CN113111691B - 一种基于遥感图片与兴趣点数据的城市用地功能识别方法 - Google Patents
一种基于遥感图片与兴趣点数据的城市用地功能识别方法 Download PDFInfo
- Publication number
- CN113111691B CN113111691B CN202010033194.0A CN202010033194A CN113111691B CN 113111691 B CN113111691 B CN 113111691B CN 202010033194 A CN202010033194 A CN 202010033194A CN 113111691 B CN113111691 B CN 113111691B
- Authority
- CN
- China
- Prior art keywords
- urban
- remote sensing
- data
- interest point
- function
- 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
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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于遥感图片与兴趣点数据的城市用地功能识别方法。以往的城市功能区识别方法只针对单一的遥感影像数据或社会感知数据,在一定程度上忽略了城市区域的整体功能属性信息。为解决这一问题,提出了一种多模态城市用地功能识别框架。方法包括:构建了一种用于城市遥感图像识别的深层多通道残差神经网络,探索遥感图像中的空间地理特征。其次,研究了城市不同功能区的兴趣点分布的频率功能密度,并基于度量学习提取城市区域的功能分布特征。最后,在异构特征融合模组中融合不同维度的两种特征,进一步提高城市用地功能识别性能。实验证明,该方法具有很好的实用性,可广泛应用于城市功能区的识别。
Description
技术领域
本发明涉及深度学习领域中的图像与文本数据识别问题,尤其是涉及一种基于遥感图片与兴趣点数据的城市用地功能识别方法。
背景技术
近年来,世界各国城市化发展迅速。土地利用与土地覆盖作为城市化的重要组成部分,在环境保护、基础设施建设和城市规划等方面发挥着极其重要的作用。由于城市化的发展和人为活动的影响,不同的城市区域往往具有复杂的城市用地功能,如商业区、居住区和工业区等等。城市区域的功能与范围不仅仅取决于政府的规划部署,还取决于人们的实际生活方式。城市功能区的实际地理分布对于满足市民休闲生活和城市空间的可用性具有极其重要的意义。精细的城市功能区划分不仅有助于区分工作区和生活区,同时能够解决交通拥堵、空气污染和土地资源浪费等问题。因此,准确地认识城市空间结构,定义城市功能区,对于制定富有成效的城市规划政策法规具有重要意义。
随着遥感技术和图像处理技术的飞速发展,高空间分辨率遥感图像被广泛应用于城市用地功能的提取和分析。然而,基于遥感数据的方法只能提取出城市功能区中的低级语义特征,而未考虑地物空间关系以及人群活动行为。与基于遥感图片数据的方法不同,使用兴趣点数据、社交媒体数据等有助于对城市进行更加精细化、结构化的理解。这些丰富的社会感知数据有助于弥补城市用地类型与实际基础设施分布之间的语义鸿沟,在城市研究中具有独特优势。因此,将两种数据进行有效融合,共同识别城市功能区类型具有重要意义。
发明内容
本发明的目的是提供一种基于遥感图片与兴趣点数据的城市用地功能识别方法,通过多通道神经网络提取功能区的空间地理特征,通过余弦度量方式提取功能区的功能分布特征,最后利用多模态特征融合模组将不同维度的特征进行深度融合,对城市用地功能类型进行识别。
为了方便说明,首先引入如下概念:
残差神经网络(Residual Neural Network):残差神经网络的核心思想是为了解决学习恒等映射函数的问题,线性层去拟合另一个特征F(x)=H(x)-x,主要思想是去掉相同的主体部分,从而突出微小的变化。
度量学习(Metric Learning):度量学习也称为距离度量学习。在数据分析和处理领域,大多数的基本任务都是基于数据之间的距离和相似性。一般来说,这是一种判断样本之间相似性的方法。对于考虑的两个样本,距离越近,度量空间的相似性就越强。测量样本间距离的方法有很多,如欧几里德距离、马氏距离、余弦距离和切比雪夫距离。
本发明具体采用如下技术方案:
一种基于遥感图片与兴趣点数据的城市用地功能识别方法,其特征在于:
a.通过多通道残差神经网络提取城市功能区对应遥感影像中的空间地理特征;
b.通过度量学习的方式提取城市功能区对应兴趣点数据中的功能分布特征;
c.通过多模态特征融合模组将a,b中的两张特征进行融合对城市用地功能进行识别;
该方法主要包括以下步骤:
(1)获取待研究城市功能区域的遥感影像数据与兴趣点(point-of-interest,POI)数据;
(2)构建多通道残差神经网络,提取遥感影像数据中的多维度特征,并进行融合得到城市功能区的空间地理特征向量;
(3)对获取的兴趣点数据进行预处理,统计其中各种类型兴趣点的频率密度与功能密度,构建基于度量学习的余弦度量矩阵,提取兴趣点数据中的功能分布特征;
(4)通过多模态特征融合模组,对两张不同维度的特征向量进行加权,在数据层面进行深度异构融合,综合分析当前城市区域的用地功能类型。
本发明的有益效果是:
(1)充分发扬深度学习中自我学习的优势,让机器自动学习图像特征,有效避免人工选择特征的偏差和低效问题,具有更强的适应能力。
(2)对不同分辨率的遥感图像特征进行分层提取与融合,让高低分辨率特征图在神经网络中得到充分的流动,提高特征内容丰富度。
(3)通过余弦距离对兴趣点数据之间的频率功能密度分布相似度进行度量,通过方向向量构建相似度代价矩阵,提升模型相似度判别能力。
(4)将不同维度的空间地理特征和功能分布特征进行深度异构数据融合,对城市用地功能类型进行全局分析,具有重要研究价值。
附图说明
图1为基于遥感图片与兴趣点数据的城市用地功能识别方法框架。
图2为多通道残差神经网络结构图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细说明,有必要指出的是,以下的实施例只用于对本发明做进一步的说明,不能理解为对本发明保护范围的限制,所属领域技术熟悉人员根据上述发明内容,对本发明做出一些非本质的改进和调整进行具体实施,应仍属于本发明的保护范围。
基于遥感图片与兴趣点数据的城市用地功能识别方法,具体包括以下步骤:
