CN112580511A - 道路面积率的估算方法、装置、设备及存储介质 - Google Patents

道路面积率的估算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112580511A
CN112580511A CN202011515031.2A CN202011515031A CN112580511A CN 112580511 A CN112580511 A CN 112580511A CN 202011515031 A CN202011515031 A CN 202011515031A CN 112580511 A CN112580511 A CN 112580511A
Authority
CN
China
Prior art keywords
road
image
data
estimating
image data
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.)
Pending
Application number
CN202011515031.2A
Other languages
English (en)
Inventor
胡珊
岳晓琴
李骁
周晓穗
李振文
李孔加
胡均
杨书航
李飘燕
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 City Planning And Design Institute
Original Assignee
Guangzhou City Planning And Design Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou City Planning And Design Institute filed Critical Guangzhou City Planning And Design Institute
Priority to CN202011515031.2A priority Critical patent/CN112580511A/zh
Publication of CN112580511A publication Critical patent/CN112580511A/zh
Pending legal-status Critical Current

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
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及地理信息处理技术领域，公开了一种道路面积率的估算方法、装置、设备及存储介质，所述方法包括：获取高分辨率卫星地图影像的影像数据；根据所述影像数据创建道路训练样本；根据所述道路训练样本构建道路识别模型；使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像；对所述道路灰度图像进行密度分割获取道路图斑栅格数据；根据所述道路图斑栅格数据估算道路面积率。本发明实施例提供的一种道路面积率的估算方法、装置、设备及存储介质，能够提高道路面积率估算的速度及降低人工成本。

