CN113657324A - 基于遥感影像地物分类的城市功能区识别方法 - Google Patents
基于遥感影像地物分类的城市功能区识别方法 Download PDFInfo
- Publication number
- CN113657324A CN113657324A CN202110974798.XA CN202110974798A CN113657324A CN 113657324 A CN113657324 A CN 113657324A CN 202110974798 A CN202110974798 A CN 202110974798A CN 113657324 A CN113657324 A CN 113657324A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- sensing image
- functional area
- model
- 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 44
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000000265 homogenisation Methods 0.000 claims abstract description 7
- 238000003702 image correction Methods 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感影像地物分类的城市功能区识别方法，具体包括以下步骤：S1：选取数据源，获取选定区域遥感影像数据；S2：对所述步骤S1中的获取的遥感影像数据进行预处理，包括影像纠正、影像融合、影像匀色和影像镶嵌；S3：以进行预处理后的所述步骤S2中的遥感影像为数据源，对深度学习语义分割网络进行训练，提取地物分类图像；S4：对所述步骤S3中提取的地物分类图像，分别采用数学形态学中的开运算和闭运算；S5：构建城市功能区识别回归模型；S6：获得城市功能区识别结果。有效解决城市功能区识别问题，实现对遥感影像的自动解译，减少人工识别程序、提高分类结果的准确性。
Description
技术领域
本发明涉及遥感影像解译与城市功能区计算技术领，尤其涉及一种基于遥感影像地物分类的城市功能区识别方法。
背景技术
随着城市化脚步的日益加快以及城市规模的飞速扩张，城市作为一个复杂的社会系统，在土地利用和社会经济的共同作用下，使得具有相同类型的城市活动在时空上呈现出高度凝聚的特征。城市功能的多元化促使城市内部形成了居住区、工作区、商业区等具有不同属性的功能单元，即城市功能区。城市功能区在空间上的分布与组合模式是衡量城市发展状况的重要依据，因此识别城市不同功能区并研究其空间分布特征和相互作用规律，对于把握城市空间结构以及制定科学合理的规划具有重要意义。
近年来，针对城市功能区识别的问题，国内外众多学者开展了大量的研究。传统的城市功能区识别方法大多以土地利用现状图、问卷实地调查、专家判定、经济指标、人口普查等数据为基础，结合各种聚类算法建立相应的评价指标体系。虽然可以较为准确的的统计不同城市功能区的分布情况，但是在数据获取方面耗时费力，易受调查人员主观因素影响，且单一功能或单一行业的数据无法全面反映整个城市的社会活动，同时也存在时效差、周期长、精度低等问题。此外，传统地物分类算法是从高光谱图像的每个像元中获取一条连续的波谱曲线，用已知的波谱曲线和图上每个像元获取的波谱曲线进行对比，理想情况下两条波谱曲线一样，就能说明这个像元是哪种地物。这种方法虽在一定程度上可以提取地物类型，但是提取的信息并不全面，并且分类提取的效率不高。
在中国专利文献CN112364776A中，公开了一种城市功能区识别模型建立、分类方法及装置，该方法包括获取遥感影像数据和用户访问数据；根据所述遥感影像数据确定概率特征，根据所述用户访问数据确定向量矩阵数据；根据所述概率特征和所述向量矩阵数据确定双模态训练数据集；根据所述双模态训练数据集对机器学习模型进行训练，以获得城市功能区识别模型。通过遥感影像数据这一图像模态数据和用户访问数据这一文本模态数据进行城市功能区的分类，综合城市功能区的地物特征和与人相关的功能特征，有效提高了城市功能区分类的准确率。
上述专利文献中的技术方案没有充分利用遥感影像数据中的遥感地物分类不能够有效的捕捉城市功能区的物理特征，如光谱特征、形状特征、纹理特征等，还是更多的基于用户访问数据，不能有效的捕捉城市功能区的物理特征。
发明内容
本发明要解决的技术问题是提供一种基于遥感影像地物分类的城市功能区识别方法，能够有效构建具有较高可行性的城市功能区识别模型，实现对城市不同功能区进行自动识别，减少人工识别程序，提高识别效率。
为了解决上述技术问题，本发明采用的技术方案是：该基于遥感影像地物分类的城市功能区识别方法，具体包括以下步骤：
S1：选取数据源，获取选定区域遥感影像数据；
S2：对所述步骤S1中的获取的遥感影像数据进行预处理，包括影像纠正、影像融合、影像匀色和影像镶嵌；