(1)通过谷歌地球与百度地图接口获取待研究城市功能区域的遥感影像数据与兴趣点(point-of-interest,POI)数据;
(2)将遥感影像数据按8比2划分成训练集与测试集,构建多通道残差神经网络,将遥感图片数据送入网络进行训练,提取遥感影像数据中的多维度特征,并将不同分辨率的特征图进行多次融合,最终得到城市功能区的空间地理特征向量;
(3)对获取的兴趣点数据进行预处理,统计不同城市用地功能区中各种类型兴趣点的频率密度与功能密度,将待识别区域中的兴趣点分布与不同功能区的平均频率功能密度进行余弦度量,构建基于度量学习的余弦度量矩阵,判断其与各功能类型的相似度,提取兴趣点数据中的功能分布特征;
(4)通过多模态特征融合模组,对两张不同维度的特征向量进行加权,在数据层面进行深度异构融合,根据最后融合得到的特征向量矩阵,综合分析当前城市区域的用地功能类型。
Claims (4)
1.一种基于遥感图片与兴趣点数据的城市用地功能识别方法,其特征在于:
a.通过多通道残差神经网络提取城市功能区对应遥感影像中的空间地理特征;
b.通过度量学习的方式提取城市功能区对应兴趣点数据中的功能分布特征;
c.通过多模态特征融合模组将a,b中的特征进行异构融合对城市用地功能进行识别;
该方法主要包括以下步骤:
(1)获取待研究城市功能区域的遥感影像数据与兴趣点(point-of-interest,POI)数据;
(2)构建多通道残差神经网络,提取遥感影像数据中的多维度特征,并进行融合得到城市功能区的空间地理特征向量;
(3)对获取的兴趣点数据进行预处理,统计其中各种类型兴趣点的频率密度与功能密度,构建基于度量学习的余弦度量矩阵,提取兴趣点数据中的功能分布特征;
(4)通过多模态特征融合模组,对两种不同维度的特征向量进行加权,在数据层面进行深度异构融合,综合分析当前城市区域的用地功能类型。
2.如权利要求1所述的基于遥感图片与兴趣点数据的城市用地功能识别方法,其特征在于在步骤(2)中构建的多通道残差神经网络,该网络考虑遥感影像中不同空间分辨率的特征图特点,通过多个通道分别提取图片中的高分辨率特征与低分辨率特征,并在网络中对不同分辨率的特征进行交叉融合,充分提取城市区域的空间地理特征信息。
3.如权利要求1所述的基于遥感图片与兴趣点数据的城市用地功能识别方法,其特征在于在步骤(3)中通过度量学习中的余弦距离度量方式,对待研究区域与各类城市用地功能的兴趣点平均分布向量进行相似度度量,构建余弦度量代价矩阵,充分提取城市区域中的功能分布特征。
4.如权利要求1所述的基于遥感图片与兴趣点数据的城市用地功能识别方法,其特征在于在步骤(4)中构建多模态特征融合模组,对上述提取的空间地理特征与功能分布特征进行加权,并在数据层面上将这两种不同维度的特征进行深度异构融合,提升城市用地功能类型识别的准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010033194.0A CN113111691B (zh) | 2020-01-13 | 2020-01-13 | 一种基于遥感图片与兴趣点数据的城市用地功能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010033194.0A CN113111691B (zh) | 2020-01-13 | 2020-01-13 | 一种基于遥感图片与兴趣点数据的城市用地功能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111691A CN113111691A (zh) | 2021-07-13 |
CN113111691B true CN113111691B (zh) | 2022-04-05 |
Family
ID=76708768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010033194.0A Active CN113111691B (zh) | 2020-01-13 | 2020-01-13 | 一种基于遥感图片与兴趣点数据的城市用地功能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111691B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100395A (zh) * | 2022-06-27 | 2022-09-23 | 南京大学 | 一种融合poi预分类和图神经网络的城市街区功能分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
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 |
CN109948737A (zh) * | 2019-04-08 | 2019-06-28 | 河南大学 | 基于大数据和机器学习的贫困空间分类识别方法和装置 |
CN110348542A (zh) * | 2019-07-24 | 2019-10-18 | 北京师范大学 | 一种遥感图像特征与地理空间位置的深度融合方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10049457B2 (en) * | 2016-08-29 | 2018-08-14 | CephX Technologies Ltd. | Automated cephalometric analysis using machine learning |
US10445877B2 (en) * | 2016-12-30 | 2019-10-15 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
-
2020
- 2020-01-13 CN CN202010033194.0A patent/CN113111691B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
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 |
CN109948737A (zh) * | 2019-04-08 | 2019-06-28 | 河南大学 | 基于大数据和机器学习的贫困空间分类识别方法和装置 |
CN110348542A (zh) * | 2019-07-24 | 2019-10-18 | 北京师范大学 | 一种遥感图像特征与地理空间位置的深度融合方法 |
