CN116611725A - 一种基于绿色生态指标的土地类型识别方法及装置 - Google Patents
一种基于绿色生态指标的土地类型识别方法及装置 Download PDFInfo
- Publication number
- CN116611725A CN116611725A CN202310512084.6A CN202310512084A CN116611725A CN 116611725 A CN116611725 A CN 116611725A CN 202310512084 A CN202310512084 A CN 202310512084A CN 116611725 A CN116611725 A CN 116611725A
- Authority
- CN
- China
- Prior art keywords
- preset
- module
- attention
- green ecological
- resolution
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000011161 development Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 35
- 230000007246 mechanism Effects 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000003702 image correction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims 2
- 230000018109 developmental process Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/16—Real estate
- G06Q50/165—Land development
-
- 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
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Image Processing (AREA)
Abstract
本申请公开一种基于绿色生态指标的土地类型识别方法及装置,应用于城市更新发展指标体系,该方法包括:利用训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,DeeplabV3+识别模型包括通过加权局部特征计算和提取关键特征的预设注意力模块;将目标区域对应的目标卫星图像输入至经样本验证和测试后的土地类型识别模型,输出包括目标区域中与绿色生态指标对应的绿地区域、建筑区域以及停车场区域的识别结果。本申请结合绿色生态指标,利用改进的DeeplabV3+识别模型对目标区域的土地类型进行识别,实现城市绿色生态指标与土地类别识别的有效适用,并通过计算注意力的概率分布提高了识别的准确性。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种基于绿色生态指标的土地类型识别方法及装置。
背景技术
随着地理信息系统技术的进步和人工智能算法的改进,在过去的半个世纪里,人们对土地利用和土地变化进行了广泛的研究,并且可以使用具有多种空间分辨率的地理信息系统应用,从粗分辨率到精细分辨率,从经典的地图分类器到先进的卷积神经网络算法。这些进步极大地促进了各种应用与研究,包括图像分割、物体识别和土地利用分类。这些研究工作大致可以分为(1)基于像素的映射;(2)基于对象的映射;(3)基于场景的映射。
在先进的数字技术进步的支持下,通过建模和分析不同的数据类型,包括社交媒体和互联网内容在内的社交大数据在城市规划和管理中变得越来越重要。世界各地的研究团队已经开始研究,将城市设计和政策制定与上述数字孪生技术相结合。在以色列,一个研究团队建立了一个多参数框架来分析城市更新质量,并提出了不同的社区更新方案。提出并分析了地中海历史城市中心的过程驱动框架。在布达佩斯,数字规划被评估为对碎片化、异质性城市结构环境的城市再生做出有意义的贡献。智能城市使命于2015年在印度100个城市启动,这些城市特别重视信息通信技术和数字技术。在德国德累斯顿,50米网格的人口加权无障碍数字指数用于四项城市区域再生研究。在北京,城市更新计划提出了保护千年历史的方法,并重点关注北京关键地区的城市更新和关键位置的改善。最近,正在详细研究中国不同地区公共服务指标与经济发展之间的关系;此外,多个城市参与制定了城市发展指标。
现有的针对城市更新发展指标体系的技术解决方案存在以下不足:
(1)考虑到城市多样性和社会结构复杂性,现有技术的数据来源是有限的,且城市社区的参数模型规模相对较小,这限制了大量数据所代表的数据容量;(2)现有参数模型仅限于特定的城市社区和项目,缺乏跨区域和时期的城市更新可比性分析;(3)现有的数字城市规划框架通过其定义的指标或城市发展指标体系来量化城市发展目标,而没有系统地分析所选择的指标。
然而,城市再生框架需要对这些指标进行数学分析,并探索人工智能(ArtificialIntelligence,简称AI)驱动的解决方案,城市更新和再生发展需要这种指标分析系统的建模方法。现有的方法缺少一种针对城市更新发展指标体系应用的AI解决方案,特别是能与城市的绿色生态指标有效适用的土地类别识别方法。
本背景技术描述的内容仅为了便于了解本领域的相关技术,不视作对现有技术的承认。
发明内容
为了解决上述技术问题,本申请提供了一种基于绿色生态指标的土地类型识别方法及装置,具体方案如下:
第一方面,本申请实施例提供了一种基于绿色生态指标的土地类型识别方法,应用于城市更新发展指标体系,所述城市更新发展指标体系包括绿色生态指标,所述绿色生态指标包括绿地、建筑和停车场,所述基于绿色生态指标的土地类型识别方法包括:
获取预设区域对应的标注矢量文件以及高分辨率多光谱卫星图像,其中,所述标注矢量文件关联所述绿色生态指标;
将所述标注矢量文件映射到所述高分辨率多光谱卫星图像,得到目标图像数据集,其中,所述目标图像数据集包括像素级别的分类标签,所述分类标签对应所述绿色生态指标;
将预设区域对应的所述目标图像数据集划分为预设分辨率的子图像,得到多个样本,其中,所述样本包括训练集、验证集和测试集;
利用所述训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,其中,所述DeeplabV3+识别模型包括编码单元和解码单元,所述编码层包括预设注意力模块,所述预设注意力模块通过加权局部特征计算和提取关键特征;
将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果,其中,所述识别结果包括所述目标区域中与所述绿色生态指标对应的绿地区域、建筑区域以及停车场区域。
根据本申请公开的一种具体实施方式,获取预设区域对应的标注矢量文件的步骤包括:
获取预设区域对应的原始矢量文件;
根据用户输入标注所述原始矢量文件,得到对应所述绿色生态指标的不同目标类型的标注矢量文件,其中,所述不同目标类型的标注矢量文件包括绿地边界矢量文件、单个建筑的边界矢量文件以及停车场边界矢量文件。
根据本申请公开的一种具体实施方式,其特征在于,获取预设区域对应的高分辨率多光谱卫星图像的步骤,包括:
获取预设区域对应的高分七号卫星图像以及高分辨率全色图像;
通过预设类型的数据处理将所述高分七号卫星图像进行图像校正,得到参考卫星图像,其中,所述预设类型的数据处理包括正射校正、地面控制点和数字高程模型;
将低分辨率多波段的参考卫星图像与所述高分辨率全色图像融合,生成高分辨率多光谱图像。
根据本申请公开的一种具体实施方式,所述编码单元还包括特征提取模块、空洞空间金字塔池化模块和融合模块,所述预设注意力模块包括至少一个参考类型的子注意力单元,所述参考类型的子注意力单元包括通道注意力单元、空间注意力单元以及混合注意力单元;
将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果的步骤,包括:
通过所述特征提取模块提取目标卫星图像的基础语义特征和低级语义特征,将所述基础语义特征分别输入所述空洞空间金字塔池化模块和所述预设注意力模块,并将低级语义特征输入所述解码单元;
通过所述空洞空间金字塔池化模块将所述基础语义特征图转换为不同尺度的子特征图,并将不同尺度的所述子特征图融合为第一语义特征;
通过所述预设注意力模块对第一语义特征进行对应所述参考类型的注意力机制处理,得到第二语义特征,其中,对应所述参考类型的注意力机制处理包括通道注意力机制和/或空间注意力机制;
通过所述融合模块将所述第一语义特征以及所述第二语义特征进行第一融合,得到高级语义特征,并将所述高级语义特征输出至所述解码单元;
通过所述解码单元将所述低级语义特征以及所述高级语义特征进行第二融合,得到所述识别结果并输出。
第二方面,本申请实施例提供了一种基于绿色生态指标的土地类型识别装置,应用于城市更新发展指标体系,所述城市更新发展指标体系包括绿色生态指标,所述绿色生态指标包括绿地、建筑和停车场,所述基于绿色生态指标的土地类型识别装置包括:
获取模块,用于获取预设区域对应的标注矢量文件以及高分辨率多光谱卫星图像,其中,所述标注矢量文件关联所述绿色生态指标;
映射模块,用于将所述标注矢量文件映射到所述高分辨率多光谱卫星图像,得到目标图像数据集,其中,所述目标图像数据集包括像素级别的分类标签,所述分类标签对应所述绿色生态指标;
样本模块,用于将预设区域对应的所述目标图像数据集划分为预设分辨率的子图像,得到多个样本,其中,所述样本包括训练集、验证集和测试集;
训练模块,用于利用所述训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,其中,所述DeeplabV3+识别模型包括编码单元和解码单元,所述编码层包括预设注意力模块,所述预设注意力模块通过加权局部特征计算和提取关键特征;
识别模块,用于将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果,其中,所述识别结果包括所述目标区域中与所述绿色生态指标对应的绿地区域、建筑区域以及停车场区域。
根据本申请公开的一种具体实施方式,所述获取模块具体用于:
获取预设区域对应的原始矢量文件;
根据用户输入标注所述原始矢量文件,得到对应所述绿色生态指标的不同目标类型的标注矢量文件,其中,所述不同目标类型的标注矢量文件包括绿地边界矢量文件、单个建筑的边界矢量文件以及停车场边界矢量文件。
根据本申请公开的一种具体实施方式,所述映射模块具体用于:
获取预设区域对应的高分七号卫星图像以及高分辨率全色图像;
通过预设类型的数据处理将所述高分七号卫星图像进行图像校正,得到参考卫星图像,其中,所述预设类型的数据处理包括正射校正、地面控制点和数字高程模型;
将低分辨率多波段的参考卫星图像与所述高分辨率全色图像融合,生成高分辨率多光谱图像。
根据本申请公开的一种具体实施方式,所述编码单元还包括特征提取模块、空洞空间金字塔池化模块和融合模块,所述预设注意力模块包括至少一个参考类型的子注意力单元,所述参考类型的子注意力单元包括通道注意力单元、空间注意力单元以及混合注意力单元;
所述识别模块具体用于:
通过所述特征提取模块提取目标卫星图像的基础语义特征和低级语义特征,将所述基础语义特征分别输入所述空洞空间金字塔池化模块和所述预设注意力模块,并将低级语义特征输入所述解码单元;
通过所述空洞空间金字塔池化模块将所述基础语义特征图转换为不同尺度的子特征图,并将不同尺度的所述子特征图融合为第一语义特征;
通过所述预设注意力模块对第一语义特征进行对应所述参考类型的注意力机制处理,得到第二语义特征,其中,对应所述参考类型的注意力机制处理包括通道注意力机制和/或空间注意力机制;
通过所述融合模块将所述第一语义特征以及所述第二语义特征进行第一融合,得到高级语义特征,并将所述高级语义特征输出至所述解码单元;
通过所述解码单元将所述低级语义特征以及所述高级语义特征进行第二融合,得到所述识别结果并输出。
第三方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上执行时实现第一方面中任一项所述的基于绿色生态指标的土地类型识别方法。
第四方面,本申请实施例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存储有计算机程序,所述计算机程序在处理器上执行时实现第一方面中任一项所述的基于绿色生态指标的土地类型识别方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请公开一种基于绿色生态指标的土地类型识别方法及装置,应用于城市更新发展指标体系,该方法包括:利用训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,DeeplabV3+识别模型包括通过加权局部特征计算和提取关键特征的预设注意力模块;将目标区域对应的目标卫星图像输入至经样本验证和测试后的土地类型识别模型,输出包括目标区域中与绿色生态指标对应的绿地区域、建筑区域以及停车场区域的识别结果。本申请结合绿色生态指标,利用改进的DeeplabV3+识别模型对目标区域的土地类型进行识别,实现城市绿色生态指标与土地类别识别的有效适用,并通过计算注意力的概率分布提高了识别的准确性。
本申请实施例的其他可选特征和技术效果一部分在下文描述,一部分可通过阅读本文而明白。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1为本申请实施例提供的一种基于绿色生态指标的土地类型识别方法的流程示意图;
图2为本申请实施例提供的一种基于绿色生态指标的土地类型识别方法涉及的空洞卷积示意图;
图3为本申请实施例提供的一种基于绿色生态指标的土地类型识别装置的模块示意图;
图4为能实施根据本申请实施例的方法的计算机设备的示例性结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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所有其他实施例,都属于本申请保护的范围。
在下文中,可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本申请的各种实施例中被清楚地限定。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互结合。
本申请提供的一种基于绿色生态指标的土地类型识别方法应用于城市更新发展指标体系,所述城市更新发展指标体系包括绿色生态指标,所述绿色生态指标包括绿地、建筑和停车场。
具体地,城市更新发展指标用于系统地定义、开发、分析和可视化城市更新评估的指标。城市更新发展指标体系旨在优化城市发展目标,全面量化和评估城市更新进展状况。其内容包括确定不同的指标维度、多个城市的数据收集、数据分析等。城市更新发展指标包括八大类,即绿色生态、健康舒适、安全韧性、交通便捷、风貌特色、整洁有序、多元包容、活力创新。具体实施时,城市更新发展指标体系包括的类别以及各类别包括的指标可以根据用户的实际使用需求和具体应用场景自定义,这里不做进一步限定。例如,一种指标定义可以如表1所示。其中,粗体字对应本申请提供的一种基于绿色生态指标的土地类型识别方法所使用的绿色生态指标。
表1城市更新发展指标体系
参见图1,图1为本申请实施例提供的一种基于绿色生态指标的土地类型识别方法的流程示意图。如图1所示,所述基于绿色生态指标的土地类型识别方法主要包括:
步骤S101,获取预设区域对应的标注矢量文件以及高分辨率多光谱卫星图像,其中,所述标注矢量文件关联所述绿色生态指标。
获取预设区域对应的标注矢量文件的步骤包括:
获取预设区域对应的原始矢量文件;
根据用户输入标注所述原始矢量文件,得到对应所述绿色生态指标的不同目标类型的标注矢量文件,其中,所述不同目标类型的标注矢量文件包括绿地边界矢量文件、单个建筑的边界矢量文件以及停车场边界矢量文件。
具体实施时,获取预设区域对应的原始矢量文件,例如某市住宅区对应的原始矢量文件。可以标注与住宅区名称、建成年份、地址、当前改造状况等相对应的住宅区矢量文件,以供后续分析使用。根据用户输入对预设区域的原始矢量文件进行标注,以获取绿色生态指标相关的矢量文件。具体步骤如下:
(1)标注住宅区的绿地边界矢量文件,包括每个住宅区的绿地范围边界;
(2)标注住宅区的地面停车场(或空地)边界矢量文件,包括每个住宅区的地面停车场(或空地)的范围边界。
(3)标注住宅区的建筑边界矢量文件,包括每个住宅区中单个建筑的范围边界。
获取预设区域对应的高分辨率多光谱卫星图像的步骤,包括:
获取预设区域对应的高分七号卫星图像以及高分辨率全色图像;
通过预设类型的数据处理将所述高分七号卫星图像进行图像校正,得到参考卫星图像,其中,所述预设类型的数据处理包括正射校正、地面控制点和数字高程模型;
将低分辨率多波段的参考卫星图像与所述高分辨率全色图像融合,生成高分辨率多光谱图像。
具体实施时,可以先获取预设区域对应的高分七号卫星图像以及高分辨率全色图像。高分七号卫星是一种高分辨率对地观测卫星,搭载了双线阵立体相机、激光测高仪等有效载荷,突破了亚米级立体测绘相机技术,能够获取高空间分辨率光学立体观测数据和高精度激光测高数据。具体实施时,还可以用户的实际使用需求和具体应用场景选择其他相同或者类似卫星图像。
通过预设类型的数据处理将所述高分七号卫星图像进行处理的具体步骤可以是:
(1)将正射校正、地面控制点、正射校正参考图像和数字高程模型等用于包含有理多项式系数的高分七号卫星图像的正射影像校正;
(2)利用图像融合技术,将低分辨率多波段卫星图像与高分辨率全色图像融合,生成高分辨率多光谱图像。
步骤S102,将所述标注矢量文件映射到所述高分辨率多光谱卫星图像,得到目标图像数据集,其中,所述目标图像数据集包括像素级别的分类标签,所述分类标签对应所述绿色生态指标。
具体实施时,可以根据用户的实际使用需求或者具体应用场景在最小阈值范围之上,合理地设置分类标签对应的分辨率。例如,可以将标注矢量文件映射到高分辨率多光谱卫星图像,得到分辨率为0.26m、像素级别的分类标签,包括绿色生态指标,即绿地、建筑和停车场。
步骤S103,将预设区域对应的所述目标图像数据集划分为预设分辨率的子图像,得到多个样本,其中,所述样本包括训练集、验证集和测试集。
具体实施时,可以根据用户的实际使用需求、历史经验值或者具体应用场景合理地设置预设分辨率的具体数值,以及样本中训练集、验证集和测试集的比例。在本申请对应的实验例中,将目标图像数据集划分为512×512分辨率的子图像,得到3686个样本,训练集、验证集和测试集的比例设置为6:2:2。
步骤S104,利用所述训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,其中,所述DeeplabV3+识别模型包括编码单元和解码单元,所述编码单元包括预设注意力模块,所述预设注意力模块通过加权局部特征计算和提取关键特征。
具体地,DeeplabV3+算法采用预训练的MobilenetV2作为主干网络,并利用注意力机制来改进编码器中的空洞空间金字塔池化模块,通过计算注意力的概率分布来突出关键要素,以提高语义分割的精度和细节处理能力。
DeeplabV3+是一个语义分割算法,在编码器中引入了许多空洞卷积。在不丢失信息的情况下,它增加了感受野,使得每个卷积输出都包含大范围的信息。以双管齐下的方式使用空间金字塔池模块和编码器-解码器结构来实现。注意力机制用于帮助改进DeeplabV3+模型的性能,可以被视为一个组合函数,通过计算注意力的概率分布来突出关键输入对输出的影响。对于住宅区中的不同地理元素,注意力机制对模型的不同部分进行加权。通过提取额外的基本和关键信息,从而优化模型并做出更准确的判断。
空洞卷积是带有扩张因子的传统卷积,其中扩张因子扩展了滤波器的视野。参见图2,图2为本申请实施例提供的一种基于绿色生态指标的土地类型识别方法涉及的空洞卷积示意图。例如,一个3x3卷积滤波器,当扩张率,即扩张系数等于1时,它和标准卷积一样。但是,如果将扩张系数设置为2,它会产生扩大卷积核的效果。首先,空洞卷积根据扩张率来扩展卷积滤波器范围。其次,空洞卷积用零填充空白的空间创建稀疏的过滤器。空洞卷积使用扩张的滤波器执行常规卷积。
因此,使用扩张率的2的3x3滤波器进行卷积可以使其能够覆盖相当于5x5的面积。以类似的方式,将扩张系数设置为3,是常规的3x3卷积从对应7x7的区域获得信号。空洞卷积在不增加参数数量或计算量的情况下可以增加更大的上下文信息。
所述编码单元还包括特征提取模块、空洞空间金字塔池化模块和融合模块,所述预设注意力模块包括至少一个参考类型的子注意力单元,所述参考类型的子注意力单元包括通道注意力单元、空间注意力单元以及混合注意力单元。将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果的步骤,包括:
通过所述特征提取模块提取目标卫星图像的基础语义特征和低级语义特征,将所述基础语义特征分别输入所述空洞空间金字塔池化模块和所述预设注意力模块,并将低级语义特征输入所述解码单元;
通过所述空洞空间金字塔池化模块将所述基础语义特征图转换为不同尺度的子特征图,并将不同尺度的所述子特征图融合为第一语义特征;
通过所述预设注意力模块对第一语义特征进行对应所述参考类型的注意力机制处理,得到第二语义特征,其中,对应所述参考类型的注意力机制处理包括通道注意力机制和/或空间注意力机制;
通过所述融合模块将所述第一语义特征以及所述第二语义特征进行第一融合,得到高级语义特征,并将所述高级语义特征输出至所述解码单元;
通过所述解码单元将所述低级语义特征以及所述高级语义特征进行第二融合,得到所述识别结果并输出。
注意力机制实质上即为选择重要的信息,而忽视不重要信息。通过在DeeplabV3+模型的编码单元中加入预设注意力模块,可以对输入进行加权再输出,对用户希望网络模型关注到的地方给较大的权重,对用户不希望网络模型注意的地方给较小的权重。
具体实施时,本申请提供的预设注意力模块包括至少一个参考类型的子注意力单元,参考类型的子注意力单元包括通道注意力单元、空间注意力单元以及混合注意力单元:
1.通道注意力单元可以采用压缩和激励网络(Squeeze-and-ExcitationNetworks,简称SENet)。SENet分为压缩和激励两个部分,其中,压缩部分用于对全局空间信息进行压缩,然后在通道维度进行特征学习,形成各个通对道的重要性。最后通过激励部分对各个通道进行分配不同权重;
2.空间注意力单元可以采用空间变换神经网络(Spatial TransformerNetworks,简称STN)。STN能够对各种形变数据在空间中进行转换并自动捕获重要区域特征。能够保证图像在经过裁剪、平移或者旋转等操作后,依然可以获得和操作前的原始图像相同的结果。
3.混合注意力单元可以采用卷积注意力模块(Convolutional Block AttentionModule,简称CBAM)。混合注意力单元可以由通道注意力单元和空间注意力单元通过串联或者并联的方式进行组合。混合注意力单元首先对输入的特征图进行通道注意力单元的初次处理,然后将初次处理后的结经由空间注意力单元再次处理,最后得到调整后特征,即前文所述第二语义特征。
步骤S105,将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果,其中,所述识别结果包括所述目标区域中与所述绿色生态指标对应的绿地区域、建筑区域以及停车场区域。
具体实施时,本申请对前文所述基于绿色生态指标的土地类型识别方法进行了验证分析,使用标注的图像数据集完成语义分割算法模型的训练和测试,结果如下表2所示。
表2 DeeplabV3+算法模型的评估结果
建筑 | 绿地 | 停车场 | 准确率 | Kappa系数 |
72.75% | 78.30% | 68.50% | 72.79% | 0.5839 |
实验结果表明,本申请提供的改进的DeeplabV3+算法模型在测试集上的最终准确率为72.79%,Kappa系数为0.5839。其中,Kappa系数是一个用于一致性检验的指标,也用于衡量分类的效果。对于分类问题,一致性即为模型预测结果和实际分类结果是否一致。
本申请提供的基于绿色生态指标的土地类型识别方法,通过利用训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,DeeplabV3+识别模型包括通过加权局部特征计算和提取关键特征的预设注意力模块;将目标区域对应的目标卫星图像输入至经样本验证和测试后的土地类型识别模型,输出包括目标区域中与绿色生态指标对应的绿地区域、建筑区域以及停车场区域的识别结果。本申请结合绿色生态指标,利用改进的DeeplabV3+识别模型对目标区域的土地类型进行识别,实现城市绿色生态指标与土地类别识别的有效适用,并通过计算注意力的概率分布提高了识别的准确性。
与上述方法实施例相对应,参见图3,本发明还提供一种基于绿色生态指标的土地类型识别装置300,应用于城市更新发展指标体系,所述城市更新发展指标体系包括绿色生态指标,所述绿色生态指标包括绿地、建筑和停车场,所述基于绿色生态指标的土地类型识别装置300包括:
获取模块301,用于获取预设区域对应的标注矢量文件以及高分辨率多光谱卫星图像,其中,所述标注矢量文件关联所述绿色生态指标;
映射模块302,用于将所述标注矢量文件映射到所述高分辨率多光谱卫星图像,得到目标图像数据集,其中,所述目标图像数据集包括像素级别的分类标签,所述分类标签对应所述绿色生态指标;
样本模块303,用于将预设区域对应的所述目标图像数据集划分为预设分辨率的子图像,得到多个样本,其中,所述样本包括训练集、验证集和测试集;
训练模块304,用于利用所述训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,其中,所述DeeplabV3+识别模型包括编码单元和解码单元,所述编码层包括预设注意力模块,所述预设注意力模块通过加权局部特征计算和提取关键特征;
识别模块305,用于将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果,其中,所述识别结果包括所述目标区域中与所述绿色生态指标对应的绿地区域、建筑区域以及停车场区域。
具体实施时,所述获取模块具体用于:
获取预设区域对应的原始矢量文件;
根据用户输入标注所述原始矢量文件,得到对应所述绿色生态指标的不同目标类型的标注矢量文件,其中,所述不同目标类型的标注矢量文件包括绿地边界矢量文件、单个建筑的边界矢量文件以及停车场边界矢量文件。
具体实施时,所述映射模块具体用于:
获取预设区域对应的高分七号卫星图像以及高分辨率全色图像;
通过预设类型的数据处理将所述高分七号卫星图像进行图像校正,得到参考卫星图像,其中,所述预设类型的数据处理包括正射校正、地面控制点和数字高程模型;
将低分辨率多波段的参考卫星图像与所述高分辨率全色图像融合,生成高分辨率多光谱图像。
具体实施时,所述编码单元还包括特征提取模块、空洞空间金字塔池化模块和融合模块,所述预设注意力模块包括至少一个参考类型的子注意力单元,所述参考类型的子注意力单元包括通道注意力单元、空间注意力单元以及混合注意力单元;
所述识别模块具体用于:
通过所述特征提取模块提取目标卫星图像的基础语义特征和低级语义特征,将所述基础语义特征分别输入所述空洞空间金字塔池化模块和所述预设注意力模块,并将低级语义特征输入所述解码单元;
通过所述空洞空间金字塔池化模块将所述基础语义特征图转换为不同尺度的子特征图,并将不同尺度的所述子特征图融合为第一语义特征;
通过所述预设注意力模块对第一语义特征进行对应所述参考类型的注意力机制处理,得到第二语义特征,其中,对应所述参考类型的注意力机制处理包括通道注意力机制和/或空间注意力机制;
通过所述融合模块将所述第一语义特征以及所述第二语义特征进行第一融合,得到高级语义特征,并将所述高级语义特征输出至所述解码单元;
通过所述解码单元将所述低级语义特征以及所述高级语义特征进行第二融合,得到所述识别结果并输出。
本领域技术人员将明白根据本申请实施例的基于绿色生态指标的土地类型识别装置可以结合根据本申请实施例的基于绿色生态指标的土地类型识别方法的特征,反之亦然。
此外,还提供一种电子设备,电子设备包括处理器和存储器,存储器存储有计算机程序,计算机程序在处理器上执行时实现上述基于绿色生态指标的土地类型识别方法。
图4示出了一种可以实施本申请实施例的方法或实现本申请实施例的电子设备400的示意图,在一些实施例中可以包括比图示更多或更少的电子设备。在一些实施例中,可以利用单个或多个电子设备实施。在一些实施例中,可以利用云端或分布式的电子设备实施。
如图4所示,电子设备400包括处理器401,其可以根据存储在只读存储器(ROM)402中的程序和/或数据或者从存储部分408加载到随机访问存储器(RAM)403中的程序和/或数据而执行各种适当的操作和处理。处理器401可以是一个多核的处理器,也可以包含多个处理器。在一些实施例中,处理器401可以包含一个通用的主处理器以及一个或多个特殊的协处理器,例如,中央处理器(CPU)、图形处理器(GPU)、神经网络处理器(NPU)、数字信号处理器(DSP)等等。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理器401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
上述处理器与存储器共同用于执行存储在存储器中的程序,所述程序被计算机执行时能够实现上述各实施例描述的方法、步骤或功能。
以下部件连接至I/O接口405:包括键盘、鼠标、触摸屏等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。图4中仅示意性示出部分组件,并不意味着计算机系统400只包括图4所示组件。
上述实施例阐明的系统、装置、模块或单元,可以由计算机或其关联部件实现。计算机例如可以为移动终端、智能电话、个人计算机、膝上型计算机、车载人机交互设备、个人数字助理、媒体播放器、导航设备、游戏控制台、平板电脑、可穿戴设备、智能电视、物联网系统、智能家居、工业计算机、服务器或者其组合。
尽管未示出,在本申请实施例中,提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序配置成被运行时执行任一本申请实施例的基于绿色生态指标的土地类型识别方法。
在本申请的实施例的存储介质包括永久性和非永久性、可移动和非可移动的可以由任何方法或技术来实现信息存储的物品。存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
在本申请的实施例的方法、程序、系统、装置等,可以在单个或多个连网的计算机中执行或实现,也可以在分布式计算环境中实践。在本说明书实施例中,在这些分布式计算环境中,可以由通过通信网络而被连接的远程处理设备来执行任务。
所提供的电子设备和计算机可读存储介质的具体实施过程,可以参见上述实施例提供的基于绿色生态指标的土地类型识别方法的具体实施过程,在此不再一一赘述。
本申请提供的电子设备和计算机可读存储介质,结合绿色生态指标,利用改进的DeeplabV3+识别模型对目标区域的土地类型进行识别,实现城市绿色生态指标与土地类别识别的有效适用,并通过计算注意力的概率分布提高了识别的准确性。本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本领域技术人员可想到,上述实施例阐明的功能模块/单元或控制器以及相关方法步骤的实现,可以用软件、硬件和软/硬件结合的方式实现。
除非明确指出,根据本申请实施例记载的方法、程序的动作或步骤并不必须按照特定的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本文中,针对本申请的多个实施例进行了描述,但为简明起见,各实施例的描述并不是详尽的,各个实施例之间相同或相似的特征或部分可能会被省略。在本文中,“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”意指适用于根据本申请的至少一个实施例或示例中,而非所有实施例。上述术语并不必然意味着指代相同的实施例或示例。在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
已参考上述实施例具体示出并描述了本申请的示例性系统及方法,其仅为实施本系统及方法的最佳模式的示例。本领域的技术人员可以理解的是可以在实施本系统及/或方法时对这里描述的系统及方法的实施例做各种改变而不脱离界定在所附权利要求中的本申请的精神及范围。
Claims (10)
1.一种基于绿色生态指标的土地类型识别方法,应用于城市更新发展指标体系,所述城市更新发展指标体系包括绿色生态指标,所述绿色生态指标包括绿地、建筑和停车场,其特征在于,所述基于绿色生态指标的土地类型识别方法包括:
获取预设区域对应的标注矢量文件以及高分辨率多光谱卫星图像,其中,所述标注矢量文件关联所述绿色生态指标;
将所述标注矢量文件映射到所述高分辨率多光谱卫星图像,得到目标图像数据集,其中,所述目标图像数据集包括像素级别的分类标签,所述分类标签对应所述绿色生态指标;
将预设区域对应的所述目标图像数据集划分为预设分辨率的子图像,得到多个样本,其中,所述样本包括训练集、验证集和测试集;
利用所述训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,其中,所述DeeplabV3+识别模型包括编码单元和解码单元,所述编码单元包括预设注意力模块,所述预设注意力模块通过加权局部特征计算和提取关键特征;
将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果,其中,所述识别结果包括所述目标区域中与所述绿色生态指标对应的绿地区域、建筑区域以及停车场区域。
2.根据权利要求1所述的基于绿色生态指标的土地类型识别方法,其特征在于,获取预设区域对应的标注矢量文件的步骤包括:
获取预设区域对应的原始矢量文件;
根据用户输入标注所述原始矢量文件,得到对应所述绿色生态指标的不同目标类型的标注矢量文件,其中,所述不同目标类型的标注矢量文件包括绿地边界矢量文件、单个建筑的边界矢量文件以及停车场边界矢量文件。
3.根据权利要求1所述的基于绿色生态指标的土地类型识别方法,其特征在于,获取预设区域对应的高分辨率多光谱卫星图像的步骤,包括:
获取预设区域对应的高分七号卫星图像以及高分辨率全色图像;
通过预设类型的数据处理将所述高分七号卫星图像进行图像校正,得到参考卫星图像,其中,所述预设类型的数据处理包括正射校正、地面控制点和数字高程模型;
将低分辨率多波段的参考卫星图像与所述高分辨率全色图像融合,生成高分辨率多光谱图像。
4.根据权利要求1所述的基于绿色生态指标的土地类型识别方法,其特征在于,所述编码单元还包括特征提取模块、空洞空间金字塔池化模块和融合模块,所述预设注意力模块包括至少一个参考类型的子注意力单元,所述参考类型的子注意力单元包括通道注意力单元、空间注意力单元以及混合注意力单元;
将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果的步骤,包括:
通过所述特征提取模块提取目标卫星图像的基础语义特征和低级语义特征,将所述基础语义特征分别输入所述空洞空间金字塔池化模块和所述预设注意力模块,并将低级语义特征输入所述解码单元;
通过所述空洞空间金字塔池化模块将所述基础语义特征图转换为不同尺度的子特征图,并将不同尺度的所述子特征图融合为第一语义特征;
通过所述预设注意力模块对第一语义特征进行对应所述参考类型的注意力机制处理,得到第二语义特征,其中,对应所述参考类型的注意力机制处理包括通道注意力机制和/或空间注意力机制;
通过所述融合模块将所述第一语义特征以及所述第二语义特征进行第一融合,得到高级语义特征,并将所述高级语义特征输出至所述解码单元;
通过所述解码单元将所述低级语义特征以及所述高级语义特征进行第二融合,得到所述识别结果并输出。
5.一种基于绿色生态指标的土地类型识别装置,应用于城市更新发展指标体系,所述城市更新发展指标体系包括绿色生态指标,所述绿色生态指标包括绿地、建筑和停车场,其特征在于,所述基于绿色生态指标的土地类型识别装置包括:
获取模块,用于获取预设区域对应的标注矢量文件以及高分辨率多光谱卫星图像,其中,所述标注矢量文件关联所述绿色生态指标;
映射模块,用于将所述标注矢量文件映射到所述高分辨率多光谱卫星图像,得到目标图像数据集,其中,所述目标图像数据集包括像素级别的分类标签,所述分类标签对应所述绿色生态指标;
样本模块,用于将预设区域对应的所述目标图像数据集划分为预设分辨率的子图像,得到多个样本,其中,所述样本包括训练集、验证集和测试集;
训练模块,用于利用所述训练集训练预先设置的DeeplabV3+识别模型,得到土地类型识别模型,其中,所述DeeplabV3+识别模型包括编码单元和解码单元,所述编码层包括预设注意力模块,所述预设注意力模块通过加权局部特征计算和提取关键特征;
识别模块,用于将目标区域对应的目标卫星图像输入至经所述样本验证和测试后的土地类型识别模型,输出识别结果,其中,所述识别结果包括所述目标区域中与所述绿色生态指标对应的绿地区域、建筑区域以及停车场区域。
6.根据权利要求5所述的基于绿色生态指标的土地类型识别装置,其特征在于,所述获取模块具体用于:
获取预设区域对应的原始矢量文件;
根据用户输入标注所述原始矢量文件,得到对应所述绿色生态指标的不同目标类型的标注矢量文件,其中,所述不同目标类型的标注矢量文件包括绿地边界矢量文件、单个建筑的边界矢量文件以及停车场边界矢量文件。
7.根据权利要求5所述的基于绿色生态指标的土地类型识别装置,其特征在于,所述映射模块具体用于:
获取预设区域对应的高分七号卫星图像以及高分辨率全色图像;
通过预设类型的数据处理将所述高分七号卫星图像进行图像校正,得到参考卫星图像,其中,所述预设类型的数据处理包括正射校正、地面控制点和数字高程模型;
将低分辨率多波段的参考卫星图像与所述高分辨率全色图像融合,生成高分辨率多光谱图像。
8.根据权利要求4所述的基于绿色生态指标的土地类型识别方法,其特征在于,所述编码单元还包括特征提取模块、空洞空间金字塔池化模块和融合模块,所述预设注意力模块包括至少一个参考类型的子注意力单元,所述参考类型的子注意力单元包括通道注意力单元、空间注意力单元以及混合注意力单元;
所述识别模块具体用于:
通过所述特征提取模块提取目标卫星图像的基础语义特征和低级语义特征,将所述基础语义特征分别输入所述空洞空间金字塔池化模块和所述预设注意力模块,并将低级语义特征输入所述解码单元;
通过所述空洞空间金字塔池化模块将所述基础语义特征图转换为不同尺度的子特征图,并将不同尺度的所述子特征图融合为第一语义特征;
通过所述预设注意力模块对第一语义特征进行对应所述参考类型的注意力机制处理,得到第二语义特征,其中,对应所述参考类型的注意力机制处理包括通道注意力机制和/或空间注意力机制;
通过所述融合模块将所述第一语义特征以及所述第二语义特征进行第一融合,得到高级语义特征,并将所述高级语义特征输出至所述解码单元;
通过所述解码单元将所述低级语义特征以及所述高级语义特征进行第二融合,得到所述识别结果并输出。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上执行时实现权利要求1-4中任一项所述的基于绿色生态指标的土地类型识别方法。
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存储有计算机程序,所述计算机程序在处理器上执行时实现权利要求1-4中任一项所述的基于绿色生态指标的土地类型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512084.6A CN116611725A (zh) | 2023-05-09 | 2023-05-09 | 一种基于绿色生态指标的土地类型识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512084.6A CN116611725A (zh) | 2023-05-09 | 2023-05-09 | 一种基于绿色生态指标的土地类型识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611725A true CN116611725A (zh) | 2023-08-18 |
Family
ID=87684574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310512084.6A Pending CN116611725A (zh) | 2023-05-09 | 2023-05-09 | 一种基于绿色生态指标的土地类型识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611725A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474956A (zh) * | 2023-12-25 | 2024-01-30 | 浙江优众新材料科技有限公司 | 基于运动估计注意力的光场重建模型训练方法及相关设备 |
-
2023
- 2023-05-09 CN CN202310512084.6A patent/CN116611725A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474956A (zh) * | 2023-12-25 | 2024-01-30 | 浙江优众新材料科技有限公司 | 基于运动估计注意力的光场重建模型训练方法及相关设备 |
CN117474956B (zh) * | 2023-12-25 | 2024-03-26 | 浙江优众新材料科技有限公司 | 基于运动估计注意力的光场重建模型训练方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Vectorized rooftop area data for 90 cities in China | |
CN109978249B (zh) | 基于分区建模的人口数据空间化方法、系统及介质 | |
Yao et al. | Mapping fine‐scale urban housing prices by fusing remotely sensed imagery and social media data | |
CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
Chen et al. | High‐resolution gridded population projections for China under the shared socioeconomic pathways | |
Surabuddin Mondal et al. | Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques | |
CN111598101B (zh) | 基于遥感影像场景分割的城区智能提取方法、系统及设备 | |
Chen et al. | A new method for building-level population estimation by integrating LiDAR, nighttime light, and POI data | |
Chen et al. | A landslide extraction method of channel attention mechanism U-Net network based on Sentinel-2A remote sensing images | |
Du et al. | Segmentation and sampling method for complex polyline generalization based on a generative adversarial network | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
Fan et al. | Understanding spatial-temporal urban expansion pattern (1990–2009) using impervious surface data and landscape indexes: a case study in Guangzhou (China) | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
Ye et al. | Urban commerce distribution analysis based on street view and deep learning | |
CN116611725A (zh) | 一种基于绿色生态指标的土地类型识别方法及装置 | |
CN111310623B (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
CN110826454B (zh) | 一种遥感影像变化检测方法及装置 | |
CN113642764B (zh) | 一种村镇聚落空间演化模拟预测方法及计算机设备 | |
He et al. | Global 30 meters spatiotemporal 3D urban expansion dataset from 1990 to 2010 | |
Liao et al. | Errors prediction for vector-to-raster conversion based on map load and cell size | |
CN113989287A (zh) | 城市道路遥感图像分割方法、装置、电子设备和存储介质 | |
Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
Crols et al. | Downdating high-resolution population density maps using sealed surface cover time series | |
Hu et al. | Adaptive multi-scale population spatialization model constrained by multiple factors: A case study of Russia | |
CN117152435A (zh) | 一种基于U-Net3+的遥感语义分割方法 |
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 |