CN112733688B - 房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质 - Google Patents

房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质 Download PDF

Info

Publication number
CN112733688B
CN112733688B CN202011643899.0A CN202011643899A CN112733688B CN 112733688 B CN112733688 B CN 112733688B CN 202011643899 A CN202011643899 A CN 202011643899A CN 112733688 B CN112733688 B CN 112733688B
Authority
CN
China
Prior art keywords
house
semantic segmentation
area
target
attribute value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011643899.0A
Other languages
English (en)
Other versions
CN112733688A (zh
Inventor
李俊
刘胜强
聂俊
杨文韬
许高武
舒文杰
蓝子璇
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.)
Institute of Advanced Technology University of Science and Technology of China
Original Assignee
Institute of Advanced Technology University of Science and Technology of China
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 Institute of Advanced Technology University of Science and Technology of China filed Critical Institute of Advanced Technology University of Science and Technology of China
Priority to CN202011643899.0A priority Critical patent/CN112733688B/zh
Publication of CN112733688A publication Critical patent/CN112733688A/zh
Application granted granted Critical
Publication of CN112733688B publication Critical patent/CN112733688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种房屋的属性值预测方法，所述方法包括以下步骤：获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域；将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果；在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域；基于所述参考区域和所述房屋区域，获得分析特征；将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值。本发明还公开了一种房屋的属性值预测装置、终端设备以及计算机可读存储介质。利用本发明的方法，解决了房屋属性值的预测速度较慢，房屋的属性值预测效率较低的技术问题。

Description

房屋的属性值预测方法、装置、终端设备以及计算机可读存储 介质
技术领域
本发明涉及语义分割、数据处理以及机器学习技术领域，特别涉及一种房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质。
背景技术
目前，房屋作为人类生活息息相关的产品，影响着人类的生活。房屋的属性值也是日新月异，房屋的属性可以是房屋的价格等。
为了满足不同人的不同需求，需要对房屋的属性值做出预测。相关技术中，通过技术人员对房屋进行属性值分析，获得房屋的预测属性值。
但是采用现有的房屋的属性值预测方法，房屋属性值的预测速度较慢，房屋的属性值预测效率较低。
发明内容
本发明的主要目的是提供一种房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质，旨在解决现有技术中房屋属性值的预测速度较慢，房屋的属性值预测效率较低的技术问题。
为实现上述目的，本发明提出一种房屋的属性值预测方法，所述方法包括以下步骤：
获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域；
将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果；
