CN113468982A - 一种城市功能区分类方法、装置及存储介质 - Google Patents
一种城市功能区分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113468982A CN113468982A CN202110657027.8A CN202110657027A CN113468982A CN 113468982 A CN113468982 A CN 113468982A CN 202110657027 A CN202110657027 A CN 202110657027A CN 113468982 A CN113468982 A CN 113468982A
- Authority
- CN
- China
- Prior art keywords
- city
- street
- block
- dimensional
- target
- 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 54
- 238000003860 storage Methods 0.000 title abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 abstract description 2
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 244000025254 Cannabis sativa Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种城市功能区分类方法、装置及存储介质,其中方法包括:获取目标城市的遥感影像;获取目标城市的激光雷达点云数据;对遥感影像进行分块处理,获得若干街区块;基于激光雷达点云数据获取各所述街区块的三维城市结构参数;至少基于各所述街区块的三维城市结构参数确定各所述街区块的功能区类别,以获得目标城市的城市功能区分类结果。本申请中通过获取目标城市的遥感影像,并对其进行分块来获得街区块,然后从获取的激光雷达点云数据中提取到各街区块的三维城市结构参数,最后根据获得的三维城市结构参数来确定各街区块所属的功能区,通过使用多机器学习算法和特征优化提高了城市功能区分类的精度,使得对功能区的分类更加准确。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种城市功能区分类方法、装置及存储介质。
背景技术
随着城市的不断发展、建设,城市内部产生了各种功能区,如商业区、居住区、工业区和公园等等。通过对城市功能区进行分类,可以根据分类结果来对城市的后续发展进行规划,也可以根据分类结果来监测城市的发展等,因此对城市各功能区的划分具有重要意义。
现有的城市功能区分类方法大多是单一的基于高分辨率遥感影像进行分类,由于遥感影像数据单一,只能提供城市的一些二维特征,如光谱、纹理、形状等特征,因此造成对城市功能区的分类不够准确的问题。
发明内容
有鉴于此,本发明提供了一种城市功能区分类方法、装置及存储介质,主要目的在于解决城市功能区分类不够准确的问题。
为解决上述问题,本申请提供一种城市功能区分类方法,包括:
获取目标城市的遥感影像;
获取目标城市的激光雷达点云数据;
对所述遥感影像进行功能区分块处理,获得若干街区块;
基于所述激光雷达点云数据获取各所述街区块的三维城市结构参数;
至少基于各所述街区块的三维城市结构参数确定各所述街区块的功能区类别,以获得所述目标城市的城市功能区分类结果。
可选的,所述方法还包括:
获取目标城市的道路网数据,以基于所述道路网数据对所述遥感影像进行功能区分块处理。
可选的,所述城市功能区分类方法还包括:
获取所述目标城市的功能区样本以及各所述功能区样本中的兴趣点数据;
基于所述功能区样本以及各所述功能区样本内的兴趣点数据进行模型训练,获得分类模型,以利用所述分类模型根据所述三维城市结构参数确定各所述街区块的功能区类别。
可选的,所述城市功能区分类方法还包括:
对所述遥感影像进行分割处理,获得与各所述街区块对应的若干对象;
确定各所述对象的土地覆盖类别;
基于各所述街区块对应的各所述对象的土地覆盖类别,获得各所述街区块的二维城市结构参数;
基于各所述街区块的二维城市结构参数以及各所述街区块的三维城市结构参数确定各所述街区块的功能区类别。
可选的,所述对所述遥感影像进行分割处理,获得与各所述街区块对应的若干对象,具体包括:
采用多分辨率分割方法对所述遥感影像进行分割,获得若干对象,基于各所述对象与各所述街区块的位置关系,获得与各所述街区块对应的若干对象。
可选的,所述确定各所述对象的土地覆盖类别,具体包括:
对各所述对象进行特征提取,获取各所述对象的特征信息;
基于各所述对象的特征信息确定各所述对象的土地覆盖类别;
所述特征信息包括城市的二维特征以及三维特征,其中,所述二维特征包括如下一种或几种:光谱特征、纹理特征、几何特征;所述三维特征包括如下一种或几种:数字表面模型、天空视域因子、和地形平坦度。
可选的,所述城市功能区分类方法还包括:
计算各所述特征信息的吉尼指数;
基于各所述特征信息的吉尼指数确定各特征的重要性;
基于各特征的重要性确定目标特征信息,以基于所述目标特征信息确定各所述对象的土地覆盖类别。
可选的,在确定各所述对象的土地覆盖类别后,所述方法还包括:
对各所述对象的土地覆盖类别进行可靠性判断;
在判断所述目标对象的土地覆盖类别为非可靠的情况下,获取所述目标对象的属性参数;
基于所述目标对象的当前土地覆盖类别、所述属性参数满足的预设条件,重新确定所述目标对象的土地覆盖类别。