Description

道路面积率的估算方法、装置、设备及存储介质
技术领域
本发明涉及地理信息处理技术领域，特别是涉及一种道路面积率的估算方法、装置、设备及存储介质。
背景技术
城市道路的面积率对于了解城市交通专项规划发展现状、评价城市发展情况具有重要意义。道路面积率指一定的地区范围内，各级道路用地面积之和与城市或该地区总用地面积之比值。道路面积率是城市规划核算土地利用和道路网规划设计经济合理性的重要指标之一，因此快速实现道路指标提取是提高规划决策效率的重要手段，具有重要的研究价值。
目前，在日常城市规划分析场景中，城市道路专题地图的采集与处理主要采用人工采集再统计的方法(依据地形图或卫星图片徒手勾绘，人工统计及计算)。该方法采集精度较高，但存在以下缺陷：①采集周期长、统计效率低，不适宜快速决策支持；②需要大量专业技术人员，人工成本较高。
发明内容
本发明实施例所要解决的技术问题是：提供一种道路面积率的估算方法、装置、设备及存储介质，基于高分辨率卫星影像对道路进行识别，提高道路面积率估算的速度及降低人工成本。
为了解决上述技术问题，第一方面，本发明实施例提供一种道路面积率的估算方法，所述方法包括：
获取高分辨率卫星地图影像的影像数据；
根据所述影像数据创建道路训练样本；
根据所述道路训练样本构建道路识别模型；
使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像；
对所述道路灰度图像进行密度分割获取道路图斑栅格数据；
根据所述道路图斑栅格数据估算道路面积率。
作为一个优选方案，所述根据所述影像数据创建道路训练样本，具体包括：
从所述影像数据中选取目标区域；其中，所述目标区域包括所述影像数据中所有道路要素类型；
根据所述目标区域创建ROI图层；其中，所述ROI图层勾选了所述目标区域中所有需要识别的道路要素；
根据所述ROI图层生成道路标签栅格，完成所述道路训练样本的创建。
作为一个优选方案，所述根据所述道路训练样本构建道路识别模型，具体包括：
创建深度学习模型，并设置初始参数；
根据所述道路训练样本训练所述深度学习模型；
将训练好的深度学习模型作为所述道路识别模型。
作为一个优选方案，所述使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像，具体包括：
在遥感图像处理平台的深度学习向导中执行分类；
在弹出的对话框中选择所述影像数据以及所述道路识别模型；
设置道路栅格的输出路径，提取所述道路灰度图像。
作为一个优选方案，所述对所述道路灰度图像进行密度分割获取道路图斑栅格数据，具体包括：
通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述道路灰度图像进行密度分割；
将密度分割之后的道路灰度图像输出保存，得到所述道路图斑栅格数据。
作为一个优选方案，所述根据所述道路图斑栅格数据估算道路面积率，具体为：
通过遥感图像处理平台的快速计算选项，查看所述道路图斑栅格数据中的道路占比，将所述道路占比作为所述道路面积率。
作为一个优选方案，所述获取高分辨率卫星地图影像的影像数据，具体包括：
通过地图下载器框选研究范围；
选择下载类型、影像级别以及数据类型；
下载数据，获取所述高分辨率卫星地图影像的影像数据。
为了解决上述技术问题，第二方面，本发明实施例提供一种道路面积率的估算装置，所述装置包括：
影像数据获取模块，用于获取高分辨率卫星地图影像的影像数据；
训练样本创建模块，用于根据所述影像数据创建道路训练样本；
识别模型构建模块，用于根据所述道路训练样本构建道路识别模型；
灰度图像提取模块，用于使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像；
图斑栅格数据获取模块，用于对所述道路灰度图像进行密度分割获取道路图斑栅格数据；
面积率估算模块，用于根据所述道路图斑栅格数据估算道路面积率。
为了解决上述技术问题，第三方面，本发明实施例提供一种终端设备，所述终端设备包括存储器、处理器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述计算机程序由所述处理器执行时实现如第一方面任一项所述的道路面积率的估算方法。
为了解决上述技术问题，第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现如第一方面任一项所述的道路面积率的估算方法。
与现有技术相比，本发明实施例提供的一种道路面积率的估算方法、装置、设备及存储介质，其有益效果在于：
(1)基于高分辨率卫星地图影像识别、提取道路的图斑范围，具有原理简单，易于实现的特点，可以实现半自动化道路指标快速估算，适用于各类道路的面积的统计；
(2)有利于规划高效决策，一是实现快速现状测算——测算现状道路面积率，与规划情况进行对比；二是便于分析研究——高效测算不同城市、不同区域的道路面积率，分析对比；三是利于规划验收——建成后快速测评道路面积率。
附图说明
为了更清楚地说明本发明实施例的技术特征，下面将对本发明实施例中所需要使用的附图做简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域技术人员来说，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是本发明提供的一种道路面积率的估算方法的一个优选实施例的流程示意图；
图2是本发明提供的道路要素的一个优选实施例的要素示意图；
图3是本发明提供的一种道路面积率的估算装置的一个优选实施例的结构示意图；