在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域；
基于所述参考区域和所述房屋区域，获得分析特征；
将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值。
可选的，所述将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果的步骤之前，所述方法还包括：
获取训练样本，所述训练样本包括训练遥感图像和所述训练遥感图像的预设语义分割结果；
将所述训练遥感图像和所述预设语义分割结果输入预设分割模型进行训练，以获得所述语义分割模型。
可选的，所述将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果的步骤之前，所述方法还包括：
对所述目标遥感图像进行裁剪，以获得预处理图像，所述预处理图像包括所述目标房屋对应的图像和所述环境区域中有效环境区域对应的图像；
对所述预处理图像进行重构，以获得结果图像；
所述将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果的步骤包括：
将所述结果图像输入语义分割模型进行语义分割，以获得语义分割结果；
所述在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域的步骤包括：
在所述语义分割结果中确定出所述有效环境区域对应的参考区域和所述目标房屋对应的房屋区域。
可选的，所述将所述结果图像输入语义分割模型进行语义分割，以获得语义分割结果的步骤包括：
利用所述语义分割模型对所述结果图像进行下采样，获得预设数量的第一特征图；
利用所述语义分割模型中的全局注意力模块对所述预设数量的第一特征图进行处理，获得预设数量的第二特征图；
对所述预设数量的第二特征图进行合并，以获得所述语义分割结果。
可选的，所述在所述语义分割结果中确定出所述有效环境区域对应的参考区域和所述目标房屋对应的房屋区域的步骤包括：
基于所述语义分割结果中每个像素点的语义分割结果，获得所述每个像素点的分割结果矩阵；
基于所述每个像素点的分割结果矩阵，利用连通组件标记算法，在所述语义分割结果中确定出所述参考区域和所述房屋区域。
可选的，所述基于所述参考区域和所述房屋区域，获得分析特征的步骤包括：
利用计算几何距算法，确定所述参考区域的质心和所述房屋区域的质心；
基于所述参考区域的质心和所述房屋区域的质心的第一类距离，获得第一子分析特征；
基于所述参考区域的第二类面积，获得第二子分析特征；
基于所述第一子分析特征和所述第二子分析特征，获得所述分析特征。
可选的，所述将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值的步骤之前，所述方法还包括：
基于所述分析特征中的所述第二类面积和所述分析特征中的所述第一类距离，获得分析比；
所述将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值的步骤包括：
将所述分析比输入所述房屋属性值预测模型进行属性值预测，以获得所述预测属性值。
此外，为实现上述目的，本发明还提出了一种房屋的属性值预测装置，所述装置包括：
获取模块，用于获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域；
分割模块，用于将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果；
确定模块，用于在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域；
获得模块，用于基于所述参考区域和所述房屋区域，获得分析特征；
预测模块，用于将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值。
此外，为实现上述目的，本发明还提出了一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行房屋的属性值预测程序，所述房屋的属性值预测程序被所述处理器执行时实现如上述任一项所述的房屋的属性值预测方法的步骤。
此外，为实现上述目的，本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质上存储有房屋的属性值预测程序，所述房屋的属性值预测程序被处理器执行时实现如上述任一项所述的房屋的属性值预测方法的步骤。
本发明技术方案提出了一种房屋的属性值预测方法，通过获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域；将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果；在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域；基于所述参考区域和所述房屋区域，获得分析特征；将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值。由于，通过本发明的房屋的属性值预测方法，终端设备基于目标遥感图像，利用语义分割模型获得语义分割结果，基于语义分割结果获得参考区域和房屋区域，并基于参考区域和房屋区域获得分析特征，以及基于分析特征，利用房屋属性值预测模型进行预测，获得预测属性值，不需要技术人员对目标房屋进行属性值分析，来获得目标房屋的预测属性值，本发明的目标房屋的预测属性值的获得速度较快，目标房屋的预测属性值的获得效率较高，所以，利用本发明的房屋的属性值预测方法，解决了房屋属性值的预测速度较慢，房屋的属性值预测效率较低的技术问题。