可选的,所述城市功能区分类方法还包括确定各街区块的土地覆盖的空间模式,以利用所述分类模型根据各所述街区块的二维城市结构参数、各所述街区块的三维城市结构参数以及各所述街区块的土地覆盖的空间模式确定各所述街区块的功能区类别;
其中,所述三维城市结构参数包括如下一种或几种:建筑高度、天空视域因子、建筑容积率和街道高宽比;
所述二维城市结构参数包括如下一种或几种:建筑覆盖面积、树木覆盖面积、草地覆盖面积、土壤覆盖面积、不透水地表覆盖面积和水体覆盖面积;
所述功能区包括如下一种或几种:商业区、居住区、工业区和公园;
所述土地覆盖的空间模式包括如下任意一种:随机模式、聚集模式和均匀分布模式。
为解决上述技术问题,本申请提供一种城市功能区分类装置,包括:
第一获取模块,用于获取目标城市的遥感影像;
第二获取模块,用于获取目标城市的激光雷达点云数据;
分块模块,用于对所述遥感影像进行功能区分块处理,获得若干街区块;
分类参数获取模块,用于基于所述激光雷达点云数据获取各所述街区块的三维城市结构参数;
分类模块,用于至少基于各所述街区块的三维城市结构参数确定各所述街区块的功能区类别,以获得所述目标城市的城市功能区分类结果。
为解决上述技术问题,本申请提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述所述城市功能区分类方法的步骤。
本申请中通过获取目标城市的遥感影像,并利用道路网数据对其进行分割来获得街区块,然后从获取的激光雷达点云数据中提取各街区块的三维城市结构参数,最后根据获得的三维城市结构参数来确定各街区块所属的功能区,本过程使用多机器学习算法和特征优化提高了城市功能区分类的精度,使得对功能区的分类更加准确。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例一种的流程图城市功能区分类方法流程图;
图2(a)为本申请实施例中建筑高度与功能区类别的关系示意图;
图2(b)为本申请实施例中天空视域因子与功能区类别的关系示意图;
图2(c)为本申请实施例中街道高宽比与功能区类别的关系示意图;
图2(d)为本申请一实施例建筑容积率与功能区类别的关系示意图;
图3为本申请又一实施例一种城市功能区分类方法的流程图;
图4为本申请另一实施例一种城市功能区分类装置的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种城市功能区分类方法,如图1所示,包括如下步骤:
步骤S101,获取目标城市的遥感影像;
本步骤中遥感影像具体可以为超高分辨率影像,其空间分辨率可以为0.3米,具体可以利用高分辨率遥感卫星对目标城市进行拍摄来获得。
步骤S102,获取目标城市的激光雷达点云数据;
步骤S103,对所述遥感影像进行功能区分块处理,获得若干街区块;
本步骤在具体实施过程中,将目标城市的遥感影与目标城市的道路网数据叠加,进行分割处理,以此来获得若干以街区块为单位的功能区。
步骤S104,基于所述激光雷达点云数据获取各所述街区块的三维城市结构参数;
本步骤中,三维城市结构参数包括如下一种或几种,建筑高度、天空视域因子、建筑容积率和街道高宽比。
步骤S105,至少基于各所述街区块的三维城市结构参数确定各所述街区块的功能区类别,以获得所述目标城市的城市功能区分类结果。
本步骤中功能区类别包括如下一种或几种:商业区、居住区/住宅区、工业区和公园。本步骤中在获得了各街区块的三维城市结构参数后,就可以进一步根据三维城市结构参数来确定各街区块所属的功能区类别,例如如图2(a)所示,获取到某一街区块的建筑高度后,若确定该建筑高度大于或等于第一预设值,如大于或等于12米,则可以确定该街区块属于住宅区/居住区;若确定该建筑高度大于或等于第二预设值小于所述第一预设值,如大于或等于10米小于12米,则确定该街区块属于商业区;若确定该建筑高度大于或等于第三预设值小于所述第二预设值,如建筑高度大于或等于8米小于10米,则确定该街区块属于工业区;若确定该建筑高度小于所述第三预设值,如小于8米,确定该街区块属于公园。同理如图2(b),表示获得不同的天空视域因子时,不同的天空视域因子所对应的功能区类别,如图2(c)表示获得不同的街道高宽比时,不同的街道高宽比所对应功能区类别,图2(d)表示获得不同的建筑容积率时,不同的建筑容积率所对应的功能区类别。即本申请中可以根据天空视域因子与预设的天空视域因子临界值的关系来确定各街区块属于的功能区;根据建筑容积率与预设建筑容积率的关系来确定各街区块属于的功能区;根据街道高宽比与预设街道高宽比的关系来确定各街区块属于的功能区。当然,为了使得最终的分类结果更加准确,可以同时获得根据建筑高度、天空视域因子、建筑容积率以及街道高宽的功能区分类结果,然后将各结果进行综合,以此来获得街区块最终的功能区分类结果。例如,根据天空视域因子确定目标街区块属于商业区,根据建筑高度确定目标街区块属于住宅,根据建筑容积率确定街区块属于住宅区,根据街道高宽比确定目标街区块属于住宅区,那么最终就可以确定该目标街区块属于住宅区。
本实施例在具体实施过程中,可以预先获取所述目标城市的功能区样本以及各所述功能区样本中的兴趣点数据;然后基于所述功能区样本以及各所述功能区样本内的兴趣点数据进行模型训练,获得分类模型,以利用所述分类模型根据所述三维城市结构参数确定各所述街区块的功能区类别。本实施例中,POI兴趣点数据(Point Of Interest)是指可以抽象为点的地理对象,尤其是一些与人民生活密切相关的地理实体、如学校、银行、餐馆、加油站、医院、超市等等。本实施例中通过获取目标城市中部分功能区样本以及各功能区样本中的兴趣点信息,然后进行模型训练,由此能够使机器学习到在该目标城市中不同的功能区分别具有哪些特点,即商业区、住宅区、工业区分别具有哪些属性特点,由此来获得分类模型。后续就可以利用获得的该训练模型至少根据各街区块的三维城市结构参数来对功能区进行分类,从而实现对整个目标城市的功能区进行分类。