S3：以进行预处理后的所述步骤S2中的遥感影像为数据源，对深度学习语义分割网络进行训练，其中，所述深度学习语义分割网络采用Unet网络，并通过构建多个采样层，提取地物分类图像；
S4：对所述步骤S3中提取的地物分类图像，分别采用数学形态学中的开运算平滑物体的轮廓，断开狭窄的狭颈和消除边缘毛刺；采用数学形态学中的闭运算弥合狭窄的断裂和细长的沟壑，消除孔洞，并填补轮廓的缝隙；
S5：将所述步骤S4中的图像进行格网划分，分别计算每个格网内的建筑面积、水体面积、植被覆盖率、道路长度，构建城市功能区识别回归模型；
S6：根据所述步骤S5中的城市功能区识别回归模型，获得城市功能区识别结果。
采用上述技术方案，通过深度学习语义分割网络对研究区域遥感影像数据进行特征提取和地物分类，并对分类结果进行优化，同时构建城市功能区识别回归模型，从而得到城市功能区空间分布结果；遥感影像具有波段多、信息足、范围广、时效强等技术优势，能很好弥补传统方法的不足，为大范围城市监测提供可能；同时结合深度学习语义分割网络，实现遥感图像物理特征与城市功能区之间“语义鸿沟”的跨越，有效解决城市功能区识别问题，实现对遥感影像的自动解译，减少人工识别程序、提高分类结果的准确性；构建的多采样层的深度学习网络对遥感影像的地物分类精度达82.52%，根据地物分类结果构建城市功能区识别回归模型识别一致性指标为0.807。基于深度学习的遥感影像地物分类能够快速识别地物类型，为大范围城市功能区识别提供有效的支撑。
优选的，所述步骤S1中获取的数据源为30米分辨率高光谱遥感影像数据。
30米分辨率高光谱遥感影像，相对于传统的低光谱分辨率的遥感影像， 高光谱遥感在对地观测和环境调查中大大提高了地物的分辨识别能力，并且可以区别属于同一种地物的不同类别。此外，由于成像光谱的波段变窄，可选择的成像通道变多，使得“异物同谱”与“同谱异物”的现象减少，地物光谱空间混淆的现象可以得到极大的控制。
优选的，所述步骤S2中，对遥感影像数据进行预处理分为以下两个过程：
S21：在ENVI软件中对遥感影像数据预处理，包括影像纠正、影像融合、影像匀色和影像镶嵌；
S22：先对经过所述步骤S21处理的遥感影像数据图像进行掩膜增强处理；然后通过双边滤波算法对图像进行处理；
其中，所述掩膜增强处理中的掩膜增强算法如下：
公式（1）中，I（i，j）表示图像在（i，j）处的像素值；
所述双边滤波算法具体如下：
式中，
表示经过滤波处理以后的图像，
表示归一化因子，p表示像素点，q表示其邻近像素点，S表示邻近像素点的集合，s表示表示邻近像素点，
表示输入图像，
表示像素点p与其邻近像素点q之间的欧氏距离，
表示像素点p与其邻近像素点q之间灰度相似性，
和
表示对应的高斯函数。
上述预处理过程不仅能够降低噪声的影响，使图像的线条感和对比度明显增强。而且可以提高后续深度学习语义分割技术对图像的检测识别准确度，从而增强算法最终提取效果的鲁棒性。
优选的，在所述步骤S3中，采样层为两层；使用不同尺寸的卷积核代替原始卷积核，选择1*3或3*5卷积核；再将输出结果进行下采样至输入图像原始尺寸，具体步骤为：
S31：对遥感影像数据进行切分；
S32：通过Unet网络训练遥感影像地物分类模型；
S33：使用训练好的遥感影像地物分类模型识别本地遥感影像中的地物。
优选的，所述步骤S32通过Unet网络训练高光谱遥感影像地物分类模型的具体步骤为：
S321：数据准备，在进行网络训练时，采用有重叠滑动窗的方式对遥感影像进行切分，设定滑动窗大小为1024*1024，每次的滑动步长为512，得到训练数据集；
S322：定义Unet网络，通过双线性内插法构建双层上采样层，并使用1*3的卷积核进行卷积操作，然后经过4次池化构建5个尺度的特征提取层，最后通过转置卷积进行上采样，每上采样一次，就和特征提取部分对应的通道数相同尺度融合；
S323：设置模型训练迭代轮次、训练数据的batchSize、初始学习率以及学习率衰减指数训练参数，并导入开源COCO数据集模型作为预训练模型执行训练过程；
S324：判断预训练模型是否收敛并达到全局最优值，满足即可进行遥感影像地物分类模型的验证，否则返回所述步骤S322继续进行预训练模型训练，直到得到满足全局最优的遥感影像地物分类模型；
S325：对全局最优的遥感影像地物分类模型进行验证，判断遥感影像地物分类模型是否满足精度，判断成功即可输出遥感影像地物分类模型，否则将返回所述步骤S322，循环步骤S322-S324，直至模型验证结果满足精度要求，然后输出模型；
S326：将输出的遥感影像地物分类模型测试结果可视化，判定是否满足泛化性，若满足则进行遥感影像地物分类模型的部署及应用；若不满足，则返回步骤S321，循环S321-S325，直至满足泛化性后进行遥感影像地物分类模型的部署及应用，此循环过程需要修改采样层数和卷积核尺寸。
优选的，在所述步骤S4中，选择一个3*3的基本结构元，像素值为1，按照如下公式（3a）和（3b）对所述步骤S3中的地物分类图像分别进行开运算和闭运算，然后再把两次图像的处理结果进行叠加得到优化后的地物分类图像；其中，
