CN115423047B - 一种综合区域群体特征识别方法及系统 - Google Patents
一种综合区域群体特征识别方法及系统 Download PDFInfo
- Publication number
- CN115423047B CN115423047B CN202211364971.5A CN202211364971A CN115423047B CN 115423047 B CN115423047 B CN 115423047B CN 202211364971 A CN202211364971 A CN 202211364971A CN 115423047 B CN115423047 B CN 115423047B
- Authority
- CN
- China
- Prior art keywords
- data
- area
- comprehensive
- target
- areas
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种综合区域群体特征识别方法及系统，包括：获取各目标地区的遥感图像信息；分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图；根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据进行第一聚类，得到包含若干个第二综合区域的区域网格图；获取每个第二综合区域对应人群的特征信息并进行第二聚类，同时确定人群的特征信息聚类的簇中心点；将人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征。本发明解决了群体特征识别效率以及准确性低的技术问题。
Description
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种综合区域群体特征识别方法及系统。
背景技术
随着人口不断的增长以及时间的长时间推移，每个地区、地域的人都会存在有不同的社会秩序、生活习惯、宗教文化等，但是由于地球地域广大，不同地区、地域的环境、生态、地貌等情况不尽相。
为了进一步推进社会科学的发展与研究，人们通常直接通过实地考察的方式对各个目标地区的区域进行人群群体的探究以及信息的采集，但是辽阔的地理环境不利于社会科学家等对短时间内对不同地区的人群群体特征等进行获取或采集，导致不利于人群群体发展与研究的工作展开，并且对于具有不同知识储备的人，对于地区的划分等具有明显的主观性，同时通过人工进行特征等数据信息的归纳容易导致主观意志的选择，导致科学工作缺乏客观性，使得现有的群体特征识别效率以及准确性低。
因此，目前亟需一种能够提高群体特征识别效率以及准确性的方法。
发明内容
本发明提供了综合区域群体特征识别方法及系统，以解决现有技术中群体特征识别效率以及准确性低的技术问题。
为了解决上述技术问题，本发明实施例提供了一种综合区域群体特征识别方法，包括：
获取各目标地区的遥感图像信息，并对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据；
分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图；其中，每个第一综合区域包括多个目标地区；
根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图；
获取每个第二综合区域对应人群的特征信息 ，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点；
将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征。
作为优选方案，在所述获取各目标地区的遥感图像信息之后，还包括：
收集覆盖各目标地区的同时期不同分辨率的遥感图像信息；其中，所述遥感图像信息包括无云光学遥感和SAR数据；
将光学遥感影像根据地形图选取控制点进行几何精校正；
对SAR数据进行辐射校正得到后向散射系数，并进行滤波处理；
将几何精校准的光学遥感影像和滤波处理后的SAR影像进行几何配准，并将经过处理后的光学和SAR数据进行合并，形成一个综合光学和SAR的遥感多维数据集。
作为优选方案，所述对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据，具体为：
根据所述遥感图像信息中的定位信息，得到目标地区的经纬度数据；
通过植被数据提取模型、地貌数据提取模型和水环境数据提取模型分别对光学和SAR的遥感多维数据集进行识别与提取，得到各目标地区对应的植被数据、地貌数据和水环境数据。
作为优选方案，所述植被数据提取模型、地貌数据提取模型和水环境数据提取模型的构建方法，包括：
通过采集与同时期的遥感图像信息的比对的方式，分别采集植被数据提取模型、地貌数据提取模型和水环境数据提取模型的训练数据和测试数据；其中，训练数据与测试数据不重复；
通过启发搜索算法分别对采集的训练数据集和测试数据集进行离散化处理；
根据经过离散化处理后的训练数据，通过条件独立性测试的方式分别进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的学习，并在植被数据提取模型、地貌数据提取模型和水环境数据提取模型确定的基础上，通过训练数据进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的参数学习；
将测试数据集分别导入至对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的分类精度进行测试，得到测试精度，进而完成对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的训练。
作为优选方案，所述分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图的具体步骤包括：
设置多个经纬度范围，根据各目标地区的经纬度数据将各目标地区进行分类，得到多个目标地区集合；
对同一个目标地区集合中的所有目标地区进行区域边缘标记，并确定目标地区的中心点位置；
计算区域边缘出现重合的任意两个目标地区之间中心点位置的空间距离，当所述空间距离不大于预设距离值时，对该两个目标地区进行合并；当所述空间距离大于预设距离值时，将该两个目标地区以两个中心点连线为路径按比例互相靠拢，直到两个目标地区之间中心点位置的空间距离达到预设距离值后，对该两个目标地区进行合并；