本申请中通过获取目标城市的遥感影像,并对其进行分割来获得街区块,然后从获取的激光雷达点云数据中提取到各街区块的三维城市结构参数,最后根据获得的三维城市结构参数来确定各街区块所属的功能区。本过程使用多机器学习算法和特征优化提高了城市功能区分类的精度,使得对功能区的分类更加准确。
本申请又一实施例提供一种城市功能区分类方法,如图3所示,包括:
步骤S201,获取目标城市的遥感影像;
本步骤中遥感影像具体可以为超高分辨率影像。
步骤S202,获取目标城市的激光雷达点云数据;
步骤S203,获取目标城市的道路网数据,基于所述道路网信息对所述遥感影像进行功能区分块处理,获得若干街区块;
步骤S204,基于所述激光雷达点云数据获取各所述街区块的三维城市结构参数;
步骤S205,对所述遥感影像进行分割处理,获得与各所述街区块对应的若干对象;确定各所述对象的土地覆盖类别;基于各所述街区块对应的各所述对象的土地覆盖类别,获得各所述街区块的二维城市结构参数;
本步骤在具体实施过程中,具体可以采用多分辨率分割/多尺度分割方法对所述遥感影像进行分割,获得若干图像对象,基于各所述对象与各所述街区块的位置关系,获得与各所述街区块对应的若干对象。
在确定各所述对象的土地覆盖类别时,可以对各所述对象进行特征提取,获取各所述对象的二维特征以及三维建筑物形态参数等特征信息,如获取光谱特征、纹理特征、几何特征以及三维建筑物形态参数中的一种或几种;接着基于各所述对象的特征信息确定各所述对象的土地覆盖类别。最后基于各所述街区块对应的各所述对象的土地覆盖类别。本步骤中,特征信息具体可以包括二维特征和三维特征,进一步可以如表1所示,二维特征中的光谱特征包括:频谱信息Spectral information(即蓝、绿、红和近红外波段)、归一化差值植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、归一化差分水体指数(NDWI)、均值(Meani)、亮度(Brightness)、贡献率(Ratio)、对于领域的平均差分(Mean.diff.)、标准偏差(Std.Dev)。二维特征中的纹理特征由灰度共生矩阵(GLCM)或归一化灰度矢量(GLDV)的不同指数来表示,即纹理特征包括:角二阶矩(angular secondmoment)、方差(variance)、对比度(contrast)、熵(entropy)、能量(energy)、相关性(correlation)、逆差距(inverse differential moment)、相异性(dissimilarity)和同质性(homogeneity)。二维特征中的几何特征可以揭示对象的不同特征,即几何特征包括:面积(area)、边界长度(border length)、长度/宽度(length/width)、紧密度(compactness)、不对称性(asymmetry)、边界指数(border index)、密度(density)、椭圆拟合性(ellipticfit)、主方向(main direction)、形状指数(shape index)。三维特征包括:数字表面模型(DSM)、天空视域因子(SVF)和地形平坦度(Flatness)。即可以利用表1中的这些特征来确定对象的土地覆盖类别。土地覆盖类别具体包括:建筑物、树木、草地、泥地、不透水地表以及水体。
表1:
本步骤中,在获得了各对象的特征信息后,具体可以利用分类器来根据各对象的特征信息来确定各对象属于各土地覆盖类别的概率,最后将概率最大对应的土地覆盖类别确定为对象的土地覆盖类别,其中分类器具体可以采用随机森林(RF)分类器、K-最邻近(KNN)分类器或线性判别式分析(LDA)分类器。本步骤中确定了各对象的土地覆盖类别之后,就可以进一步根据各对象的面积来获取到街区块的二维城市结构参数。二维城市结构参数包括如下一种或几种:包括建筑覆盖面积(BC)、树木覆盖面积(TC)、草地覆盖面积(GC)、土壤覆盖面积(SC)、不透水地表覆盖面积(ISC)和水体覆盖面积(WC)。后续就可以利用二维城市结构参数和三维城市结构参数来确定各街区块所属的功能区类别。
本实施例中在确定对象的土地覆盖类别时,为了能够准确的确定各对象的土地覆盖类别,因此可以对特征信息进行优化,即筛选出对土地覆盖类别的判断影响较大的特征信息为目标特征信息,然后利用目标特征信息来确定各对象的土地覆盖类别,由此不但能减少特征信息的获取数量,提高确定土地覆盖类别的速率,同时还能提高确定土地覆盖类别的准确度。具体的,可以利用吉尼指数来确定出目标特征信息,即计算各所述特征信息的吉尼指数,基于各所述特征信息的吉尼指数确定各特征的重要性;基于各特征的重要性确定目标特征信息,以基于各所述对象的目标特征信息确定各所述对象的土地覆盖类别。具体的可以按照重要性由高到低的顺序各特征信息进行排序,然后选取排列顺序位于前列的特征为目标特征,具体的选取数量可以根据实际需要进行调整,当然也可以根据各特征的基尼指数来选取,例如选取基尼指数大于预设值的特征为目标特征。本申请中吉尼指数(GI)是根据随机森林分类器的结构计算出来的,用来表示每个特征的平均减少误差的程度,吉尼指数(或平均不纯度减少)可以衡量每个变量(即每个特征信息)的重要性。因此可以根据各特征信息的吉尼指数,从上述表1中的特征信息中筛选出目标特征信息。其中吉尼指数的计算公式为:其中,GI(P)代表变量(特征)重要性,K表示第K个土地覆盖类别,Pk表示对象样本属于第K类的概率。通常,较高的GI值意味着相应的变量对分类的影响更大。本申请中通过确定与目标城市对应的目标特征信息后,在后续对该目标城市进行功能区分类时,就可以直接利用目标特征信息来确定目标城市的街区块中的对象的土地覆盖类别,为准确的对功能区进行分类奠定了基础。
