CN113469226B - 一种基于街景图像的土地利用分类方法及系统 - Google Patents
一种基于街景图像的土地利用分类方法及系统 Download PDFInfo
- Publication number
- CN113469226B CN113469226B CN202110668680.4A CN202110668680A CN113469226B CN 113469226 B CN113469226 B CN 113469226B CN 202110668680 A CN202110668680 A CN 202110668680A CN 113469226 B CN113469226 B CN 113469226B
- Authority
- CN
- China
- Prior art keywords
- street view
- land
- view image
- node
- trained
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及土地分类领域,提供一种基于街景图像的土地利用分类方法及系统,包括:获得处理后的街景图像数据和处理后的土地地块数据;将处理后的街景图像数据输入训练好的卷积神经网络,获取街景特征向量,通过街景特征向量计算获得输入地块节点嵌入表示向量;将街景特征向量和输入地块节点嵌入表示向量输入训练好的图卷积神经网络,获得输出地块节点嵌入表示向量;将输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类,获得地块的土地利用分类结果。本发明通过图神经卷积网络进行空间上下文信息交互克服了现有技术中存在的空间信息利用低效等问题。同时,本发明可以用于精确识别城市土地利用类别,为城市的科学发展制定合理的规划。
Description
技术领域
本发明涉及土地分类领域,尤其涉及一种基于街景图像的土地利用分类方法及系统。
背景技术
城市土地利用与人类活动密切相关,反映了人类带有目地开发利用土地资源的一切活动。城市土地利用信息能够帮助研究人员理解城市区域的内部结构和承担的功能,同时为城市规划、生态管理以及环境评估等提供重要依据。如何高效化地获取更加精准的城市土地利用信息是目前面临的主要挑战之一。
传统的土地利用制图通常是通过实地调查来获得的,信息更新周期长且耗时费力。近年来,高空间分辨率遥感影像被广泛应用于提取和分析土地覆盖(Land Cover)信息,但不同于土地的物理覆盖信息,土地利用(Land use)反映的是土地的社会经济属性,这是无法从遥感影像中获取到的。相比遥感影像,街景图像是观测城市物质空间的一种新型的大数据源,其观测视角更接近于人,所表达的内容也更为丰富。街景图像不但详尽地描绘了城市物质空间的组成,同时蕴含了大量有关城市功能和社会经济属性的信息。随着深度学习技术的飞速发展,通过卷积神经网络捕捉街景图像的场景语义特征,一定程度上提高了分类的精度。
现有的基于街景图像的城市土地利用分类方法只考虑利用街景图像的场景语义信息而忽略了空间上下文信息,实现具有街景图像数据地块的土地利用类型识别,因此土地利用分类在精度上有一定的限制,并且对没有街景图像数据的地块无法实现分类和预测。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于,解决现有技术中,基于街景图像的城市基于街景图像的土地利用分类方法只考虑利用街景图像的场景语义信息而忽略空间上下文信息,实现具有街景图像数据地块的土地利用类型识别,土地利用分类的精度不高,且对没有街景图像数据的地块无法实现分类和预测的技术问题。
为实现上述目的,本发明提供一种基于街景图像的土地利用分类方法,包括步骤:
S1:数据获取单元获取研究区土地的街景图像数据和土地地块数据,对所述街景图像数据和所述土地地块数据进行预处理,获得处理后的街景图像数据和处理后的土地地块数据;
S2:将所述处理后的街景图像数据输入训练好的卷积神经网络,提取所述处理后的街景图像数据的街景特征向量,通过所述街景特征向量计算获得输入地块节点嵌入表示向量;
S3:通过所述处理后的街景图像数据和所述处理后的土地地块数据对待训练的图卷积神经网络进行训练,获得训练好的图卷积神经网络,将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得输出地块节点嵌入表示向量;
S4:将所述输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类,获得地块的土地利用分类结果。
优选地,步骤S1中所述对所述街景图像数据进行预处理,具体为:
获取所述土地地块数据的OSM矢量数据;
对所述街景图像数据进行坐标矫正,获取所述街景图像数据的正确位置坐标。
优选地,步骤S2具体为:
S21:通过带有类别标签的街景图像训练数据输入卷积神经网络进行训练,获得所述训练好的卷积神经网络;
S22:通过所述训练好的卷积神经网络,将所述处理后的街景图像数据映射为一个200维的所述街景特征向量;
S23:将所述街景特征向量逐维度求平均,计算获得一个相同维度向量表示的所述输入地块节点嵌入表示向量,计算公式为:
其中,Ep表示地块节点嵌入表示向量,Ex表示街景特征向量,n代表地块中的街景图片个数,x表示街景特征向量中的维度计数。
优选地,步骤S3具体为:
S31:根据空间相邻关系为所述处理后的街景图像数据和所述处理后的土地地块数据构建图G(v,e);
所述图G(v,e)的节点v包括两种类型:街景图像节点vi和土地地块节点vp,其中,一个街景图像节点vi代表一个街景图像,一个土地地块节点vp代表一个土地地块;所述图G(v,e)的边e包括两种类型:一种是土地地块节点与距离阈值内的土地地块节点的边epp,另一种是街景图像节点与其矫正坐标后所落入的土地地块之间的边eip,所述图G(v,e)是一个无权无向图,即图中的连边e既没有方向,也没有权值属性;
S32:通过所述待训练的图卷积神经网络对所述图G(v,e)进行训练,训练完成后获得所述训练好的图卷积神经网络;
S33:将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得所述输出地块节点嵌入表示向量。
优选地,步骤S32具体为:
通过所述待训练的图卷积神经网络对所述图G(v,e)中的节点v进行l轮消息传播机制迭代,迭代完成后获得所述训练好的图卷积神经网络;
所述消息传播机制迭代的过程具体为:
其中,vi代表当前节点i,vj代表当前节点i的邻居节点j,l表示第l次消息传播,hi (l)代表节点vi在第l轮消息传播后的嵌入表示,hj (l)代表节点vj在第l轮消息传播后的嵌入表示,eij表示边<vi,vj>上的特征向量,M表示消息函数,U表示更新函数;
在所述消息传播机制迭代的过程中,将节点v的聚合操作通过以下公式变成双重聚合的过程,公式为:
其中,R表示图里所有关系集合,Nvi (r)表示与节点vi具有r关系的邻居集合;Ci,r用于做归一化,Wr是具有r关系的邻居对应的权重参数,Wo是节点自己对应的权重参数。
优选地,步骤S4具体为:
S41:通过带有类别标签的街景图像训练数据训练土地利用分类器,获得所述训练好的土地利用分类器;
S42:通过所述训练好的土地利用分类器对所述输出地块节点嵌入表示向量进行预测分类,获得所述地块的土地利用分类结果;
所述地块的土地利用分类结果包括:商业区,住宅区,工业区,开阔地和教育用地。
一种基于街景图像的土地利用分类系统,包括以下模块:
数据获取模块,用于通过数据获取单元获取研究区土地的街景图像数据和土地地块数据,对所述街景图像数据和所述土地地块数据进行预处理,获得处理后的街景图像数据和处理后的土地地块数据;
输入地块节点嵌入表示向量生成模块,用于将所述处理后的街景图像数据输入训练好的卷积神经网络,提取所述处理后的街景图像数据的街景特征向量,通过所述街景特征向量计算获得输入地块节点嵌入表示向量;
输出地块节点嵌入表示向量生成模块,用于通过所述处理后的街景图像数据和所述处理后的土地地块数据对待训练的图卷积神经网络进行训练,获得训练好的图卷积神经网络,将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得输出地块节点嵌入表示向量;
土地利用分类模块,用于将所述输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类,获得地块的土地利用分类结果。
本发明具有以下有益效果:
通过图神经卷积网络进行空间上下文信息交互克服了现有技术中存在的空间信息利用低效等问题;空间上下文信息的充分使用使得土地利用分类的精度得到有效的提高,且解决了没有街景图像数据的地块分类和预测的技术问题;
同时,本发明可以用于精确识别城市土地利用类别,为城市的科学发展制定合理的规划。
附图说明
图1为本发明实施例方法流程图;
图2为本发明实施例系统结构图;
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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
