CN112733782A - 基于道路网的城市功能区识别方法、存储介质和电子设备 - Google Patents
基于道路网的城市功能区识别方法、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112733782A CN112733782A CN202110072708.8A CN202110072708A CN112733782A CN 112733782 A CN112733782 A CN 112733782A CN 202110072708 A CN202110072708 A CN 202110072708A CN 112733782 A CN112733782 A CN 112733782A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- block
- sensing image
- target area
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- YOBAEOGBNPPUQV-UHFFFAOYSA-N iron;trihydrate Chemical compound O.O.O.[Fe].[Fe] YOBAEOGBNPPUQV-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V20/176—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
- G06F18/21—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于道路网的城市功能区识别方法、存储介质和电子设备,其中识别方法包括:获取目标区域信息,根据所述目标区域信息获取所述目标区域的遥感影像;根据所述目标区域信息获取所述目标区域的道路网信息,根据所述道路网信息得到所述目标区域的街区信息;根据所述街区信息划分所述遥感影像,得到每一街区的街区遥感影像;获取城市功能区遥感影像训练样本,利用所述训练样本训练卷积神经网络模型,得到城市功能区识别模型;利用所述城市功能区识别模型识别所述街区遥感影像,得到所述街区遥感影像的城市功能区识别结果。通过上述方法能提高识别效率和准确率。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于道路网的城市功能区识别方法、存储介质和电子设备。
背景技术
城市功能区是能实现相关社会资源空间聚集、有效发挥某种特定城市功能的地域空间,集中地反映了城市的特性,是现代城市发展的一种形式。在现有的研究中,学者们主要将城市功能空间划分为居住区、商业区、科教区、产业区、公共服务区、休闲区、交通运输区等。准确的对城市功能区进行识别,不仅能促进城市规划理论的发展,还能为城市的空间分布格局提供优化建议,形成更科学合理的城市空间结构体系。
目前主要通过人工识别城市功能区,但这种方式效率低,无法满足城市高速发展下快速、准确识别城市功能区的需求。
发明内容
本发明旨在解决现有技术中通过人工识别城市功能区的方式效率低的问题。
为解决上述问题,本发明提供一种基于道路网的城市功能区识别方法,包括:
(a)获取目标区域信息,根据所述目标区域信息获取所述目标区域的遥感影像;
(b)根据所述目标区域信息获取所述目标区域的道路网信息,根据所述道路网信息得到所述目标区域的街区信息;
(c)根据所述街区信息划分所述遥感影像,得到每一街区的街区遥感影像;
(d)获取城市功能区遥感影像训练样本,利用所述训练样本训练卷积神经网络模型,得到城市功能区识别模型;
(e)利用所述城市功能区识别模型识别所述街区遥感影像,得到所述街区遥感影像的城市功能区识别结果。
可选地,上述基于道路网的城市功能区识别方法中,在步骤(a)和步骤(c)之间,还包括:
对所述遥感影像进行数据处理,得到数据处理后的处理遥感影像;
在步骤(c)中,根据所述街区信息划分所述处理遥感影像,得到每一街区的街区遥感影像。
可选地,上述基于道路网的城市功能区识别方法中,在步骤(d)和步骤(e)之间,还包括:
获取城市功能区遥感影像测试样本,利用所述城市功能识别模型识别所述测试样本,得到所述测试样本的第一准确率;
若所述第一准确率大于第一设定阈值,则执行步骤(e)。
可选地,上述基于道路网的城市功能区识别方法中,还包括:
若所述第一准确率小于或等于所述第一设定阈值,则返回执行步骤(d)。
可选地,上述基于道路网的城市功能区识别方法中,还包括:
(f)根据所述街区信息获得每一街区的街区POI数据;
(g)根据所述街区POI数据得到所述城市功能区识别结果的第二准确率;
(h)若所述第二准确率小于或等于第二设定阈值,则返回执行步骤(d)。
可选地,上述基于道路网的城市功能区识别方法中,步骤(g)中,所述第二准确率Ci为:
其中,i表示当前街区的街区POI数据的类型个数;Fi表示第i类街区POI数据占该类POI数据的密度分值;ni表示第i类街区POI数据的个数;Ni表示第i类街区POI数据的总个数。
可选地,上述基于道路网的城市功能区识别方法中,在步骤(f)和步骤(g)之间,还包括:
对所述街区POI数据进行预处理,所述预处理包括数据清洗和数据去重。
基于同一发明构思,本发明还提供一种计算机可读存储介质:
所述存储介质中存储有程序指令,计算机读取所述程序指令后执行实现如上述任一技术方案的基于道路网的城市功能区识别方法。
基于同一发明构思,本发明还提供一种电子设备,包括:
至少一个处理器和至少一个存储器;
至少一个所述存储器中存储有程序指令,至少一个所述处理器读取所述程序指令后执行如上述任一项所述的基于道路网的城市功能区识别方法。
本发明提供的一种基于道路网的城市功能区识别方法、存储介质和电子设备,其中城市功能区识别方法通过训练卷积神经网络模型得到了城市功能区识别模型,通过城市功能区识别模型能够直接对遥感影像进行识别,提高了识别效率。而且本方案还将目标区域按照道路网数据划分成街区进行识别,使的遥感影像的识别准确率更高。
附图说明
图1为本发明实施例1所述的基于道路网的城市功能区识别方法的流程图;
图2为本发明实施例2所述的基于道路网的城市功能区识别方法的流程图;
图3为本发明实施例4所述的电子设备的原理结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例1
本实施例提供一种基于道路网的城市功能区识别方法,应用于电子设备中,如图1所示,包括以下步骤:
S101,获取目标区域信息,根据所述目标区域信息获取所述目标区域的遥感影像。
所述目标区域信息可由人工输入,或是根据人工输入的部分信息后从互联网获取完整信息。所述目标区域信息包括目标区域名称和目标区域坐标等,所述目标区域名称即为行政区名称,例如北京市、河北省,所述目标区域坐标为目标区域在地理坐标系中的位置,地理坐标系可以是WGS-84坐标系、北京54、西安80中的一种,不同坐标系之间可以互相转换,本实施例则以WGS-84坐标系为例。
目标区域的遥感影像可根据目标区域信息从本地获取或直接从互联网获取,遥感影像优选高分辨率遥感影像。本地获取可在本地建立遥感影像的数据库,数据库包含遥感影像和与遥感影像对应的影像坐标。操作时,将数据库中遥感影像的影像坐标与目标区域坐标进行匹配,若影像坐标与目标区域坐标存在至少部分重叠,则获取影像坐标对应的遥感影像,并将获取的至少一张遥感影像按照坐标进行拼接,并按照目标区域信息进行裁剪,得到目标区域的遥感影像。
从互联网的获取过程与本地数据的获取过程类似,即按照目标区域坐标与互联网上的遥感影像的影像坐标进行匹配,若影像坐标与目标区域的坐标存在至少部分重叠,则获取该影像坐标对应的遥感影像,并将获取的至少一张遥感影像按照坐标进行拼接,得到目标区域的遥感影像。
S102,根据所述目标区域信息获取所述目标区域的道路网信息,根据所述道路网信息得到所述目标区域的街区信息。
目标区域的道路网信息包含目标区域的道路网数据,目标区域的道路网信息可根据目标区域信息从open street map(OSM)获取。OSM中道路等级分为包含高速公路、主要道路、一级道路、二级道路、三级道路、辅助道路、人行道和小区道路、马道、生活街、小路、步行道、阶梯路、轨道等,在操作中可根据需要选取其中的部分道路。本实施例选取目标区域中高速公路、主要道路、一级道路、二级道路、三级道路为例,首先将这些等级的道路网数据进行拓扑、连接处理,去除冗余杂道路、悬挂道路和断头道路;然后根据处理后的道路建立缓冲区,缓冲区的缓冲宽度可根据需要设定,例如按照道路等级设置20m、10m、5m均可;最后根据道路及其缓冲区得到街区信息。所述目标区域的街区信息包括目标区域中被道路及其缓冲区所围成的街区的形状、大小和街区坐标。
S103,根据所述街区信息划分所述遥感影像,得到每一街区的街区遥感影像。
即将步骤S102中的街区坐标和S101中的影像坐标转换为同一坐标系,并在该同一坐标系中重叠街区和遥感影像,利用步骤S102得到的街区的形状大小划分步骤S101得到的遥感影像,得到每一街区的街区遥感影像。
S104,获取城市功能区遥感影像训练样本,利用所述训练样本训练卷积神经网络模型,得到城市功能区识别模型。
本步骤中从互联网或本地获取商业区、产业区、居住区等城市功能区的遥感影像作为城市功能区遥感影像训练样本,利用训练样本训练卷积神经网络模型,得到城市功能区识别模型。其中卷积神经网络模型具体可采用VGG16卷积神经网络模型。
S105,利用所述城市功能区识别模型识别所述街区遥感影像,得到所述街区遥感影像的城市功能区识别结果。
本步骤中即将街区遥感影像输入城市功能区识别模型中,得到最终的识别结果。
本实施例中,通过训练卷积神经网络模型得到了城市功能区识别模型,通过城市功能区识别模型能够直接对遥感影像进行识别,提高了识别效率。而且本方案还将目标区域按照道路网数据划分成街区进行识别,使的遥感影像的识别准确率更高。
实施例2