本实施例中,在确定对象的土地覆盖类别时,由于不透水地表与泥地容易混淆,不透水地表与建筑物容易混淆,树木与草地容易混淆。因此为了提高土地覆盖类别的识别精确度,在确定各对象的每个土地覆盖类别后,可以根据各对象的土地覆盖类别的概率结果来进行可靠性判断,即对各所述对象的土地覆盖类别进行可靠性判断;在判断所述目标对象的土地覆盖类别为非可靠的情况下,获取所述目标对象的属性参数;基于所述目标对象的当前土地覆盖类别、所述属性参数满足的预设条件,重新确定所述目标对象的土地覆盖类别。具体的,可以利用计算公式(2)、(3)和(4)来计算对象属于的土地覆盖类别的最大概率结果然后根据以及预设的不可靠对象的阈值T来确定土地覆盖类别是否可靠。其中:
本实施例中在确定了土地覆盖类别的确定结果为不可靠之后,就可以获取所述目标对象的属性参数;属性参数包括:相对边界(RB)、到草地的距离(DG)、到建筑物的距离(DB)、相对边界(RB)、高度(H)。然后基于所述目标对象的当前土地覆盖类别、所述属性参数满足的预设条件,重新确定所述目标对象的土地覆盖类别。其中预设条件包括如下表2中所示的第一预设条件、第二预设条件、第三预设条件、第四预设条件、第五预设条件和第六预设条件。具体重新分类的规则可以如下表2所示。
表2:
a当前土地覆盖类别1→目标土地覆盖类别2表示当后续条件满足时土地覆盖类别1将被重新分为土地覆盖类别2
例如,在确定某一对象当前的土地覆盖为不透水地表时,又确定该不透水地表为非可靠,由此就可以进一步获取该对象的属性参数,即获取相对边界(RB),到草地的距离(DG),到建筑物的距离(DB),该对象的高度(H)。例如确定该对象到草地的距离(DG)=0;该对象到建筑物的距离(DB)>0,且相对边界(RB)到最近的泥地>T1时,即确定该目标对象的属性参数满足第一预设条件时,则将该目标对象由当前土地覆盖类别“不透水地表”重新确定为目标土地覆盖类别“泥地”。再如在确定该对象的高度(H)>0时,且相对边界(RB)到最近的建筑物>T2时,即确定该目标对象的属性参数满足第三预设条件时,则将该目标对象由当前土地覆盖类别“不透水地表”重新确定为目标土地覆盖类别“建筑物”。其中表2中的T1、T2、T3以及T4值的大小具体可以根据实际情况设定。
步骤S206,基于各所述街区块的二维城市结构参数以及各所述街区块的三维城市结构参数确定各所述街区块的功能区类别。
在上述实施例的基础上,为了避免在不同城市功能区内出现相同景观组成或三维城市结构的情况,以更加准确的对各街区块所属的功能区进行分类,具体还可以进一步确定各街区块土地覆盖的空间模式,以基于各所述街区块的二维城市结构参数、各所述街区块的三维城市结构参数以及各所述街区块的土地覆盖的空间模式确定各所述街区块的功能区类别;其中,所述土地覆盖的空间模式包括如下任意一种:随机模式、聚集模式和均匀分布模式。即通过引入了最近邻指数(NNI)来标记不同的土地覆盖空间模式,进而来提高城市功能区的分类精度。
其中,NNI可以定义为:
其中,dmin表示某土地覆盖物(如建筑物)与其最近的同一地物之间的距离;是dmin的平均值。E(dmin)是空间完全随机模式下dmin的期望,由街区面积(A)和建筑数量(n)计算得出。因此,不同的空间模式可以用NNI来表示,当NNI=1,表示随机分布模式;NNI<1,表示聚合分布模式;NNI>1,表示均匀分布模式。本实施例中当确定某个街区块内有15个对象,土地覆盖类别分别为草地1、草地2、草地3、树木1、树木2、树木3、不透水地表1、不透水地表2、不透水地表3、不透水地表4、建筑1、建筑2、建筑3、建筑4以及水体1,然后通过利用公式(5)、(6)和(7)计算各的对象的NNI,由此来确定各对象是随机分布模式、还是聚合分布模式或者是均匀分布模式。当在确定某类功能区内建筑对象的NNI值小于1的占比比较多(即聚合分布模式较多),则可以确定在该类功能区内建筑这一土地覆盖的空间模式为集合/聚集分布模式。同理也可以确定出其他土地覆盖类别的空间模式,然后通过对各土地覆盖类别的空间分布模式进行聚类,可获得对象在各功能区内的显著空间分布模式。例如确定建筑物、草地、树木是聚合分布模式,不透水地表是均匀分布模式,则可以确定该街区块为住宅区/居住区。再如建筑物是均匀分布模式,不透水地表和泥地为聚集/聚合分布模式,草地和树木为随机分布模式,则可以确定街区块为商业区或为工业区。再如,确定建筑物和水体为聚集分布模式,草地和树木为均匀分布模式,则可以确定街区块为公园。
即本申请中具体可以采用表3中的分类参数来确定街区块所属的功能区类别。
表3:
本实施例中,在获得了上述分类参数后,可以分别基于各参数来确定街区块所属的功能区,然后对该街区块的各分类结果进行综合,获得最终的功能区分类结果。
本实施例中,在利用上述参数对功能区进行分类之前,还可以进一步进行参数优化,即计算各参数的吉尼指数,即确定各二维城市结构参数、三维城市结构参数以及空间模式特征变量的变量重要性,以此来筛选出目标参数作为功能区分类的依据,本实施例中计算各参数的吉尼指数的具体过程与上述计算各特征信息的吉尼指数类似,在此不再赘述。