图4是本发明提供的一种终端设备的一个优选实施例的结构示意图。
具体实施方式
为了对本发明的技术特征、目的、效果有更加清楚的理解，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但是不用来限制本发明的保护范围。基于本发明的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的其他实施例，都应属于本发明的保护范围。
在本发明的描述中，应当理解的是，本文中的编号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有顺序或者技术含义，不能理解为规定或者暗示所描述的对象的重要性。
图1所示为本发明提供的一种道路面积率的估算方法的一个优选实施例的流程示意图。
如图1所示，所述方法包括：
S11：获取高分辨率卫星地图影像的影像数据；
S12：根据所述影像数据创建道路训练样本；
S13：根据所述道路训练样本构建道路识别模型；
S14：使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像；
S15：对所述道路灰度图像进行密度分割获取道路图斑栅格数据；
S16：根据所述道路图斑栅格数据估算道路面积率。
具体而言，首先通过地图下载器获取高分辨率卫星影像的影像数据。其次基于影像数据创建道路的训练样本。然后基于训练样本构建深度学习模型并进行训练，随后根据训练好的模型，对整体影像数据进行分类，提取道路的灰度图像。接着确定分割阈值，对灰度图像进行密度分割，得到道路的图斑栅格数据。最后再根据图斑栅格数据计算道路的占比数据，并估算道路面积率。
本发明实施例提供的一种道路面积率估算方法，基于高分辨率卫星影像对道路进行识别、提取，能够提高道路面积率估算的速度及降低人工成本。
在一个优选实施例中，步骤S11具体包括：
S111：通过地图下载器框选研究范围；
S112：选择下载类型、影像级别以及数据类型；
S113：下载数据，获取所述高分辨率卫星地图影像的影像数据。
需要说明的是，不同电子地图平台服务商提供不同精度级别的地图影像，如百度地图的影像级别按像素分辨率从大到小分别是0.25米、 0.50米、1.00米、2.00米……等，Google地图的影像级别按像素分辨率从大到小分别是0.12米、0.24米、0.49米、0.97米、1.94米……等。
本实施例中通过Bigemap、91卫图助手等地图下载器，选取研究区域，选择GoogleMap影像地图；城市道路红线宽度一般为14-50米，为了尽可能高精度识别对象，影像数据的像素分辨率应大于2米，下载影像级别选择为第16-20级。下载时不叠加道路地名信息，并选择影像数据类型进行下载，获得高分辨率卫星地图影像的影像数据。
在一个优选实施例中，步骤S12具体包括：
S121：从所述影像数据中选取目标区域；其中，所述目标区域包括所述影像数据中所有道路要素类型；
S122：根据所述目标区域创建ROI(Region of Interest)图层；其中，所述ROI图层勾选了所述目标区域中所有需要识别的道路要素；
S123：根据所述ROI图层生成道路标签栅格，完成所述道路训练样本的创建。
其中，本实施例的所有道路要素类型是根据《城市综合交通体系规划标准(GBT51328-2018)》纳入统计的道路，如图2所示，道路要素包括但不限于快速路、主干路(包括Ⅰ级主干道、Ⅱ级主干道、Ⅲ级主干道以及公交专用道路)、次干路、一级支路、以及承担城市景观展示、旅游交通组织的特殊道路。
具体而言，选取步骤S11中获取的整景影像数据中的目标区域(该区域中包含整景影像范围内所识别道路要素的所有地物类型)，通过 ENVI(可选用版本5.6，win10平台)的ROI工具分别在独立ROI图层中勾勒出道路要素，生成道路标签栅格，完成道路训练样本的创建。
在一个优选实施例中，步骤S13具体包括：
S131：创建深度学习模型，并设置初始参数；
S132：根据所述道路训练样本训练所述深度学习模型；
S133：将训练好的深度学习模型作为所述道路识别模型。
具体而言，在创建深度学习模型时，初始化道路的深度学习模型，需要设置切片大小(patch size)、波段数量(Number of Bands)及类别数量(Number of Classes)。参数设置如下：
①切片是指传入深度学习模型进行训练的小图片，训练深度学习模型的过程就是将所述步骤S12中生成的标签栅格(即训练样本)切割为若干个小图片传入深度学习模型进行训练。遥感图像处理平台 (ENVI)所支持切片大小的设置范围为208-784个像素，切片越大，对电脑配置的要求越高，且切片大小不能大于标签栅格的栅格行列数大小。故本实施例中切片大小选择为208。
②波段数量是指卫星地图影像波段个数。电子地图下载器所提供的卫星影像波段数为3。
③类别数量是指识别的地物类型。本实施例为单一类型的地物识别(即道路)，该参数设置为1。
进一步的，在训练深度学习模型时，需要将标签栅格(训练样本) 反复地暴露在模型中。随着训练的进行，模型将学习把标签图像中的光谱和空间信息转换为“CAM灰度图”(Class Activation Map/Raster 类激活灰度图)，高亮显示所要提取的目标。在第一次训练过程中，模型尝试初始猜测并生成一个随机CAM灰度图，将其与标签图像中的掩膜波段进行对比。通过一个损失函数，模型可以知道它的随机猜测结果哪些地方是错误的。模型通过多次对照调整自身内部参数或权重，使其更加准确。