式中，A表示待处理地物分类图像像素集合，Ac表示待处理地物分类图像的背景像素集合，B表示基本结构元像素集合，
表示基本结构元B对待处理图像A做开运算，
表示基本结构元B对待处理图像A做闭运算。
优选的，在所述步骤S5中，构建城市功能区识别回归模型的具体步骤为：
S51：将所述步骤S4地物分类图像中识别后的图像划分为10*10的格网，分别计算每个格网中表示建筑、水体、植被以及道路的像素点个数；
S52：以每个格网作为研究单元，将全部格网按照训练集:验证集=8:2的比例随机划分格网数据；
S53：将训练集中格网的城市功能区类型作为因变量，建筑、水体、植被、道路像素点个数作为自变量x1、x2、x3、x4，将因变量和自变量带入多元回归模型，采用多元线性回归分析方法，建立城市功能区和自变量之间的回归关系，经过所述多元回归模型进行拟合，从而获得研究区域的城市功能区识别回归模型，即
，其中S表示城市功能区类型，a、b、c、d、e均为常数；
S54：将验证集中格网样本数据代入所述步骤S53中的城市功能区识别回归模型中，进行多元回归模型精度验证，根据识别出的功能区类型与实际类型之间的一致性指标数据，验证所述城市功能区识别回归模型的精度，这里选择用SPSS软件计算的Kappa系数作为一致性指标数据（记为kc）。
与现有技术相比，本发明的基于遥感影像地物分类的城市功能区识别方法将深度学习语义分割的方法应用于高光谱遥感影像，实现对其地物信息的分类提取，避免了传统光谱提取的信息并不全面，分类效率不高的问题；对高光谱影像进行图像掩膜增强及滤波处理，使其线条感和对比度明显增强，为后续的语义分割提供良好的数据输入；扩大了原始网络的视觉感受野使其能够捕捉到图像更深层次的细节信息；结合了深度学习语义分割技术在图像处理中的优势以及高光谱遥感影像的特征信息，实现了高光谱遥感影像地物的自动化分类和提取；将地物类型直接作用到城市功能区识别中，弥补了传统城市功能区识别时效差、周期长、精度低的缺陷。
附图说明
图1为本发明基于遥感影像地物分类的城市功能区识别方法的流程图；
图2为Unet网络结构示意图；
图3为基于深度学习的遥感影像地物分类流程图；
图4为地物分类结果格网划分示意图；
图5为城市功能区识别结果示意图。
具体实施方式
下面将结合本发明的实施例图中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
如图1所示，本实施例的基于遥感影像地物分类的城市功能区识别方法，具体包括以下步骤：
S1：选取数据源，获取选定区域遥感影像数据；数据源为30米分辨率高光谱遥感影像数据；这里的高光谱影像指的是光谱分辨率在
数量级范围内的光谱图像；
S2：对所述步骤S1中的获取的遥感影像数据进行预处理，包括影像纠正、影像融合、影像匀色和影像镶嵌；
所述步骤S2中，对遥感影像数据进行预处理分为以下两个过程：
S21：在ENVI软件中对遥感影像数据预处理，包括影像纠正、影像融合、影像匀色和影像镶嵌；
S22：先对经过所述步骤S21处理的遥感影像数据图像进行掩膜增强处理；然后通过双边滤波算法对图像进行处理；
其中，所述掩膜增强处理中的掩膜增强算法如下：
公式（1）中，I（i，j）表示图像在（i，j）处的像素值；
所述双边滤波算法具体如下：
式中，
表示经过滤波处理以后的图像，
表示归一化因子，p表示像素点，q表示其邻近像素点，S表示邻近像素点的集合，s表示表示邻近像素点，
表示输入图像，
表示像素点p与其邻近像素点q之间的欧氏距离，
表示像素点p与其邻近像素点q之间灰度相似性，
和
表示对应的高斯函数；
S3：以进行预处理后的所述步骤S2中的遥感影像为数据源，对深度学习语义分割网络进行训练，其中，所述深度学习语义分割网络采用Unet网络，并通过构建多个采样层，提取地物分类图像；
如图2、3所示，在所述步骤S3中，采样层为两层；使用不同尺寸的卷积核代替原始卷积核，选择1*3或3*5卷积核；再将输出结果进行下采样至输入图像原始尺寸，具体步骤为：
S31：对遥感影像数据（中国计算机学会2015年举办的大数据与计算机智能大赛提供的高光谱影像）进行切分，由于高光谱遥感影像较大，进行训练时需要将原始影像数据进行切分，这样有利于使后续训练的模型更好适应本地数据，同时降低训练成本；
S32：通过Unet网络训练遥感影像地物分类模型；
通过Unet网络训练高光谱遥感影像地物分类模型的具体步骤为：
S321：数据准备，在进行网络训练时，采用有重叠滑动窗的方式对遥感影像进行切分，设定滑动窗大小为1024*1024，每次的滑动步长为512，得到训练数据集；
S322：定义Unet网络，通过双线性内插法构建双层上采样层，并使用1*3的卷积核进行卷积操作，然后经过4次池化构建5个尺度的特征提取层，最后通过转置卷积进行上采样，每上采样一次，就和特征提取部分对应的通道数相同尺度融合；
S323：设置模型训练迭代轮次为5000次、训练数据的batchSize为16、初始学习率为0.00125以及学习率衰减指数为0.09，并导入开源COCO数据集模型作为预训练模型，以避免参数初始化带来的损失误差，执行训练过程；