本实施例中,在根据二维城市结构参数、三维城市结构参数以及空间模式特征对功能区进行分类时,具体可以采用多机器学习算法,利用多种机器学习分类器,利用分类器来对街区块所属的功能区进行分类。具体的可以预先获取所述目标城市的功能区样本以及各所述功能区样本中的兴趣点数据;然后基于所述功能区样本以及各所述功能区样本内的兴趣点数据利用分类器进行模型训练,获得分类模型。后续在获得了二维城市结构参数、三维城市结构参数以及空间模式特征时,就可以利用训练获得的分类模型直接根据二维城市结构参数、三维城市结构参数以及空间模式特征来进行功能区的分类。本实施例中由于不同城市同一种功能区的属性特点不同,即同样是商业区,但是在不同城市中商业区对应的二维城市结构参数、三维城市结构参数以及空间分布模式特征会不同,由此在对目标城市进行功能区分类之前,需要先获取该城市内部分的功能区作为样本,同时获取样本功能区内的兴趣点数据,然后进行模型训练,由此就会获得与城市对应的分类模型。后续就可以利用该分类模型来对整个城市的功能区进行分类。本实施例中分类器可以采用随机森林(RF)分类器、K-最邻近(KNN)分类器或线性判别式分析(LDA)分类器。本申请中通过将多机器学习算法和各种特征相结合以促进土地覆盖的分类,特别加入三维城市结构参数;联合三维城市结构参数和多分类器来对城市功能区进行分类,使得最终的分类结果更加准确、合理。
本申请另一实施例提供一种城市功能区分类装置,如图4所示,包括:
第一获取模块,用于获取目标城市的遥感影像;
第二获取模块,用于获取目标城市的激光雷达点云数据;
分块模块,用于对所述遥感影像进行功能区分块处理,获得若干街区块;
分类参数获取模块,用于基于所述激光雷达点云数据获取各所述街区块的三维城市结构参数;
分类模块,用于至少基于各所述街区块的三维城市结构参数确定各所述街区块的功能区类别,以获得所述目标城市的城市功能区分类结果。
本实施例中,城市功能区分类装置还包括第三获取模块,所述第三获取模块用于:获取目标城市的道路网数据,以基于所述道路网数据对所述遥感影像进行功能区分块处理。
具体的,城市功能区分类装置还包括模型训练模块,模型训练模块用于:获取所述目标城市的功能区样本以及各所述功能区样本中的兴趣点数据;基于所述功能区样本以及各所述功能区样本内的兴趣点数据进行模型训练,获得分类模型,以使所述分类模块利用所述分类模型根据所述三维城市结构参数确定各所述街区块的功能区类别。
具体的,城市功能区分类装置还包括:分割模块以及土地覆盖类别确定模块。其中分割模块用于对所述遥感影像进行分割处理,获得与各所述街区块对应的若干对象;土地覆盖类别确定模块用于确定各所述对象的土地覆盖类别;所述分类参数获取模块还用于基于各所述街区块对应的各所述对象的土地覆盖类别,获得各所述街区块的二维城市结构参数;所述分类模块具体用于基于各所述街区块的二维城市结构参数以及各所述街区块的三维城市结构参数确定各所述街区块的功能区类别。
在具体实施过程中,所述分割模块具体用于:采用多分辨率分割方法对所述遥感影像进行分割,获得若干对象,基于各所述对象与各所述街区块的位置关系,获得与各所述街区块对应的若干对象。
在具体实施过程中,土地覆盖类别确定模块具体用于:对各所述对象进行特征提取,获取各所述对象的特征信息;基于各所述对象的特征信息确定各所述对象的土地覆盖类别;所述特征信息包括城市的二维特征以及三维特征,其中二维特征包括如下一种或几种:光谱特征、纹理特征、几何特征;三维特征包括如下一种或几种:数字表面模型、天空视域因子、和地形平坦度。
本实施例中城市功能区分类装置还包括特征优化模块,所述特征优化模块具体用于:计算各所述特征信息的吉尼指数,计算各所述特征信息的吉尼指数;基于各所述特征信息的吉尼指数确定各特征的重要性;基于各特征的重要性确定目标特征信息,以基于所述目标特征信息确定各所述对象的土地覆盖类别。
本实施例中城市功能区分类装置还包括可靠性判断模块以及重新分类模块,可靠性判断模块具体用于:对各所述对象的土地覆盖类别进行可靠性判断。重新分类模块用于在判断所述目标对象的土地覆盖类别为非可靠的情况下,获取所述目标对象的属性参数;基于所述目标对象的当前土地覆盖类别、所述属性参数满足的预设条件,重新确定所述目标对象的土地覆盖类别。
本实施例中,城市功能区分类装置还包括空间模式确定模块,空间模式确定模块具体用于确定各街区块土地覆盖的空间模式,以使分类模块能够利用分类模型根据各所述街区块的二维城市结构参数、各所述街区块的三维城市结构参数以及各所述街区块的土地覆盖的空间模式确定各所述街区块的功能区类别。其中,所述三维城市结构参数包括如下一种或几种:建筑高度、天空视域因子、建筑容积率和街道高宽比;所述二维城市结构参数包括如下一种或几种:建筑覆盖面积、树木覆盖面积、草地覆盖面积、土壤覆盖面积、不透水地表覆盖面积和水体覆盖面积;所述功能区包括如下一种或几种:商业区、居住区、工业区和公园;所述土地覆盖的空间模式包括如下任意一种:随机模式、聚集模式和均匀分布模式。
本申请另一实施例提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下方法步骤:
步骤一、获取目标城市的遥感影像;
步骤二、获取目标城市的激光雷达点云数据;
步骤三、对所述遥感影像进行功能区分块处理,获得若干街区块;
步骤四、基于所述激光雷达点云数据获取各所述街区块的三维城市结构参数;
步骤五、至少基于各所述街区块的三维城市结构参数确定各所述街区块的功能区类别,以获得所述目标城市的城市功能区分类结果。
本申请中,上述方法步骤的具体实施过程可参见上述任意城市功能区分类方法的实施例,本实施例在此不再重复赘述。
本申请中通过获取目标城市的遥感影像,并对其进行分块来获得街区块,然后从获取的激光雷达点云数据中提取到各街区块的三维城市结构参数,最后根据获得的三维城市结构参数来确定各街区块所属的功能区。本过程使用多机器学习算法和特征优化提高了城市功能区分类的精度,使得对功能区的分类更加准确。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种城市功能区分类方法,其特征在于,包括:
获取目标城市的遥感影像;
获取目标城市的激光雷达点云数据;
对所述遥感影像进行功能区分块处理,获得若干街区块;
基于所述激光雷达点云数据获取各所述街区块的三维城市结构参数;
至少基于各所述街区块的三维城市结构参数确定各所述街区块的功能区类别,以获得所述目标城市的城市功能区分类结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取目标城市的道路网数据,以基于所述道路网数据对所述遥感影像进行功能区分块处理。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标城市的功能区样本以及各所述功能区样本中的兴趣点数据;
基于所述功能区样本以及各所述功能区样本内的兴趣点数据进行模型训练,获得分类模型,以利用所述分类模型根据所述三维城市结构参数确定各所述街区块的功能区类别。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述遥感影像进行分割处理,获得与各所述街区块对应的若干对象;
确定各所述对象的土地覆盖类别;
基于各所述街区块对应的各所述对象的土地覆盖类别,获得各所述街区块的二维城市结构参数;
基于各所述街区块的二维城市结构参数以及各所述街区块的三维城市结构参数确定各所述街区块的功能区类别。
5.如权利要求4所述的方法,其特征在于,所述对所述遥感影像进行分割处理,获得与各所述街区块对应的若干对象,具体包括:
采用多分辨率分割方法对所述遥感影像进行分割,获得若干对象,基于各所述对象与各所述街区块的位置关系,获得与各所述街区块对应的若干对象。
6.如权利要求4所述的方法,其特征在于,所述确定各所述对象的土地覆盖类别,具体包括:
对各所述对象进行特征提取,获取各所述对象的特征信息;
基于各所述对象的特征信息确定各所述对象的土地覆盖类别;
所述特征信息包括城市的二维特征以及三维特征,其中,所述二维特征包括如下一种或几种:光谱特征、纹理特征、几何特征;所述三维特征包括如下一种或几种:数字表面模型、天空视域因子、和地形平坦度。
7.如权利要求4所述的方法,其特征在于,所述方法还包括:
计算各所述特征信息的吉尼指数;
基于各所述特征信息的吉尼指数确定各特征的重要性;
基于各特征的重要性确定目标特征信息,以基于所述目标特征信息确定各所述对象的土地覆盖类别。
8.如权利要求4所述的方法,其特征在于,在确定各所述对象的土地覆盖类别后,所述方法还包括:
对各所述对象的土地覆盖类别进行可靠性判断;
在判断所述目标对象的土地覆盖类别为非可靠的情况下,获取所述目标对象的属性参数;
基于所述目标对象的当前土地覆盖类别、所述属性参数满足的预设条件,重新确定所述目标对象的土地覆盖类别。
9.如权利要求3所述的方法,其特征在于,所述方法还包括确定各街区块的土地覆盖的空间模式,以利用所述分类模型根据各所述街区块的二维城市结构参数、各所述街区块的三维城市结构参数以及各所述街区块的土地覆盖的空间模式确定各所述街区块的功能区类别;
其中,所述三维城市结构参数包括如下一种或几种:建筑高度、天空视域因子、建筑容积率和街道高宽比;
所述二维城市结构参数包括如下一种或几种:建筑覆盖面积、树木覆盖面积、草地覆盖面积、土壤覆盖面积、不透水地表覆盖面积和水体覆盖面积;
所述功能区包括如下一种或几种:商业区、居住区、工业区和公园;
所述土地覆盖的空间模式包括如下任意一种:随机模式、聚集模式和均匀分布模式。
10.一种城市功能区分类装置,其特征在于,包括:
第一获取模块,用于获取目标城市的遥感影像;
第二获取模块,用于获取目标城市的激光雷达点云数据;
分块模块,用于对所述遥感影像进行功能区分块处理,获得若干街区块;
分类参数获取模块,用于基于所述激光雷达点云数据获取各所述街区块的三维城市结构参数;
分类模块,用于至少基于各所述街区块的三维城市结构参数确定各所述街区块的功能区类别,以获得所述目标城市的城市功能区分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657027.8A CN113468982B (zh) | 2021-06-11 | 2021-06-11 | 一种城市功能区分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657027.8A CN113468982B (zh) | 2021-06-11 | 2021-06-11 | 一种城市功能区分类方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468982A true CN113468982A (zh) | 2021-10-01 |
CN113468982B CN113468982B (zh) | 2023-08-01 |
Family
ID=77869806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110657027.8A Active CN113468982B (zh) | 2021-06-11 | 2021-06-11 | 一种城市功能区分类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468982B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139827A (zh) * | 2021-12-09 | 2022-03-04 | 北京建筑大学 | 一种城市功能区功能绩效的智能感知与优化方法 |
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 |
CN118211767A (zh) * | 2024-05-22 | 2024-06-18 | 山东慧宇航空遥感技术有限公司 | 应用于城乡规划的场景建模方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200223A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院城市环境研究所 | 一种基于高分辨率遥感影像的城市功能区识别方法 |
WO2016141753A1 (zh) * | 2015-03-06 | 2016-09-15 | 中山大学 | 基于路网和兴趣点的声环境功能区划分方法 |
CN109189917A (zh) * | 2018-06-27 | 2019-01-11 | 华南师范大学 | 一种融合景观和社会特征的城市功能区划分方法及系统 |
WO2020192354A1 (zh) * | 2019-03-28 | 2020-10-01 | 东南大学 | 一种嵌入式城市设计场景仿真方法及系统 |
CN112733781A (zh) * | 2021-01-20 | 2021-04-30 | 中国科学院地理科学与资源研究所 | 结合poi数据的城市功能区识别方法、存储介质和电子设备 |
CN112733782A (zh) * | 2021-01-20 | 2021-04-30 | 中国科学院地理科学与资源研究所 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
-
2021
- 2021-06-11 CN CN202110657027.8A patent/CN113468982B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200223A (zh) * | 2014-08-29 | 2014-12-10 | 中国科学院城市环境研究所 | 一种基于高分辨率遥感影像的城市功能区识别方法 |
WO2016141753A1 (zh) * | 2015-03-06 | 2016-09-15 | 中山大学 | 基于路网和兴趣点的声环境功能区划分方法 |
CN109189917A (zh) * | 2018-06-27 | 2019-01-11 | 华南师范大学 | 一种融合景观和社会特征的城市功能区划分方法及系统 |
WO2020192354A1 (zh) * | 2019-03-28 | 2020-10-01 | 东南大学 | 一种嵌入式城市设计场景仿真方法及系统 |
CN112733781A (zh) * | 2021-01-20 | 2021-04-30 | 中国科学院地理科学与资源研究所 | 结合poi数据的城市功能区识别方法、存储介质和电子设备 |
CN112733782A (zh) * | 2021-01-20 | 2021-04-30 | 中国科学院地理科学与资源研究所 | 基于道路网的城市功能区识别方法、存储介质和电子设备 |
Non-Patent Citations (7)
Title |
---|
HANFA XING 等: "Integrating landscape metrics and socioeconomic features for urban functional region classification", 《COMPUTERS, ENVIRONMENT AND URBAN SYSTEMS》, vol. 72, pages 134 - 145 * |
SHISONG CAO 等: "Monitoring changes in the impervious surfaces of urban functional zones using multisource remote sensing data: a case study of Tianjin, China", 《GISCIENCE & REMOTE SENSING》, vol. 56, no. 07, pages 967 - 987 * |
SIJI SANLANG 等: "Integrating Aerial LiDAR and Very-High-Resolution Images for Urban Functional Zone Mapping", 《REMOTE SENS》, vol. 13, no. 13, pages 1 - 21 * |
于琛 等: "近30年北京市ISP-LST空间特征及其变化", 《地理研究》, vol. 38, no. 09, pages 2346 - 2356 * |
宋雪涛 等: "利用行人轨迹挖掘城市区域功能属性", 《测绘学报》, vol. 44, no. 1, pages 82 - 88 * |
曹元晖 等: "基于POI数据的城市建筑功能分类方法研究", 《地球信息科学学报》, no. 06, pages 167 - 176 * |