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简单地介绍，显而易见地，下面描述中的附图仅仅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示出的结构获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图；
图2为本发明房屋的属性值预测方法第一实施例的流程示意图；
图3为本发明房屋的属性值预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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，所描述的实施例仅仅是本发明的一部分实施例，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。
遥感技术是指通过自身辐射或反射的电磁波、可见光等对物体进行探测与识别。根据遥感技术所提供的信息可生成的地表遥感影像,遥感技术被广泛应用于自然灾害检测、城市规划与土地覆盖检测等领域。通过对地表纹理、位置、阴影、形状、大小与物体空间位置等信息细致地观测,获得高分辨率遥感影像，高分辨率遥感影像可以清楚地表达表纹理与空间信息的特征，可以通过城市的遥感影像提取城市信息，以利用提取的信息对城市分析。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图。
终端设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment，UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station，MS)等。终端设备可能被称为用户终端、便携式终端、台式终端等。
通常，终端设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的房屋的属性值预测程序，所述房屋的属性值预测程序配置为实现如前所述的房屋的属性值预测方法的步骤。
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关房屋的属性值预测方法操作，使得房屋的属性值预测方法模型可以自主训练学习，提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的房屋的属性值预测方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图1中示出的结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有房屋的属性值预测程序，所述房屋的属性值预测程序被处理器执行时实现如上文所述的房屋的属性值预测方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个终端设备上执行，或者在位于一个地点的多个终端设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个终端设备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的计算机可读存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
基于上述硬件结构，提出本发明房屋的属性值预测方法的实施例。
参照图2，图2为本发明房屋的属性值预测方法第一实施例的流程示意图，所述方法用于终端设备，所述方法包括以下步骤：
步骤S11：获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域。
需要说明的是，本发明的执行主体是终端设备，终端设备安装有房屋的属性值预测程序，终端设备执行房屋的属性值预测程序时，实现本发明的房屋的属性值预测方法。目标房屋是指待进行属性值预测的房屋(整个住宅小区，也可以是商业区)，环境区域是指目标房屋周围的环境，可以包括书目、道路、学校和湖泊等，环境区域是对目标房屋的属性值进行预测的特征的来源，环境区域是对目标房屋的属性值有着较大的影响；目标区域是指目标房屋和环境区域的区域集合，目标遥感图像即为目标区域的遥感图像；目标遥感图像通常是基于目标区域的目标遥感影像获得；当目标遥感影像为视频流时，目标遥感图像可以是目标遥感影像中的视频帧(全部视频帧或选取的部分视频帧)，当目标遥感影像为图像时，目标遥感图像可以是目标遥感影像中的部分图像或全部图像。其中，房屋的属性可以是房屋价格，在本申请中，以房屋价格为较优的预测属性，本发明以房屋价格为预测属性进行解释。