S324：判断预训练模型是否收敛并达到全局最优值，满足即可进行遥感影像地物分类模型的验证，否则返回所述步骤S322继续进行预训练模型训练，直到得到满足全局最优的遥感影像地物分类模型；
S325：对全局最优的遥感影像地物分类模型进行验证，判断遥感影像地物分类模型是否满足精度，判断成功即可输出遥感影像地物分类模型，否则将返回所述步骤S322，循环步骤S322-S324，直至模型验证结果满足精度要求，然后输出模型；
S326：将输出的遥感影像地物分类模型测试结果可视化，判定是否满足泛化性，若满足则进行遥感影像地物分类模型的部署及应用；若不满足，则返回步骤S321，循环S321-S325，直至满足泛化性后进行遥感影像地物分类模型的部署及应用，此循环过程需要修改采样层数和卷积核尺寸，以增强Unet网络结构中的视觉感受野，以保证网络能够充分提取到高光谱遥感影像的地物信息特征。
S33：使用训练好的遥感影像地物分类模型识别本地遥感影像中的地物；
S4：对所述步骤S3中提取的地物分类图像，分别采用数学形态学中的开运算平滑物体的轮廓，断开狭窄的狭颈和消除边缘毛刺；采用数学形态学中的闭运算弥合狭窄的断裂和细长的沟壑，消除孔洞，并填补轮廓的缝隙；
选择一个3*3的基本结构元，像素值为1，按照如下公式（3a）和（3b）对所述步骤S3中的地物分类图像分别进行开运算和闭运算，然后再把两次图像的处理结果进行叠加得到优化后的地物分类图像；其中，
式中，A表示待处理地物分类图像像素集合，Ac表示待处理地物分类图像的背景像素集合，B表示基本结构元像素集合，
表示基本结构元B对待处理图像A做开运算，
表示基本结构元B对待处理图像A做闭运算；
S5：如图4所示，将所述步骤S4中的图像进行格网划分，分别计算每个格网内的建筑面积、水体面积、植被覆盖率、道路长度，构建城市功能区识别回归模型；
构建城市功能区识别回归模型的具体步骤为：
S51：将所述步骤S4地物分类图像中识别后的图像划分为10*10的格网，分别计算每个格网中表示建筑、水体、植被以及道路的像素点个数；
S52：以每个格网作为研究单元，将全部格网按照训练集:验证集=8:2的比例随机划分格网数据；
S53：将训练集中格网的城市功能区类型作为因变量，建筑、水体、植被、道路像素点个数作为自变量x1、x2、x3、x4，将因变量和自变量带入多元回归模型，采用多元线性回归分析方法，建立城市功能区和自变量之间的回归关系，经过所述多元回归模型进行拟合，从而获得研究区域的城市功能区识别回归模型，即
，其中S表示城市功能区类型，a、b、c、d、e均为常数；
模型拟合概述结果如下表所示：
表1 模型拟合概述：
表2 回归系数表：
表2为本次模拟的回归系数表，最终得到研究区城市功能区识别回归模型为：
S54：将验证集中格网样本数据代入所述步骤S53中的城市功能区识别回归模型中，进行多元回归模型精度验证，根据识别出的功能区类型与实际类型之间的一致性指标数据kc=0.807，满足城市功能区识别回归模型的精度要求。
S6：根据所述步骤S5中的城市功能区识别回归模型，获得城市功能区识别结果，并以不同颜色区分可视化显示，如图5所示。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，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。
Claims (7)
1.一种基于遥感影像地物分类的城市功能区识别方法，其特征在于，具体包括以下步骤：
S1：选取数据源，获取选定区域遥感影像数据；
S2：对所述步骤S1中的获取的遥感影像数据进行预处理，包括影像纠正、影像融合、影像匀色和影像镶嵌；
S3：以进行预处理后的所述步骤S2中的遥感影像为数据源，对深度学习语义分割网络进行训练，其中，所述深度学习语义分割网络采用Unet网络，并通过构建多个采样层，提取地物分类图像；
S4：对所述步骤S3中提取的地物分类图像，分别采用数学形态学中的开运算平滑物体的轮廓，断开狭窄的狭颈和消除边缘毛刺；采用数学形态学中的闭运算弥合狭窄的断裂和细长的沟壑，消除孔洞，并填补轮廓的缝隙；
S5：将所述步骤S4中的图像进行格网划分，分别计算每个格网内的建筑面积、水体面积、植被覆盖率、道路长度，构建城市功能区识别回归模型；
S6：根据所述步骤S5中的城市功能区识别回归模型，获得城市功能区识别结果。
2.根据权利要求1所述的基于遥感影像地物分类的城市功能区识别方法，其特征在于，所述步骤S1中获取的数据源为30米分辨率高光谱遥感影像数据。
3.根据权利要求1所述的基于遥感影像地物分类的城市功能区识别方法，其特征在于，所述步骤S2中，对遥感影像数据进行预处理分为以下两个过程：
S21：在ENVI软件中对遥感影像数据预处理，包括影像纠正、影像融合、影像匀色和影像镶嵌；
S22：先对经过所述步骤S21处理的遥感影像数据图像进行掩膜增强处理；然后通过双边滤波算法对图像进行处理；
其中，所述掩膜增强处理中的掩膜增强算法如下：
公式（1）中，I（i，j）表示图像在（i，j）处的像素值，i、j表示图像中某一像素的坐标；
所述双边滤波算法具体如下：
式中，
