的海面溢油检测方法 | |
| Abraham et al. | A fuzzy based road network extraction from degraded satellite images | |
| CN113160146A (zh) | 一种基于图神经网络的变化检测方法 | |
| Albalooshi et al. | Deep belief active contours (DBAC) with its application to oil spill segmentation from remotely sensed sea surface imagery | |
| Shetty et al. | Skin cancer detection using image processing: A review | |
| Hassan et al. | Salient object detection based on CNN fusion of two types of saliency models | |
| CN114067360A (zh) | 一种行人属性检测方法及装置 | |
| CN113326790A (zh) | 基于异常检测思维的胶囊机器人排水管病害检测方法 |
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 |