根据地理学第一定律“任何事物之间都有关联,但距离更近的事物关联更紧密”,相邻的地块与街景一定程度上具有相似的属性,例如:通常居住区地块相邻的地块也是居住区。因此,空间上下文关系的提取能够通过聚集周围的场景语义信息实现。而图卷积操作本质上是通过消息传递机制,每次从邻接节点中聚集信息然后对中心节点进行更新,故通过图卷积操作就能够提取转化为图的场景的空间上下文关系。根据街景图像和土地地块的空间地理位置关系,构造地块-街景,地块-地块关系图,利用关系图卷积神经网络R-GCN提取场景的空间上下文信息,为每个地块节点融合其周围节点的特征信息,从而自动地获得地块级的城市土地利用分类结果。
参照图1,本发明提供一种基于街景图像的土地利用分类方法,包括步骤:
S1:数据获取单元获取研究区土地的街景图像数据和土地地块数据,对所述街景图像数据和所述土地地块数据进行预处理,获得处理后的街景图像数据和处理后的土地地块数据;
S2:将所述处理后的街景图像数据输入训练好的卷积神经网络,提取所述处理后的街景图像数据的街景特征向量,通过所述街景特征向量计算获得输入地块节点嵌入表示向量;
S3:通过所述处理后的街景图像数据和所述处理后的土地地块数据对待训练的图卷积神经网络进行训练,获得训练好的图卷积神经网络,将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得输出地块节点嵌入表示向量;
S4:将所述输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类,获得地块的土地利用分类结果。
本实施例中,步骤S1中所述对所述街景图像数据进行预处理,具体为:
获取所述土地地块数据的OSM矢量数据;具体包括:数据获取单元从OpenStreetMap网站(http://www.openstreetmap.org/)获取研究区土地的土地利用地块的矢量数据;
对所述街景图像数据进行坐标矫正,获取所述街景图像数据的正确位置坐标;具体为:使用腾讯静态街景图像API(https://lbs.qq.com/pannostatic_v1/)下载不同航向角(从0°到360°)的数据;街景图像数据是对土地地块的采样结果,每个地块可能被街景车捕捉拍摄到零张或多张街景图像;虽然街景图像与街道附近地区密切相关,但获取到的街景图像的拍摄位置与实际位置有些偏差,通过坐标矫正得到每张街景图像正确的位置坐标;使得每一张经过坐标矫正后的街景图像都落入唯一刻画的地块的坐标范围内,从而获得土地地块与街景图像的一对多对应关系。
本实施例中,步骤S2通过卷积神经网络提取街景图像数据的场景语义,将此作为街景图像数据的特征嵌入;然后根据土地地块与街景图像的一对多对应关系,将地块对应的多个街景的特征嵌入输入均值聚合器,其输出即为地块的输入地块节点嵌入表示向量,具体为:
S21:通过带有类别标签的街景图像训练数据输入卷积神经网络进行训练,获得所述训练好的卷积神经网络;
具体实现中,采用的卷积神经网络的模型是101层的残差网络,输入的图像经过多个堆叠的残差块后,再经过全局池化层(GAP)和全连接层,最后获得指定维度的特征向量;用于训练的街景图像训练数据,采样于上述的研究区土地之外但空间邻近区域的、具有相似风格和特征的街景图像;基于这部分数据预训练出来的模型,对相似的特征具有针对性的提取能力;
损失函数采用传统多分类模型常用的交叉熵损失函数见下式:
其中,M表示类别的数量,yic指示变量,如果该类别和样本i的类别相同值为1,否则为0;pic是观测样本i属于类别c的预测概率;
S22:通过所述训练好的卷积神经网络,将所述处理后的街景图像数据映射为一个200维的所述街景特征向量;
具体实现中,将训练好的卷积神经网络迁移用于提取研究区土地的街景图像数据的场景语义特征,然后将该场景语义特征作为街景的节点初始化嵌入表示;通过101层残差网络的卷积层、池化层和全连接层,街景图像数据被映射为一个200维的街景特征向量;
S23:土地地块本身不具备任何信息,无法为其提取出特征作为嵌入表示;街景图像数据作为土地地块的采样数据,因而土地地块的输入地块节点嵌入表示向量可通过对应的街景特征向量计算得出;将所述街景特征向量逐维度求平均,计算获得一个相同维度向量表示的所述输入地块节点嵌入表示向量,计算公式为:
其中,Ep表示地块节点嵌入表示向量,Ex表示街景特征向量,n代表地块中的街景图片个数,x表示街景特征向量中的维度计数。
本实施例中,步骤S3具体为:
S31:根据空间相邻关系为所述处理后的街景图像数据和所述处理后的土地地块数据构建图G(v,e);
所述图G(v,e)的节点v包括两种类型:街景图像节点vi和土地地块节点vp,其中,一个街景图像节点vi代表一个街景图像,一个土地地块节点vp代表一个土地地块;所述图G(v,e)的边e包括两种类型:一种是土地地块节点与距离阈值内的土地地块节点的边epp,另一种是街景图像节点与其矫正坐标后所落入的土地地块之间的边eip,所述图G(v,e)是一个无权无向图,即图中的连边e既没有方向,也没有权值属性;