表示经过滤波处理以后的图像，
表示归一化因子，p表示像素点，q表示其邻近像素点，S表示邻近像素点的集合，s表示表示邻近像素点，
表示输入图像，
表示像素点p与其邻近像素点q之间的欧氏距离，
表示像素点p与其邻近像素点q之间灰度相似性，
和
表示对应的高斯函数。
4.根据权利要求1所述的基于遥感影像地物分类的城市功能区识别方法，其特征在于，在所述步骤S3中，采样层为两层；使用不同尺寸的卷积核代替原始卷积核，选择1*3或3*5卷积核；再将输出结果进行下采样至输入图像原始尺寸，具体步骤为：
S31：对遥感影像数据进行切分；
S32：定义双采样层Unet网络并使用上述遥感影像进行参数训练，得到精度满足全局最优的模型即为遥感影像地物分类模型；
S33：使用训练好的遥感影像地物分类模型识别本地遥感影像中的地物。
5.根据权利要求4所述的基于遥感影像地物分类的城市功能区识别方法，其特征在于，所述步骤S32通过Unet网络训练高光谱遥感影像地物分类模型的具体步骤为：
S321：数据准备，在进行网络训练时，采用有重叠滑动窗的方式对遥感影像进行切分，设定滑动窗大小为1024*1024，每次的滑动步长为512，得到训练数据集；
S322：定义Unet网络，通过双线性内插法构建双层上采样层，并使用1*3的卷积核进行卷积操作，然后经过4次池化构建5个尺度的特征提取层，最后通过转置卷积进行上采样，每上采样一次，就和特征提取部分对应的通道数相同尺度融合；
S323：设置模型训练迭代轮次、训练数据的batchSize、初始学习率以及学习率衰减指数训练参数，并导入开源COCO数据集模型作为预训练模型执行训练过程；
S324：判断预训练模型是否收敛并达到全局最优值，满足即可进行遥感影像地物分类模型的验证，否则返回所述步骤S322继续进行预训练模型训练，直到得到满足全局最优的遥感影像地物分类模型；
S325：对全局最优的遥感影像地物分类模型进行验证，判断遥感影像地物分类模型是否满足精度，判断成功即可输出遥感影像地物分类模型，否则将返回所述步骤S322，循环步骤S322-S324，直至模型验证结果满足精度要求，然后输出模型；
S326：将输出的遥感影像地物分类模型测试结果可视化，判定是否满足泛化性，若满足则进行遥感影像地物分类模型的部署及应用；若不满足，则返回步骤S321，循环S321-S325，直至满足泛化性后进行遥感影像地物分类模型的部署及应用，此循环过程需要修改采样层数和卷积核尺寸。
6.根据权利要求1所述的基于遥感影像地物分类的城市功能区识别方法，其特征在于，在所述步骤S4中，选择一个3*3的基本结构元，像素值为1，按照如下公式（3a）和（3b）对所述步骤S3中的地物分类图像分别进行开运算和闭运算，然后再把两次图像的处理结果进行叠加得到优化后的地物分类图像；其中，
式中，A表示待处理地物分类图像像素集合，Ac表示待处理地物分类图像的背景像素集合，B表示基本结构元像素集合，
表示基本结构元B对待处理图像A做开运算，
表示基本结构元B对待处理图像A做闭运算。
7.根据权利要求1所述的基于遥感影像地物分类的城市功能区识别方法，其特征在于，在所述步骤S5中，构建城市功能区识别回归模型的具体步骤为：
S51：将所述步骤S4地物分类图像中识别后的图像划分为10*10的格网，分别计算每个格网中表示建筑、水体、植被以及道路的像素点个数；
S52：以每个格网作为研究单元，将全部格网按照训练集:验证集=8:2的比例随机划分格网数据；
S53：将训练集中格网的城市功能区类型作为因变量，建筑、水体、植被、道路像素点个数作为自变量x1、x2、x3、x4，将因变量和自变量带入多元回归模型，采用多元线性回归分析方法，建立城市功能区和自变量之间的回归关系，经过所述多元回归模型进行拟合，从而获得研究区域的城市功能区识别回归模型，即
，其中S表示城市功能区类型，a、b、c、d、e均为常数；
S54：将验证集中格网样本数据代入所述步骤S53中的城市功能区识别回归模型中，进行多元回归模型精度验证，根据识别出的功能区类型与实际类型之间的一致性指标数据IA，验证所述城市功能区识别回归模型的精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110974798.XA CN113657324B (zh) | 2021-08-24 | 2021-08-24 | 基于遥感影像地物分类的城市功能区识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110974798.XA CN113657324B (zh) | 2021-08-24 | 2021-08-24 | 基于遥感影像地物分类的城市功能区识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657324A true CN113657324A (zh) | 2021-11-16 |
| CN113657324B CN113657324B (zh) | 2024-06-21 |
Family