具体应用中，由遥感设备拍摄目标区域的目标遥感影像，终端设备从遥感设备的目标遥感影像中获取目标区域的目标遥感图像。另外，遥感设备采集目标区域的目标遥感影像时，可能会收到云层或天气等影响，使得目标遥感影像包括的信息有效性较差(目标遥感影像中的目标区域的信息不清晰)，目标遥感影像不可用，此时需要遥感设备多次采集目标区域的目标遥感影像，并在多次采集的目标遥感影像中确定可用的目标遥感影像(未收到影响的目标遥感影像)，终端设备可以从该可用的目标遥感影像中获取目标遥感图像。
步骤S12：将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果。
步骤S13：在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域。
具体的，步骤S12之前，所述方法还包括：对所述目标遥感图像进行裁剪，以获得预处理图像，所述预处理图像包括所述目标房屋对应的图像和所述环境区域中有效环境区域对应的图像；对所述预处理图像进行重构，以获得结果图像；相应的，步骤S12包括：将所述结果图像输入语义分割模型进行语义分割，以获得语义分割结果；相应的步骤S13包括：在所述语义分割结果中确定出所述有效环境区域对应的参考区域和所述目标房屋对应的房屋区域。
需要说明的是，获得的目标遥感图像可能相对尺寸较大(包括目标房屋和环境区域，此时的环境区域较大，部分环境区域并没有参考价值，部分环境区域有参考价值，其中具有参考价值的部分区域即为有效环境区域，用户可以根据自己的需求确定有效环境区域的范围比例等)，需要对目标遥感图像进行放大，在放大后的目标遥感图像中确定出有效区域(包括目标房屋和有效环境区域)对应的预处理图像。另外，预处理图像并不能直接输入语义分割模型进行语义分割，需要对其进行重构，获得结果图像；通常，将预处理图像重构为512*512像素三通道的结果图像。
其中，语义分割结果也是图像，该图像包括结果图像中的各种数据信息，还包括结果图像中各对象(目标房屋和有效环境区域)分别对应的语义标签(各对象的特征名称，例如道路和树木等)。其中，有效环境区域可能包括多种类型的对象，例如道路、学校和湖泊等，结果图像中有效环境区域对应的语义分割结果中，一种类型的对象具有同一个语义标签。
进一步的，步骤S12之前，所述方法还包括：获取训练样本，所述训练样本包括训练遥感图像和所述训练遥感图像的预设语义分割结果；将所述训练遥感图像和所述预设语义分割结果输入预设分割模型进行训练，以获得所述语义分割模型。
需要说明的是，训练遥感图像需要包括较大数量的图像；预设语义模型可以是FCN、SegNet、Unet、Deeplab或PspNet等，较优的，本发明取ResNet101；预设分割结果是指训练遥感图像的语义分割结果，预设分割结果可以是利用现有的语义分割技术对训练遥感图像进行语义分割获得，也可以是用户手动对训练遥感图像进行语义分割获得，本发明不做限制。
通常训练遥感图像相对尺寸较大，同样需要对训练遥感图像进行放大，在放大后的训练遥感图像中确定出有效区域(参照上文有效区域的描述，此处类似)对应的预处理训练遥感图像。另外，预处理训练遥感图像并不能直接输入语义预设分割模型进行训练，需要对其进行重构，获得结果训练遥感图像；通常，将预处理训练遥感图像重构为512*512像素三通道的结果训练遥感图像。在预设分割模型训练的过程中，调整学习率、优化器和批处理大小等参数，优化模型，并在得到预设分割模型训练后的模型时，将语义分割指标MIoU最大的模型确定为所述语义分割模型。
另外，在获得训练样本时，将训练样本分成训练集和测试集(比例通常7∶3)，将训练集输入预设分割模型进行训练，并利用测试集测试获得的语义分割模型的语义分割效果。
具体的，步骤S12包括：利用所述语义分割模型对所述结果图像进行下采样，获得预设数量的第一特征图；利用所述语义分割模型中的全局注意力模块对所述预设数量的第一特征图进行处理，获得预设数量的第二特征图；对所述预设数量的第二特征图进行合并，以获得所述语义分割结果。
需要说明的是，首先，语义分割模型中的卷积层对所述结果图像进行下采样，卷积层的卷积核5*5，需要对输入的结果图像进行四次下采样，以分别得到一号第一特征图、二号第一特征图、三号第一特征图和四号第一特征图，每一次采样后的第一特征图的大小都是前一个第一特征图的1/2，即，四号第一特征图的分辨率最低；在得到四个第一特征图之后，利用所述语义分割模型中的全局注意力模块对四个第一特征图进行处理，获得四个第二特征图，即对每一个第一特征图进行GA(Global Attention)处理，获得四个第二特征图，并将四个第二特征图进行合并，获得最后的语义分割结果。
可以理解的是，在语义分割模型进行训练时，预设分割模型也需要对训练遥感图像经过上述下采样和GA处理的过程，此处不再赘述。
具体的，GA处理的过程如下(只以四个第一特征图中的一个第一特征图为例进行解释，其他第一特征图处理方式与该第一特征图处理方式相同)：
第一步：通过全局平均池化，将当前第一特征图xi(四个第一特征中的任意一个第一特征图，i＝1，2，3，4)中的每个通道的像素值进行平均，并将像素值平均后的特征图，转化为1*1的特征图，因此，需要当前第一特征图经过1*1的卷积层，然后再进行批归一化得到新的特征图yi(i的值越大，特征图的分辨率越小)。上述当前第一特征图xi处理可以用公式一表述，H和W分别是当前第一特征图xi的长和宽，xi(h，w)是xi中每个像素点的像素值，公式一为：
Figure GDA0003817485220000101
其中，conv为对括号中的对象进行卷积处理。
