CN116129202A - 存量用地分析方法、装置和存储介质 - Google Patents

存量用地分析方法、装置和存储介质 Download PDF

Info

Publication number
CN116129202A
CN116129202A CN202310424472.9A CN202310424472A CN116129202A CN 116129202 A CN116129202 A CN 116129202A CN 202310424472 A CN202310424472 A CN 202310424472A CN 116129202 A CN116129202 A CN 116129202A
Authority
CN
China
Prior art keywords
land
area
type
areas
developed
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
Application number
CN202310424472.9A
Other languages
English (en)
Other versions
CN116129202B (zh
Inventor
赖巧萍
王琳
郝继坤
章益新
伊文超
赖照峰
安红蕾
黄振华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xinxing Keyao Information Technology Co ltd
Original Assignee
Beijing Xinxing Keyao Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Xinxing Keyao Information Technology Co ltd filed Critical Beijing Xinxing Keyao Information Technology Co ltd
Priority to CN202310424472.9A priority Critical patent/CN116129202B/zh
Publication of CN116129202A publication Critical patent/CN116129202A/zh
Application granted granted Critical
Publication of CN116129202B publication Critical patent/CN116129202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供一种存量用地分析方法、装置和存储介质，通过将开发度作为针对单个地块区域的判定基准，能够快速且精准的对该地块区域的用地类型进行判断，从而有效地提高了针对地块区域的用地类型分析的效率和精度；同时，在初始分类过程中确定某地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间导致无法确切地判定该地块区域是第二类型或是第三类型时，可以结合该地块区域及其周边地块区域的开发度对该地块区域是否为第二类型进行进一步判定，在有效避免对该地块区域的误判的同时，进一步提高了针对各地块区域是否为第二类型的低效用区域的判定效率和精度。

Description

存量用地分析方法、装置和存储介质
技术领域
本发明涉及用地管理技术领域，尤其涉及一种存量用地分析方法、装置和存储介质。
背景技术
随着生产水平的提高、人类活动范围的扩大和加剧，土地资源的利用面临着巨大的压力。通过对存量用地进行评价与分析，评估存量的建设用地的开发程度并对存量建设用地进行分类，筛选出布局散乱、用途不合理、开发程度较低的低效用地，有利于后续对存量建设用地进行合理规划。
目前，部分存量用地分析分类的方式会从宏观层面通过人均建设用地标准对建设用地规模进行测算并筛选出低效用地，但是该方式测算出的低效用地区域是建立在市或县域等宏观尺度上的理论值，且其受制于遥感影像精度限制，精度较低，难以实现不同类型地块的精确分析。另外，还有部分方式会针对待分析图片中的地貌特征信息对单个区域的类型进行判定，但该方式仅对单个区域的地貌特征进行分析判定，忽视了相邻地块在开发利用时的关联性，导致判定准确性也相对较低。
发明内容
本发明提供一种存量用地分析方法、装置和存储介质，用以解决现有技术中存量用地分类精度和准确性均欠佳的缺陷。
本发明提供一种存量用地分析方法，包括：
对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域；
针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域；
基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度；
基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
根据本发明提供的一种存量用地分析方法，所述各个已开发子区域间的平均距离是基于如下步骤确定的：
确定所述各个已开发子区域的几何中心点，并将所述各个已开发子区域两两进行组合，得到多个子区域组合；
分别计算所述多个子区域组合中两个已开发子区域的几何中心点的距离；
求取所述多个子区域组合中两个已开发子区域的几何中心点的距离的平均值，得到所述各个已开发子区域间的平均距离；其中，当所述任一地块区域中的已开发子区域的数量为1时，所述各个已开发子区域间的平均距离被设定为0。
根据本发明提供的一种存量用地分析方法，所述基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度，具体包括：
当所述各个已开发子区域间的平均距离不为0时，确定所述任一地块区域中已开发子区域的数量和所述任一地块区域的面积之间的比例与调节系数的第一乘积，确定所述任一地块区域中已开发子区域的总面积和所述任一地块区域的最大边长的乘积与所述各个已开发子区域间的平均距离之间的第一比值，并确定所述第一乘积与所述第一比值的乘积，作为所述任一地块区域的开发度；
当所述各个已开发子区域间的平均距离为0时，确定所述任一地块区域中已开发子区域的数量、所述任一地块区域中已开发子区域的总面积和所述调节系数的第二乘积，并确定所述第二乘积与所述任一地块区域的面积之间的比值，作为所述任一地块区域的开发度。
根据本发明提供的一种存量用地分析方法，所述在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型，具体包括：
从所述任一地块区域的周边地块区域中筛选出开发度小于等于第二类型对应的开发度阈值的周边地块区域作为参考区域；
基于所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值，以及第一比例阈值和第二比例阈值进行再次分类，得到所述任一地块区域的用地类型；所述第一比例阈值小于所述第二比例阈值；
其中，若所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值小于等于所述第一比例阈值，则确定所述任一地块区域的用地类型为第三类型；
若所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值大于所述第二比例阈值，则确定所述任一地块区域的用地类型为第二类型；
否则，基于所述参考区域的区域分散度对所述任一地块区域进行三次分类，得到所述任一地块区域的用地类型；其中，若所述参考区域的区域分散度小于等于预设分散度阈值，则确定所述任一地块区域的用地类型为第二类型。
根据本发明提供的一种存量用地分析方法，所述参考区域的区域分散度是基于如下步骤确定的：
分别确定所述任一地块区域与各个参考区域之间的边缘最短距离，并确定所述任一地块区域与各个参考区域之间的边缘最短距离的距离平均值和距离最小值；
确定各个参考区域两两之间的端点距离，并确定各个参考区域两两之间的端点距离的距离最大值；
基于所述距离最大值、所述距离最小值、所述参考区域的数量、所述距离平均值以及所述任一地块区域的周边地块区域总数，确定所述参考区域的区域分散度。
根据本发明提供的一种存量用地分析方法，所述任一地块区域的周边地块区域是基于如下步骤确定的：
基于所述任一地块区域的面积确定距离筛选阈值；其中，所述任一地块区域的面积越小，所述距离筛选阈值越小；
筛选与所述任一地块区域的距离小于所述距离筛选阈值的地块区域作为所述任一地块区域的周边地块区域。
根据本发明提供的一种存量用地分析方法，所述方法还包括：
基于再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值，调整第二类型和第三类型对应的开发度阈值；
其中，若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值小于第一修正阈值，则增大所述第二类型和所述第三类型对应的开发度阈值；若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值大于第二修正阈值，则减小所述第二类型和所述第三类型对应的开发度阈值；所述第一修正阈值小于所述第二修正阈值。
根据本发明提供的一种存量用地分析方法，所述基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域，具体包括：
提取任一地块区域中各个子区域的子区域轮廓；
确定所述任一地块区域中各个子区域的子区域轮廓与各个预设开发区域轮廓之间的轮廓相似度；
若所述任一地块区域中任一子区域的子区域轮廓与至少一个预设开发区域轮廓之间的轮廓相似度大于等于轮廓相似度阈值，则确定所述任一子区域的子区域轮廓内的图像特征，并计算所述任一子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度；
若所述任一子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度大于等于图像相似度阈值，则确定所述任一子区域为已开发子区域。
本发明还提供一种存量用地分析装置，包括：
区域划分单元，用于对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域；
已开发区域提取单元，用于针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域；
开发度计算单元，用于基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度；
用地类型判定单元，用于基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述存量用地分析方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述存量用地分析方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述存量用地分析方法。
本发明提供的存量用地分析方法、装置和存储介质，通过将开发度作为针对单个地块区域的判定基准，能够快速且精准的对该地块区域的用地类型进行判断，从而有效地提高了针对地块区域的用地类型分析的效率和精度；同时，在初始分类过程中确定某地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间导致无法确切地判定该地块区域是第二类型或是第三类型时，可以结合该地块区域及其周边地块区域的开发度对该地块区域是否为第二类型进行进一步判定，在有效避免对该地块区域的误判的同时，有效提高了针对各地块区域是否为第二类型的低效用区域的判定效率和精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明提供的存量用地分析方法的流程示意图；
图2是本发明提供的已开发子区域提取方法的流程示意图；
图3是本发明提供的用地类型再次判定方法的流程示意图；
图4是本发明提供的存量用地分析装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
图1是本发明提供的存量用地分析方法的流程示意图，如图1所示，该方法包括：
步骤110，对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域。
具体地，可以利用多个无人机对待分析用地进行拍摄，得到多个鸟瞰视角的影像数据，并将上述影像数据进行整合，得到整个存量用地的用地图像。对用地图像进行预处理（例如图像增强、二值化等）后，利用边缘提取算法对用地图像进行边缘提取，获取用地图像中形状规则（例如直线或圆弧）的多个区域边缘，再基于上述区域边缘以及该地区地块形状的先验知识将用地图像划分为多个地块区域，各个地块区域是相互独立的区域。
步骤120，针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域。
具体地，对每个地块区域进行独立分析，以确定各个地块区域的用地类型，从而帮助后续对利用不合理、布局散乱的低效用地区域进行规划和再开发。其中，针对任一地块区域，可以基于数据库中预先存储的预设开发区域轮廓以及经由图像处理得到的该地区区域中的各子区域轮廓，提取出该地块区域中的已开发子区域。此处，预设开发区域轮廓可以是根据当地建设用地开发类型确定的，例如商业用地、住宅用地、旅游用地等的常规轮廓。将预设开发区域轮廓以及该地块区域中各子区域的子区域轮廓进行匹配，从而提取得到该地块区域中的已开发子区域。
在一些实施例中，如图2所示，可以基于如下方式提取该地块区域中的已开发子区域：
步骤210，提取任一地块区域中各个子区域的子区域轮廓；
步骤220，确定所述任一地块区域中各个子区域的子区域轮廓与各个预设开发区域轮廓之间的轮廓相似度；
步骤230，若所述任一地块区域中任一子区域的子区域轮廓与至少一个预设开发区域轮廓之间的轮廓相似度大于等于轮廓相似度阈值，则确定所述任一子区域的子区域轮廓内的图像特征，并计算所述任一子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度；
步骤240，若所述任一子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度大于等于图像相似度阈值，则确定所述任一子区域为已开发子区域。
具体而言，可以利用边缘提取算法对该地块区域进行轮廓提取，得到其中各个子区域的子区域轮廓，该子区域轮廓可以是规则形状或不规则形状。分别计算该地块区域中各个子区域的子区域轮廓与各个预设开发区域轮廓之间的轮廓相似度。如果任一子区域的子区域轮廓与所有预设开发区域轮廓之间的轮廓相似度均小于轮廓相似度阈值，表明该子区域为未开发状态，因此该子区域会被标记为非开发子区域并被滤除。若该子区域的子区域轮廓与至少一个预设开发区域轮廓之间的轮廓相似度大于等于轮廓相似度阈值，则可以进一步对其开发状态进行判定，以提升已开发子区域的识别精度。此处，可以利用图像特征提取模型提取该子区域的子区域轮廓内的图像特征以及预设开发区域图像的图像特征，并计算该子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度。其中，数据库中预存的预设开发区域图像可以是基于当地建设用地开发类型拍摄的各开发类型的区域的鸟瞰图像。若该子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度大于等于图像相似度阈值，则确定该子区域为已开发子区域，否则将该子区域标记为非开发子区域并将其滤除。
步骤130，基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度。
具体地，在计算各个已开发子区域间的平均距离时，可以先确定各个已开发子区域对应图像的几何中心点。然后将各个已开发子区域两两进行组合，得到多个子区域组合（组合数为，N为已开发子区域的数量）。可见，每个子区域组合中均包含两个已开发子区域。分别计算多个子区域组合中两个已开发子区域的几何中心点在整个用地图像中的距离Di（即第i个子区域组合中两个已开发子区域的几何中心点的距离），然后求取多个子区域组合中两个已开发子区域的几何中心点的距离的平均值（其中M为子区域组合的数量），从而得到各个已开发子区域间的平均距离。需要说明的是，当该地块区域中的已开发子区域的数量为1时，设定各个已开发子区域间的平均距离为0。
除了各个已开发子区域间的平均距离之外，还需获取该地块区域中的已开发子区域的数量和面积以及该地块区域的面积和最大边长，以进行该地块区域的开发度计算。其中，该地块区域的最大边长是该地块区域的各个区域边缘的端点之间的最大距离；已开发子区域的面积以及该地块区域的面积可以是相应子区域或区域在用地图像中的面积或是相应子区域或区域的实际占地面积，本发明实施例对此不作具体限定。在计算该地块区域的开发度时，可以根据已开发子区域间的平均距离是否为0分情况进行计算。
具体而言，当各个已开发子区域间的平均距离不为0时，确定该地块区域中已开发子区域的数量N和该地块区域的面积S0之间的比例N/S0与调节系数（可以是0.8）的第一乘积0.8N/S0，确定该地块区域中已开发子区域的总面积S（即各个已开发子区域的面积之和）和该地块区域的最大边长L的乘积S*L与各个已开发子区域间的平均距离D之间的第一比值（S*L）/D，并确定上述第一乘积与第一比值的乘积（0.8N/S0）*（（S*L）/D），作为该地块区域的开发度。
当所述各个已开发子区域间的平均距离为0时，确定该地块区域中已开发子区域的数量N、该地块区域中已开发子区域的总面积S和调节系数的第二乘积0.8N*S，并确定上述第二乘积与该地块区域的面积之间的比值（0.8N*S）/S0，作为该地块区域的开发度。
其中，该地块区域的开发度越高，表明该地块区域的开发利用程度越高。
步骤140，基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
具体地，根据该地块区域的开发度以及预设的各个用地类型对应的开发度阈值对该地块区域进行初始分类。其中，用地类型包括第一类型、第二类型和第三类型，具体到实际应用场景中，第一类型可以为未开发区域，第二类型可以为低效用区域，第三类型可以为非低效用区域。第一类型、第二类型和第三类型对应的开发度阈值依次递增（例如分别为5、20、70）。在初始分类时，可以将该地块区域的开发度与第一类型、第二类型和第三类型对应的开发度阈值进行对比，当该地块区域的开发度小于等于第一类型对应的开发度阈值时，可以确定该地块区域的用地类型为第一类型；当该地块区域的开发度大于第一类型对应的开发度阈值且小于等于第二类型对应的开发度阈值时，可以确定该地块区域的用地类型为第二类型；当该地块区域的开发度大于第三类型对应的开发度阈值时，可以确定该地块区域的用地类型为第三类型。而当该地块区域的开发度大于第二类型对应的开发度且小于等于第三类型对应的开发度阈值之间时，可以基于该地块区域及其周边地块区域的开发度对该地块区域进行再次分类，得到该地块区域的用地类型，以提升该地块区域的分类准确性。
其中，任一地块区域的周边地块区域可以基于如下步骤确定：
基于所述任一地块区域的面积确定距离筛选阈值；其中，所述任一地块区域的面积越小，所述距离筛选阈值越小；筛选与所述任一地块区域的距离小于所述距离筛选阈值的地块区域作为所述任一地块区域的周边地块区域。
具体而言，可以基于一定的距离标准从该地块区域附近筛选出距离较近的地块区域作为该地块区域的周边地块区域。为了避免作为分析单个地块区域用地类型的周边地块区域不准确导致针对该地块区域的分类结果不准确的情况发生，可以基于该地块区域的实际占地面积或在用地图像中的面积作为确定该地块区域的周边地块区域的判断标准。其中，可以基于该地块区域的面积确定距离筛选阈值。此处，该地块区域的面积越小，上述距离筛选阈值越小。随后，筛选与该地块区域在用地图像中的距离小于上述距离筛选阈值的地块区域作为该地块区域的周边地块区域。可选地，可以预先设置多个标准面积范围-标准距离的对应关系，当该地块区域的面积落入到某一个标准面积范围内时，可以直接选取该标准面积范围对应的标准距离作为该地块区域的距离筛选阈值。
可见，上述实施例中通过将开发度作为针对单个地块区域的判定基准，能够快速且精准的对该地块区域的用地类型进行判断，从而有效地提高了针对地块区域的用地类型分析的效率和精度；同时，在初始分类过程中确定某地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间导致无法确切地判定该地块区域是第二类型或是第三类型时，可以结合该地块区域及其周边地块区域的开发度对该地块区域是否为第二类型进行进一步判定，在有效避免对该地块区域的误判的同时，有效提高了针对各地块区域是否为第二类型的低效用区域的判定效率和精度。
在一些实施例中，如图3所示，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域的类型进行再次分类，得到所述任一地块区域的用地类型，具体包括：
步骤310，从所述任一地块区域的周边地块区域中筛选出开发度小于等于第二类型对应的开发度阈值的周边地块区域作为参考区域；
步骤320，基于所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值，以及第一比例阈值和第二比例阈值进行再次分类，得到所述任一地块区域的用地类型；所述第一比例阈值小于所述第二比例阈值；
其中，若所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值小于等于所述第一比例阈值，则确定所述任一地块区域的用地类型为第三类型；
若所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值大于所述第二比例阈值，则确定所述任一地块区域的用地类型为第二类型；
否则，基于所述参考区域的区域分散度对所述任一地块区域进行三次分类，得到所述任一地块区域的用地类型；其中，若所述参考区域的区域分散度小于等于预设分散度阈值，则确定所述任一地块区域的用地类型为第二类型。
具体而言，从该地块区域的周边地块区域中筛选出开发度小于等于第二类型对应的开发度阈值的周边地块区域作为参考区域。随后，基于参考区域的数量与该地块区域的所有周边地块区域的开发度总和之间的比值，以及预设的第一比例阈值和第二比例阈值（第一比例阈值小于第二比例阈值）进行再次分类，得到该地块区域的用地类型。
其中，若上述参考区域的数量与该地块区域的所有周边地块区域的开发度总和之间的比值小于等于第一比例阈值，则确定该地块区域的用地类型为第三类型；若上述参考区域的数量与该地块区域的所有周边地块区域的开发度总和之间的比值大于第二比例阈值，则确定该地块区域的用地类型为第二类型。而当上述参考区域的数量与该地块区域的所有周边地块区域的开发度总和之间的比值大于第一比例阈值且小于等于第二比例阈值时，仍然无法确切地判定该地块区域属于何种类型，为了提升地块区域用地类型的分类准确性，可以基于参考区域的区域分散度对该地块区域的类型进行三次分类，得到该地块区域的用地类型。其中，参考区域的区域分散度表征了各个参考区域在用地图像中的离散程度，若参考区域的区域分散度小于等于预设分散度阈值，则确定该地块区域的用地类型为第二类型。
在一些实施例中，参考区域的区域分散度是基于如下步骤确定的：
分别确定所述任一地块区域与各个参考区域之间的边缘最短距离，并确定所述任一地块区域与各个参考区域之间的边缘最短距离的距离平均值和距离最小值；
确定各个参考区域两两之间的端点距离，并确定各个参考区域两两之间的端点距离的距离最大值；
基于所述距离最大值、所述距离最小值、所述参考区域的数量、所述距离平均值以及所述任一地块区域的周边地块区域总数，确定所述参考区域的区域分散度。
具体而言，分别确定该地块区域与各个参考区域之间的边缘最短距离。其中，该地块区域与任一参考区域之间的边缘最短距离可以通过计算该地块区域每个边缘与该参考区域每个边缘两两之间的最短距离，然后从该地块区域每个边缘与该参考区域每个边缘两两之间的最短距离中筛选出最小值作为该地块区域与任一参考区域之间的边缘最短距离。然后，确定该地块区域与各个参考区域之间的边缘最短距离的距离平均值（即各个边缘最短距离的平均值）和距离最小值（即各个边缘最短距离的最小值）。接下来确定各个参考区域两两之间的端点距离，并确定各个参考区域两两之间的端点距离的距离最大值。此处，可以计算任一参考区域与另一参考区域每个端点两两之间的距离，并从中选择出最大值作为上述任一参考区域与上述另一参考区域之间的端点距离，随后从各个参考区域两两之间的端点距离选取最大值作为上述距离最大值。
基于上述距离最大值、上述距离最小值、参考区域的数量、上述距离平均值以及该地块区域的周边地块区域总数，确定参考区域的区域分散度。其中，可以基于如下公式计算参考区域的区域分散度Q：
其中，Cb为上述距离最大值，E为上述距离最小值，A为参考区域的数量，Ca为上述距离平均值，K为该地块区域的周边地块区域总数，α为距离修正系数，可以设定α=0.93 m-1。
在一些实施例中，上述存量用地分析方法还包括：
基于再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值，调整第二类型和第三类型对应的开发度阈值；
其中，若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值小于第一修正阈值，则增大所述第二类型和所述第三类型对应的开发度阈值；若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值大于第二修正阈值，则减小所述第二类型和所述第三类型对应的开发度阈值；所述第一修正阈值小于所述第二修正阈值。
具体而言，在针对待分析用地的各个地块区域的用地类型进行分类的过程中，部分地块区域需要进行再次分类，表明当前的第二类型和第三类型对应的开发度阈值还无法对部分地块区域的用地类型进行准确判定，因此为了提升后续针对其他存量用地的各个地块区域的分类准确性，可以对第二类型和第三类型对应的开发度阈值进行调整。具体在调整第二类型和第三类型对应的开发度阈值时，可以基于待分析用地中进行了再次分类的地块区域的分类结果，从中确定再次分类后确定得到的第三类型的地块区域的数量，计算再次分类后确定得到的第三类型的地块区域的数量与待分析用地中地块区域的总数之间的比值，并基于该比值调整第二类型和第三类型对应的开发度阈值。
此处，若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值小于第一修正阈值，表明较多的第二类型的地块区域的开发度落入到了第二类型和第三类型对应的开发度阈值之间，因此可以增大第二类型和第三类型对应的开发度阈值；若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值大于第二修正阈值，表明较多的第三类型的地块区域的开发度落入到了第二类型和第三类型对应的开发度阈值之间，因此可以减小第二类型和第三类型对应的开发度阈值。其中，第一修正阈值小于第二修正阈值。
下面对本发明提供的存量用地分析装置进行描述，下文描述的存量用地分析装置与上文描述的存量用地分析方法可相互对应参照。
基于上述任一实施例，图4是本发明提供的存量用地分析装置的结构示意图，如图4所示，该装置包括：区域划分单元410、已开发区域提取单元420、开发度计算单元430和用地类型判定单元440。
其中，区域划分单元410用于对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域；
已开发区域提取单元420用于针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域；
开发度计算单元430用于基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度；
用地类型判定单元440用于基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
本发明实施例提供的装置通过将开发度作为针对单个地块区域的判定基准，能够快速且精准的对该地块区域的用地类型进行判断，从而有效地提高了针对地块区域的用地类型分析的效率和精度；同时，在初始分类过程中确定某地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间导致无法确切地判定该地块区域是第二类型或是第三类型时，可以结合该地块区域及其周边地块区域的开发度对该地块区域是否为第二类型进行进一步判定，在有效避免对该地块区域的误判的同时，有效提高了针对各地块区域是否为第二类型的低效用区域的判定效率和精度。
基于上述任一实施例，所述各个已开发子区域间的平均距离是基于如下步骤确定的：
确定所述各个已开发子区域的几何中心点，并将所述各个已开发子区域两两进行组合，得到多个子区域组合；
分别计算所述多个子区域组合中两个已开发子区域的几何中心点的距离；
求取所述多个子区域组合中两个已开发子区域的几何中心点的距离的平均值，得到所述各个已开发子区域间的平均距离；其中，当所述任一地块区域中的已开发子区域的数量为1时，所述各个已开发子区域间的平均距离被设定为0。
基于上述任一实施例，所述基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度，具体包括：
当所述各个已开发子区域间的平均距离不为0时，确定所述任一地块区域中已开发子区域的数量和所述任一地块区域的面积之间的比例与调节系数的第一乘积，确定所述任一地块区域中已开发子区域的总面积和所述任一地块区域的最大边长的乘积与所述各个已开发子区域间的平均距离之间的第一比值，并确定所述第一乘积与所述第一比值的乘积，作为所述任一地块区域的开发度；
当所述各个已开发子区域间的平均距离为0时，确定所述任一地块区域中已开发子区域的数量、所述任一地块区域中已开发子区域的总面积和所述调节系数的第二乘积，并确定所述第二乘积与所述任一地块区域的面积之间的比值，作为所述任一地块区域的开发度。
基于上述任一实施例，所述在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型，具体包括：
从所述任一地块区域的周边地块区域中筛选出开发度小于等于第二类型对应的开发度阈值的周边地块区域作为参考区域；
基于所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值，以及第一比例阈值和第二比例阈值进行再次分类，得到所述任一地块区域的用地类型；所述第一比例阈值小于所述第二比例阈值；
其中，若所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值小于等于所述第一比例阈值，则确定所述任一地块区域的用地类型为第三类型；
若所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值大于所述第二比例阈值，则确定所述任一地块区域的用地类型为第二类型；
否则，基于所述参考区域的区域分散度对所述任一地块区域进行三次分类，得到所述任一地块区域的用地类型；其中，若所述参考区域的区域分散度小于等于预设分散度阈值，则确定所述任一地块区域的用地类型为第二类型。
基于上述任一实施例，所述参考区域的区域分散度是基于如下步骤确定的：
分别确定所述任一地块区域与各个参考区域之间的边缘最短距离，并确定所述任一地块区域与各个参考区域之间的边缘最短距离的距离平均值和距离最小值；
确定各个参考区域两两之间的端点距离，并确定各个参考区域两两之间的端点距离的距离最大值；
基于所述距离最大值、所述距离最小值、所述参考区域的数量、所述距离平均值以及所述任一地块区域的周边地块区域总数，确定所述参考区域的区域分散度。
基于上述任一实施例，所述任一地块区域的周边地块区域是基于如下步骤确定的：
基于所述任一地块区域的面积确定距离筛选阈值；其中，所述任一地块区域的面积越小，所述距离筛选阈值越小；
筛选与所述任一地块区域的距离小于所述距离筛选阈值的地块区域作为所述任一地块区域的周边地块区域。
基于上述任一实施例，该装置还包括修正单元，用于：
基于再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值，调整第二类型和第三类型对应的开发度阈值；
其中，若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值小于第一修正阈值，则增大所述第二类型和所述第三类型对应的开发度阈值；若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值大于第二修正阈值，则减小所述第二类型和所述第三类型对应的开发度阈值；所述第一修正阈值小于所述第二修正阈值。
基于上述任一实施例，所述基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域，具体包括：
提取任一地块区域中各个子区域的子区域轮廓；
确定所述任一地块区域中各个子区域的子区域轮廓与各个预设开发区域轮廓之间的轮廓相似度；
若所述任一地块区域中任一子区域的子区域轮廓与至少一个预设开发区域轮廓之间的轮廓相似度大于等于轮廓相似度阈值，则确定所述任一子区域的子区域轮廓内的图像特征，并计算所述任一子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度；
若所述任一子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度大于等于图像相似度阈值，则确定所述任一子区域为已开发子区域。
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、存储器(memory)520、通信接口(Communications Interface)530和通信总线540，其中，处理器510，存储器520，通信接口530通过通信总线540完成相互间的通信。处理器510可以调用存储器520中的逻辑指令，以执行存量用地分析方法，该方法包括：对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域；针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域；基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度；基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
此外，上述的存储器520中的逻辑指令可以通过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该技术方案的部分可以以软件产品的形式体现出来，该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）执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的存量用地分析方法，该方法包括：对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域；针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域；基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度；基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的存量用地分析方法，该方法包括：对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域；针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域；基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度；基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种存量用地分析方法，其特征在于，包括：
对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域；
针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域；
基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度；
基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
2.根据权利要求1所述的存量用地分析方法，其特征在于，所述各个已开发子区域间的平均距离是基于如下步骤确定的：
确定所述各个已开发子区域的几何中心点，并将所述各个已开发子区域两两进行组合，得到多个子区域组合；
分别计算所述多个子区域组合中两个已开发子区域的几何中心点的距离；
求取所述多个子区域组合中两个已开发子区域的几何中心点的距离的平均值，得到所述各个已开发子区域间的平均距离；其中，当所述任一地块区域中的已开发子区域的数量为1时，所述各个已开发子区域间的平均距离被设定为0。
3.根据权利要求2所述的存量用地分析方法，其特征在于，所述基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度，具体包括：
当所述各个已开发子区域间的平均距离不为0时，确定所述任一地块区域中已开发子区域的数量和所述任一地块区域的面积之间的比例与调节系数的第一乘积，确定所述任一地块区域中已开发子区域的总面积和所述任一地块区域的最大边长的乘积与所述各个已开发子区域间的平均距离之间的第一比值，并确定所述第一乘积与所述第一比值的乘积，作为所述任一地块区域的开发度；
当所述各个已开发子区域间的平均距离为0时，确定所述任一地块区域中已开发子区域的数量、所述任一地块区域中已开发子区域的总面积和所述调节系数的第二乘积，并确定所述第二乘积与所述任一地块区域的面积之间的比值，作为所述任一地块区域的开发度。
4.根据权利要求1所述的存量用地分析方法，其特征在于，所述在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型，具体包括：
从所述任一地块区域的周边地块区域中筛选出开发度小于等于第二类型对应的开发度阈值的周边地块区域作为参考区域；
基于所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值，以及第一比例阈值和第二比例阈值进行再次分类，得到所述任一地块区域的用地类型；所述第一比例阈值小于所述第二比例阈值；
其中，若所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值小于等于所述第一比例阈值，则确定所述任一地块区域的用地类型为第三类型；
若所述参考区域的数量与所述任一地块区域的所有周边地块区域的开发度总和之间的比值大于所述第二比例阈值，则确定所述任一地块区域的用地类型为第二类型；
否则，基于所述参考区域的区域分散度对所述任一地块区域进行三次分类，得到所述任一地块区域的用地类型；其中，若所述参考区域的区域分散度小于等于预设分散度阈值，则确定所述任一地块区域的用地类型为第二类型。
5.根据权利要求4所述的存量用地分析方法，其特征在于，所述参考区域的区域分散度是基于如下步骤确定的：
分别确定所述任一地块区域与各个参考区域之间的边缘最短距离，并确定所述任一地块区域与各个参考区域之间的边缘最短距离的距离平均值和距离最小值；
确定各个参考区域两两之间的端点距离，并确定各个参考区域两两之间的端点距离的距离最大值；
基于所述距离最大值、所述距离最小值、所述参考区域的数量、所述距离平均值以及所述任一地块区域的周边地块区域总数，确定所述参考区域的区域分散度。
6.根据权利要求1所述的存量用地分析方法，其特征在于，所述任一地块区域的周边地块区域是基于如下步骤确定的：
基于所述任一地块区域的面积确定距离筛选阈值；其中，所述任一地块区域的面积越小，所述距离筛选阈值越小；
筛选与所述任一地块区域的距离小于所述距离筛选阈值的地块区域作为所述任一地块区域的周边地块区域。
7.根据权利要求1所述的存量用地分析方法，其特征在于，所述方法还包括：
基于再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值，调整第二类型和第三类型对应的开发度阈值；
其中，若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值小于第一修正阈值，则增大所述第二类型和所述第三类型对应的开发度阈值；若再次分类后确定得到的第三类型的地块区域的数量与地块区域的总数之间的比值大于第二修正阈值，则减小所述第二类型和所述第三类型对应的开发度阈值；所述第一修正阈值小于所述第二修正阈值。
8.根据权利要求1所述的存量用地分析方法，其特征在于，所述基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域，具体包括：
提取任一地块区域中各个子区域的子区域轮廓；
确定所述任一地块区域中各个子区域的子区域轮廓与各个预设开发区域轮廓之间的轮廓相似度；
若所述任一地块区域中任一子区域的子区域轮廓与至少一个预设开发区域轮廓之间的轮廓相似度大于等于轮廓相似度阈值，则确定所述任一子区域的子区域轮廓内的图像特征，并计算所述任一子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度；
若所述任一子区域的子区域轮廓内的图像特征与预设开发区域图像的图像特征之间的图像相似度大于等于图像相似度阈值，则确定所述任一子区域为已开发子区域。
9.一种存量用地分析装置，其特征在于，包括：
区域划分单元，用于对待分析用地的用地图像进行边缘提取，得到所述用地图像中的多个区域边缘，并基于所述多个区域边缘将所述用地图像切分为多个地块区域；
已开发区域提取单元，用于针对任一地块区域，基于预设开发区域轮廓以及所述任一地块区域中的各子区域轮廓，提取所述任一地块区域中的已开发子区域；
开发度计算单元，用于基于所述任一地块区域中的已开发子区域的数量和面积、各个已开发子区域间的平均距离以及所述任一地块区域的面积和最大边长，确定所述任一地块区域的开发度；
用地类型判定单元，用于基于所述任一地块区域的开发度以及各用地类型对应的开发度阈值对所述任一地块区域进行初始分类，得到所述任一地块区域的用地类型；其中，所述用地类型包括第一类型、第二类型和第三类型，在初始分类的过程中确定所述任一地块区域的开发度位于第二类型和第三类型对应的开发度阈值之间时，基于所述任一地块区域及其周边地块区域的开发度对所述任一地块区域进行再次分类，得到所述任一地块区域的用地类型。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述存量用地分析方法。
CN202310424472.9A 2023-04-20 2023-04-20 存量用地分析方法、装置和存储介质 Active CN116129202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310424472.9A CN116129202B (zh) 2023-04-20 2023-04-20 存量用地分析方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310424472.9A CN116129202B (zh) 2023-04-20 2023-04-20 存量用地分析方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN116129202A true CN116129202A (zh) 2023-05-16
CN116129202B CN116129202B (zh) 2023-06-09

Family

ID=86295947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310424472.9A Active CN116129202B (zh) 2023-04-20 2023-04-20 存量用地分析方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN116129202B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116469057A (zh) * 2023-06-15 2023-07-21 济宁明德环保科技有限公司 一种基于大数据的环境监测系统
CN116523275A (zh) * 2023-07-04 2023-08-01 河北润博星原科技发展有限公司 一种公共区域监控设备运维管理平台
CN117251770A (zh) * 2023-11-17 2023-12-19 北京新兴科遥信息技术有限公司 一种识别低效用地的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006154046A (ja) * 2004-11-26 2006-06-15 Katsuhiko Mima 土地データ管理システムおよびネットワークデータ照査システム
US20150071528A1 (en) * 2013-09-11 2015-03-12 Digitalglobe, Inc. Classification of land based on analysis of remotely-sensed earth images
CN109816581A (zh) * 2019-01-25 2019-05-28 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统
CN112949617A (zh) * 2021-05-14 2021-06-11 江西农业大学 农村道路类型识别方法、系统、终端设备及可读存储介质
US20210342962A1 (en) * 2009-08-31 2021-11-04 Leigh W Budlong System and method for standardizing and tracking land use utility
CN113762746A (zh) * 2021-08-25 2021-12-07 深圳市规划国土发展研究中心 一种存量用地再开发的规划识别方法及装置
CN113780057A (zh) * 2021-07-23 2021-12-10 贵州图智信息技术有限公司 一种闲置土地识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006154046A (ja) * 2004-11-26 2006-06-15 Katsuhiko Mima 土地データ管理システムおよびネットワークデータ照査システム
US20210342962A1 (en) * 2009-08-31 2021-11-04 Leigh W Budlong System and method for standardizing and tracking land use utility
US20150071528A1 (en) * 2013-09-11 2015-03-12 Digitalglobe, Inc. Classification of land based on analysis of remotely-sensed earth images
CN109816581A (zh) * 2019-01-25 2019-05-28 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统
CN112949617A (zh) * 2021-05-14 2021-06-11 江西农业大学 农村道路类型识别方法、系统、终端设备及可读存储介质
CN113780057A (zh) * 2021-07-23 2021-12-10 贵州图智信息技术有限公司 一种闲置土地识别方法及装置
CN113762746A (zh) * 2021-08-25 2021-12-07 深圳市规划国土发展研究中心 一种存量用地再开发的规划识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张亚飞;廖和平;李涛;张茜茜;龙辉;: "基于宗地尺度的土地集约利用潜力评价及存量用地挖潜研究――以重庆市渝北区为例", 西南大学学报(自然科学版), no. 02 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116469057A (zh) * 2023-06-15 2023-07-21 济宁明德环保科技有限公司 一种基于大数据的环境监测系统
CN116523275A (zh) * 2023-07-04 2023-08-01 河北润博星原科技发展有限公司 一种公共区域监控设备运维管理平台
CN117251770A (zh) * 2023-11-17 2023-12-19 北京新兴科遥信息技术有限公司 一种识别低效用地的方法
CN117251770B (zh) * 2023-11-17 2024-02-13 北京新兴科遥信息技术有限公司 一种识别低效用地的方法

Also Published As

Publication number Publication date
CN116129202B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN116129202B (zh) 存量用地分析方法、装置和存储介质
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
US10319096B2 (en) Automated tattoo recognition techniques
CN111640089B (zh) 一种基于特征图中心点的缺陷检测方法及装置
CN105975913B (zh) 一种基于自适应聚类学习的道路网提取的方法
CN106650812B (zh) 一种卫星遥感影像的城市水体提取方法
CN112560722B (zh) 一种飞机目标识别方法、装置、计算机设备和存储介质
EA004910B1 (ru) Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения
CN110826418B (zh) 脸部特征提取方法及装置
WO2014054042A1 (en) Device and method for detecting plantation rows
CN109741450B (zh) 一种基于扫描线的路面点云自动提取方法及装置
CN109583493A (zh) 一种基于深度学习的信用卡检测和数字识别方法
CN110874835B (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN114882306B (zh) 地形图比例尺鉴别方法、装置、存储介质及电子设备
JP2015197376A (ja) 摩耗検出装置、方法、及びプログラム
CN109086781A (zh) 一种基于深度学习的机柜灯状态识别方法
CN116342586A (zh) 基于机器视觉的路面质量检测方法
CN106548195A (zh) 一种基于改进型hog‑ulbp特征算子的目标检测方法
CN111428064B (zh) 小面积指纹图像快速索引方法、装置、设备及存储介质
CN113362286B (zh) 一种基于深度学习的自然资源要素变化检测方法
CN111753723B (zh) 一种基于密度校准的指纹识别方法及装置
CN111833289B (zh) 缺陷识别方法、装置和设备
CN113850252A (zh) 防振锤螺栓检测方法、装置和电子设备
CN112785550A (zh) 图像质量值确定方法、装置、存储介质及电子装置
CN117671496B (zh) 一种无人机应用成果自动比对方法

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