ID=78481789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110974798.XA Active CN113657324B (zh) | 2021-08-24 | 2021-08-24 | 基于遥感影像地物分类的城市功能区识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657324B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114359120A (zh) * | 2022-03-21 | 2022-04-15 | 深圳市华付信息技术有限公司 | 遥感影像处理方法、装置、设备及存储介质 |
| CN114529721A (zh) * | 2022-02-08 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 一种基于深度学习的城市遥感影像植被覆盖识别方法 |
| CN115019163A (zh) * | 2022-04-01 | 2022-09-06 | 湖南大学 | 基于多源大数据的城市要素识别方法 |
| CN115238584A (zh) * | 2022-07-29 | 2022-10-25 | 湖南大学 | 一种基于多源大数据的人口分布识别方法 |
| CN115497010A (zh) * | 2022-09-30 | 2022-12-20 | 北京恒歌科技有限公司 | 一种基于深度学习的地理信息的识别方法及系统 |
| CN117557918A (zh) * | 2024-01-12 | 2024-02-13 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
| CN118378780A (zh) * | 2024-04-08 | 2024-07-23 | 广西壮族自治区自然资源遥感院 | 一种基于遥感影像的环境综合评估方法及系统 |
| CN118424369A (zh) * | 2023-04-11 | 2024-08-02 | 常州双炬智能科技有限公司 | 基于遥感数据的城市环境检测及综合评估方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010282349A (ja) * | 2009-06-03 | 2010-12-16 | Hitachi Engineering & Services Co Ltd | 流域抽出プログラムおよび流域抽出装置 |
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
| CN107194504A (zh) * | 2017-05-09 | 2017-09-22 | 云南师范大学 | 土地使用状态的预测方法、装置和系统 |
| CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
| 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 |
| CN109657602A (zh) * | 2018-12-17 | 2019-04-19 | 中国地质大学（武汉） | 基于街景数据和迁移学习的自动城市功能分区方法及系统 |
| CN111582146A (zh) * | 2020-05-06 | 2020-08-25 | 宁波大学 | 一种基于多特征融合的高分辨率遥感影像城市功能分区方法 |
| CN111639672A (zh) * | 2020-04-23 | 2020-09-08 | 中国科学院空天信息创新研究院 | 一种基于多数投票的深度学习城市功能区分类方法 |
| 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 |
| WO2021000362A1 (zh) * | 2019-07-04 | 2021-01-07 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
| CN112364776A (zh) * | 2020-11-12 | 2021-02-12 | 中国地质大学（武汉） | 一种城市功能区识别模型建立、分类方法及装置 |
-
2021
- 2021-08-24 CN CN202110974798.XA patent/CN113657324B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010282349A (ja) * | 2009-06-03 | 2010-12-16 | Hitachi Engineering & Services Co Ltd | 流域抽出プログラムおよび流域抽出装置 |
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