李二珠: "遥感图像场景深度学习与应用研究 ——以城市结构类型识别为例", 《中国博士学位论文全文数据库信息科技辑》, no. 08, pages 140 - 14 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139827A (zh) * | 2021-12-09 | 2022-03-04 | 北京建筑大学 | 一种城市功能区功能绩效的智能感知与优化方法 |
CN114139827B (zh) * | 2021-12-09 | 2024-02-09 | 北京建筑大学 | 一种城市功能区功能绩效的智能感知与优化方法 |
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 |
CN118211767A (zh) * | 2024-05-22 | 2024-06-18 | 山东慧宇航空遥感技术有限公司 | 应用于城乡规划的场景建模方法及系统 |
CN118211767B (zh) * | 2024-05-22 | 2024-08-06 | 山东慧宇航空遥感技术有限公司 | 应用于城乡规划的场景建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113468982B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mallinis et al. | Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site | |
CN113468982B (zh) | 一种城市功能区分类方法、装置及存储介质 | |
Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
Bouziani et al. | Rule-based classification of a very high resolution image in an urban environment using multispectral segmentation guided by cartographic data | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN111598048B (zh) | 一种融合高分遥感影像和街景影像的城中村识别方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
Deliry et al. | Extracting urban impervious surfaces from Sentinel-2 and Landsat-8 satellite data for urban planning and environmental management | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN103578110A (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
Truax | Comparing spectral and object based approaches for classification and transportation feature extraction from high resolution multispectral imagery | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
CN114241321A (zh) | 高分遥感图像平顶建筑快速精准识别方法 | |
Li et al. | Integrating multiple textural features for remote sensing image change detection | |
CN115205528A (zh) | 一种用于面向地理对象影像分析的特征选择方法 | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
Aahlaad et al. | An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps | |
CN112241956B (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN110276270B (zh) | 一种高分辨率遥感影像建筑区提取方法 | |
Shrestha et al. | Delineating an exurban development footprint using SPOT imagery and ancillary data | |
CN115457386A (zh) | 一种村庄用地信息化生成方法 | |
CN106570127B (zh) | 基于对象属性关联规则的遥感图像检索方法及系统 | |
Liu et al. | Automated extraction of urban roadside trees from mobile laser scanning point clouds based on a voxel growing method | |
CN110287915B (zh) | 一种基于Landsat遥感影像的城市不透水层提取方法 |
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 |