S32:通过所述待训练的图卷积神经网络对所述图G(v,e)进行训练,图卷积神经网络的消息传递机制可以从邻接节点中聚集信息,再使用聚集函数对这些地块和街景图像的节点特征嵌入进行更新,得到充分更新的节点汇聚了空间上下文信息,训练完成后获得所述训练好的图卷积神经网络;
S33:将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得所述输出地块节点嵌入表示向量。
本实施例中,步骤S32具体为:
通过所述待训练的图卷积神经网络对所述图G(v,e)中的节点v进行l轮消息传播机制迭代,迭代完成后获得所述训练好的图卷积神经网络;
所述消息传播机制迭代的过程具体为:
其中,vi代表当前节点i,vj代表当前节点i的邻居节点j,l表示第l次消息传播,hi (l)代表节点vi在第l轮消息传播后的嵌入表示,hj (l)代表节点vj在第l轮消息传播后的嵌入表示,eij表示边<vi,vj>上的特征向量,M表示消息函数,U表示更新函数;
此处,图G(v,e)中的边e没有特征向量,聚合消息时只聚合节点特征,而不对边进行消息聚合;
在所述消息传播机制迭代的过程中,将节点v的聚合操作通过以下公式变成双重聚合的过程,公式为:
其中,R表示图里所有关系集合,Nvi (r)表示与节点vi具有r关系的邻居集合;Ci,r用于做归一化,Wr是具有r关系的邻居对应的权重参数,Wo是节点自己对应的权重参数;
待训练的图卷积神经网络对图G(v,e)进行训练的过程中,先对同种关系的邻居进行单独聚合,对于每种关系同时考虑了关系的正反方向以及自连接的关系,在进行上述的聚合之后再进行一次总的聚合;这个过程中图卷积神经网络能够充分聚合具有空间上下文关联的地块节点和街景图像节点的语义,得到的新特征嵌入;能够对异常街景图像节点的特征进行信息矫正:对没有任何采样信息或者采样不充分的地块节点进行信息补充,在此过程中地块的输出地块节点嵌入表示向量被更新。
本实施例中,步骤S4具体为:
S41:通过带有类别标签的街景图像训练数据训练土地利用分类器,获得所述训练好的土地利用分类器;
S42:通过所述训练好的土地利用分类器对所述输出地块节点嵌入表示向量进行预测分类,获得所述地块的土地利用分类结果;通过图卷积神经网络进行消息传递后,不仅有采样数据的地块得到正确的分类,而且没有任何采样数据的地块也能正确分类;
所述地块的土地利用分类结果包括:商业区,住宅区,工业区,开阔地和教育用地。
参考图2,本发明提供一种基于街景图像的土地利用分类系统,包括以下模块:
数据获取模块10,用于通过数据获取单元获取研究区土地的街景图像数据和土地地块数据,对所述街景图像数据和所述土地地块数据进行预处理,获得处理后的街景图像数据和处理后的土地地块数据;
输入地块节点嵌入表示向量生成模块20,用于将所述处理后的街景图像数据输入训练好的卷积神经网络,提取所述处理后的街景图像数据的街景特征向量,通过所述街景特征向量计算获得输入地块节点嵌入表示向量;
输出地块节点嵌入表示向量生成模块30,用于通过所述处理后的街景图像数据和所述处理后的土地地块数据对待训练的图卷积神经网络进行训练,获得训练好的图卷积神经网络,将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得输出地块节点嵌入表示向量;
土地利用分类模块40,用于将所述输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类,获得地块的土地利用分类结果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于街景图像的土地利用分类方法,其特征在于,包括步骤:
S1:数据获取单元获取研究区土地的街景图像数据和土地地块数据,对所述街景图像数据和所述土地地块数据进行预处理,获得处理后的街景图像数据和处理后的土地地块数据;
S2:将所述处理后的街景图像数据输入训练好的卷积神经网络,提取所述处理后的街景图像数据的街景特征向量,通过所述街景特征向量计算获得输入地块节点嵌入表示向量;
步骤S2具体为:
S21:通过带有类别标签的街景图像训练数据输入卷积神经网络进行训练,获得所述训练好的卷积神经网络;
S22:通过所述训练好的卷积神经网络,将所述处理后的街景图像数据映射为一个200维的所述街景特征向量;
S23:将所述街景特征向量逐维度求平均,计算获得一个相同维度向量表示的所述输入地块节点嵌入表示向量,计算公式为:
其中,Ep表示地块节点嵌入表示向量,Ex表示街景特征向量,n代表地块中的街景图片个数,x表示街景特征向量中的维度计数;
S3:通过所述处理后的街景图像数据和所述处理后的土地地块数据对待训练的图卷积神经网络进行训练,获得训练好的图卷积神经网络,将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得输出地块节点嵌入表示向量;
步骤S3具体为:
S31:根据空间相邻关系为所述处理后的街景图像数据和所述处理后的土地地块数据构建图G(v,e);
所述图G(v,e)的节点v包括两种类型:街景图像节点vi和土地地块节点vp,其中,一个街景图像节点vi代表一个街景图像,一个土地地块节点vp代表一个土地地块;所述图G(v,e)的边e包括两种类型:一种是土地地块节点与距离阈值内的土地地块节点的边epp,另一种是街景图像节点与其矫正坐标后所落入的土地地块之间的边eip,所述图G(v,e)是一个无权无向图,即图中的连边e既没有方向,也没有权值属性;
S32:通过所述待训练的图卷积神经网络对所述图G(v,e)进行训练,训练完成后获得所述训练好的图卷积神经网络;
S33:将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得所述输出地块节点嵌入表示向量;
S4:将所述输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类,获得地块的土地利用分类结果。
2.根据权利要求1所述的基于街景图像的土地利用分类方法,其特征在于,步骤S1中所述对所述街景图像数据进行预处理,具体为:
获取所述土地地块数据的OSM矢量数据;
对所述街景图像数据进行坐标矫正,获取所述街景图像数据的正确位置坐标。
3.根据权利要求1所述的基于街景图像的土地利用分类方法,其特征在于,步骤S32具体为:
通过所述待训练的图卷积神经网络对所述图G(v,e)中的节点v进行l轮消息传播机制迭代,迭代完成后获得所述训练好的图卷积神经网络;
所述消息传播机制迭代的过程具体为:
其中,vi代表当前节点i,vj代表当前节点i的邻居节点j,l表示第l次消息传播,hi (l)代表节点vi在第l轮消息传播后的嵌入表示,hj (l)代表节点vj在第l轮消息传播后的嵌入表示,eij表示边<vi,vj>上的特征向量,M表示消息函数,U表示更新函数;
在所述消息传播机制迭代的过程中,将节点v的聚合操作通过以下公式变成双重聚合的过程,公式为:
其中,R表示图里所有关系集合,Nvi (r)表示与节点vi具有r关系的邻居集合;Ci,r用于做归一化,Wr是具有r关系的邻居对应的权重参数,Wo是节点自己对应的权重参数。
4.根据权利要求1所述的基于街景图像的土地利用分类方法,其特征在于,步骤S4具体为:
S41:通过带有类别标签的街景图像训练数据训练土地利用分类器,获得所述训练好的土地利用分类器;
S42:通过所述训练好的土地利用分类器对所述输出地块节点嵌入表示向量进行预测分类,获得所述地块的土地利用分类结果;
所述地块的土地利用分类结果包括:商业区,住宅区,工业区,开阔地和教育用地。
5.一种基于街景图像的土地利用分类系统,其特征在于,包括以下模块:
数据获取模块,用于通过数据获取单元获取研究区土地的街景图像数据和土地地块数据,对所述街景图像数据和所述土地地块数据进行预处理,获得处理后的街景图像数据和处理后的土地地块数据;
输入地块节点嵌入表示向量生成模块,用于将所述处理后的街景图像数据输入训练好的卷积神经网络,提取所述处理后的街景图像数据的街景特征向量,通过所述街景特征向量计算获得输入地块节点嵌入表示向量;
输入地块节点嵌入表示向量的获取步骤具体为:
通过带有类别标签的街景图像训练数据输入卷积神经网络进行训练,获得所述训练好的卷积神经网络;
通过所述训练好的卷积神经网络,将所述处理后的街景图像数据映射为一个200维的所述街景特征向量;
将所述街景特征向量逐维度求平均,计算获得一个相同维度向量表示的所述输入地块节点嵌入表示向量,计算公式为:
其中,Ep表示地块节点嵌入表示向量,Ex表示街景特征向量,n代表地块中的街景图片个数,x表示街景特征向量中的维度计数;
输出地块节点嵌入表示向量生成模块,用于通过所述处理后的街景图像数据和所述处理后的土地地块数据对待训练的图卷积神经网络进行训练,获得训练好的图卷积神经网络,将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得输出地块节点嵌入表示向量;
输出地块节点嵌入表示向量的获得步骤具体为:
根据空间相邻关系为所述处理后的街景图像数据和所述处理后的土地地块数据构建图G(v,e);