| CN107194504A (zh) * | 2017-05-09 | 2017-09-22 | 云南师范大学 | 土地使用状态的预测方法、装置和系统 |
| CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
| 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 |
| CN109657602A (zh) * | 2018-12-17 | 2019-04-19 | 中国地质大学（武汉） | 基于街景数据和迁移学习的自动城市功能分区方法及系统 |
| WO2021000362A1 (zh) * | 2019-07-04 | 2021-01-07 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
| CN111639672A (zh) * | 2020-04-23 | 2020-09-08 | 中国科学院空天信息创新研究院 | 一种基于多数投票的深度学习城市功能区分类方法 |
| CN111582146A (zh) * | 2020-05-06 | 2020-08-25 | 宁波大学 | 一种基于多特征融合的高分辨率遥感影像城市功能分区方法 |
| 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 |
| CN112364776A (zh) * | 2020-11-12 | 2021-02-12 | 中国地质大学（武汉） | 一种城市功能区识别模型建立、分类方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| WEI TU等: "Portraying Urban Functional Zones by Coupling Remote Sensing Imagery and Human Sensing Data", 《REMOTE SENS》, vol. 10, no. 1, 18 January 2018 (2018-01-18), pages 141 - 1 * |
| WEI TU等: "Scale Effect on Fusing Remote Sensing and Human Sensing to Portray Urban Functions", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 18, no. 1, 27 July 2020 (2020-07-27), pages 38, XP011828231, DOI: 10.1109/LGRS.2020.2965247 * |
| 吴鹏: "多源异构数据融合分析视角下的城市功能分区方法研究", 《中国博士学位论文全文数据库 (基础科学辑)》, no. 2021, 15 May 2021 (2021-05-15), pages 008 - 8 * |
| 李娅等: "城市功能区语义信息挖掘与遥感分类", 《中国科学院大学学报》, vol. 36, no. 1, 31 December 2019 (2019-12-31), pages 56 - 63 * |
| 邬群勇等: "利用出租车轨迹数据识别城市功能区", 《测绘科学技术学报》, vol. 35, no. 04, 15 August 2018 (2018-08-15), pages 413 - 417 * |
| 陈占龙等: "顾及兴趣点潜在上下文关系的城市功能区识别", 《测绘学报》, vol. 49, no. 07, 15 July 2020 (2020-07-15), pages 907 - 920 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529721A (zh) * | 2022-02-08 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 一种基于深度学习的城市遥感影像植被覆盖识别方法 |
| CN114529721B (zh) * | 2022-02-08 | 2024-05-10 | 山东浪潮科学研究院有限公司 | 一种基于深度学习的城市遥感影像植被覆盖识别方法 |
| CN114359120A (zh) * | 2022-03-21 | 2022-04-15 | 深圳市华付信息技术有限公司 | 遥感影像处理方法、装置、设备及存储介质 |
| CN114359120B (zh) * | 2022-03-21 | 2022-06-21 | 深圳市华付信息技术有限公司 | 遥感影像处理方法、装置、设备及存储介质 |
| CN115019163A (zh) * | 2022-04-01 | 2022-09-06 | 湖南大学 | 基于多源大数据的城市要素识别方法 |
| CN115238584A (zh) * | 2022-07-29 | 2022-10-25 | 湖南大学 | 一种基于多源大数据的人口分布识别方法 |