对同一个目标地区集合中所有目标地区完成合并后形成的第一综合区域进行网格化处理，得到该目标地区集合所对应的第一综合区域的区域网格图。
作为优选方案，所述根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图，具体为：
根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，通过设定DBSCAN算法的第一半径参数和第一邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第一聚类，并确定K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点；
根据每个第二综合区域对应的K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点，得到包含若干个第二综合区域的区域网格图。
作为优选方案，所述获取每个第二综合区域对应人群的特征信息，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点，具体为：
获取每个对应于第二综合区域中的人群的特征信息；
根据每个第二综合区域中的人群的特征信息，通过设定DBSCAN算法的第二半径参数和第二邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第二聚类，并确定K-means算法中人群的特征信息聚类的簇中心点。
作为优选方案，所述将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征，具体为：
依次将确定K-means算法中人群的特征信息聚类的簇中心点分别展示到对应的第二综合区域的区域网格图上，以使得每个第二综合区域中均存在有不同的人群重点特征；
根据不同的第二综合区域分别识别出不同的人群重点特征规律。
相应地，本发明还提供一种综合区域群体特征识别系统，包括：遥感获取模块、区域合并模块、第一聚类模块、第二聚类模块和特征识别模块；
所述遥感获取模块，用于获取各目标地区的遥感图像信息，并对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据；
所述区域合并模块，用于分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图；其中，每个第一综合区域包括多个目标地区；
所述第一聚类模块，用于根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图；
所述第二聚类模块，用于获取每个第二综合区域对应人群的特征信息 ，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点；
所述特征识别模块，用于将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征。
作为优选方案，在所述获取各目标地区的遥感图像信息之后，还包括：
收集覆盖各目标地区的同时期不同分辨率的遥感图像信息；其中，所述遥感图像信息包括无云光学遥感和SAR数据；
将光学遥感影像根据地形图选取控制点进行几何精校正；
对SAR数据进行辐射校正得到后向散射系数，并进行滤波处理；
将几何精校准的光学遥感影像和滤波处理后的SAR影像进行几何配准，并将经过处理后的光学和SAR数据进行合并，形成一个综合光学和SAR的遥感多维数据集。
作为优选方案，所述对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据，具体为：
根据所述遥感图像信息中的定位信息，得到目标地区的经纬度数据；
通过植被数据提取模型、地貌数据提取模型和水环境数据提取模型分别对光学和SAR的遥感多维数据集进行识别与提取，得到各目标地区对应的植被数据、地貌数据和水环境数据。
作为优选方案，所述植被数据提取模型、地貌数据提取模型和水环境数据提取模型的构建方法，包括：
通过采集与同时期的遥感图像信息的比对的方式，分别采集植被数据提取模型、地貌数据提取模型和水环境数据提取模型的训练数据和测试数据；其中，训练数据与测试数据不重复；
通过启发搜索算法分别对采集的训练数据集和测试数据集进行离散化处理；
根据经过离散化处理后的训练数据，通过条件独立性测试的方式分别进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的学习，并在植被数据提取模型、地貌数据提取模型和水环境数据提取模型确定的基础上，通过训练数据进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的参数学习；
将测试数据集分别导入至对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的分类精度进行测试，得到测试精度，进而完成对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的训练。
作为优选方案，所述区域合并模块具体用于：设置多个经纬度范围，根据各目标地区的经纬度数据将各目标地区进行分类，得到多个目标地区集合；对同一个目标地区集合中的所有目标地区进行区域边缘标记，并确定目标地区的中心点位置；计算区域边缘出现重合的任意两个目标地区之间中心点位置的空间距离，当所述空间距离不大于预设距离值时，对该两个目标地区进行合并；当所述空间距离大于预设距离值时，将该两个目标地区以两个中心点连线为路径按比例互相靠拢，直到两个目标地区之间中心点位置的空间距离达到预设距离值后，对该两个目标地区进行合并；对同一个目标地区集合中所有目标地区完成合并后形成的第一综合区域进行网格化处理，得到该目标地区集合所对应的第一综合区域的区域网格图。
作为优选方案，所述根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图，具体为：
根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，通过设定DBSCAN算法的第一半径参数和第一邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第一聚类，并确定K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点；
根据每个第二综合区域对应的K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点，得到包含若干个第二综合区域的区域网格图。