所述图G(v,e)的节点v包括两种类型:街景图像节点vi和土地地块节点vp,其中,一个街景图像节点vi代表一个街景图像,一个土地地块节点vp代表一个土地地块;所述图G(v,e)的边e包括两种类型:一种是土地地块节点与距离阈值内的土地地块节点的边epp,另一种是街景图像节点与其矫正坐标后所落入的土地地块之间的边eip,所述图G(v,e)是一个无权无向图,即图中的连边e既没有方向,也没有权值属性;
通过所述待训练的图卷积神经网络对所述图G(v,e)进行训练,训练完成后获得所述训练好的图卷积神经网络;
将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算,获得所述输出地块节点嵌入表示向量;
土地利用分类模块,用于将所述输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类,获得地块的土地利用分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668680.4A CN113469226B (zh) | 2021-06-16 | 2021-06-16 | 一种基于街景图像的土地利用分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668680.4A CN113469226B (zh) | 2021-06-16 | 2021-06-16 | 一种基于街景图像的土地利用分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469226A CN113469226A (zh) | 2021-10-01 |
CN113469226B true CN113469226B (zh) | 2022-09-30 |
Family
ID=77870048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110668680.4A Active CN113469226B (zh) | 2021-06-16 | 2021-06-16 | 一种基于街景图像的土地利用分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469226B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546544B (zh) * | 2022-09-30 | 2023-11-17 | 深圳市规划和自然资源数据管理中心 | 基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方法 |
CN116469303B (zh) * | 2023-06-20 | 2023-09-12 | 创辉达设计股份有限公司 | 一种基于gis的国土空间规划制图方法 |
CN116703182B (zh) * | 2023-08-04 | 2023-10-20 | 江西睿讯科技有限公司 | 一种基于大数据的数字化乡村建设综合服务系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10984532B2 (en) * | 2018-08-24 | 2021-04-20 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
CN110263717B (zh) * | 2019-06-21 | 2021-04-09 | 中国科学院地理科学与资源研究所 | 一种融入街景影像的土地利用类别确定方法 |
CN111461258B (zh) * | 2020-04-26 | 2023-04-18 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
CN111598048B (zh) * | 2020-05-31 | 2021-06-15 | 中国科学院地理科学与资源研究所 | 一种融合高分遥感影像和街景影像的城中村识别方法 |
CN112347970B (zh) * | 2020-11-18 | 2024-04-05 | 江苏海洋大学 | 一种基于图卷积神经网络的遥感影像地物识别方法 |
-
2021
- 2021-06-16 CN CN202110668680.4A patent/CN113469226B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113469226A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469226B (zh) | 一种基于街景图像的土地利用分类方法及系统 | |
WO2023087558A1 (zh) | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 | |
Du et al. | Large-scale urban functional zone mapping by integrating remote sensing images and open social data | |
Chen et al. | Deep learning from multiple crowds: A case study of humanitarian mapping | |
CN109299707A (zh) | 一种基于模糊深度聚类的无监督行人再识别方法 | |
CN112911626B (zh) | 基于多图卷积的无线网络流量预测方法 | |
CN106951828B (zh) | 一种基于卫星影像和网络的城市区域功能属性的识别方法 | |
Li et al. | Supreme: Fine-grained radio map reconstruction via spatial-temporal fusion network | |
Zhang et al. | City2vec: Urban knowledge discovery based on population mobile network | |
CN113837134A (zh) | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 | |
Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
Hu et al. | A framework to detect and understand thematic places of a city using geospatial data | |
Ye et al. | Land use classification from social media data and satellite imagery | |
Turukmane et al. | Multispectral image analysis for monitoring by IoT based wireless communication using secure locations protocol and classification by deep learning techniques | |
Rahimipour et al. | A hybrid of neuro-fuzzy inference system and hidden Markov Model for activity-based mobility modeling of cellphone users | |
CN115858840B (zh) | 基于场景的遥感影像镶嵌方法 | |
Alfarrarjeh et al. | A data-centric approach for image scene localization | |
CN117011714A (zh) | 基于伪标签辅助的高光谱图像分类方法 | |
CN116958698A (zh) | 一种基于街景图像多模态信息的建筑物分类方法 | |
Mesev et al. | Modified maximum-likelihood classification algorithms and their application to urban remote sensing | |
Zhang et al. | Deep-learning generation of POI data with scene images | |
Zhang et al. | Wild plant data collection system based on distributed location | |
CN115965466A (zh) | 一种基于子图对比的以太坊账户身份推理方法及系统 | |
CN112015937B (zh) | 一种图片地理定位方法及系统 | |
CN114494850A (zh) | 一种村庄无人居住院落智能识别方法及系统 |
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 |