| CN115238584B (zh) * | 2022-07-29 | 2023-07-11 | 湖南大学 | 一种基于多源大数据的人口分布识别方法 |
| CN115497010A (zh) * | 2022-09-30 | 2022-12-20 | 北京恒歌科技有限公司 | 一种基于深度学习的地理信息的识别方法及系统 |
| CN118424369A (zh) * | 2023-04-11 | 2024-08-02 | 常州双炬智能科技有限公司 | 基于遥感数据的城市环境检测及综合评估方法 |
| CN117557918A (zh) * | 2024-01-12 | 2024-02-13 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
| CN117557918B (zh) * | 2024-01-12 | 2024-03-19 | 成都理工大学 | 基于矩阵条件数的遥感图像波谱相似地物识别方法 |
| CN118378780A (zh) * | 2024-04-08 | 2024-07-23 | 广西壮族自治区自然资源遥感院 | 一种基于遥感影像的环境综合评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657324B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657324B (zh) | 基于遥感影像地物分类的城市功能区识别方法 | |
| CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
| CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
| CN111080629B (zh) | 一种图像拼接篡改的检测方法 | |
| CN111539316B (zh) | 基于双注意力孪生网络的高分遥感影像变化检测方法 | |
| CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
| CN109858450B (zh) | 一种十米级空间分辨率遥感影像城镇提取方法及系统 | |
| CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
| CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN103208001A (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
| Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
| CN114170527B (zh) | 一种利用旋转框表示的遥感目标检测方法 | |
| CN116030352B (zh) | 融合多尺度分割和超像素分割的长时序土地利用分类方法 | |
| CN104952070A (zh) | 一种类矩形引导的玉米田遥感图像分割方法 | |
| CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| CN105513060A (zh) | 一种视觉感知启发的高分辨率遥感图像分割方法 | |
| CN114898089B (zh) | 一种融合高分影像和poi数据的功能区提取与分类方法 | |
| CN116051983A (zh) | 一种面向多业务系统融合的多光谱遥感影像水体提取方法 | |
| CN115661703A (zh) | 一种基于深度学习的门店招牌信息提取的方法 | |
| Guo et al. | Dual-concentrated network with morphological features for tree species classification using hyperspectral image | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| CN112906627B (zh) | 一种基于语义分割的青花椒识别方法 | |
| CN103065296A (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 210000 8 -22, 699 Xuanwu Road, Xuanwu District, Nanjing, Jiangsu. Applicant after: Speed Technology Co.,Ltd. Address before: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Applicant before: SPEED TIME AND SPACE INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |