CN114937215A - 一种城市功能区的识别方法及装置 - Google Patents
一种城市功能区的识别方法及装置 Download PDFInfo
- Publication number
- CN114937215A CN114937215A CN202210655911.2A CN202210655911A CN114937215A CN 114937215 A CN114937215 A CN 114937215A CN 202210655911 A CN202210655911 A CN 202210655911A CN 114937215 A CN114937215 A CN 114937215A
- Authority
- CN
- China
- Prior art keywords
- interest
- interest point
- index
- type
- functional
- 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
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种城市功能区的识别方法及装置,包括:利用多尺度分割算法和最近邻算法对待识别区域的遥感影像进行分割,确定多个目标分割对象;获取路网数据以及对应的兴趣点数据,将路网数据、兴趣点数据与多个目标分割对象之间进行融合,得到多个空间单元;分别计算该空间单元中各类兴趣点对应的平均近邻指数和密度指数,根据各类兴趣点对应的平均近邻指数和密度指数,确定该空间单元中各类兴趣点对应的功能强度指数;根据各类兴趣点的功能强度指数以及类型比例值,确定该空间单元的功能属性,以完成城市功能区地识别。本申请通过平均最近邻指数识别城市功能区,从而提高城市功能区的识别精度。
Description
技术领域
本申请涉及地理信息技术领域,尤其涉及一种城市功能区的识别方法及装置。
背景技术
城市化加速了人口向城市地区集中,导致城市快速扩张,城市功能的空间格局也变得越来越复杂和多样,在城市化进程中,各种要素在一定的城市区域内演化、组合,形成了具有多样性、互补性和相对独立性的城市功能区,城市功能区由土地利用及其承载的社会活动组成,是商业选址、城市交通规划以及经济和人口相关研究的基本单位。
目前,已有相关学者利用POI(Point of Interest,兴趣点)或者融合POI与其它数据源对城市功能区的识别展开了相关研究,但现有的利用POI数据构建的功能区识别模型,忽略了各类POI的空间分布差异及其组合关系,由于不同城市功能区对应地物在地理空间上的分布存在显著差异,因此若忽略各类POI的空间分布差异及其组合关系,则导致识别结果与城市功能区的实际分布情况出现偏差,识别精度不高。
发明内容
有鉴于此,本申请的目的在于至少提供一种城市功能区的识别方法及装置,通过平均最近邻指数识别城市功能区,从而提高城市功能区的识别精度。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供一种城市功能区的识别方法,识别方法包括:利用多尺度分割算法和最近邻算法对目标城市的待识别区域的遥感影像进行分割,确定土地类别为城市建设用地的多个目标分割对象;获取待识别区域的路网数据以及对应的兴趣点数据,将路网数据、兴趣点数据与多个目标分割对象之间进行融合,以得到与每个目标分割对象对应的用于进行城市功能区识别的多个空间单元;针对每个空间单元,分别计算该空间单元中各类兴趣点对应的平均近邻指数和密度指数,根据各类兴趣点对应的平均近邻指数和密度指数,确定该空间单元中各类兴趣点对应的功能强度指数;针对每个空间单元,根据各类兴趣点的功能强度指数以及类型比例值,确定该空间单元的功能属性,以完成城市功能区地识别。
在一种可能的实施方式中,通过以下方式确定目标分割对象:利用多尺度分割算法对待识别区域的遥感影像进行分割,确定多个分割对象;分别提取每个分割对象对应的图像特征;针对每个分割对象,根据多个预设土地样本以及该分割对象的图像特征,利用最邻近算法确定该分割对象与每个预设土地样本之间的特征距离;针对每个分割对象,将最小特征距离对应的预设土地样本所属的土地类别,确定为该分割对象对应的土地类别;将土地类别为城市建设用地的分割对象确定为目标分割对象。