第二步：将特征图yi的通道数和xi的通道数相乘得到zi(yi的每个通道的数量是1，而xi的每个通道的数量为H*W，二者分别相乘)，用公式二进行表述，公式二为：
zi＝xi*yi
第三步：将得到的zi和xi相加得到ui，这样做的目的是能够更加充分地获取xi中的图像信息，不至于卷积过程中的造成过多的信息丢失，然后ui再经过3*3的卷积层，得到vi，vi即为当前第一特征图xi对应的当前第二特征图(四个第二特征图中的一个)，用公式三表述该过程，公式三为：
vi＝conv(zi+xi)
进一步的，所述在所述语义分割结果中确定出所述有效环境区域对应的参考区域和所述目标房屋对应的房屋区域的步骤包括：基于所述语义分割结果中每个像素点的语义分割结果，获得所述每个像素点的分割结果矩阵；基于所述每个像素点的分割结果矩阵，利用连通组件标记算法，在所述语义分割结果中确定出所述参考区域和所述房屋区域。
需要说明的是，语义分割结果是图像，图像中的每个像素点均具有一个语义分割结果，同一个对象(上文所述的对象，例如道路或湖泊等)的对应的多个像素点具有同一个语义分割结果。基于所述每个像素点的分割结果矩阵，利用连通组件标记算法，获得所述有效区域(包括目标房屋和有效环境区域)对应的全部连通区域，通常一个对象对应一个连通区域，例如，湖泊为一个连通区域，目标房屋为一个连通区域。所述语义分割结果中目标房屋对应的连通区域即为房屋区域，参考区域即为有效环境区域包括的各种对象分别对应的连通区域，即，参考区域通常包括多个连通区域。
步骤S14：基于所述参考区域和所述房屋区域，获得分析特征。
具体的，步骤S14包括：利用计算几何距算法，确定所述参考区域的质心和所述房屋区域的质心；基于所述参考区域的质心和所述房屋区域的质心的第一类距离，获得第一子分析特征；基于所述参考区域的第二类面积，获得第二子分析特征；基于所述第一子分析特征和所述第二子分析特征，获得所述分析特征。
需要说明的是，由于，所述参考区域为语义分割结果中的区域，所述参考区域也为图像，参考区域的质心即为参考区域在图像(语义分割结果)中的质心；例如，参考区域包括多个连通区域，每一个连通区域具有一个质心，该质心为该连通区域在图像(语义分割结果)中的质心；同样，所述房屋区域为语义分割结果中的区域，所述房屋区域也为图像，房屋区域的质心即为房屋区域在图像(语义分割结果)中的质心。
可以理解的是，第一类距离为所述参考区域的质心和所述房屋区域的质心在图像(语义分割结果)中的图上距离(像素级距离)，第一类距离即为第一子分析特征，第二类面积即为参考区域在图像(语义分割结果)中的图上面积(像素级面积)，第二类面积即为第二子分析特征，分析特征包括第一子分析特征和第二子分析特征。
若参考区域包括多个连通区域，一个连通区域的质心与房屋区域的质心的第一类距离为一个第一类距离，所述第一类距离中包括多个连通区域分别对应的多个第一类距离；同样的，一个连通区域的第二类面积即为一个第二类面积，所述第二类面积中包括多个连通区域分别对应的多个第二类面积。
步骤S15：将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值。
此时，将上述步骤获得的分析特征中的第一子分析特征和第二子分析特征，输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值。
可以理解的是，当房屋的属性为房屋价格时，房屋属性值预测模型即为房屋价格预测模型；另外，在房屋的全部属性值中，本发明的方法对房屋价格的预测准确率最高。
具体的，步骤S15之前，所述方法还包括：基于所述分析特征中的所述第二类面积和所述分析特征中的所述第一类距离，获得分析比。相应的，步骤S15包括：将所述分析比输入所述房屋属性值预测模型进行属性值预测，以获得所述预测属性值。
可以理解的是，输入房屋属性值预测模型的数据实际是分析比，即，第二类面积与第一类距离的面积距离比，输入房屋属性值预测模型的数据并非第一子分析特征和第二子分析特征。由于，本发明的房屋的属性值预测方法中，对初始的目标遥感图像进行剪裁，以获得预处理图像，该裁剪过程可能会对目标遥感图像不同程度的放大或缩小，同时，将预处理图像重构为512*512的结果图像时，破坏了预处理图像的比例信息，但是，这两个过程中，面积和距离的比例没有改变，采用面积距离比作为房屋属性值预测模型的输入，更有说服力。
可以理解的时，在进行步骤S15之前，是需要对预设预测模型进行训练，以获得所述房屋属性值预测模型，预设预测模型可以是森林网络模型，也可以是神经网络模型，本法发明不做限制。
具体的，需要获取属性值训练样本，属性值训练样本可以包括上述训练样本中的预设语义分割结果和预设语义分割结果对应的预设属性值。同样，需要参照本方明上述方法，对预设语义分割结果进行处理，以获得最终的预设分析比(预设语义分割结果对应的面积距离比)，并利用预设分析比和预设属性值对预设预测模型进行训练，以获得房屋属性值预测模型。其中，在预设预测模型训练的过程中，调整学习率、优化器和批处理大小等参数，优化模型，以得到最终的房屋属性值预测模型。
另外，在获得属性值训练样本时，将属性值训练样本分成训练集和测试集(比例通常7:3)，将训练集输入预设预测模型进行训练，并利用测试集测试获得的房屋属性值预测模型的预测效果。