训练深度学习模型步骤具体为：在遥感图像处理平台(ENVI)深度学习向导初始化一个新的模型，设置模型训练参数，训练步骤S12 中的道路训练样本，通过模型对研究区域中的另一子区域进校校验分类结果，若识别结果理想则模型训练完成(文件格式为“.h5”)，可进一步识别整景卫星地图影像；若不理想则需要再次训练模型。再次训练模型则需要另选取典型子区域勾勒所需要素的样本对象，并在原训练模型中增加训练数据，更新训练结果。
优选的，训练时的相关参数设置如下：
①Number of Epochs：指迭代次数，表示全部数据集传入训练模型的周期。为了得到识别精度较好的模型，需要多次迭代来充分训练模型。迭代次数取决于所需学习的特征集的多样性，没有确切的数字，一般情况下需要做足够多的迭代次数来调整模型。遥感图像处理平台 (ENVI)中迭代次数默认数为25，可视道路要素的复杂性与多样性建议把迭代次数设置在16～32之间。
②Number of Patches per Epoch：指每次迭代训练的总切片数(模型训练的量)。对于小的数据集此值可以设低，对于大的数据集建议此值设高，一般在200～1000之间。
③Number of Patches per Batch：指一次迭代同时处理的一组切片的切片数，Batches在一次迭代中运行，直到切片数量超过一次迭代设定的总切片数(及Number ofPatches per Epoch)。可缺省为空，ENVI将自动确定合适的值。
④Patch Sampling Rate：指切片采样比率，表示一次迭代中所采用切片占标签图像所有切片的比率。缺省值为16，当特征稀疏时或切片较小时，增加该值可以提升模型精度。
其中，可视道路要素在标签图像中分布程度确定该值，若较为密集，切片采样比率优选为16～30；若分布较为稀疏，切片采样比率优选为50以上。
⑤Class Weight：指选择切片的类别权重大小。一般来说需要为训练样本分布较为稀疏的标签图像设置Class Weight最大值，其余情况缺省即可。为避免目标要素在标签图像中的分布过于稀疏的、遥感图像处理平台(ENVI)自动选择切片时选择了完全由非目标要素组成的切片，可设置Class Weight的最大值(默认为2，即所分析的切片中，目标栅格与背景栅格的比例为2:1)用于偏差切片选择，最大值有效范围为0.0～6.0。最小值设置为0，模型训练过程中选择Class weight值最大的切片依次减小到最小值，当切片中目标栅格与背景栅格无限趋近于0 时结束该次迭代。
其中，若道路要素在标签图像中分布较为密集，类别权重大小最小值0，最大值2.0；若分布较为稀疏，类别权重大小最小值0，最大值6.0。
⑥Loss Weight：指偏差损失权重。此参数在特征目标稀疏分布或者没有标记所有特征时，增加Loss Weight会使得损失函数偏向于寻找特征像素，该参数有效范围值为0.0～3.0。
其中，若道路要素在标签图像中分布较为密集，该值可缺省；若分布较为稀疏，该值设置为3.0。
⑦Solid Distance：为实体距离，设置改参数应用于线状或者点状样本的训练(如汽车、集装箱等)，默认为0。
⑧Blur Distance：指模糊距离，通常应用于具有锐利边界目标的提取，例如房屋等，设置越大提取的边界越圆滑，越小提取的边界越尖锐。最大值缺省为10，所设置数值不超过70，最小值缺省为0。
为提取较为圆滑的对象边界，本实施例道路的模糊距离最大值设为50，最小值设为5。
深度学习模型校验步骤具体为：将得到的深度学习模型应用于整景卫星地图影像的另一子区域，校验所提取的目标要素，若对结果满意(例如，所生成CAM图高亮区域与实际勾勒要素重合率达90％以上) 符合预期，则模型训练结束；若对结果不满(即提取要素存在偏差，重合率低于90％)，则需另选典型区域生成标签栅格，重复加载入步骤 S13所得学习模型中进行模型训练，重复校验。
在一个优选实施例中，步骤S14具体包括：
S141：在遥感图像处理平台的深度学习向导中执行分类；
S142：在弹出的对话框中选择所述影像数据以及所述道路识别模型；
S143：设置道路栅格的输出路径，提取所述道路灰度图像。
其中，遥感图像处理平台采用ENVI，但是本发明实施例不限于此。
具体而言，在遥感图像处理平台深度学习向导中选择Classify Raster Using aTrained Model，在弹出的对话框中选择待分类的整体影像数据和步骤S13所得道路深度学习模型，设置分类激活栅格的输出路径，可进行影像数据要素分类。分类结果得到一个类激活灰度图，灰度图中每个像元大致表示属于目标类别的概率大小，阈值范围为0～1，数值越大表示识别为所需对象的概率越大。
在一个优选实施例中，步骤S15具体包括：
S151：通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述道路灰度图像进行密度分割；
S152：将密度分割之后的道路灰度图像输出保存，得到所述道路图斑栅格数据。
其中，遥感图像处理平台采用ENVI，但是本发明实施例不限于此。
具体而言，灰度图中每个像元的值是遥感图像处理平台深度学习的分类执行结果，整个图像的每一个栅格都有一个0～1值，数值越大表示识别为所需对象的概率越大。作为一个举例，在道路识别的时候，栅格概率值为0.6以上的大部分都是我们所需要的识别对象，那么该过程就要就把阈值设为0.6，去除概率值为0.6以下的所有栅格。
至于这个值是如何调整，则可选取以下两者之一：
(1)拖动阈值条，通过人工观测判断；
(2)阈值设为0，选择自动调整分割阈值。
在一个优选实施例中，步骤S16具体为：
通过遥感图像处理平台的快速计算选项，查看所述道路图斑栅格数据中的道路占比，将所述道路占比作为所述道路面积率。
