CN116363520B - 一种城市绿地规划用景观生态检测系统 - Google Patents
一种城市绿地规划用景观生态检测系统 Download PDFInfo
- Publication number
- CN116363520B CN116363520B CN202310643611.7A CN202310643611A CN116363520B CN 116363520 B CN116363520 B CN 116363520B CN 202310643611 A CN202310643611 A CN 202310643611A CN 116363520 B CN116363520 B CN 116363520B
- Authority
- CN
- China
- Prior art keywords
- pixel
- urban
- area
- remote sensing
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 50
- 230000008859 change Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 238000007726 management method Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种城市绿地规划用景观生态检测系统,涉及图像数据技术领域,本发明结合城市区域遥感图像中不同像素点位置处的数值差异变化情况计算构建得到不同像素点的重构特征值,通过对不同位置处像素点数值进行重构,对城市区域遥感图像中不同类别像素点特征进行凸显表征,便于后续对不同类别的像素点进行准确划分。进一步地,本发明根据重构特征值对像素点的窗口区域和扩展区域中分布特点进行计算,构建得到相应的同质差异特征数值,并结合该数值对传统聚类算法中初始聚类中心的选择方式进行优化改进。有效地规避了传统聚类算法中由于聚类中心选择不当导致后续聚类效果较差难以实现对城市绿地规划生态检测的准确性影响。
Description
技术领域
本发明涉及图像数据技术领域,具体为一种城市绿地规划用景观生态检测系统。
背景技术
城市绿地规划是一种城市综合部署管理和一定阶段城市发展的重要蓝图。随着城市居住人口和流动人口的动态变化,城市住建面积不断扩张,城市绿化环境受到破坏。而城市绿地作为城市整体生态环境的调节器,需要对城市绿地区域和变化情况进行及时地评估检测,避免城市绿地受到大规模破坏导致对城市的生态环境造成较大破坏,从而对应城市生活质量和生态文明建设造成较大的影响。
在城市绿地规划中,景观生态检测系统是一个重要的工具,它可以帮助城市规划者更好地理解和评估城市绿地的健康状态、功能和服务。该系统主要基于遥感技术,包括无人机和卫星图像,以收集关于城市绿地的详细信息。通过收集图像,并且对图像数据处理在城市绿地规划中的景观生态检测系统中起着至关重要的作用,因为它提供了关于城市绿地的详细和准确的信息,从而帮助做出更好的规划和管理决策。
然而现在对于传统聚类算法中由于聚类中心设置不当,导致最终聚类收敛效果较差,不能精确的的反应城市规划过程中绿地演变情况,最终造成城市规划生态检测的精确性效果较差。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种城市绿地规划用景观生态检测系统。本发明结合城市区域遥感图像中不同像素点位置处的数值差异变化情况计算构建得到不同像素点的重构特征值,通过对不同位置处像素点数值进行重构,对城市区域遥感图像中不同类别像素点特征进行凸显表征,便于后续对不同类别的像素点进行准确划分。进一步地,本发明根据重构特征值/>对像素点的窗口区域和扩展区域中分布特点进行计算,构建得到相应的同质差异特征/>数值,并结合该数值对传统聚类算法中初始聚类中心的选择方式进行优化改进。有效地规避了传统聚类算法中由于聚类中心选择不当导致后续聚类效果较差难以实现对城市绿地规划生态检测的准确性影响。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种城市绿地规划用景观生态检测系统,包括数据收集模块和与其通信连接的数据处理模块;所述数据收集模块,采取高分二号卫星对待检测的城市区域进行拍摄,用于采集待检测的城市区域进行拍摄的遥感图像,进而获取若干个对应城市区域的遥感图像;
所述数据处理模块,将获取到的若干个对应城市区域的遥感图像,对其进行灰度图像进一步计算后,根据聚类结果对城市区域遥感图像进行检测分析;
所述数据处理模块具体包括:
数据预处理单元:包括对若干个相对应城市区域的遥感图像进行噪声消减、图像剪裁和几何矫正处理步骤;
特征提取单元:识别预处理后的遥感图像,并量化图像中的关键特征,设置若干个聚类中心,计算城市区域遥感图像中不同像素点的表面特征,获取像素点重构系数和重构特征值/>;
差异特征计算单元:依据像素点重构系数和重构特征值/>进一步计算得到同质差异特征/>;
优化聚类单元:依据同质差异特征优化选取聚类中心进行聚类获得聚类结果,计算获取到像素点同质密度数值/>;
检测分析单元:依据聚类结果中的像素点同质密度数值检测分析,获取城市绿地规划动态变化指数/>。
优选地:所述数据预处理单元通过获取若干个对应城市区域的遥感图像,设置采用傅里叶带通滤波器对采集获取得到的城市区域遥感图像进行处理;
同时,使用直方图均衡化算法对其图像进行优化处理,得到细节特征保留清晰、亮度分布均匀的城市区域遥感图像。
优选地:沿着时间轴,获取不同位置区域的规划情况,随着时间轴的变化值,取某个固定时间段T内的城市区域遥感图像进行分析,设置第个时刻下的城市区域遥感图像为,进行计算;
在遥感图像中,像素点处的灰度数据为/>,以该像素点/>为中心大小为/>,/>取经验值为7,构成局部窗口区域;
对局部窗口区域中不同位置处的像素点进行计算分析,设置与中心像素点位置处像素点数值在同一重构区间/>的像素点数量记为/>,其中/>取经验值为10;通过以下公式计算获取像素点/>位置处的重构系数/>数值:
式中:表示以像素点/>为中心的局部窗口区域中,除去/>的剩余像素点个数;/>表示了对应局部窗口区域中不同像素点位置处的下标索引;/>表示该局部窗口区域中第/>个像素点位置处的城市区域遥感图像的像素点数值大小;/>分别表示对应像素点区域中的最大和最小像素点数值;
其中,为了避免数值计算的极端情况,引入微小因子;/>为归一化函数,使计算结果位于区间/>上,通过式中计算得到像素点/>位置处的重构系数/>的数值大小。
优选地:令重构阈值,通过以下公式对像素点/>位置处的像素点数值进行优化重构,计算得到的重构特征值为/>:
式中,表示像素点/>位置处的重构特征值,/>表示像素点/>位置处的重构系数,/>表示重构阈值。
优选地:所述差异特征计算单元计算步骤如下:
为了提高后续对城市区域遥感图像中绿地像素点区域划分的准确性,以像素点所在的局部窗口区域向周围延伸扩展得到四个其它局部窗口区域,对于像素点/>为中心的局部窗口区域中,不同像素点位置处的重构特征值计算获取得到相应的重构特征序列;
,其中/>;为了优化计算,局部窗口区域的重构特征序列的数值为像素点/>构成的局部窗口区域在行和列中的最大重构特征值和最小重构特征值的差值;同理,对应像素点/>向周围扩展的四个不同其它局部窗口区域计算得到相应的重构特征序列;
基于相应的重构特征序列,通过以下公式计算获得同质差异特征的数值:
式中,表示像素点/>位置处的同质差异特征数值,/>表示了像素点/>为中心的局部窗口区域中向外扩展的四个其它局部窗口区域;/>为这四个其它局部窗口区域的下标索引;/>表示了两个重构特征序列之间的相似性,DTW对两个不同序列采用欧式距离进行计算;
为像素点/>为中心的局部窗口区域中重构特征数值的第一质心坐标信息,/>为以像素点/>为中心的局部窗口区域的第二形心坐标信息;/>表示第一质心坐标信息和第二形心坐标信息之间相似性计算函数。
优选地:所述优化聚类单元用于对于城市区域遥感图像中划分为两种不同的类别,分别为绿地区域像素点类和非绿地城市区域像素点类;对于不同的类中心像素点具有如下特征:聚类中心的覆盖半径区域中同类像素点的密度最大;通过以下公式计算同质密度数值:
式中,表示像素点/>位置处的同质密度数值,/>为覆盖截止半径,取经验值/>,表示以像素点/>为中心构成的覆盖截止半径区域中,与中心像素点/>在同质差异特征/>差距在/>置信区间上的所有像素点的总个数;/>与/>分别表示了对应覆盖截止半径区域中像素点/>和像素点/>的坐标特征信息,/>表示计算/>与/>之间的相似性;
对图像中不同位置处的像素点均计算得到同质密度数值的数值,将不同位置处的像素点数值从大到小进行排列,取最大的两个同质密度数值的像素点作为初始聚类中心,使用ISODATA算法进行聚类。
优选地:所述检测分析单元进行计算分析若干个间段内的城市区域遥感图像,获取得到不同时刻下城市区域遥感图像的绿地区域,优选地:所述检测分析单元进行计算分析若干个间段/>内的城市区域遥感图像,获取得到不同时刻下城市区域遥感图像的绿地区域,为/>,依据绿地区域/>,通过以下公式计算获取城市绿地规划动态变化指数/>:
式中,Q表示固定时间段T内的城市绿地规划动态变化指数,为/>时刻下城市区域遥感图像中通过计算获取得到的绿地区域的像素点面积,其具体计算过程为划分得到的绿地区域中像素点的数量。
(三)有益效果
本发明提供了一种城市绿地规划用景观生态检测系统。具备以下有益效果:
(1)该一种城市绿地规划用景观生态检测系统,本发明结合城市区域遥感图像中不同像素点位置处的数值差异变化情况计算构建得到不同像素点的重构特征值,通过对不同位置处像素点数值进行重构,对城市区域遥感图像中不同类别像素点特征进行凸显表征,便于后续对不同类别的像素点进行准确划分。进一步地,本发明根据重构特征值/>对像素点的窗口区域和扩展区域中分布特点进行计算,构建得到相应的同质差异特征/>数值,并结合该数值对传统聚类算法中初始聚类中心的选择方式进行优化改进。有效地规避了传统聚类算法中由于聚类中心选择不当导致后续聚类效果较差难以实现对城市绿地规划生态检测的准确性影响。
(2)该一种城市绿地规划用景观生态检测系统,随着时间轴的变化,通过分析不同时间点的城市区域遥感图像,可以获取不同位置区域的规划情况。这可以帮助我们了解城市发展的变化趋势,评估不同区域的发展速度和绿地变化情况。通过构建局部窗口区域,以像素点为中心并设定一定大小,可以在局部范围内进行像素点的计算分析。这可以帮助我们关注特定区域的细节特征,捕捉局部变化和绿地规划情况。通过计算局部窗口区域中不同位置处的像素点的重构系数,可以评估像素点的同质性和差异性。重构系数/>可以量化像素点与周围像素点的关联性和相似性,提供了绿地的空间连续性和分布模式的信息。通过统计局部窗口区域中与中心像素点位置处像素点数值在同一重构区间的像素点数量,可以揭示不同区域的绿地分布特征。这有助于确定绿地的密度和分布情况,并提供有关城市绿地规划的信息。
(3)该一种城市绿地规划用景观生态检测系统,通过优化重构并计算重构特征值,可以定量化绿地区域的特征。重构特征值/>反映了像素点所在局部窗口区域中像素点分布的情况和与中心像素点的差异程度。这可以帮助我们量化绿地区域的内部一致性和与周围地物的差异性。通过计算重构特征值/>,可以辅助绿地区域的识别和划分。较大的重构特征值/>表明像素点所在区域具有较好的同质性和绿地特征,有助于确定绿地边界和识别绿地区域;重构特征值/>可以作为评估绿地区域的可信度度量。较大的重构特征值表示像素点所在区域的绿地特征较为显著,具有较高的绿地可能性。这可以帮助评估绿地区域的可靠性和确定性。
(4)该一种城市绿地规划用景观生态检测系统,差异特征计算单元通过局部窗口区域的扩展分析、重构特征序列的计算和同质差异特征的数值计算,可以实现更准确的绿地像素点区域划分和特征分析。有助于绿地规划和管理决策的支持,并提供更深入地理解和评估城市绿地的特征和变化。通过优化聚类单元可以根据同质密度数值选择合适的聚类中心,并使用ISODATA算法对城市区域遥感图像进行聚类。这有助于准确划分绿地区域和非绿地城市区域,并提供可靠的聚类结果用于城市绿地规划和管理决策。
附图说明
图1为本发明城市绿地规划用景观生态检测系统流程框图示意图;
图2为本发明实施例4中举例的以像素点为中心的四个窗口区域示意图。
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做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1
在城市绿地规划中,景观生态检测系统是一个重要的工具,它可以帮助城市规划者更好地理解和评估城市绿地的健康状态、功能和服务。该系统主要基于遥感技术,包括无人机和卫星图像,以收集关于城市绿地的详细信息。通过收集图像,并且对图像数据处理在城市绿地规划中的景观生态检测系统中起着至关重要的作用,因为它提供了关于城市绿地的详细和准确的信息,从而帮助做出更好的规划和管理决策。
然而现在对于传统聚类算法中由于聚类中心设置不当,导致最终聚类收敛效果较差,不能精确的的反应城市规划过程中绿地演变情况,最终造成城市规划生态检测的精确性效果较差。
本发明提供一种城市绿地规划用景观生态检测系统,请参阅图1,包括数据收集模块和与其通信连接的数据处理模块;所述数据收集模块,采取高分二号卫星对待检测的城市区域进行拍摄,用于采集待检测的城市区域进行拍摄的遥感图像,进而获取若干个对应城市区域的遥感图像;
所述数据处理模块,将获取到的若干个对应城市区域的遥感图像,对其进行灰度图像进一步计算后,根据聚类结果对城市区域遥感图像进行检测分析;采集获取得到的图像质量会对后续进一步计算分析有较大的影响,为了避免后续计算精确程度的影响,使用高分二号卫星对待检测的城市区域进行拍摄。获取得到的对应城市区域的遥感图像。
所述数据处理模块具体包括:
数据预处理单元:包括对若干个相对应城市区域的遥感图像进行噪声消减、图像剪裁和几何矫正处理步骤;所述数据预处理单元通过获取若干个对应城市区域的遥感图像,设置采用傅里叶带通滤波器对采集获取得到的城市区域遥感图像进行处理;通过去除图像中的噪声,可以提高后续特征提取和聚类过程的准确性和可靠性;通过选择感兴趣的区域,可以减少处理的数据量,提高处理效率,并确保只分析关键的城市区域;同时,为了提高城市区域遥感图像的质量需要对其图像中的亮度分布进行纠正,使用直方图均衡化算法对其图像进行优化处理,得到细节特征保留清晰,亮度分布较为均匀的城市区域遥感图像;通过纠正图像中的几何变换,例如视角和扭曲,可以确保后续分析的准确性和一致性,避免由于几何变换引起的误差;
特征提取单元:识别预处理后的遥感图像,并量化图像中的关键特征,设置若干个聚类中心,计算城市区域遥感图像中不同像素点的表面特征,获取像素点重构系数和重构特征值/>;通过特征提取单元计算像素点的重构系数/>和重构特征值/>,可以提取图像的潜在特征表示。这些重构系数和特征值可以帮助我们了解图像中的关键模式和结构信息,进一步分析和解释图像数据。
差异特征计算单元:依据像素点重构系数和重构特征值/>进一步计算得到同质差异特征/>;通过计算同质差异特征,可以量化像素点之间的同质性和差异性。同质性表示相似的像素点聚集在一起的程度,差异性表示不同聚类簇之间的差异程度。这可以帮助我们更好地理解和描述不同绿地类型的空间分布和特征;通过差异特征/>计算,可以帮助识别不同绿地类型的聚类簇,并确定它们之间的边界。这有助于准确划分绿地类型、识别绿地边界以及理解不同绿地类别的空间关系。
优化聚类单元:依据同质差异特征优化选取聚类中心进行聚类获得聚类结果,计算获取到像素点同质密度数值/>;通过优化选取聚类中心,可以增加簇之间的差异性,即提高簇间的差异性。这可以使得不同簇之间的像素点更具区分性,有助于准确划分不同的绿地类型和其他地物。通过计算像素点的同质密度数值/>,可以量化簇内的同质性。这可以帮助评估每个像素点所属簇的密度,进而揭示城市绿地的空间分布和密集程度。通过差异特征/>的计算,可以比较不同时间点或不同区域的差异特征,进而揭示绿地的动态变化情况。这有助于监测和评估城市绿地的变化趋势,为绿地规划和管理提供动态的信息。
检测分析单元:依据聚类结果中的像素点同质密度数值检测分析,获取城市绿地规划动态变化指数/>。
本实施例中,通过将预处理后的遥感图像,通过特征提取单元、差异特征计算单元和优化聚类单元进行计算后,获取到遥感图像像素点同质密度数值,进而对像素点同质密度数值/>进行分析获取城市绿地规划动态变化指数/>,在特征提取单元中,通过合理设置聚类中心,可以提高聚类算法的稳定性,即在多次运行中得到一致的聚类结果,适当设置聚类中心可以提高聚类算法的性能,使其更有可能收敛到全局最优解。这可以得到更准确、可靠的聚类结果,更好地划分数据集中的不同群组,通过优化聚类单元计算像素点的同质密度数值/>,可以量化簇内的同质性和差异性,识别绿地类型和边界、评估绿地质量和健康状况、支持绿地规划和管理决策,以及揭示绿地的动态变化。这些效果可以提供对城市绿地的深入理解和分析,为可持续的城市绿地发展提供支持。
实施例2
本实施例是在实施例1中进行的详细解释,请参照图1-图2,具体的:
沿着时间轴,获取不同位置区域的规划情况,随着时间轴的变化值,取某个固定时间段T内的城市区域遥感图像进行分析,设置第个时刻下的城市区域遥感图像为/>,进行计算;
在遥感图像中,像素点处的灰度数据为/>,以该像素点/>为中心大小为/>,/>取经验值为7,构成局部窗口区域;
对局部窗口区域中不同位置处的像素点进行计算分析,设置与中心像素点位置处像素点数值在同一重构区间/>的像素点数量记为/>,其中/>取经验值为10;通过以下公式计算获取像素点/>位置处的重构系数/>数值:
式中:表示以像素点/>为中心的局部窗口区域中,除去/>的剩余像素点个数;/>表示了对应局部窗口区域中不同像素点位置处的下标索引;/>表示该局部窗口区域中第/>个像素点位置处的城市区域遥感图像的像素点数值大小;/>分别表示对应像素点区域中的最大和最小像素点数值;
其中,为了避免数值计算的极端情况,引入微小因子;/>为归一化函数,使计算结果位于区间/>上,通过式中计算得到像素点/>位置处的重构系数/>的数值大小。
本实施例中,随着时间轴的变化,通过分析不同时间点的城市区域遥感图像,可以获取不同位置区域的规划情况。这可以帮助我们了解城市发展的变化趋势,评估不同区域的发展速度和绿地变化情况。通过构建局部窗口区域,以像素点为中心并设定一定大小,可以在局部范围内进行像素点的计算分析。这可以帮助我们关注特定区域的细节特征,捕捉局部变化和绿地规划情况。通过计算局部窗口区域中不同位置处的像素点的重构系数,可以评估像素点的同质性和差异性。重构系数/>可以量化像素点与周围像素点的关联性和相似性,提供了绿地的空间连续性和分布模式的信息。通过统计局部窗口区域中与中心像素点位置处像素点数值在同一重构区间的像素点数量,可以揭示不同区域的绿地分布特征。这有助于确定绿地的密度和分布情况,并提供有关城市绿地规划的信息。
实施例3
本实施例是在实施例2中进行的详细解释,请参照图1-图2,具体的:
令重构阈值,通过以下公式对像素点/>位置处的像素点数值进行优化重构,计算得到的重构特征值为/>:
式中,当像素点位于城市区域遥感图像的绿地区域时,对像素点/>所在的局部窗口区域中的像素点的分布情况进行计算;当局部区域中,与中心像素点/>为中心的其他像素点的差异较为明显时,对应像素点/>位置处的重构系数/>的数值会相应增大;同时,当像素点/>所在的局部区域中与像素点/>数值大小处于同一重构区间的个数越多,说明像素点/>位置处为绿地区域的可能性越大,此时计算得到的像素点/>位置处的重构特征/>的数值也会越大;
反之,当对应区域中与像素点处于同一重构区间的像素点数量小于重构阈值时,此时计算得到的重构特征/>的数值会相对较小。
通过上述公式对像素点位置处的数值进行重构计算,凸显在城市区域遥感图像中绿地区域像素点和非绿地区域中不同像素点的变化特征情况,为后续进一步对城市区域遥感图像中绿地区域进行有效划分提供相应的计算依据。
假设像素点位于城市区域遥感图像的非绿地区域时,通过上述步骤分析计算得到的该像素点的重构特征数值也会相应较大,但由于本发明基于原始数值/>进行重构,两个不同区域的数值会出现较为明显的不同。由于绿地区域植被的覆盖导致对应区域的像素点数值相较于正常城市区域的像素点数值会相应较小。
本实施例中,通过优化重构并计算重构特征值,可以定量化绿地区域的特征。重构特征值/>反映了像素点所在局部窗口区域中像素点分布的情况和与中心像素点的差异程度。这可以帮助我们量化绿地区域的内部一致性和与周围地物的差异性。通过计算重构特征值/>,可以辅助绿地区域的识别和划分。较大的重构特征值/>,可以辅助绿地区域的识别和划分。较大的重构特征值/>可以作为评估绿地区域的可信度度量。较大的重构特征值表示像素点所在区域的绿地特征较为显著,具有较高的绿地可能性。这可以帮助评估绿地区域的可靠性和确定性。
实施例4
本实施例是在实施例3中进行的详细解释,请参照图1-图2,具体的:
所述差异特征计算单元计算步骤如下:
为了提高后续对城市区域遥感图像中绿地像素点区域划分的准确性效果,以像素点所在的区域向周围延伸扩展成四个区域,请参照图2,对这些区域中的像素点数值特点进行进一步计算分析,对于像素点/>为中心的窗口区域中,不同像素点位置处的重构特征值计算获取得到相应的重构特征序列;
,其中/>是为了优化计算,窗口区域的重构特征序列的数值为像素点/>构成的局部窗口区域在行和列中的最大重构特征值和最小重构特征值的差值;同理,对应像素点/>向周围扩展的四个不同局部区域计算得到相应的重构特征序列;
基于相应的重构特征序列,通过以下公式计算获得同质差异特征的数值:
式中,表示了像素点/>为中心的具备窗口区域中向外扩展的四个不同局部窗口区域;/>为这四个不同窗口区域的下标索引/>;表示了两个重构特征序列之间的相似性,DTW对两个不同序列采用欧式距离进行计算;
为像素点/>为中心的窗口中重构特征数值的第一质心坐标信息,/>为以像素点/>为中心的局部窗口的第二形心坐标信息;/>表示第一质心坐标信息和第二形心坐标信息之间相似性计算函数;
通过上述公式计算得到像素点位置处的同质差异特征数值/>的大小,当像素点/>及其周围不同像素点同为城市绿地像素点类时,对应窗口区域内部中的像素点的重构特征数值之间的差异较小,因此第一质心坐标信息和第二形心坐标信息之间的差异越小;同时对于像素点/>为中心的外部扩展像素点区域中构成的重构特征序列之间的差异特征也会较小;因此,此时计算得到的同质差异特征/>的数值也会相对较小。
本实施例中,通过将像素点所在的区域向周围延伸扩展成四个区域,可以获得更广泛的局部窗口区域。这有助于获取更全面和准确的像素点特征信息,并提高对绿地像素点区域的划分准确性;通过计算不同像素点位置处的重构特征值并生成相应的重构特征序列,可以提取出区域内像素点的关键特征。这可以帮助理解区域内的绿地特征和差异,并为后续的同质差异特征计算提供基础;通过计算得到的同质差异特征数值,可以区分绿地和非绿地像素点。较小的同质差异特征数值/>表明像素点及其周围的像素点属于同一类别,有助于确定绿地像素点的空间分布和边界;通过引入局部窗口区域的扩展和重构特征的计算,可以优化城市区域遥感图像的分析效果。这可以提高对绿地区域的检测和定量化分析的准确性,为城市绿地规划和管理决策提供更可靠的数据支持。
差异特征计算单元通过局部窗口区域的扩展分析、重构特征序列的计算和同质差异特征的数值计算,可以实现更准确的绿地像素点区域划分和特征分析。有助于绿地规划和管理决策的支持,并提供更深入地理解和评估城市绿地的特征和变化。
实施例5
本实施例是在实施例4中进行的详细解释,请参照图1-图2,具体的:
所述优化聚类单元用于对于城市区域遥感图像中划分为两种不同的类别,分别为绿地区域像素点类和非绿地城市区域像素点类;对于不同的类中心像素点应具有如下特征:聚类中心的覆盖半径区域中同类像素点的密度应最大;通过以下公式计算同质密度数值:
式中:为覆盖截止半径,取经验值/>,/>表示以像素点/>为中心构成的截至区域中,与中心像素点/>在同质差异特征/>差距在/>置信区间上的所有像素点的总个数;分别表示了对应覆盖截止半径区域中像素点/>和像素点/>的坐标特征信息;
通过上述公式计算得到像素点位置处的同质密度数值/>的大小;当覆盖截止半径区域中与像素点/>的同质差异性特征数量较多,且距离较近时,此时计算得到的像素点/>处的同质密度/>的数值会较大,位置/>处的像素点有较大可能为聚类中心像素点;对图像中不同位置处的像素点均计算得到同质密度数值/>的数值,将不同位置处的像素点数值从大到小进行排列,取最大的两个同质密度数值的像素点作为初始聚类中心,使用ISODATA算法进行聚类,其中ISODATA具体聚类过程中为公知技术,在此不再赘述。
本实施例中,通过优化聚类单元可以根据同质密度数值选择合适的聚类中心,并使用ISODATA算法对城市区域遥感图像进行聚类。这有助于准确划分绿地区域和非绿地城市区域,并提供可靠的聚类结果用于城市绿地规划和管理决策。
实施例6
本实施例是在实施例5中进行的详细解释,请参照图1-图2,具体的:
所述检测分析单元进行计算分析若干个间段内的城市区域遥感图像,获取得到不同时刻下城市区域遥感图像的绿地区域,设置第/>个时刻下的城市区域遥感图像中聚类获取得到的绿地区域记为/>,第/>个时刻下的城市区域遥感图像中聚类获取得到的绿地区域记为/>,依据绿地区域/>,通过以下公式计算获取城市绿地规划动态变化指数/>:
式中,为/>时刻下城市区域遥感图像中通过计算获取得到的绿地区域的像素点面积,其具体计算过程为划分得到的绿地区域中像素点的数量;通过上述公式计算得到时间段/>内的城市绿地规划动态变化指数的/>数值大小,当城市规划过程中,原有绿地受到破坏,绿地面积会不断减小,此时计算得到城市绿地规划动态变化指数会相应减小;当小于经验阈值0.6,认为这段时间内城市规划不合理,造成原有的绿地景观受到破坏,生态环境受到一定程度的影响。
本实施例中,通过检测分析单元计算得到的城市绿地规划动态变化指数的大小,可以用于评估城市绿地规划的合理性和绿地面积的变化情况。这有助于发现规划不合理的情况,提供数据支持和参考,以保护和改善城市的绿地环境。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种城市绿地规划用景观生态检测系统,其特征在于:包括数据收集模块和与其通信连接的数据处理模块;所述数据收集模块,采取高分二号卫星对待检测的城市区域进行拍摄,用于采集待检测的城市区域进行拍摄的遥感图像,进而获取若干个对应城市区域的遥感图像;
所述数据处理模块,将获取到的若干个对应城市区域的遥感图像,对其进行灰度图像进一步计算后,根据聚类结果对城市区域遥感图像进行检测分析;
所述数据处理模块具体包括:
数据预处理单元:包括对若干个相对应城市区域的遥感图像进行噪声消减、图像剪裁和几何矫正处理步骤;
特征提取单元:识别预处理后的遥感图像,并量化图像中的关键特征,设置若干个聚类中心,计算城市区域遥感图像中不同像素点的表面特征,获取像素点重构系数和重构特征值/>;
差异特征计算单元:依据像素点重构系数和重构特征值/>进一步计算得到同质差异特征/>;
优化聚类单元:依据同质差异特征优化选取聚类中心进行聚类获得聚类结果,计算获取到像素点同质密度数值/>;
检测分析单元:依据聚类结果中的像素点同质密度数值检测分析,获取城市绿地规划动态变化指数/>;
沿着时间轴,获取不同位置区域的规划情况,随着时间轴的变化值,取某个固定时间段T内的城市区域遥感图像进行分析,设置第个时刻下的城市区域遥感图像为/>,进行计算;
在遥感图像中,像素点处的灰度数据为/>,以该像素点/>为中心大小为/>,/>取经验值为7,构成局部窗口区域;
对局部窗口区域中不同位置处的像素点进行计算分析,设置与中心像素点位置处像素点数值在同一重构区间/>的像素点数量记为/>,其中/>取经验值为10;通过以下公式计算获取像素点/>位置处的重构系数/>数值:
式中:表示以像素点/>为中心的局部窗口区域中,除去/>的剩余像素点个数;/>表示了对应局部窗口区域中不同像素点位置处的下标索引;/>表示该局部窗口区域中第/>个像素点位置处的城市区域遥感图像的像素点数值大小;/>分别表示对应像素点区域中的最大和最小像素点数值;
其中,为了避免数值计算的极端情况,引入微小因子;/>为归一化函数,使计算结果位于区间/>上,通过式中计算得到像素点/>位置处的重构系数/>的数值大小;
令重构阈值,通过以下公式对像素点/>位置处的像素点数值进行优化重构,计算得到的重构特征值为/>:
式中,表示像素点/>位置处的重构特征值,/>表示像素点/>位置处的重构系数,/>表示重构阈值;
所述差异特征计算单元计算步骤如下:
为了提高后续对城市区域遥感图像中绿地像素点区域划分的准确性,以像素点所在的局部窗口区域向周围延伸扩展得到四个其它局部窗口区域,对于像素点/>为中心的局部窗口区域中,不同像素点位置处的重构特征值计算获取得到相应的重构特征序列;
,其中/>;为了优化计算,局部窗口区域的重构特征序列的数值为像素点/>构成的局部窗口区域在行和列中的最大重构特征值和最小重构特征值的差值;同理,对应像素点/>向周围扩展的四个不同其它局部窗口区域计算得到相应的重构特征序列;
基于相应的重构特征序列,通过以下公式计算获得同质差异特征的数值:
式中,表示像素点/>位置处的同质差异特征数值,/>表示了像素点/>为中心的局部窗口区域中向外扩展的四个其它局部窗口区域;/>为这四个其它局部窗口区域的下标索引;表示了两个重构特征序列之间的相似性,DTW对两个不同序列采用欧式距离进行计算;
为像素点/>为中心的局部窗口区域中重构特征数值的第一质心坐标信息,/>为以像素点/>为中心的局部窗口区域的第二形心坐标信息;/>表示第一质心坐标信息和第二形心坐标信息之间相似性计算函数。
2.根据权利要求1所述的一种城市绿地规划用景观生态检测系统,其特征在于:所述数据预处理单元通过获取若干个对应城市区域的遥感图像,设置采用傅里叶带通滤波器对采集获取得到的城市区域遥感图像进行处理;
同时,使用直方图均衡化算法对其图像进行优化处理,得到细节特征保留清晰、亮度分布均匀的城市区域遥感图像。
3.根据权利要求1所述的一种城市绿地规划用景观生态检测系统,其特征在于:所述优化聚类单元用于对于城市区域遥感图像中划分为两种不同的类别,分别为绿地区域像素点类和非绿地城市区域像素点类;对于不同的类中心像素点具有如下特征:聚类中心的覆盖半径区域中同类像素点的密度最大;通过以下公式计算同质密度数值:
式中,表示像素点/>位置处的同质密度数值,/>为覆盖截止半径,取经验值/>,/>表示以像素点/>为中心构成的覆盖截止半径区域中,与中心像素点/>在同质差异特征/>差距在/>置信区间上的所有像素点的总个数;/>与/>分别表示了对应覆盖截止半径区域中像素点/>和像素点/>的坐标特征信息,/>表示计算/>与/>之间的相似性;
对图像中不同位置处的像素点均计算得到同质密度数值的数值,将不同位置处的像素点数值从大到小进行排列,取最大的两个同质密度数值的像素点作为初始聚类中心,使用ISODATA算法进行聚类。
4.根据权利要求3所述的一种城市绿地规划用景观生态检测系统,其特征在于:所述检测分析单元进行计算分析若干个间段内的城市区域遥感图像,获取得到不同时刻下城市区域遥感图像的绿地区域,设置第/>个时刻下的城市区域遥感图像中聚类获取得到的绿地区域记为/>,依据绿地区域/>,通过以下公式计算获取城市绿地规划动态变化指数/>:
式中,Q表示固定时间段T内的城市绿地规划动态变化指数,为/>时刻下城市区域遥感图像中通过计算获取得到的绿地区域的像素点面积,其具体计算过程为划分得到的绿地区域中像素点的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643611.7A CN116363520B (zh) | 2023-06-02 | 2023-06-02 | 一种城市绿地规划用景观生态检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643611.7A CN116363520B (zh) | 2023-06-02 | 2023-06-02 | 一种城市绿地规划用景观生态检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116363520A CN116363520A (zh) | 2023-06-30 |
CN116363520B true CN116363520B (zh) | 2023-08-04 |
Family
ID=86909822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310643611.7A Active CN116363520B (zh) | 2023-06-02 | 2023-06-02 | 一种城市绿地规划用景观生态检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363520B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116709400B (zh) * | 2023-07-31 | 2023-10-13 | 南京元时空地理信息技术有限公司 | 基于云技术的城市地理信息公共服务系统 |
CN116778520B (zh) * | 2023-08-11 | 2023-11-10 | 山东省大数据中心 | 一种海量证照数据质量检验方法 |
CN116777911A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市华盛源机电有限公司 | 一种基于图像识别的双基板散热器表面缺陷检测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN109191418A (zh) * | 2018-06-22 | 2019-01-11 | 西安电子科技大学 | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 |
CN109559055A (zh) * | 2018-12-05 | 2019-04-02 | 中国农业大学 | 城市绿地规划的景观生态效能评价方法 |
CN112561393A (zh) * | 2020-12-25 | 2021-03-26 | 南京林业大学 | 一种城市中心城区公园绿地生态网络评价系统及方法 |
CN114463173A (zh) * | 2022-01-07 | 2022-05-10 | 武汉大学 | 一种基于超像素分割的高光谱遥感图像子图重构方法 |
CN114612787A (zh) * | 2022-03-21 | 2022-06-10 | 南京市测绘勘察研究院股份有限公司 | 一种尺度变化策略支持的城市绿地深度学习提取方法 |
CN116167668A (zh) * | 2023-04-26 | 2023-05-26 | 山东金至尊装饰工程有限公司 | 基于bim的绿色节能建筑施工质量评价方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9092692B2 (en) * | 2012-09-13 | 2015-07-28 | Los Alamos National Security, Llc | Object detection approach using generative sparse, hierarchical networks with top-down and lateral connections for combining texture/color detection and shape/contour detection |
CN110765941B (zh) * | 2019-10-23 | 2022-04-26 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
-
2023
- 2023-06-02 CN CN202310643611.7A patent/CN116363520B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN109191418A (zh) * | 2018-06-22 | 2019-01-11 | 西安电子科技大学 | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 |
CN109559055A (zh) * | 2018-12-05 | 2019-04-02 | 中国农业大学 | 城市绿地规划的景观生态效能评价方法 |
CN112561393A (zh) * | 2020-12-25 | 2021-03-26 | 南京林业大学 | 一种城市中心城区公园绿地生态网络评价系统及方法 |
CN114463173A (zh) * | 2022-01-07 | 2022-05-10 | 武汉大学 | 一种基于超像素分割的高光谱遥感图像子图重构方法 |
CN114612787A (zh) * | 2022-03-21 | 2022-06-10 | 南京市测绘勘察研究院股份有限公司 | 一种尺度变化策略支持的城市绿地深度学习提取方法 |
CN116167668A (zh) * | 2023-04-26 | 2023-05-26 | 山东金至尊装饰工程有限公司 | 基于bim的绿色节能建筑施工质量评价方法及系统 |
Non-Patent Citations (1)
Title |
---|
GF-2在城市绿地分类及景观格局度量中的应用;汪雪淼;孟庆岩;赵少华;李娟;张琳琳;陈旭;;地球信息科学学报(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116363520A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116363520B (zh) | 一种城市绿地规划用景观生态检测系统 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN109584209B (zh) | 血管壁斑块识别设备、系统、方法及存储介质 | |
CN111797744B (zh) | 一种基于共现滤波算法的多模态遥感图像匹配方法 | |
CN112733800B (zh) | 基于卷积神经网络的遥感图像道路信息提取方法和装置 | |
CN112508901B (zh) | 一种水下结构病害识别方法、系统、装置及存储介质 | |
CN112765556B (zh) | 一种基于密集时间遥感数据的新生红树林树龄评估方法 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN117173590A (zh) | 一种基于多源时序遥感影像的水体异常监测方法 | |
CN117665935A (zh) | 一种破碎岩体支护施工过程的监测数据处理方法 | |
CN114332570B (zh) | 基于cdl深度学习进行作物迁移分类的方法和系统 | |
CN114782455B (zh) | 一种用于农机嵌入式设备的棉花行中心线图像提取方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN112418313B (zh) | 一种大数据在线噪声过滤系统与方法 | |
CN114596490A (zh) | 丘陵地形特征线提取方法、丘陵地dem精细化生产方法 | |
CN114240940A (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN111368872A (zh) | 基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法 | |
CN116453117B (zh) | 一种图像解译图斑定位与精度评估方法 | |
CN117649415B (zh) | 基于光流图检测的细胞均衡度分析方法 | |
CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 | |
CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 | |
CN112862804B (zh) | 一种眼底视网膜血管图像处理系统及方法 |
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 |