Non-Patent Citations (9)
Title |
---|
A Two-Stream Deep Fusion Framework for High-Resolution;Yunlong Yu;《Computational Intelligence and Neuroscience》;20180118;1-13 * |
Deep Residual Learning for Image Recognition;He, K.;《In Proceedings of the 2016》;20160630;1-5 * |
EMMCNN: An ETPS-Based Multi-Scale and;Shuyu Zhang;《remote sensing》;20191223;1-33 * |
Morphological operators applied to X-band SAR for urban land use classification;Marco Chini;《2009 IEEE International Geoscience and Remote Sensing Symposium》;20100218;2-10 * |
基于模式识别方法的多光谱遥感图像分类研究;杨威;《中国博士学位论文全文数据库 (信息科技辑)》;20120615;I140-75 * |
基于自组织映射的北京主体功能区识别研究;程鹏;《测绘与空间地理信息》;20180408;53-56 * |
基于面向对象的北京市区城市内部用地信息提取;王彩艳;《自然资源学报 资源研究方法》;20150522;705-714 * |
融合多源地理大数据的杭州市功能区识别和空间优化研究;赵智勇;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20180815;A008-26 * |
视频大数据在城市公共空间规划领域的应用前景探索;韩龙玫;《四川建筑》;20170814;12-15 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111691A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN108052966A (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
Xing et al. | Mapping human activity volumes through remote sensing imagery | |
CN115512216A (zh) | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 | |
CN114022793A (zh) | 一种基于孪生网络的光学遥感图像变化检测方法 | |
Qin et al. | A graph convolutional network model for evaluating potential congestion spots based on local urban built environments | |
CN114998744B (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 | |
CN114661744B (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
CN115796331A (zh) | 基于多模态城市知识图谱的城市资源预测方法及系统 | |
Liu et al. | Building footprint extraction from unmanned aerial vehicle images via PRU-Net: Application to change detection | |
Hu et al. | A framework to detect and understand thematic places of a city using geospatial data | |
CN114444794A (zh) | 基于双注意力图嵌入网络的出行意图预测方法 | |
CN106547862A (zh) | 基于流形学习的交通大数据降维处理方法 | |
CN113780459A (zh) | 一种基于空间谱系的城乡聚落类型自动识别的方法与系统 | |
CN114529721B (zh) | 一种基于深度学习的城市遥感影像植被覆盖识别方法 | |
Zou et al. | Deep learning for cross-domain data fusion in urban computing: Taxonomy, advances, and outlook | |
Cai et al. | Discovery of urban functional regions based on Node2vec | |
CN113111691B (zh) | 一种基于遥感图片与兴趣点数据的城市用地功能识别方法 | |
Kong et al. | A graph-based neural network approach to integrate multi-source data for urban building function classification | |
CN113821702A (zh) | 一种城市多维空间多元异构信息数据处理方法 | |
Guo et al. | A shape and size free-CNN for urban functional zone mapping with high-resolution satellite images and POI data | |
Huang et al. | Recognition of Functional Areas in an Old City Based on POI: A Case Study in Fuzhou, China | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
Zhang et al. | Deep-learning generation of POI data with scene images |
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 |