具体而言，在遥感图像处理平台(ENVI)中右键点击步骤S15所得道路图斑栅格数据文件，通过快速计算选项查看要素占比数据，计算图斑面积。作为一个举例，在快速计算选项中计算得到道路占整景面积比例为24.1％，则可将该值作为道路面积率的估算值。
应当理解，本发明实现上述道路面积率的估算方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述道路面积率的估算方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
图3所示为本发明提供的一种道路面积率的估算装置的一个优选实施例的结构示意图，所述装置能够实现上述任一实施例所述的道路面积率的估算方法的全部流程。
如图3所示，所述装置包括：
影像数据获取模块，用于获取高分辨率卫星地图影像的影像数据；
训练样本创建模块，用于根据所述影像数据创建道路训练样本；
识别模型构建模块，用于根据所道路训练样本构建道路识别模型；
灰度图像提取模块，用于使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像；
图斑栅格数据获取模块，用于对所述道路灰度图像进行密度分割获取道路图斑栅格数据；
面积率估算模块，用于根据所述道路图斑栅格数据估算道路面积率。具体而言，首先通过影像数据获取模块获取高分辨率卫星影像的影像数据。其次通过训练样本创建模块基于影像数据创建道路的训练样本。然后通过识别模型构建模块基于训练样本构建深度学习模型并进行训练，随后通过灰度图像提取模块根据训练好的模型，对整体影像数据进行分类，提取道路的灰度图像。接着通过图斑栅格数据获取模块确定分割阈值，对灰度图像进行密度分割，得到道路的图斑栅格数据。最后再通过面积率估算模块根据图斑栅格数据计算道路的占比数据，并估算道路面积率。
优选的，所述影像数据获取模块具体包括：
框选单元，用于通过地图下载器框选研究范围；
选择单元，用于选择下载类型、影像级别以及数据类型；
下载单元，用于下载数据，获取所述高分辨率卫星地图影像的影像数据。
优选的，所述训练样本创建模块具体包括：
区域选择单元，用于从所述影像数据中选取目标区域；其中，所述目标区域包括所述影像数据中所有道路要素类型；
ROI图层创建单元，用于根据所述目标区域创建ROI图层；其中，所述ROI图层勾选了所述目标区域中所有需要识别的道路要素；
标签栅格生成单元，用于根据所述ROI图层生成道路标签栅格，完成所述道路训练样本的创建。
优选的，所述识别模型构建模块具体包括：
模型创建单元，用于创建深度学习模型，并设置初始参数；
模型训练单元，用于根据所述道路训练样本训练所述深度学习模型；
模型选择单元，用于将训练好的深度学习模型作为所述道路识别模型。
优选的，所述灰度图像提取模块具体包括：
执行分类单元，用于在遥感图像处理平台的深度学习向导中执行分类；
数据选择单元，用于在弹出的对话框中选择所述影像数据以及所述道路识别模型；
图像提取单元，用于设置道路栅格的输出路径，提取所述道路灰度图像。
优选的，所述图斑栅格数据获取模块具体包括：
密度分割单元，用于通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述道路灰度图像进行密度分割；
栅格获取单元，用于将密度分割之后的道路灰度图像输出保存，得到所述道路图斑栅格数据。
优选的，所述面积率估算模块具体用于：通过遥感图像处理平台的快速计算选项，查看所述道路图斑栅格数据中的道路占比，将所述道路占比作为所述道路面积率。
本发明实施例提供的一种道路面积率的估算装置，基于高分辨率卫星影像对道路进行识别、提取，能够提高道路面积率估算的速度及降低人工成本。
图4所示为本发明提供的一种终端设备的一个优选实施例的结构示意图，所述设备能够实现上述任一实施例所述的道路方法的全部流程。
如图4所示，所述设备包括存储器、处理器；其中，所述存储器中存储有计算机程序，所述计算机程序被配置为由所述处理器执行，且被所述处理器执行时实现如上述任一实施例所述的道路面积率的估算方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD) 卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述终端设备包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图4结构示意图仅仅是上述终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多部件，或者组合某些部件，或者不同的部件。
与现有技术相比，本发明实施例提供的一种道路面积率的估算方法、装置、设备及存储介质，其有益效果在于：
(1)基于高分辨率卫星地图影像识别、提取道路的图斑范围，具有原理简单，易于实现的特点，可以实现半自动化道路指标快速估算，适用于各类道路的面积的统计；
(2)有利于规划高效决策，一是实现快速现状测算——测算现状道路面积率，与规划情况进行对比；二是便于分析研究——高效测算不同城市、不同区域的道路面积率，分析对比；三是利于规划验收——建成后快速测评道路面积率。
以上所述，仅是本发明的优选实施方式，但本发明的保护范围并不局限于此，应当指出，对于本领域技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干等效的明显变型方式和/或等同替换方式，这些明显变型方式和/或等同替换方式也应视为本发明的保护范围。

Claims (10)

1.一种道路面积率的估算方法，其特征在于，包括：
获取高分辨率卫星地图影像的影像数据；
根据所述影像数据创建道路训练样本；
根据所述道路训练样本构建道路识别模型；
使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像；
对所述道路灰度图像进行密度分割获取道路图斑栅格数据；
根据所述道路图斑栅格数据估算道路面积率。
2.根据权利要求1所述的道路面积率的估算方法，其特征在于，所述根据所述影像数据创建道路训练样本，具体包括：
从所述影像数据中选取目标区域；其中，所述目标区域包括所述影像数据中所有道路要素类型；
根据所述目标区域创建ROI图层；其中，所述ROI图层勾选了所述目标区域中所有需要识别的道路要素；
根据所述ROI图层生成道路标签栅格，完成所述道路训练样本的创建。
3.根据权利要求1所述的道路面积率的估算方法，其特征在于，所述根据所述道路训练样本构建道路识别模型，具体包括：
创建深度学习模型，并设置初始参数；
根据所述道路训练样本训练所述深度学习模型；
将训练好的深度学习模型作为所述道路识别模型。
4.根据权利要求1所述的道路面积率的估算方法，其特征在于，所述使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像，具体包括：
在遥感图像处理平台的深度学习向导中执行分类；
在弹出的对话框中选择所述影像数据以及所述道路识别模型；
设置道路栅格的输出路径，提取所述道路灰度图像。
5.根据权利要求1所述的道路面积率的估算方法，其特征在于，所述对所述道路灰度图像进行密度分割获取道路图斑栅格数据，具体包括：
通过遥感图像处理平台的密度分割工具，人工拖动分割阈值条判断或者选择自动调整分割阈值对所述道路灰度图像进行密度分割；
将密度分割之后的道路灰度图像输出保存，得到所述道路图斑栅格数据。
6.根据权利要求1所述的道路面积率的估算方法，其特征在于，所述根据所述道路图斑栅格数据估算道路面积率，具体为：
通过遥感图像处理平台的快速计算选项，查看所述道路图斑栅格数据中的道路占比，将所述道路占比作为所述道路面积率。
7.根据权利要求1所述的道路面积率的估算方法，其特征在于，所述获取高分辨率卫星地图影像的影像数据，具体包括：
通过地图下载器框选研究范围；
选择下载类型、影像级别以及数据类型；
下载数据，获取所述高分辨率卫星地图影像的影像数据。
8.一种道路面积率的估算装置，其特征在于，包括：
影像数据获取模块，用于获取高分辨率卫星地图影像的影像数据；
训练样本创建模块，用于根据所述影像数据创建道路训练样本；
识别模型构建模块，用于根据所述道路训练样本构建道路识别模型；
灰度图像提取模块，用于使用所述道路识别模型对所述影像数据进行识别，提取道路灰度图像；
图斑栅格数据获取模块，用于对所述道路灰度图像进行密度分割获取道路图斑栅格数据；
面积率估算模块，用于根据所述道路图斑栅格数据估算道路面积率。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述计算机程序由所述处理器执行时实现如权利要求1至7任一项所述的道路面积率的估算方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现如权利要求1至7任一项所述的道路面积率的估算方法。
CN202011515031.2A 2020-12-18 2020-12-18 道路面积率的估算方法、装置、设备及存储介质 Pending CN112580511A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011515031.2A CN112580511A (zh) 2020-12-18 2020-12-18 道路面积率的估算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011515031.2A CN112580511A (zh) 2020-12-18 2020-12-18 道路面积率的估算方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112580511A true CN112580511A (zh) 2021-03-30

Family

ID=75136367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011515031.2A Pending CN112580511A (zh) 2020-12-18 2020-12-18 道路面积率的估算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112580511A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139975A (zh) * 2021-04-19 2021-07-20 国交空间信息技术（北京）有限公司 一种基于道路特征的路面分割方法及装置
CN113421459A (zh) * 2021-06-22 2021-09-21 中国民用航空总局第二研究所 一种无人机飞行导致的地面交通风险监测方法及系统
CN114743096A (zh) * 2022-03-21 2022-07-12 东华理工大学 一种区域滑坡识别方法、装置及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111274968A (zh) * 2020-01-20 2020-06-12 广州市城市规划自动化中心 面向对象的道路信息提取方法、装置及电子设备
WO2020172875A1 (zh) * 2019-02-28 2020-09-03 深圳市大疆创新科技有限公司 道路结构信息的提取方法、无人机及自动驾驶系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020172875A1 (zh) * 2019-02-28 2020-09-03 深圳市大疆创新科技有限公司 道路结构信息的提取方法、无人机及自动驾驶系统
CN111274968A (zh) * 2020-01-20 2020-06-12 广州市城市规划自动化中心 面向对象的道路信息提取方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUANGLIANG CHENG等: "Automatic Road Detection and Centerline Extraction via Cascaded End-to-End Convolutional Neural Network", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 55, no. 6, 30 June 2017 (2017-06-30), XP011650403, DOI: 10.1109/TGRS.2017.2669341 *
贺浩等: "基于Encoder-Decoder网络的遥感影像道路提取方法", 《测绘学报》, vol. 48, no. 3, 31 March 2019 (2019-03-31), pages 1 - 2 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139975A (zh) * 2021-04-19 2021-07-20 国交空间信息技术（北京）有限公司 一种基于道路特征的路面分割方法及装置
CN113139975B (zh) * 2021-04-19 2023-11-17 国交空间信息技术（北京）有限公司 一种基于道路特征的路面分割方法及装置
CN113421459A (zh) * 2021-06-22 2021-09-21 中国民用航空总局第二研究所 一种无人机飞行导致的地面交通风险监测方法及系统
CN113421459B (zh) * 2021-06-22 2022-08-02 中国民用航空总局第二研究所 一种无人机飞行导致的地面交通风险监测方法及系统
CN114743096A (zh) * 2022-03-21 2022-07-12 东华理工大学 一种区域滑坡识别方法、装置及系统

Similar Documents

Publication Publication Date Title
CN113095303B (zh) 模型训练方法及林地变化检测方法及系统及装置及介质
CN112580511A (zh) 道路面积率的估算方法、装置、设备及存储介质
CN111028255B (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN112052755A (zh) 基于多路注意力机制的语义卷积高光谱图像分类方法
CN104700099A (zh) 识别交通标志的方法和装置
CN109242826B (zh) 基于目标检测的移动设备端签状物根数计数方法及系统
CN106780503A (zh) 基于后验概率信息熵的遥感图像最优分割尺度确定方法
CN112182269B (zh) 图像分类模型的训练、图像分类方法、装置、设备及介质
CN115861837A (zh) 基于Ares-UNet++网络的耕地识别方法及相关装置
Kathuria et al. Development of an automated individual tree detection model using point cloud LiDAR data for accurate tree counts in a Pinus radiata plantation
CN113160239A (zh) 一种违法用地检测方法及装置
CN111860465A (zh) 基于超像素的遥感图像提取方法、装置、设备及存储介质
CN114266932B (zh) 一种基于自学习的遥感多光谱数据半监督标注方法
CN113298042B (zh) 遥感影像数据的处理方法及装置、存储介质、计算机设备
CN117688478A (zh) 一种基于多循环分类的耕地土壤含盐量反演方法
CN112580510B (zh) 可渗透地面面积率的估算方法、装置、设备及存储介质
CN112561348A (zh) 一种路网密度的估算方法、装置、设备及存储介质
CN112858181A (zh) 黑臭水体监测方法、装置及电子设备
CN116994071A (zh) 一种基于自适应光谱残差的多光谱激光雷达点云分类方法
CN116822980A (zh) 一种基矢量引导的典型地表要素智能监测方法及系统
CN116071649A (zh) 一种遥感图像识别的方法及装置
CN113240340B (zh) 基于模糊分类的大豆种植区分析方法、装置、设备和介质
CN115035417A (zh) 一种基于Sentinel-2卫星影像的海草分布图生成方法
CN116958801A (zh) 一种针对野外露头数据的溶洞识别方法
CN115601605B (zh) 地物分类方法、装置、设备、介质及计算机程序产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510030 6th floor, archive building, 80 Jixiang Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou urban planning and Design Co.,Ltd.

Address before: 510030 6th floor, archive building, 80 Jixiang Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou city planning and Design Institute

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Xu Lige

Inventor after: Li Piaoyan

Inventor after: Hu Shan

Inventor after: Yue Xiaoqin

Inventor after: Li Xiao

Inventor after: Zhou Xiaosui

Inventor after: Li Zhenwen

Inventor after: Wang Zijing

Inventor after: Hu Jun

Inventor after: Yang Shuhang

Inventor before: Hu Shan

Inventor before: Yue Xiaoqin

Inventor before: Li Xiao

Inventor before: Zhou Xiaosui

Inventor before: Li Zhenwen

Inventor before: Li Kongjia

Inventor before: Hu Jun

Inventor before: Yang Shuhang

Inventor before: Li Piaoyan