本实施例提供一种基于道路网的城市功能区识别方法,应用于电子设备中,如图2所示,包括以下步骤:
S201,获取目标区域信息,根据所述目标区域信息获取所述目标区域的道路网信息,根据所述道路网信息得到所述目标区域的街区信息。
所述目标区域信息可由人工输入,或是根据人工输入的部分信息后从互联网获取完整信息。所述目标区域信息包括区域名称和其坐标等,所述区域名称即为行政区名称,例如北京市、河北省等,所述目标区域坐标为目标区域位于地理坐标中的位置,地理坐标系可以是WGS-84坐标系、北京54、西安80等,不同坐标系之间可以互相转换,本实施例则以WGS-84坐标系为例。
目标区域的道路网信息包含目标区域的道路网数据,目标区域的道路网信息可根据目标区域信息从open street map(OSM)获取。OSM中道路等级分为包含高速公路、主要道路、一级道路、二级道路、三级道路、辅助道路、人行道和小区道路、马道、生活街、小路、步行道、阶梯路、轨道等,在操作中可根据需要选取其中的部分道路。本实施例选取目标区域中高速公路、主要道路、一级道路、二级道路、三级道路为例,首先将这些等级的道路网数据进行拓扑、连接处理,去除冗余杂道路、悬挂道路和断头道路等;然后根据处理后的道路建立缓冲区,缓冲区的缓冲宽度可根据需要设定,例如按照道路等级设置20m、10m、5m均可;最后根据道路及其缓冲区得到街区信息。所述目标区域的街区信息包括目标区域中被道路及其缓冲区所围成的街区的形状、大小和街区坐标。
S202,根据所述目标区域信息获取所述目标区域的遥感影像。
目标区域的遥感影像可根据目标区域信息从本地获取或直接从互联网获取,遥感影像优选高分辨率遥感影像。本地获取可在本地建立遥感影像的数据库,数据库包含遥感影像和与遥感影像对应的影像坐标。操作时,将数据库中遥感影像的影像坐标与目标区域坐标进行匹配,若影像坐标与目标区域坐标存在至少部分重叠,则获取影像坐标对应的遥感影像,并将获取的至少一张遥感影像按照坐标进行拼接,并按照目标区域信息进行裁剪,得到目标区域的遥感影像。
从互联网的获取过程与本地数据的获取过程类似,即按照目标区域坐标与互联网上的遥感影像的影像坐标进行匹配,若影像坐标与目标区域的坐标存在至少部分重叠,则获取该影像坐标对应的遥感影像,并将获取的至少一张遥感影像按照坐标进行拼接,得到目标区域的遥感影像。
S203,对所述遥感影像进行数据处理,得到数据处理后的处理遥感影像。
本步骤中,主要对遥感影像进行辐射定标、大气校正、几何校正和正射校正等步骤。辐射定标是指将记录的原始遥感影像像元亮度值转换为辐射亮度值,不同传感器的辐射定标公式不同。大气校正将辐射亮度或者表面反射率转换为地表实际反射率,具体可采用wMORTRAN模型、wLOWTRAN模型、wATCOR模型、w6S模型等。几何校正的过程是对遥感影进行地理坐标定位,获得真实坐标信息。正射纠正是消除地形的影响或是相机方位引起的变形,生成平面正射影像的处理过程。本步骤中辐射定标、大气校正、几何校正和正射校正均为遥感数据处理的一般流程,在此不再赘述。
S204,根据所述街区信息划分所述处理遥感影像,得到每一街区的街区遥感影像。
即将步骤S201中的街区坐标和S203中的影像坐标转换为同一坐标系,并按照街区坐标将街区放入该坐标系中,按照影像坐标将遥感影像放入该坐标系中,利用步骤S201得到的街区的形状大小划分步骤S203得到的遥感影像,得到每一街区的街区遥感影像。
S205,获取城市功能区遥感影像训练样本,利用所述训练样本训练卷积神经网络模型,得到城市功能区识别模型。
本步骤中从互联网或本地获取商业区、产业区、居住区等城市功能区的遥感影像作为城市功能区遥感影像训练样本,利用训练样本训练卷积神经网络模型,得到城市功能区识别模型。其中卷积神经网络模型具体可采用VGG16卷积神经网络模型。
S206,获取城市功能区遥感影像测试样本,利用所述城市功能识别模型识别所述测试样本,得到所述测试样本的第一准确率。
本步骤中从互联网或本地获取商业区、产业区、居住区等城市功能区的遥感影像作为城市功能区遥感影像测试样本,利用所述城市功能识别模型识别所述测试样本,得到所述测试样本的第一准确率,第一准确率为VGG16卷积神经网络模型固有的,运行城市功能识别模型即可得到第一准确率。
S207,若所述第一准确率大于第一设定阈值,则执行步骤S208;若所述第一准确率小于或等于所述第一设定阈值,则返回执行步骤S205。
本步骤中,若第一准确率大于第一设定阈值,则说明城市功能识别模型可信,因此可应用于遥感影像的城市功能识别。若第一准确率小于或等于第一设定阈值,则返回步骤S205,重新选择训练样本训练卷积神经网络模型,得到新城市功能区识别模型。第一设定阈值可选择80%-85%。
S208,利用所述城市功能区识别模型识别所述街区遥感影像,得到所述街区遥感影像的城市功能区识别结果。
本步骤中即将街区遥感影像输入城市功能区识别模型中,得到最终的识别结果。
S209,根据所述街区信息获得每一街区的街区POI数据。
具体可从本地POI数据库或互联网获取。POI数据包含名称、坐标、地址等等,因而可用街区信息中的街区坐标与POI数据的坐标进行匹配,得到每一街区的街区POI数据。然后对所述POI数据进行预处理,所述预处理包括数据清洗和数据去重,包括删除重复信息和纠正错误信息等。
S210,根据所述街区POI数据得到所述城市功能区识别结果的第二准确率。
其中,i表示当前街区的街区POI数据的类型个数;Fi表示第i类街区POI数据占该类POI数据的密度分值;ni表示第i类街区POI数据的个数;Ni表示第i类街区POI数据的总个数;Ci为第二准确率。
S211,若所述第二准确率小于或等于第二设定阈值,则返回执行步骤S205;若所述第二准确率大于第二设定阈值,则说明城市功能区识别模型可信,可用于遥感影像的城市功能区识别,因此结束并输出城市功能区识别模型。
本步骤中利用POI数据对城市功能区识别结果的准确率进行判断,若准确率大于第二设定阈值,则说明城市功能区识别模型的识别结果可信度高,可用于街区遥感影像的识别;若第二准确率小于或等于第二设定阈值则重新返回步骤S205重新选择训练样本训练卷积神经网络模型,得到新城市功能区识别模型。第二设定阈值可以选择50%-100%,例如50%,60%等。
本实施例通过POI数据对城市功能识别结果进行判别,使得判别结果更加准确。
实施例3
本实施例提供一种计算机可读存储介质,所述存储介质中存储有程序指令,计算机读取所述程序指令执行实施例1或2所述的基于道路网的城市功能区识别方法。
实施例4
本实施例提供一种电子设备,如图3所示,其包括至少一个处理器301;以及,与所述至少一个处理器301通信连接的存储器302;其中,所述存储器302存储有可被所述一个处理器301执行的指令,所述指令被所述至少一个处理器301执行,以使所述至少一个处理器301能够执行实施例1或实施例2中任意一技术方案所述的基于道路网的城市功能区识别方法,并且具备执行该方法相应的有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例1或2所提供的方法。
图3中以一个处理器301为例,电子设备还可以包括:输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接,图3中以通过总线连接为例。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (9)
1.一种基于道路网的城市功能区识别方法,其特征在于,包括:
(a)获取目标区域信息,根据所述目标区域信息获取所述目标区域的遥感影像;
(b)根据所述目标区域信息获取所述目标区域的道路网信息,根据所述道路网信息得到所述目标区域的街区信息;
(c)根据所述街区信息划分所述遥感影像,得到每一街区的街区遥感影像;
(d)获取城市功能区遥感影像训练样本,利用所述训练样本训练卷积神经网络模型,得到城市功能区识别模型;
(e)利用所述城市功能区识别模型识别所述街区遥感影像,得到所述街区遥感影像的城市功能区识别结果。
2.根据权利要求1所述的基于道路网的城市功能区识别方法,其特征在于,在步骤(a)和步骤(c)之间,还包括:
对所述遥感影像进行数据处理,得到数据处理后的处理遥感影像;
在步骤(c)中,根据所述街区信息划分所述处理遥感影像,得到每一街区的街区遥感影像。
3.根据权利要求1所述的基于道路网的城市功能区识别方法,其特征在于,在步骤(d)和步骤(e)之间,还包括:
获取城市功能区遥感影像测试样本,利用所述城市功能识别模型识别所述测试样本,得到所述测试样本的第一准确率;
若所述第一准确率大于第一设定阈值,则执行步骤(e)。
4.根据权利要求3所述的基于道路网的城市功能区识别方法,其特征在于,还包括:
若所述第一准确率小于或等于所述第一设定阈值,则返回执行步骤(d)。
5.根据权利要求1至4所述的基于道路网的城市功能区识别方法,其特征在于,还包括:
(f)根据所述街区信息获得每一街区的街区POI数据;
(g)根据所述街区POI数据得到所述城市功能区识别结果的第二准确率;
(h)若所述第二准确率小于或等于第二设定阈值,则返回执行步骤(d)。
7.根据权利要求6所述的基于道路网的城市功能区识别方法,其特征在于,在步骤(f)和步骤(g)之间,还包括:
对所述街区POI数据进行预处理,所述预处理包括数据清洗和数据去重。
8.一种计算机可读存储介质,其特征在于:
所述存储介质中存储有程序指令,计算机读取所述程序指令后执行实现如权利要求1-7任一项所述的基于道路网的城市功能区识别方法。
9.一种电子设备,其特征在于,包括:
至少一个处理器和至少一个存储器;
至少一个所述存储器中存储有程序指令,至少一个所述处理器读取所述程序指令后执行如权利要求1-7任一项所述的基于道路网的城市功能区识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072708.8A CN112733782B (zh) | 2021-01-20 | 2021-01-20 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072708.8A CN112733782B (zh) | 2021-01-20 | 2021-01-20 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733782A true CN112733782A (zh) | 2021-04-30 |
CN112733782B CN112733782B (zh) | 2022-02-11 |
Family
ID=75592603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110072708.8A Expired - Fee Related CN112733782B (zh) | 2021-01-20 | 2021-01-20 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733782B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468982A (zh) * | 2021-06-11 | 2021-10-01 | 北京建筑大学 | 一种城市功能区分类方法、装置及存储介质 |
CN114662774A (zh) * | 2022-04-02 | 2022-06-24 | 东南大学 | 一种城市街区活力预测方法、存储介质和终端 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160293021A1 (en) * | 2015-06-15 | 2016-10-06 | WxOps, Inc. | Prediction and warning of transported turbulence in long-haul aircraft operations |
CN107392463A (zh) * | 2017-07-18 | 2017-11-24 | 中国地质大学(武汉) | 一种城市功能区识别方法、模块、装置及其存储装置 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
CN109493119A (zh) * | 2018-10-19 | 2019-03-19 | 南京图申图信息科技有限公司 | 一种基于poi数据的城市商业中心识别方法及系统 |
CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
CN109582754A (zh) * | 2018-12-10 | 2019-04-05 | 中国测绘科学研究院 | 利用poi数据进行城市主体功能区中心探测的方法 |
CN110348506A (zh) * | 2019-07-03 | 2019-10-18 | 广州大学 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
CN110866494A (zh) * | 2019-11-14 | 2020-03-06 | 三亚中科遥感研究所 | 一种基于光学遥感影像的城镇群提取方法及系统 |
CN111814597A (zh) * | 2020-06-20 | 2020-10-23 | 南通大学 | 一种耦合多标签分类网络和yolo的城市功能分区方法 |
-
2021
- 2021-01-20 CN CN202110072708.8A patent/CN112733782B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160293021A1 (en) * | 2015-06-15 | 2016-10-06 | WxOps, Inc. | Prediction and warning of transported turbulence in long-haul aircraft operations |
CN107392463A (zh) * | 2017-07-18 | 2017-11-24 | 中国地质大学(武汉) | 一种城市功能区识别方法、模块、装置及其存储装置 |
CN109508585A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院城市环境研究所 | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
CN109493119A (zh) * | 2018-10-19 | 2019-03-19 | 南京图申图信息科技有限公司 | 一种基于poi数据的城市商业中心识别方法及系统 |
CN109582754A (zh) * | 2018-12-10 | 2019-04-05 | 中国测绘科学研究院 | 利用poi数据进行城市主体功能区中心探测的方法 |
CN110348506A (zh) * | 2019-07-03 | 2019-10-18 | 广州大学 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
CN110866494A (zh) * | 2019-11-14 | 2020-03-06 | 三亚中科遥感研究所 | 一种基于光学遥感影像的城镇群提取方法及系统 |
CN111814597A (zh) * | 2020-06-20 | 2020-10-23 | 南通大学 | 一种耦合多标签分类网络和yolo的城市功能分区方法 |
Non-Patent Citations (2)
Title |
---|
池娇等: "基于POI数据的城市功能区定量识别及其可视化", 《测绘地理信息》 * |
过秀成: "《城市步行与自行车交通规划》", 31 December 2016, 东南大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468982A (zh) * | 2021-06-11 | 2021-10-01 | 北京建筑大学 | 一种城市功能区分类方法、装置及存储介质 |
CN113468982B (zh) * | 2021-06-11 | 2023-08-01 | 北京建筑大学 | 一种城市功能区分类方法、装置及存储介质 |
CN114662774A (zh) * | 2022-04-02 | 2022-06-24 | 东南大学 | 一种城市街区活力预测方法、存储介质和终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112733782B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733781B (zh) | 结合poi数据的城市功能区识别方法、存储介质和电子设备 | |
CN109948477B (zh) | 一种提取图片中道路网络拓扑点的方法 | |
CN111598101B (zh) | 基于遥感影像场景分割的城区智能提取方法、系统及设备 | |
KR102507501B1 (ko) | 인공지능 기반 수계오염원 모니터링 시스템 및 방법 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN112733782B (zh) | 基于道路网的城市功能区识别方法、存储介质和电子设备 | |
CN114065364B (zh) | 基于无人机遥感测绘的城市工程规划方法及系统 | |
CN109635748A (zh) | 高分辨率影像中道路特征的提取方法 | |
CN115984273B (zh) | 道路病害检测方法、装置、计算机设备及可读存储介质 | |
CN111414878B (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
CN113034511A (zh) | 基于高分辨率遥感影像与深度学习的乡村建筑识别算法 | |
CN114519819A (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN114722944A (zh) | 点云精度确定方法、电子设备及计算机存储介质 | |
CN113935442A (zh) | 汽车自动驾驶功能测试道路的分类方法、设备和存储介质 | |
CN117852975A (zh) | 基于数字化设计的城市更新行动可视化评估方法及系统 | |
Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
Wang et al. | Instance segmentation of soft‐story buildings from street‐view images with semiautomatic annotation | |
CN111832103B (zh) | 一种基于道路网络封闭地块合并交通子区的快速实现方法 | |
WO2022021209A9 (zh) | 电子地图生成方法、装置、计算机设备和存储介质 | |
CN118564844B (zh) | 一种城市排水管网破损检测方法及系统 | |
Zou et al. | Inertia mutation energy model to extract roads by crowdsourcing trajectories | |
CN112767469B (zh) | 一种城市海量建筑高度智能化获取方法 | |
CN118470333B (zh) | 一种基于遥感图像的地理环境语义分割方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220211 |