作为优选方案，所述获取每个第二综合区域对应人群的特征信息，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点，具体为：
获取每个对应于第二综合区域中的人群的特征信息；
根据每个第二综合区域中的人群的特征信息，通过设定DBSCAN算法的第二半径参数和第二邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第二聚类，并确定K-means算法中人群的特征信息聚类的簇中心点。
作为优选方案，所述将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征，具体为：
依次将确定K-means算法中人群的特征信息聚类的簇中心点分别展示到对应的第二综合区域的区域网格图上，以使得每个第二综合区域中均存在有不同的人群重点特征；
根据不同的第二综合区域分别识别出不同的人群重点特征规律。
相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上任一项所述的综合区域群体特征识别方法。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上任一项所述的综合区域群体特征识别方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明的技术方案通过获取各目标地区的遥感图像信息，进而通过遥感图像信息来提取出对应的经纬度数据、植被数据、地貌数据以及水环境数据，并通过对各目标地区进行区域合并，以及通过各目标地区对应的植被数据、地貌数据和水环境数据进行的第一聚类，进而得到准确且客观的第二综合区域，并非是由人的意识来进行主动选择，避免了导致群体特征识别误差的出现，并且通过准确获取每个第二综合区域对应人群的特征信息，进而进行 第二聚类确定每个第二综合区域对应人群的特征信息聚类的簇中心点，从而能够在不同的第二综合区域中能够准确且清晰地展示出不同的人群重点特征，避免了现有人工导致效率过低、时间跨度过长的问题，本发明能够更好地应用于人群特征识别之中，显著减少了人们的工作量。
附图说明
图1：为本发明实施例所提供的一种综合区域群体特征识别方法的步骤流程图；
图2：为本发明实施例所提供的一种综合区域群体特征识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种综合区域群体特征识别方法，包括以下步骤S101-S105：
步骤S101：获取各目标地区的遥感图像信息，并对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据。
进一步地，需要说明的是，植被数据为目标地区中植被覆盖率、植被种类等；地貌数据为目标地区的地貌类型，包括但不限于丘陵、高原和平原；水环境数据为目标地区的水资源情况，包括江、河、湖和海等情况；进一步地，为了使得综合区域划分更加合理，还可以加入其他环境因素，包括但不限于气候、温度、降雨、日照等情况。
作为本实施例的优选方案，在所述获取各目标地区的遥感图像信息之后，还包括：
收集覆盖各目标地区的同时期不同分辨率的遥感图像信息；其中，所述遥感图像信息包括无云光学遥感和SAR数据；将光学遥感影像根据地形图选取控制点进行几何精校正；对SAR数据进行辐射校正得到后向散射系数，并进行滤波处理；将几何精校准的光学遥感影像和滤波处理后的SAR影像进行几何配准，并将经过处理后的光学和SAR数据进行合并，形成一个综合光学和SAR的遥感多维数据集。
需要说明的是，收集覆盖各目标地区的同时期无云光学遥感数据、SAR数据和相关地理参考数据。首先，对光学遥感影像数据根据同地区的地形图选取一定数量、均匀分布的控制点，对光学遥感数据进行几何精校正处理；同时，对SAR数据进行辐射校正得到后向散射系数，并进行滤波处理，即选择Adaptive Frost滤波器使用5×5窗口进行滤波；以经过几何精纠正后的光学遥感影像为基准，使用图像对图像匹配的方法对经过辐射定标和滤波等处理后的SAR数据进行几何配准处理，精度控制在3个像元以内，保证光学和SAR影像的空间一致性，使得两者影像能够叠合处理，从而提高遥感图像信息的准确性，并将经过几何配准处理后的光学和SAR数据进行合并，形成一个综合光学和SAR的多维数据集。
作为本实施例的优选方案，所述对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据，具体为：
根据所述遥感图像信息中的定位信息，得到目标地区的经纬度数据；通过植被数据提取模型、地貌数据提取模型和水环境数据提取模型分别对光学和SAR的遥感多维数据集进行识别与提取，得到各目标地区对应的植被数据、地貌数据和水环境数据。
需要说明的是，遥感图像信息通过遥感卫星、SARS卫星等进行获取，在获取的过程中，能够直接对遥感得到的图像信息进行定位信息的标注，即经纬度的标注，因此遥感图像信息中本身就存在有所遥感的目标地区的经纬度数据。各目标地区对应的植被数据、地貌数据和水环境数据则通过植被数据提取模型、地貌数据提取模型和水环境数据提取模型分别进行提取。
作为本实施例的优选方案，所述植被数据提取模型、地貌数据提取模型和水环境数据提取模型的构建方法，包括：
通过采集与同时期的遥感图像信息的比对的方式，分别采集植被数据提取模型、地貌数据提取模型和水环境数据提取模型的训练数据和测试数据；其中，训练数据与测试数据不重复；通过启发搜索算法分别对采集的训练数据集和测试数据集进行离散化处理；根据经过离散化处理后的训练数据，通过条件独立性测试的方式分别进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的学习，并在植被数据提取模型、地貌数据提取模型和水环境数据提取模型确定的基础上，通过训练数据进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的参数学习；将测试数据集分别导入至对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的分类精度进行测试，得到测试精度，进而完成对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的训练。
需要说明的是，通过人工实际采集与同时期高分辨率遥感影像比对的方式，分别采集模型的训练数据集和测试数据集，保证训练数据与测试数据空间上不重复。如果将多光谱光学和SAR数据的各波段视为离散变量，并利用贝叶斯网络进行分类，则代表各波段的特征节点的条件概率表将会非常庞大，从而需要巨大的训练数据量和不可接受的计算代价。在本发明中，将各波段视为连续变量，并通过离散化方法将其取值范围划分为若干个子区间。在通过实验对比后，确定采用启发搜索算法分别对采集的训练数据集和测试数据集进行离散化处理，此方法在离散化时考虑了类别信息的条件，从各个被选分割点中依据熵最小的原则寻找最优的分割点，能够比其它离散化方法取得更好的效果；其中，优选地，启发式搜索算法为最小熵启发搜索算法。
步骤S102：分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图；其中，每个第一综合区域包括多个目标地区。
具体地，步骤S102具体包括：设置多个经纬度范围，根据各目标地区的经纬度数据将各目标地区进行分类，得到多个目标地区集合；对同一个目标地区集合中的所有目标地区进行区域边缘标记，并确定目标地区的中心点位置；计算区域边缘出现重合的任意两个目标地区之间中心点位置的空间距离，当所述空间距离不大于预设距离值时，对该两个目标地区进行合并；当所述空间距离大于预设距离值时，将该两个目标地区以两个中心点连线为路径按比例互相靠拢，直到两个目标地区之间中心点位置的空间距离达到预设距离值后，对该两个目标地区进行合并；对同一个目标地区集合中所有目标地区完成合并后形成的第一综合区域进行网格化处理，得到该目标地区集合所对应的第一综合区域的区域网格图。通过上述步骤的处理，将空间距离过大的目标区域进行移动合并，可以将受不同地理位置影响的因素降到最低，尽可能的将环境的影响概率降到最低，使得区域群体特征的保持度在同一水平上，尽最大可能提高数据的精准度。
需要说明的是，在每个目标地区中，分别根据经纬度数据进行区域合并，示例性地，对于在目标地区A[北纬23度06分32秒，东经113度15分53秒]，目标地区B[北纬22度07分24秒，东经115度09分30秒]，目标地区C[北纬53度08分25秒，东经120度13分40秒]，目标地区A和目标地区B在经度上仅差2度，在纬度上仅差1度，则可以将目标地区A和B进行区域合并，进而得到其中一个的第一综合区域，目标地区C则作为另一个第一综合区域；其中预设范围可以根据实际群体特征识别范围大小等情况进行确定。
步骤S103：根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图。
作为本实施例的优选方案，所述根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图，具体为：
根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，通过设定DBSCAN算法的第一半径参数和第一邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第一聚类，并确定K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点；根据每个第二综合区域对应的K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点，得到包含若干个第二综合区域的区域网格图。
需要说明的是，在本实施例中，DBSCAN算法（Density- Based Spa tia lClustering of Applications with Noise，是一个比较有代表性的基于密度的聚类算法）中的半径参数（即Eps邻域）设为500米，邻域密度阈值（即minPts）设为5。首先利用遥感图像数据信息，然后利用植被数据、地貌数据和水环境数据并通过DBSCAN算法先确定其分类个数，再使用K-means算法（k-means clustering algorithm，k均值聚类算法）确定该聚类的簇中心点，最后基于该聚类的簇中心点构建包含若干个第二综合区域的区域网格图，最后结合该聚类的簇中心点、植被数据、地貌数据和水环境数据和区域网格图实现对该综合区域的划分。值得一提的是，由于植被数据、地貌数据和水环境数据是基于遥感图像信息（经纬度）来表示的，故不能使用计算欧氏距离进行密度的计算，本实施例中采用半正矢函数计算公交站台之间的实际距离。
步骤S104：获取每个第二综合区域对应人群的特征信息 ，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点。
作为本实施例的优选方案，所述获取每个第二综合区域对应人群的特征信息 ，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点，具体为：
获取每个对应于第二综合区域中的人群的特征信息；根据每个第二综合区域中的人群的特征信息，通过设定DBSCAN算法的第二半径参数和第二邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第二聚类，并确定K-means算法中人群的特征信息聚类的簇中心点。
在本实施例中，人群的特征信息包括但不限于民族、语言、宗教信仰、工作、动作行为、历史、习俗和节日等。
需要说明的是，第二聚类与步骤S104中的步骤类似，利用第二综合区域中的人群的特征信息并通过DBSCAN算法先确定其分类个数，再使用K-means算法（k-meansclustering algorithm，k均值聚类算法）确定该聚类的簇中心点，最后基于该聚类的簇中心点构建每个第二综合区域对应人群的特征信息聚类的簇中心点。
步骤S105：将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征。
作为本实施例的优选方案，所述将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征，具体为：
依次将确定K-means算法中人群的特征信息聚类的簇中心点分别展示到对应的第二综合区域的区域网格图上，以使得每个第二综合区域中均存在有不同的人群重点特征；根据不同的第二综合区域分别识别出不同的人群重点特征规律。
需要说明的是，依次将确定K-means算法中人群的特征信息聚类的簇中心点分别展示到对应的第二综合区域的区域网格图上后，根据不同的第二综合区域分别识别出不同的人群重点特征，从而能够得到不同的人群重点特征规律。可示例性地，对于第二综合区域D、第二综合区域E和第二综合区域F，不同的特征信息聚类的簇中心点会存在于对应于不同的第二综合区域，例如若要比较第二综合区域D、第二综合区域E，即可聚焦于分别与第二综合区域D、第二综合区域E最近的簇中心点，进而得到簇中心点对应的人群的特征信息类别，例如：民族、语言和宗教信仰，即可将“民族、语言和宗教信仰”作为第二综合区域D和第二综合区域E的人群重点特征。
实施以上实施例，具有如下效果：
本发明的技术方案通过获取各目标地区的遥感图像信息，进而通过遥感图像信息来提取出对应的经纬度数据、植被数据、地貌数据以及水环境数据，并通过对各目标地区进行区域合并，以及通过各目标地区对应的植被数据、地貌数据和水环境数据进行的第一聚类，进而得到准确且客观的第二综合区域，并非是由人的意识来进行主动选择，避免了导致群体特征识别误差的出现，并且通过准确获取每个第二综合区域对应人群的特征信息，进而进行 第二聚类确定每个第二综合区域对应人群的特征信息聚类的簇中心点，从而能够在不同的第二综合区域中能够准确且清晰地展示出不同的人群重点特征，避免了现有人工导致效率过低、时间跨度过长的问题，本发明能够更好地应用于人群特征识别之中，显著减少了人们的工作量。
实施例二
请参阅图2，其为本发明所提供一种综合区域群体特征识别系统，包括：遥感获取模块101、区域合并模块102、第一聚类模块103、第二聚类模块104和特征识别模块105。
所述遥感获取模块101，用于获取各目标地区的遥感图像信息，并对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据。
所述区域合并模块102，用于分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图；其中，每个第一综合区域包括多个目标地区。
所述第一聚类模块103，用于根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图。
所述第二聚类模块104，用于获取每个第二综合区域对应人群的特征信息，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点。
所述特征识别模块105，用于将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征。
作为本实施例的优选方案，在所述获取各目标地区的遥感图像信息之后，还包括：
收集覆盖各目标地区的同时期不同分辨率的遥感图像信息；其中，所述遥感图像信息包括无云光学遥感和SAR数据；将光学遥感影像根据地形图选取控制点进行几何精校正；对SAR数据进行辐射校正得到后向散射系数，并进行滤波处理；将几何精校准的光学遥感影像和滤波处理后的SAR影像进行几何配准，并将经过处理后的光学和SAR数据进行合并，形成一个综合光学和SAR的遥感多维数据集。
作为本实施例的优选方案，所述对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据，具体为：
根据所述遥感图像信息中的定位信息，得到目标地区的经纬度数据；通过植被数据提取模型、地貌数据提取模型和水环境数据提取模型分别对光学和SAR的遥感多维数据集进行识别与提取，得到各目标地区对应的植被数据、地貌数据和水环境数据。
作为本实施例的优选方案，所述植被数据提取模型、地貌数据提取模型和水环境数据提取模型的构建方法，包括：
通过采集与同时期的遥感图像信息的比对的方式，分别采集植被数据提取模型、地貌数据提取模型和水环境数据提取模型的训练数据和测试数据；其中，训练数据与测试数据不重复；通过启发搜索算法分别对采集的训练数据集和测试数据集进行离散化处理；根据经过离散化处理后的训练数据，通过条件独立性测试的方式分别进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的学习，并在植被数据提取模型、地貌数据提取模型和水环境数据提取模型确定的基础上，通过训练数据进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的参数学习；将测试数据集分别导入至对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的分类精度进行测试，得到测试精度，进而完成对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的训练。
作为本实施例的优选方案，所述区域合并模块具体用于：设置多个经纬度范围，根据各目标地区的经纬度数据将各目标地区进行分类，得到多个目标地区集合；对同一个目标地区集合中的所有目标地区进行区域边缘标记，并确定目标地区的中心点位置；计算区域边缘出现重合的任意两个目标地区之间中心点位置的空间距离，当所述空间距离不大于预设距离值时，对该两个目标地区进行合并；当所述空间距离大于预设距离值时，将该两个目标地区以两个中心点连线为路径按比例互相靠拢，直到两个目标地区之间中心点位置的空间距离达到预设距离值后，对该两个目标地区进行合并；对同一个目标地区集合中所有目标地区完成合并后形成的第一综合区域进行网格化处理，得到该目标地区集合所对应的第一综合区域的区域网格图。
作为本实施例的优选方案，所述根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图，具体为：
根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，通过设定DBSCAN算法的第一半径参数和第一邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第一聚类，并确定K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点；根据每个第二综合区域对应的K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点，得到包含若干个第二综合区域的区域网格图。
作为本实施例的优选方案，所述获取每个第二综合区域对应人群的特征信息 ，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点，具体为：
获取每个对应于第二综合区域中的人群的特征信息；根据每个第二综合区域中的人群的特征信息，通过设定DBSCAN算法的第二半径参数和第二邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第二聚类，并确定K-means算法中人群的特征信息聚类的簇中心点。
作为本实施例的优选方案，所述将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征，具体为：
依次将确定K-means算法中人群的特征信息聚类的簇中心点分别展示到对应的第二综合区域的区域网格图上，以使得每个第二综合区域中均存在有不同的人群重点特征；根据不同的第二综合区域分别识别出不同的人群重点特征规律。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的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。
实施本发明实施例，具有如下效果：
本发明的技术方案通过获取各目标地区的遥感图像信息，进而通过遥感图像信息来提取出对应的经纬度数据、植被数据、地貌数据以及水环境数据，并通过对各目标地区进行区域合并，以及通过各目标地区对应的植被数据、地貌数据和水环境数据进行的第一聚类，进而得到准确且客观的第二综合区域，并非是由人的意识来进行主动选择，避免了导致群体特征识别误差的出现，并且通过准确获取每个第二综合区域对应人群的特征信息，进而进行 第二聚类确定每个第二综合区域对应人群的特征信息聚类的簇中心点，从而能够在不同的第二综合区域中能够准确且清晰地展示出不同的人群重点特征，避免了现有人工导致效率过低、时间跨度过长的问题，本发明能够更好地应用于人群特征识别之中，显著减少了人们的工作量。
实施例三
相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的综合区域群体特征识别方法。
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤S101至S105。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如第二聚类模块104。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述第二聚类模块104，用于获取每个第二综合区域对应人群的特征信息，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
实施例四
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的综合区域群体特征识别方法。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，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 (10)
1.一种综合区域群体特征识别方法，其特征在于，包括：
获取各目标地区的遥感图像信息，并对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据；
分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图；其中，每个第一综合区域包括多个目标地区；
根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图；
获取每个第二综合区域对应人群的特征信息 ，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点；
将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征；
其中，所述分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图的具体步骤包括：
设置多个经纬度范围，根据各目标地区的经纬度数据将各目标地区进行分类，得到多个目标地区集合；
对同一个目标地区集合中的所有目标地区进行区域边缘标记，并确定目标地区的中心点位置；
计算区域边缘出现重合的任意两个目标地区之间中心点位置的空间距离，当所述空间距离不大于预设距离值时，对该两个目标地区进行合并；当所述空间距离大于预设距离值时，将该两个目标地区以两个中心点连线为路径按比例互相靠拢，直到两个目标地区之间中心点位置的空间距离达到预设距离值后，对该两个目标地区进行合并；
对同一个目标地区集合中所有目标地区完成合并后形成的第一综合区域进行网格化处理，得到该目标地区集合所对应的第一综合区域的区域网格图。
2.如权利要求1所述的一种综合区域群体特征识别方法，其特征在于，在所述获取各目标地区的遥感图像信息之后，还包括：
收集覆盖各目标地区的同时期不同分辨率的遥感图像信息；其中，所述遥感图像信息包括无云光学遥感和SAR数据；
将光学遥感影像根据地形图选取控制点进行几何精校正；
对SAR数据进行辐射校正得到后向散射系数，并进行滤波处理；
将几何精校准的光学遥感影像和滤波处理后的SAR影像进行几何配准，并将经过处理后的光学和SAR数据进行合并，形成一个综合光学和SAR的遥感多维数据集。
3.如权利要求2所述的一种综合区域群体特征识别方法，其特征在于，所述对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据，具体为：
根据所述遥感图像信息中的定位信息，得到目标地区的经纬度数据；
通过植被数据提取模型、地貌数据提取模型和水环境数据提取模型分别对光学和SAR的遥感多维数据集进行识别与提取，得到各目标地区对应的植被数据、地貌数据和水环境数据。
4.如权利要求3所述的一种综合区域群体特征识别方法，其特征在于，所述植被数据提取模型、地貌数据提取模型和水环境数据提取模型的构建方法，包括：
通过采集与同时期的遥感图像信息的比对的方式，分别采集植被数据提取模型、地貌数据提取模型和水环境数据提取模型的训练数据和测试数据；其中，训练数据与测试数据不重复；
通过启发搜索算法分别对采集的训练数据集和测试数据集进行离散化处理；
根据经过离散化处理后的训练数据，通过条件独立性测试的方式分别进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的学习，并在植被数据提取模型、地貌数据提取模型和水环境数据提取模型确定的基础上，通过训练数据进行植被数据提取模型、地貌数据提取模型和水环境数据提取模型的参数学习；
将测试数据集分别导入至对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的分类精度进行测试，得到测试精度，进而完成对植被数据提取模型、地貌数据提取模型和水环境数据提取模型网络的训练。
5.如权利要求1所述的一种综合区域群体特征识别方法，其特征在于，所述根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图，具体为：
根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，通过设定DBSCAN算法的第一半径参数和第一邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第一聚类，并确定K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点；
根据每个第二综合区域对应的K-means算法中植被数据、地貌数据和水环境数据聚类的簇中心点，得到包含若干个第二综合区域的区域网格图。
6.如权利要求1所述的一种综合区域群体特征识别方法，其特征在于，所述获取每个第二综合区域对应人群的特征信息，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点，具体为：
获取每个对应于第二综合区域中的人群的特征信息；
根据每个第二综合区域中的人群的特征信息，通过设定DBSCAN算法的第二半径参数和第二邻域密度阈值，将DBSCAN算法聚类后的簇的总数作为K-means算法中的K进行第二聚类，并确定K-means算法中人群的特征信息聚类的簇中心点。
7.如权利要求6所述的一种综合区域群体特征识别方法，其特征在于，所述将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征，具体为：
依次将确定K-means算法中人群的特征信息聚类的簇中心点分别展示到对应的第二综合区域的区域网格图上，以使得每个第二综合区域中均存在有不同的人群重点特征；
根据不同的第二综合区域分别识别出不同的人群重点特征规律。
8.一种综合区域群体特征识别系统，其特征在于，包括：遥感获取模块、区域合并模块、第一聚类模块、第二聚类模块和特征识别模块；
所述遥感获取模块，用于获取各目标地区的遥感图像信息，并对所述遥感图像信息进行信息提取，得到各目标地区对应的经纬度数据、植被数据、地貌数据和水环境数据；
所述区域合并模块，用于分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图；其中，每个第一综合区域包括多个目标地区；
所述第一聚类模块，用于根据每个第一综合区域中的各目标地区对应的植被数据、地貌数据和水环境数据，对所述区域网格图中的若干个第一综合区域进行第一聚类，得到包含若干个第二综合区域的区域网格图；
所述第二聚类模块，用于获取每个第二综合区域对应人群的特征信息，对每个第二综合区域对应人群的特征信息进行第二聚类，同时确定每个第二综合区域对应人群的特征信息聚类的簇中心点；
所述特征识别模块，用于将确定的每个第二综合区域对应人群的特征信息聚类的簇中心点分别展示到包含若干个第二综合区域的区域网格图上，从而根据不同的第二综合区域分别识别出不同的人群重点特征；
其中，所述分别将在预设范围内的所述经纬度数据对应的目标地区进行区域合并，得到包含若干个第一综合区域的区域网格图的具体步骤包括：
设置多个经纬度范围，根据各目标地区的经纬度数据将各目标地区进行分类，得到多个目标地区集合；
对同一个目标地区集合中的所有目标地区进行区域边缘标记，并确定目标地区的中心点位置；
计算区域边缘出现重合的任意两个目标地区之间中心点位置的空间距离，当所述空间距离不大于预设距离值时，对该两个目标地区进行合并；当所述空间距离大于预设距离值时，将该两个目标地区以两个中心点连线为路径按比例互相靠拢，直到两个目标地区之间中心点位置的空间距离达到预设距离值后，对该两个目标地区进行合并；
对同一个目标地区集合中所有目标地区完成合并后形成的第一综合区域进行网格化处理，得到该目标地区集合所对应的第一综合区域的区域网格图。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的综合区域群体特征识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的综合区域群体特征识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211364971.5A CN115423047B (zh) | 2022-11-03 | 2022-11-03 | 一种综合区域群体特征识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211364971.5A CN115423047B (zh) | 2022-11-03 | 2022-11-03 | 一种综合区域群体特征识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115423047A CN115423047A (zh) | 2022-12-02 |
| CN115423047B true CN115423047B (zh) | 2023-03-24 |
Family
ID=84207839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211364971.5A Active CN115423047B (zh) | 2022-11-03 | 2022-11-03 | 一种综合区域群体特征识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115423047B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272009A (zh) * | 2018-07-23 | 2019-01-25 | 武汉普利商用机器有限公司 | 一种基于大数据分析的人群画像提取方法及装置 |
| CN110597943B (zh) * | 2019-09-16 | 2022-04-01 | 腾讯科技（深圳）有限公司 | 基于人工智能的兴趣点处理方法、装置及电子设备 |
| CN110909759B (zh) * | 2019-10-10 | 2020-12-18 | 重庆特斯联智慧科技股份有限公司 | 基于人口大数据的城市区域分级管理系统及方法 |
| CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
| CN112288048B (zh) * | 2020-12-28 | 2021-03-26 | 湖南师范大学 | 一种基于多源数据驱动的城市人群出行识别方法 |
-
2022
- 2022-11-03 CN CN202211364971.5A patent/CN115423047B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115423047A (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pan et al. | Detailed and automated classification of land use/land cover using machine learning algorithms in Google Earth Engine | |
| Yu et al. | Object-based spatial cluster analysis of urban landscape pattern using nighttime light satellite images: A case study of China | |
| Giada et al. | Information extraction from very high resolution satellite imagery over Lukole refugee camp, Tanzania | |
| 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 | |
| Colditz et al. | Influence of image fusion approaches on classification accuracy: a case study | |
| Malinverni et al. | Hybrid object-based approach for land use/land cover mapping using high spatial resolution imagery | |
| Sharifi et al. | Agricultural field extraction with deep learning algorithm and satellite imagery | |
| Cavallaro et al. | Automatic attribute profiles | |
| Feng et al. | A novel change detection approach based on visual saliency and random forest from multi-temporal high-resolution remote-sensing images | |
| Johnson et al. | Identifying generalizable image segmentation parameters for urban land cover mapping through meta-analysis and regression tree modeling | |
| Xiao et al. | Segmentation of multispectral high-resolution satellite imagery using log Gabor filters | |
| Zhang et al. | Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area | |
| Lauko et al. | Local color and morphological image feature based vegetation identification and its application to human environment street view vegetation mapping, or how green is our county? | |
| Soni et al. | Semiautomatic road extraction framework based on shape features and LS-SVM from high-resolution images | |
| De Bie et al. | LaHMa: a landscape heterogeneity mapping method using hyper-temporal datasets | |
| Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
| Ghasemi et al. | Assessment of different topographic correction methods in ALOS AVNIR-2 data over a forest area | |
| CN111079807A (zh) | 一种地物分类方法及装置 | |
| Chandra et al. | A cognitive framework for road detection from high-resolution satellite images | |
| Hao et al. | Methodology for optimizing quadrat size in sparse vegetation surveys: A desert case study from the Tarim Basin | |
| Batista et al. | Optical time series for the separation of land cover types with similar spectral signatures: cocoa agroforest and forest | |
| Chandra et al. | A cognitive viewpoint on building detection from remotely sensed multispectral images | |
| Yu et al. | Salient feature extraction for hyperspectral image classification | |
| Petitjean et al. | Assessing the quality of temporal high-resolution classifications with low-resolution satellite image time series | |
| Luo et al. | Extraction of bridges over water from IKONOS panchromatic data |
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 |