在一种可能的实施方式中,通过以下公式确定每个分割对象与预设土地样本之间的特征距离:
在该公式中,d表示分割对象O与预设土地样本T之间的特征距离,e表示图像特征,表示预设土地样本T中图像特征e对应的特征值,表示分割对象O中图像特征e对应的特征值,σ表示分割对象O中的图像特征对应的标准差,其中,1≤e≤E,E表示分割对象O中的图像特征的数量。
在一种可能的实施方式中,通过以下公式确定每个空间单元中各类兴趣点对应的功能强度指数:
Fi=W1×D′i+W2×R′i
在该公式中,Fi表示第i类兴趣点对应的功能强度指数,W1表示归一化处理后的第i类兴趣点的密度指数权重,D′i表示归一化处理后的第i类兴趣点的密度指数,W2表示归一化处理后的第i类兴趣点的平均近邻指数权重,R′i表示归一化处理后的第i类兴趣点的平均近邻指数。
在一种可能的实施方式中,通过以下公式对各类兴趣点对应的平均近邻指数进行归一化处理:
在该公式中,R′i表示归一化处理后的第i类兴趣点的平均近邻指数,Ri表示空间单元中第i类兴趣点的平均近邻指数,其中,i=1,2,…,j,j代表了空间单元中兴趣点类型的个数,归一化处理后的第i类兴趣点的平均近邻指数等于第i类兴趣点的平均近邻指数除以空间单元中所有类型兴趣点对应的平均近邻指数的和;
通过以下公式对各类兴趣点对应的密度指数进行归一化处理:
在该公式中,D′i表示归一化处理后的第i类兴趣点的密度指数,wi表示不同类型兴趣点进行归一化数量转换的权重。
在一种可能的实施方式中,通过以下公式计算每个空间单元中各类兴趣点对应的平均近邻指数:
在该公式中,Ri表示空间单元中第i类兴趣点的平均邻近指数,dmin(Pi)表示第i类空间单元中第k个兴趣点Pk到其最近邻点的距离,Ni表示空间单元内第i类兴趣点的数量,A表示空间单元的面积;
通过以下公式计算每个空间单元中每类兴趣点对应的密度:
在该公式中,Di表示每个空间单元中第i类兴趣点对应的密度。
在一种可能的实施方式中,通过以下公式确定每类兴趣点对应的类型比例值:
在一种可能的实施方式中,通过以下方式确定每个空间单元的功能属性:根据该空间单元中最大类型比例值,确定该空间单元对应的兴趣点类型比例参数;将兴趣点类型比例参数与该空间单元对应的格拉布斯准则阈值进行比较;若兴趣点类型比例参数大于格拉布斯准则阈值,则将最大类型比例值对应的兴趣点的类型所指示的城市功能,确定为该空间单元的功能属性;若兴趣点类型比例参数不大于格拉布斯准则阈值,则确定该空间单元为混合功能单元,且该空间单元由类型比例值大于平均类型比例值的兴趣点的类型对应的城市功能组成。
在一种可能的实施方式中,通过以下公式确定每个空间单元对应的兴趣点类型比例参数:
第二方面,本申请实施例还提供一种城市功能区的识别装置,识别装置包括:分割模块,用于利用多尺度分割算法和最近邻算法对目标城市的待识别区域的遥感影像进行分割,确定土地类别为城市建设用地的多个目标分割对象;融合模块,用于获取待识别区域的路网数据以及对应的兴趣点数据,将路网数据、兴趣点数据与多个目标分割对象之间进行融合,以得到与每个目标分割对象对应的用于进行城市功能区识别的多个空间单元;确定模块,用于针对每个空间单元,分别计算该空间单元中各类兴趣点对应的平均近邻指数和密度指数,根据各类兴趣点对应的平均近邻指数和密度指数,确定该空间单元中各类兴趣点对应的功能强度指数;识别模块,用于针对每个空间单元,根据各类兴趣点的功能强度指数以及类型比例值,确定该空间单元的功能属性,以完成城市功能区地识别。
本申请实施例提供的一种城市功能区的识别方法及装置,包括:利用多尺度分割算法和最近邻算法对待识别区域的遥感影像进行分割,确定多个目标分割对象;获取路网数据以及对应的兴趣点数据,将路网数据、兴趣点数据与多个目标分割对象之间进行融合,得到多个空间单元;分别计算该空间单元中各类兴趣点对应的平均近邻指数和密度指数,根据各类兴趣点对应的平均近邻指数和密度指数,确定该空间单元中各类兴趣点对应的功能强度指数;根据各类兴趣点的功能强度指数以及类型比例值,确定该空间单元的功能属性,以完成城市功能区地识别。本申请通过平均最近邻指数识别城市功能区,从而提高城市功能区的识别精度。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种城市功能区的识别方法的流程图;
图2示出了本申请实施例提供的一种目标分割对象确定方法的流程图;
图3示出了本申请实施例提供的一种城市功能区的识别装置的结构示意图;
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
目前,利用POI数据进行城市功能区识别主要有两种方式,第一种是将POI作为辅助判断数据,即通过对其他社会媒体大数据,如手机定位数据和出租车轨迹数据进行聚类,然后利用POI自带的语义信息分别对聚类结果进行赋值从而实现不同城市功能区的划分。
第二种方式是利用POI数据本身的空间和语义信息,直接参与城市功能区的识别,最常用的方法是通过比较空间单元内不同类型POI的密度比例,并结合事先确定好的阈值来判断空间单元的功能属性,进而完成城市功能区的识别。
但是,不同城市功能区对应地物在地理空间上的分布存在显著差异,例如商业商务类POI往往成团聚集分布,点间距离较近;居住区类POI点间距离较大,在空间分布呈规律性分布,秩序感较强,但上述两种城市功能区的识别方式,忽略了各类POI的空间分布差异及其组合关系,导致城市功能区的识别与实际分布情况不符。
其次,上述第二种方式难以反映空间单元内城市功能的实际组织和构成关系,难以精准区分开单一功能区和混合功能区,比如,当空间单元内两种POI的密度比例值极其邻近的分布在固定阈值两侧时,固定阈值便会将其识别为单一功能区,而非混合功能区。
基于此,本申请实施例提供了一种城市功能区的识别方法及装置,通过平均最近邻指数识别城市功能区,从而提高城市功能区的识别精度,具体如下:
请参阅图1,图1示出了本申请实施例所提供的一种城市功能区的识别方法的流程图。如图1所示,本申请实施例提供的识别方法,包括以下步骤:
S100、利用多尺度分割算法和最近邻算法对目标城市的待识别区域的遥感影像进行分割,确定土地类别为城市建设用地的多个目标分割对象。
具体的,土地类别包括城市建设用地和城市非建设用地,城市非建设用地包括水体、绿色空间、阴影以及未利用土地,其中,请参阅图2,图2示出了本申请实施例提供的一种目标分割对象确定方法的流程图,如图2所示,通过以下方式确定目标分割对象:
S110、利用多尺度分割算法对待识别区域的遥感影像进行分割,确定多个分割对象。
在一优选实施例中,首先,根据遥感影像中的光谱、纹理和形状等图像特征,利用多尺度分割算法将遥感影像分割为多个分割对象,每个分割对象形状为同质多边形,优选的,可以根据实际需求选取不同的分割尺度参数和同质性参数对遥感影像进行分割,其中,同质性参数包括但不限于以下项中的至少一项:形状参数和紧凑性参数,在一具体示例中,可以将形状参数和紧凑性参数分别设为0.7和0.3,分割尺度参数设为150,以获取多个分割对象。
S120、分别提取每个分割对象对应的图像特征。
S130、针对每个分割对象,根据多个预设土地样本以及该分割对象的图像特征,利用最邻近算法确定该分割对象与每个预设土地样本之间的特征距离。
具体的,特征距离指示了分割对象与预设土地样本之间的相似度,预设土地样本涉及了全部土地类别。
在一具体实施例中,通过以下公式确定每个目标分割对象与预设土地样本之间的特征距离:
在该公式中,d表示分割对象O与预设土地样本T之间的特征距离,e表示图像特征,表示预设土地样本T中图像特征e对应的特征值,表示分割对象O中图像特征e对应的特征值,σ表示分割对象O中的图像特征对应的标准差,其中,1≤e≤E,E表示分割对象O中的图像特征的数量。
S140、针对每个分割对象,将最小特征距离对应的预设土地样本所属的土地类别,确定为该分割对象对应的土地类别。
具体的,利用最邻近算法,多个分割对象被大致分为五类,包括城市建设用地、水体、绿色空间、阴影和未利用土地。
S150、将土地类别为城市建设用地的分割对象确定为目标分割对象。
返回图1,S200、获取待识别区域的路网数据以及对应的兴趣点数据,将路网数据、兴趣点数据与多个目标分割对象之间进行融合,以得到与每个目标分割对象对应的用于进行城市功能区识别的多个空间单元。
具体的,基于路网数据的交通分析区通常被用作城市功能区识别的最小单元,然而,其不够精细的尺度往往使得识别结果出现大量的混合功能区,导致识别精度较低,相比之下,遥感影像进行分割后得到的多个目标分割对象拥有更为清晰和精细的不同地物边界,本申请将路网数据、各目标分割对象对应的地物边界以及兴趣点数据融合在一起,得到用于城市功能区识别的空间单元,提高识别精度,具体的,可以从OSM(OpenStreetMap,开源地图)中获取待识别区域的路网数据以及兴趣点数据,然后可以利用在ArcGIS软件中对路网数据、多个目标分割对象以及兴趣点数据进行融合,得到用于城市功能区识别的空间单元。
S300、针对每个空间单元,分别计算该空间单元中各类兴趣点对应的平均近邻指数和密度指数,根据各类兴趣点对应的平均近邻指数和密度指数,确定该空间单元中各类兴趣点对应的功能强度指数。
具体的,本申请使用平均近邻指数来量化不同城市功能区对应的POI的空间分布特征,在一优选实施例中,通过以下公式计算每个空间单元中各类兴趣点对应的平均近邻指数:
在该公式中,Ri表示空间单元中第i类兴趣点的平均邻近指数,dmin(Pk)表示第i类空间单元中的第k个兴趣点Pk到其最近邻点的距离,Ni表示空间单元内第i类兴趣点的数量,A表示空间单元的面积。
通过以下公式计算每个空间单元中每类兴趣点对应的密度:
在该公式中,Di表示每个空间单元中第i类兴趣点对应的密度。
通过以下公式确定每个空间单元中各类兴趣点对应的功能强度指数:
Fi=W1×D′i+W2×R′i
在该公式中,Fi表示第i类兴趣点对应的功能强度指数,W1表示归一化处理后的第i类兴趣点的密度指数权重,D′i表示归一化处理后的第i类兴趣点的密度指数,W2表示归一化处理后的第i类兴趣点的平均近邻指数权重,R′i表示归一化处理后的第i类兴趣点的平均近邻指数。
在一优选实施例中,W1和W2分别设置为0.7和0.3,可得到较好的识别结果。
通过以下公式对各类兴趣点对应的平均近邻指数进行归一化处理:
在该公式中,R′i表示归一化处理后的第i类兴趣点的平均近邻指数,Ri表示空间单元中第i类兴趣点的平均近邻指数,其中,i=1,2,…,j,j代表了空间单元中兴趣点类型的个数,归一化处理后的第i类兴趣点的平均近邻指数等于第i类兴趣点的平均近邻指数除以空间单元中所有类型兴趣点对应的平均近邻指数的和;
通过以下公式对各类兴趣点对应的密度指数进行归一化处理:
在该公式中,D′i表示归一化处理后的第i类兴趣点的密度指数,wi表示不同类型兴趣点进行归一化数量转换的权重。
S400、针对每个空间单元,根据各类兴趣点的功能强度指数以及类型比例值,确定该空间单元的功能属性,以完成城市功能区地识别。
具体的,通过以下公式确定每类兴趣点对应的类型比例值:
在具体实施中,通过以下方式确定每个空间单元的功能属性:
根据该空间单元中最大类型比例值,确定该空间单元对应的兴趣点类型比例参数,将兴趣点类型比例参数与该空间单元对应的格拉布斯准则阈值进行比较,若兴趣点类型比例参数大于格拉布斯准则阈值,则将最大类型比例值对应的兴趣点的类型所指示的城市功能,确定为该空间单元的功能属性,若兴趣点类型比例参数不大于格拉布斯准则阈值,则确定该空间单元为混合功能单元,且该空间单元由类型比例值大于平均类型比例值的兴趣点的类型对应的城市功能组成。
具体的,每个空间单元内可能有几种类型的兴趣点,代表几种城市功能,如果某一种类型的兴趣点的类型比例值明显高于其他类型的兴趣点的类型比例值,则认为该空间单元是单一功能的空间单元,否则,该空间单元即被视为混合功能的空间单元。
本申请采用格拉布斯准则,即最大归一化残差检验算法,确定每个空间单元的功能属性,其中,格拉布斯准则阈值可表示为G(j,ρ),其中,ρ表示置信度,j表示一个空间单元中POI类型的数量,其中,通过以下公式确定每个空间单元对应的兴趣点类型比例参数:
基于同一申请构思,本申请实施例中还提供了与上述实施例提供的城市功能区的识别方法对应的城市功能区的识别装置,由于本申请实施例中的装置解决问题的原理与本申请上述实施例的城市功能区的识别方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图3,图3示出了本申请实施例提供的一种城市功能区的识别装置的结构示意图,如图3所示,城市功能区的识别装置包括:
分割模块510,用于利用多尺度分割算法和最近邻算法对目标城市的待识别区域的遥感影像进行分割,确定土地类别为城市建设用地的多个目标分割对象;
融合模块520,用于获取待识别区域的路网数据以及对应的兴趣点数据,将路网数据、兴趣点数据与多个目标分割对象之间进行融合,以得到与每个目标分割对象对应的用于进行城市功能区识别的多个空间单元;
确定模块530,用于针对每个空间单元,分别计算该空间单元中各类兴趣点对应的平均近邻指数和密度指数,根据各类兴趣点对应的平均近邻指数和密度指数,确定该空间单元中各类兴趣点对应的功能强度指数;
识别模块540,用于针对每个空间单元,根据各类兴趣点的功能强度指数以及类型比例值,确定该空间单元的功能属性,以完成城市功能区地识别。
在一优选实施例中,分割模块510还用于:利用多尺度分割算法对待识别区域的遥感影像进行分割,确定多个分割对象;分别提取每个分割对象对应的图像特征;针对每个分割对象,根据多个预设土地样本以及该分割对象的图像特征,利用最邻近算法确定该分割对象与每个预设土地样本之间的特征距离;针对每个分割对象,将最小特征距离对应的预设土地样本所属的土地类别,确定为该分割对象对应的土地类别;将土地类别为城市建设用地的分割对象确定为目标分割对象。
在一优选实施例中,分割模块510还用于通过以下公式确定每个分割对象与预设土地样本之间的特征距离:
在该公式中,d表示分割对象O与预设土地样本T之间的特征距离,e表示图像特征,表示预设土地样本T中图像特征e对应的特征值,表示分割对象O中图像特征e对应的特征值,σ表示分割对象O中的图像特征对应的标准差,其中,1≤e≤E,E表示分割对象O中的图像特征的数量。
在一优选实施例中,确定模块530还用于通过以下公式确定每个空间单元中各类兴趣点对应的功能强度指数:
Fi=W1×D′i+W2×R′i
在该公式中,Fi表示第i类兴趣点对应的功能强度指数,W1表示归一化处理后的第i类兴趣点的密度指数权重,D′i表示归一化处理后的第i类兴趣点的密度指数,W2表示归一化处理后的第i类兴趣点的平均近邻指数权重,R′i表示归一化处理后的第i类兴趣点的平均近邻指数。
在一优选实施例中,确定模块530还用于通过以下公式对各类兴趣点对应的平均近邻指数进行归一化处理:
在该公式中,R′i表示归一化处理后的第i类兴趣点的平均近邻指数,Ri表示空间单元中第i类兴趣点的平均近邻指数,其中,i=1,2,…,j,j代表了空间单元中兴趣点类型的个数,归一化处理后的第i类兴趣点的平均近邻指数等于第i类兴趣点的平均近邻指数除以空间单元中所有类型兴趣点对应的平均近邻指数的和;
通过以下公式对各类兴趣点对应的密度指数进行归一化处理:
在该公式中,D′i表示归一化处理后的第i类兴趣点的密度指数,wi表示不同类型兴趣点进行归一化数量转换的权重。
在一优选实施例中,确定模块530还用于通过以下公式计算每个空间单元中各类兴趣点对应的平均近邻指数:
在该公式中,Ri表示空间单元中第i类兴趣点的平均邻近指数,dmin(Pk)表示第i类空间单元中的第k个兴趣点Pk到其最近邻点的距离,Ni表示空间单元内第i类兴趣点的数量,A表示空间单元的面积;
通过以下公式计算每个空间单元中每类兴趣点对应的密度:
在该公式中,Di表示每个空间单元中第i类兴趣点对应的密度。
在一优选实施例中,识别模块540还用于通过以下公式确定每类兴趣点对应的类型比例值:
在一优选实施例中,识别模块540还用于通过以下方式确定每个空间单元的功能属性:根据该空间单元中最大类型比例值,确定该空间单元对应的兴趣点类型比例参数;将兴趣点类型比例参数与该空间单元对应的格拉布斯准则阈值进行比较;若兴趣点类型比例参数大于格拉布斯准则阈值,则将最大类型比例值对应的兴趣点的类型所指示的城市功能,确定为该空间单元的功能属性;若兴趣点类型比例参数不大于格拉布斯准则阈值,则确定该空间单元为混合功能单元,且该空间单元由类型比例值大于平均类型比例值的兴趣点的类型对应的城市功能组成。
在一优选实施例中,识别模块540还用于通过以下公式确定每个空间单元对应的兴趣点类型比例参数:
基于同一申请构思,请参阅图4,图4示出了本申请实施例提供的一种电子设备的结构示意图,电子设备600包括:处理器610、存储器620和总线630,所述存储器620存储有所述处理器610可执行的机器可读指令,当电子设备600运行时,所述处理器610与所述存储器620之间通过所述总线630进行通信,所述机器可读指令被所述处理器610运行时执行如上述实施例中任一所述的城市功能区的识别方法的步骤。
基于同一申请构思,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述实施例提供的城市功能区的识别方法的步骤。
本申请城市功能区的识别装置方法及装置,有益之处在于:
(1)考虑了不同城市功能区内地物在空间排列、空间距离上存在的客观差异化特征,引入平均最近邻指数对传统利用POI进行城市功能区的识别模型进行改进,从而使通过本方法获取的识别结果更能反映待识别区域的城市功能区的实际分布情况;
(2)在对空间单元的功能属性进行判定时,传统的做法是将空间单元内POI类型比例最大值与事先设定好的固定阈值进行比较,若大于该固定阈值,则空间单元的功能属性便由类型比例最大值对应的城市功能决定,否则该空间单元为多种城市功能构成的混合功能单元,但是该种方法忽视了空间单元内功能的实际构成关系,本申请引入格拉布斯准则,确定各空间单元功能属性判定的格拉布斯准则阈值,该格拉布斯准则阈值与空间单元内POI类型的数量及每类POI对应的类型比例值大小有关,不是一个固定的数值,而是根据不同空间单元的实际情况逐一确定。
(3)利用路网数据作为空间单元进行功能区识别往往使得识别结果不够精细,尤其是在不同类地物之间并没有明确边界线的区域,本申请利用多尺度分割算法对遥感影像进行分割,尽可能的获取得到清晰的不同类地物之间的自然边界,再与路网数据进行融合,得到用以功能区识别的空间单元,使得功能区的识别结果更加精细、更符合实际情况。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应所述理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种城市功能区的识别方法,其特征在于,所述识别方法包括:
利用多尺度分割算法和最近邻算法对目标城市的待识别区域的遥感影像进行分割,确定土地类别为城市建设用地的多个目标分割对象;
获取所述待识别区域的路网数据以及对应的兴趣点数据,将所述路网数据、兴趣点数据与所述多个目标分割对象之间进行融合,以得到与每个目标分割对象对应的用于进行城市功能区识别的多个空间单元;
针对每个空间单元,分别计算该空间单元中各类兴趣点对应的平均近邻指数和密度指数,根据各类兴趣点对应的平均近邻指数和密度指数,确定该空间单元中各类兴趣点对应的功能强度指数;
针对每个空间单元,根据各类兴趣点的功能强度指数以及类型比例值,确定该空间单元的功能属性,以完成城市功能区地识别。
2.根据权利要求1所述的识别方法,其特征在于,通过以下方式确定目标分割对象:
利用多尺度分割算法对所述待识别区域的遥感影像进行分割,确定多个分割对象;
分别提取每个分割对象对应的图像特征;
针对每个分割对象,根据多个预设土地样本以及该分割对象的图像特征,利用最邻近算法确定该分割对象与每个预设土地样本之间的特征距离;
针对每个分割对象,将最小特征距离对应的预设土地样本所属的土地类别,确定为该分割对象对应的土地类别;
将所述土地类别为城市建设用地的分割对象确定为目标分割对象。
4.根据权利要求1所述的识别方法,其特征在于,通过以下公式确定每个空间单元中各类兴趣点对应的功能强度指数:
Fi=W1×Di′+W2×Ri′
在该公式中,Fi表示第i类兴趣点对应的功能强度指数,E1表示归一化处理后的第i类兴趣点的密度指数权重,Di′表示归一化处理后的第i类兴趣点的密度指数,W2表示归一化处理后的第i类兴趣点的平均近邻指数权重,Ri′表示归一化处理后的第i类兴趣点的平均近邻指数。
8.根据权利要求1所述的识别方法,其特征在于,通过以下方式确定每个空间单元的功能属性:
根据该空间单元中最大类型比例值,确定该空间单元对应的兴趣点类型比例参数;
将所述兴趣点类型比例参数与该空间单元对应的格拉布斯准则阈值进行比较;
若所述兴趣点类型比例参数大于格拉布斯准则阈值,则将最大类型比例值对应的兴趣点的类型所指示的城市功能,确定为该空间单元的功能属性;
若所述兴趣点类型比例参数不大于格拉布斯准则阈值,则确定该空间单元为混合功能单元,且该空间单元由类型比例值大于平均类型比例值的兴趣点的类型对应的城市功能组成。
10.一种城市功能区的识别装置,其特征在于,所述识别装置包括:
分割模块,用于利用多尺度分割算法和最近邻算法对目标城市的待识别区域的遥感影像进行分割,确定土地类别为城市建设用地的多个目标分割对象;
融合模块,用于获取所述待识别区域的路网数据以及对应的兴趣点数据,将所述路网数据、兴趣点数据与所述多个目标分割对象之间进行融合,以得到与每个目标分割对象对应的用于进行城市功能区识别的多个空间单元;
确定模块,用于针对每个空间单元,分别计算该空间单元中各类兴趣点对应的平均近邻指数和密度指数,根据各类兴趣点对应的平均近邻指数和密度指数,确定该空间单元中各类兴趣点对应的功能强度指数;
识别模块,用于针对每个空间单元,根据各类兴趣点的功能强度指数以及类型比例值,确定该空间单元的功能属性,以完成城市功能区地识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210655911.2A CN114937215B (zh) | 2022-06-10 | 2022-06-10 | 一种城市功能区的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210655911.2A CN114937215B (zh) | 2022-06-10 | 2022-06-10 | 一种城市功能区的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937215A true CN114937215A (zh) | 2022-08-23 |
CN114937215B CN114937215B (zh) | 2023-03-24 |
Family
ID=82866435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210655911.2A Active CN114937215B (zh) | 2022-06-10 | 2022-06-10 | 一种城市功能区的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937215B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628462A (zh) * | 2023-07-19 | 2023-08-22 | 中南大学 | 城市三维空间用地功能属性识别与时空变化监测分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106503714A (zh) * | 2016-10-11 | 2017-03-15 | 湖州师范学院 | 一种基于兴趣点数据识别城市功能区的方法 |
CN110134865A (zh) * | 2019-04-26 | 2019-08-16 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
CN112999648A (zh) * | 2019-12-18 | 2021-06-22 | 腾讯云计算(北京)有限责任公司 | 互动场景中的地标确定方法、装置及电子设备 |
CN113920440A (zh) * | 2021-04-06 | 2022-01-11 | 中国科学院地理科学与资源研究所 | 垃圾填埋场遥感识别方法、装置和计算机设备 |
-
2022
- 2022-06-10 CN CN202210655911.2A patent/CN114937215B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106503714A (zh) * | 2016-10-11 | 2017-03-15 | 湖州师范学院 | 一种基于兴趣点数据识别城市功能区的方法 |
CN110134865A (zh) * | 2019-04-26 | 2019-08-16 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
CN112999648A (zh) * | 2019-12-18 | 2021-06-22 | 腾讯云计算(北京)有限责任公司 | 互动场景中的地标确定方法、装置及电子设备 |
CN113920440A (zh) * | 2021-04-06 | 2022-01-11 | 中国科学院地理科学与资源研究所 | 垃圾填埋场遥感识别方法、装置和计算机设备 |
Non-Patent Citations (3)
Title |
---|
YIMINCHEN ET AL.: "elineating urban functional areas with building-level social media data: A dynamic time warping (DTW) distance based k-medoids method", 《LANDSCAPE AND URBAN PLANNING》 * |
张英佳 等: "贵阳城市活力空间特征研究", 《安顺学院学报》 * |
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》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628462A (zh) * | 2023-07-19 | 2023-08-22 | 中南大学 | 城市三维空间用地功能属性识别与时空变化监测分析方法 |
CN116628462B (zh) * | 2023-07-19 | 2023-10-31 | 中南大学 | 城市三维空间用地功能属性识别与时空变化监测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114937215B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3916668A1 (en) | Urban land automatic identification system integrating industrial big data and building forms | |
CN112949413B (zh) | 基于街景图片的城市景观要素分类及地方性度量方法 | |
CN108985135A (zh) | 一种人脸检测器训练方法、装置及电子设备 | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN110413855B (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
CN113393149B (zh) | 城市民宿选址优化方法、系统、计算机设备及存储介质 | |
WO2018045529A1 (zh) | 一种网络站址规划方法及装置 | |
CN112381298B (zh) | 空港旅客智能导航导乘自助服务系统 | |
CN114708521A (zh) | 基于街景图像目标关系感知网络的城市功能区识别方法及系统 | |
CN113034242A (zh) | 一种租赁辅助方法、装置、设备和存储介质 | |
CN111782741A (zh) | 兴趣点挖掘方法、装置、电子设备及存储介质 | |
CN114937215B (zh) | 一种城市功能区的识别方法及装置 | |
CN107818338B (zh) | 一种面向地图综合的建筑物群组模式识别的方法及系统 | |
CN115713605A (zh) | 一种基于图像学习的商业类建筑群自动建模方法 | |
Dehbi et al. | Robust and fast reconstruction of complex roofs with active sampling from 3D point clouds | |
CN113379269B (zh) | 多因素空间聚类的城市商业功能区划方法、装置及介质 | |
KR20100123408A (ko) | Gis 기반의 가맹점 마케팅 지원 시스템 및 방법 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
Engstrom et al. | Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka | |
CN111581754B (zh) | 滨水景点网络生成方法、系统、计算机设备及存储介质 | |
US10783644B2 (en) | Methods and systems for algorithmically analyzing urban form | |
CN109165842B (zh) | 一种基建热度指数统计方法及装置 | |
CN113344645A (zh) | 房价预测的方法、装置和电子设备 | |
CN111105124A (zh) | 一种基于距离约束的多地标影响力的计算方法 |
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 |