本发明技术方案提出了一种房屋的属性值预测方法，通过获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域；将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果；在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域；基于所述参考区域和所述房屋区域，获得分析特征；将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值。由于，通过本发明的房屋的属性值预测方法，终端设备基于目标遥感图像，利用语义分割模型获得语义分割结果，基于语义分割结果获得参考区域和房屋区域，并基于参考区域和房屋区域获得分析特征，以及基于分析特征，利用房屋属性值预测模型进行预测，获得预测属性值，不需要技术人员对目标房屋进行属性值分析，来获得目标房屋的预测属性值，本发明的目标房屋的预测属性值的获得速度较快，目标房屋的预测属性值的获得效率较高，所以，利用本发明的房屋的属性值预测方法，解决了房屋属性值的预测速度较慢，房屋的属性值预测效率较低的技术问题。
参照图3，图3为本发明房屋的属性值预测装置第一实施例的结构框图，所述装置用于终端设备，所述装置包括：
获取模块10，用于获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域；
分割模块20，用于将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果；
确定模块30，用于在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域；
获得模块40，用于基于所述参考区域和所述房屋区域，获得分析特征；
预测模块50，用于将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值。
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (8)

1.一种房屋的属性值预测方法，其特征在于，所述方法包括以下步骤：
获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域；
将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果；
在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域；
基于所述参考区域和所述房屋区域，获得分析特征；
将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值；其中所述房屋属性值包括房屋价格；
所述基于所述参考区域和所述房屋区域，获得分析特征的步骤包括：
利用计算几何距算法，确定所述参考区域的质心和所述房屋区域的质心；
基于所述参考区域的质心和所述房屋区域的质心的第一类距离，获得第一子分析特征；
基于所述参考区域的第二类面积，获得第二子分析特征；
基于所述第一子分析特征和所述第二子分析特征，获得所述分析特征；
所述将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值的步骤之前，所述方法还包括：
基于所述分析特征中的所述第二类面积和所述分析特征中的所述第一类距离，获得分析比；
所述将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值的步骤包括：
将所述分析比输入所述房屋属性值预测模型进行属性值预测，以获得所述预测属性值。
2.如权利要求1所述的方法，其特征在于，所述将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果的步骤之前，所述方法还包括：
获取训练样本，所述训练样本包括训练遥感图像和所述训练遥感图像的预设语义分割结果；
将所述训练遥感图像和所述预设语义分割结果输入预设分割模型进行训练，以获得所述语义分割模型。
3.如权利要求2所述的方法，其特征在于，所述将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果的步骤之前，所述方法还包括：
对所述目标遥感图像进行裁剪，以获得预处理图像，所述预处理图像包括所述目标房屋对应的图像和所述环境区域中有效环境区域对应的图像；
对所述预处理图像进行重构，以获得结果图像；
所述将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果的步骤包括：
将所述结果图像输入语义分割模型进行语义分割，以获得语义分割结果；
所述在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域的步骤包括：
在所述语义分割结果中确定出所述有效环境区域对应的参考区域和所述目标房屋对应的房屋区域。
4.如权利要求3所述的方法，其特征在于，所述将所述结果图像输入语义分割模型进行语义分割，以获得语义分割结果的步骤包括：
利用所述语义分割模型对所述结果图像进行下采样，获得预设数量的第一特征图；
利用所述语义分割模型中的全局注意力模块对所述预设数量的第一特征图进行处理，获得预设数量的第二特征图；
对所述预设数量的第二特征图进行合并，以获得所述语义分割结果。
5.如权利要求4所述的方法，其特征在于，所述在所述语义分割结果中确定出所述有效环境区域对应的参考区域和所述目标房屋对应的房屋区域的步骤包括：
基于所述语义分割结果中每个像素点的语义分割结果，获得所述每个像素点的分割结果矩阵；
基于所述每个像素点的分割结果矩阵，利用连通组件标记算法，在所述语义分割结果中确定出所述参考区域和所述房屋区域。
6.一种房屋的属性值预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标区域的目标遥感图像，所述目标区域包括目标房屋和环境区域；
分割模块，用于将所述目标遥感图像输入语义分割模型进行语义分割，以获得语义分割结果；
确定模块，用于在所述语义分割结果中确定出所述环境区域对应的参考区域和所述目标房屋对应的房屋区域；
获得模块，用于基于所述参考区域和所述房屋区域，获得分析特征；
预测模块，用于将所述分析特征输入训练获得的房屋属性值预测模型进行属性值预测，以获得所述目标房屋的预测属性值；其中所述房屋属性值包括房屋价格；
所述获得模块，还用于利用计算几何距算法，确定所述参考区域的质心和所述房屋区域的质心；基于所述参考区域的质心和所述房屋区域的质心的第一类距离，获得第一子分析特征；基于所述参考区域的第二类面积，获得第二子分析特征；基于所述第一子分析特征和所述第二子分析特征，获得所述分析特征；
分析比获得模块，用于基于所述分析特征中的所述第二类面积和所述分析特征中的所述第一类距离，获得分析比；
所述预测模块，还用于将所述分析比输入所述房屋属性值预测模型进行属性值预测，以获得所述预测属性值。
7.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行房屋的属性值预测程序，所述房屋的属性值预测程序被所述处理器执行时实现如权利要求1至5中任一项所述的房屋的属性值预测方法的步骤。
8.一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上存储有房屋的属性值预测程序，所述房屋的属性值预测程序被处理器执行时实现如权利要求1至5中任一项所述的房屋的属性值预测方法的步骤。
CN202011643899.0A 2020-12-30 2020-12-30 房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质 Active CN112733688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011643899.0A CN112733688B (zh) 2020-12-30 2020-12-30 房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011643899.0A CN112733688B (zh) 2020-12-30 2020-12-30 房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112733688A CN112733688A (zh) 2021-04-30
CN112733688B true CN112733688B (zh) 2022-10-18

Family

ID=75609303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011643899.0A Active CN112733688B (zh) 2020-12-30 2020-12-30 房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112733688B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807650B (zh) * 2021-08-04 2024-06-07 贝壳找房(北京)科技有限公司 房源业主面访管理方法、系统、电子设备及存储介质
CN114526709A (zh) * 2022-02-21 2022-05-24 中国科学技术大学先进技术研究院 基于无人机的面积测量方法、设备及存储介质
CN116109932B (zh) * 2023-04-12 2023-08-04 深圳市明源云科技有限公司 房屋安全检测方法、装置、电子设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108287928A (zh) * 2018-03-05 2018-07-17 四川易利数字城市科技有限公司 一种基于局部加权线性回归的空间属性预测方法
WO2019109524A1 (zh) * 2017-12-07 2019-06-13 平安科技（深圳）有限公司 入侵检测方法、应用服务器及计算机可读存储介质
CN111199322A (zh) * 2020-01-08 2020-05-26 广西鑫朗通信技术有限公司 房价预测方法及计算机可读存储介质
CN111340938A (zh) * 2020-02-21 2020-06-26 贝壳技术有限公司 用于获得房屋布局信息的方法、网络模型训练方法及装置
CN111553303A (zh) * 2020-05-07 2020-08-18 武汉大势智慧科技有限公司 基于卷积神经网络的遥感正射影像密集建筑物提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016071725A1 (en) * 2014-11-05 2016-05-12 Umm Al-Qura University Grading and monitoring of a geographical region
US10937089B2 (en) * 2017-12-11 2021-03-02 Accenture Global Solutions Limited Machine learning classification and prediction system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019109524A1 (zh) * 2017-12-07 2019-06-13 平安科技（深圳）有限公司 入侵检测方法、应用服务器及计算机可读存储介质
CN108287928A (zh) * 2018-03-05 2018-07-17 四川易利数字城市科技有限公司 一种基于局部加权线性回归的空间属性预测方法
CN111199322A (zh) * 2020-01-08 2020-05-26 广西鑫朗通信技术有限公司 房价预测方法及计算机可读存储介质
CN111340938A (zh) * 2020-02-21 2020-06-26 贝壳技术有限公司 用于获得房屋布局信息的方法、网络模型训练方法及装置
CN111553303A (zh) * 2020-05-07 2020-08-18 武汉大势智慧科技有限公司 基于卷积神经网络的遥感正射影像密集建筑物提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Xiaojin Liang 等.The effects of locational factors on the housing prices of residential communities: The case of Ningbo, China.《ELSEVIER》.2018,第1-11页. *
用于条纹像距离提取的迭代加权质心方法;叶光超等;《红外与激光工程》;20180225(第02期);第172-177页 *
面向对象的房屋特征信息自动提取方法;熊增连等;《地理空间信息》;20151031(第05期);第7,28-30页 *
高分辨率遥感影像城市房屋信息自动提取模型与实验研究;关丽等;《地理与地理信息科学》;20070915(第05期);第29-33页 *

Also Published As

Publication number Publication date
CN112733688A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112733688B (zh) 房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质
CN112883900B (zh) 遥感影像裸地反演可视图的方法及装置
CN113706440B (zh) 图像处理方法、装置、计算机设备及存储介质
CN110991457B (zh) 二维码处理方法、装置、电子设备及存储介质
CN114820633A (zh) 语义分割方法、语义分割模型的训练方法、装置及设备
CN112016502B (zh) 安全带检测方法、装置、计算机设备及存储介质
CN114723987B (zh) 图像标签分类网络的训练方法、图像标签分类方法及设备
CN116704324A (zh) 基于水下图像的目标检测方法、系统、设备以及存储介质
Zheng et al. Stripe segmentation of oceanic internal waves in SAR images based on SegNet
US11386287B2 (en) Method and apparatus for computer vision
CN114385662A (zh) 路网更新方法、装置、存储介质及电子设备
CN112396060B (zh) 基于身份证分割模型的身份证识别方法及其相关设备
CN115035313B (zh) 黑颈鹤识别方法、装置、设备及存储介质
CN111191530A (zh) 基于哨兵遥感数据的城镇和裸地提取方法及装置、设备
CN113160386B (zh) 图像获得方法、装置、设备以及计算机可读存储介质
CN114937029A (zh) 森林碳储量抽样估测方法、装置、设备及存储介质
CN113282925B (zh) 恶意文件检测方法、装置、终端设备以及存储介质
CN112016503B (zh) 人行道检测方法、装置、计算机设备及存储介质
CN111738034B (zh) 车道线的检测方法和装置
CN114882226A (zh) 图像处理方法、智能终端及存储介质
CN113269730A (zh) 图像处理方法、装置、计算机设备及存储介质
CN114972861A (zh) 对抗样本生成方法、装置、设备及存储介质
CN116109531A (zh) 图像处理方法、装置、计算机设备及存储介质
CN114298895A (zh) 图像真实感风格迁移方法、装置、设备及存储介质
CN115100534B (zh) 森林优势树种识别方法、装置、设备及存储介质

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