CN110263717A - 一种融入街景影像的土地利用类别确定方法 - Google Patents

Abstract

本发明公开了一种融入街景影像的土地利用类别确定方法。首先，通过深度学习卷积神经网络的方式提取街景影像采样点中精细地物类别信息；同时，对遥感影像进行预处理，使用监督分类方法获取土地覆被图。其次，通过街景采样点所处像元的光谱、纹理、形状以及地理分布信息，推求临近像元的类别情况。最后融合像元分类信息与土地覆被图，得到精细的多类别土地利用结果。本发明从遥感基于像元分类出发，结合了精细的街景信息，分类结果的精度高。

Description

一种融入街景影像的土地利用类别确定方法

技术领域

本发明涉及一种土地利用类别确定方法，属于地球空间信息领域。

背景技术

土地利用是指人类有目的地开发利用土地资源的一切活动，土地利用信息在城市规划、城市环境监测以及城市交通运输等方面都起到了至关重要的作用(Liu X,He J,YaoY,et al.)。如何提取更加精确的土地利用信息是其中的重要问题与挑战。遥感影像信息作为一种大范围、非接触式的数据源是土地利用信息提取的重要手段(赵英时)。利用资源卫星获取的高分辨率遥感影像，结合专业的遥感影像处理软件，应用科学的信息提取方法，可以快速、精确地获得相应资源信息。

然而由于遥感影像自身精度的影响，如中低空间分辨率遥感影像虽然拥有较高的光谱分辨率和时间分辨率但其空间分辨率较低、地物识别能力弱；高空间分辨率遥感影像空间分辨率较高且地物识别力强但历史存档较少且光谱分辨率较差。单纯使用遥感影像信息提取出较高精度的地物信息比较困难。因此许多研究者通过一些地理空间辅助信息以提升土地利用分类精度。对于遥感影像与地理空间数据融合提取土地利用信息方面，HU等人使用了开放型社会数据将遥感影像分割为街区地块并使用核密度方式估算地物分布提高土地利用分类精度(Hu T,Yang J,Li X,et al；ZhangY,Li Q,Huang H,et al.)、chen等人使用社会感知数据，通过其中的空间信息与文字信息辅助提取城市绿地功能区(Chen W,Huang H,Dong J,et al.)、手机位置信息数据(JiaY,Ge Y,et al)等方法提升城市土地利用效果。

街景影像以数字图像的形式记录下城市某一刻的面貌，由于城市街景影像数据的自身带有地理标签，兼有开放性等优点，利用这些画质精细、分布均匀的大型地理影像数据成为GIS和计算机视觉领域的研究热点(谢润桦)。

现有的融入街景影像的土地利用分类研究中，主要以街区尺度为研究热点，通过道路信息数据将遥感图像分为各个地块，对地块通过街景点分布密度进行分类，最常见的方法为核密度法，通过对街景采样点进行空间距类分析，辅助遥感土地利用分类(Rui Cao,Jia song Zhu，et.al；Jian Kang a,Marco )。然而，这些方法均局限于街区地块尺度，没有利用单个像元信息对土地利用进行分类，并且对于一些街景样本点稀疏的地区，或是街景样本分布不均的地区，使用核密度回归会产生很大的误差。

因此本发明提出了基于像元的街景信息融入土地利用类别确定方法，有效改善了上述方法的不足，利用少量精细样本推求更多样本点，并得到基于像元更加精细的土地利用分类结果。

发明内容：

本发明解决的技术问题：克服现有技术的不足，提供一种融入街景影像的土地利用类别确定方法，从理论上构建了一个融入街景信息的土地利用分类理论模型，从精细类别进行土地利用分类，提升土地利用分类精度。

首先，对于采集到的街景图片，通过深度学习的方法提取出影像中所代表的精细地物类别。其次，对遥感影像进行预处理并进行土地覆被分类，将区域按照一级分类体系分为几个大类。然后将街景类别信息融入土地利用分类当中，以采样点为中心建立窗口通过像元光谱、纹理、形状等特征标记与样本点信息相近的像元；对于标记的像元再重复上述方式提取另一个像元直至获取足够的分类类别信息。最后对土地利用情况进行分类。

本发明的技术方案：一种融入街景影像的土地利用类别确定方法，步骤如下：

步骤1：街景影像处理，对街景影像采集区域的道路矢量数据进行编辑，提取存在街景影像的道路矢量数据，通过GIS软件在街景影像采集区的道路矢量上随机生成街景影像采样点；根据街景影像采样点空间位置获取各采样点位置的街景影像，再对获取到的街景影像进行预处理操作，得到街景影像底部区域的范围；

步骤2：利用卷积神经网络对步骤1预处理所获得的底部区域范围的街景影像进行语义分割以及类别判定，对于采样点所在道路方向左右两侧的街景影像，通过卷积神经网络判定各方向街景影像中地物类别；对于采样点所在道路方向的道路街景影像，通过卷积神经网络判定街景影像中道路类别，得到卷积神经网络街景影像类别判定结果，并将判定结果赋予街景影像采样点，将赋予类别的街景影像采样点进行空间位置推移，保证街景影像采样点有效的表示其真实位置的像元特征；

步骤3：为了判定街景影像采集采样点区域土地覆被类别，需要获取街景影像采集区域的遥感影像，对遥感影像进行预处理，并添加相关辅助信息包括NDVI、NDWI、DEM数据用于街景影像采集区域土地覆被分类；

步骤4：对街景影像采集区域的遥感影像进行土地覆被分类，通过遥感影像监督分类方式将地物分为植被、建设用地、水体、未利用地、耕地5大类别，得到遥感土地覆被分类结果，对所述分类结果进行分类后处理，提升土地覆被分类精度；

步骤5：结合遥感影像土地覆被分类结果以及卷积神经网络街景影像类别判定结果，对于步骤4得到的遥感土地覆被分类结果中的建设用地类别和植被类别，分别将卷积神经网络街景影像类别判断结果加入土地利用分类模型，以得出更精细化的土地利用类别。

所述步骤2中，采样点空间位置推移具体实现方式为：对左右两侧采样点位置进行位移，将各采样点向垂直道路的左右两侧各推移h m，记录推移后的样本点经纬度及地物类型，其中h为移动距离，具体值由遥感影像分辨率与街景影像决定，推移后地物中心坐标为：

X′＝x+h*cosθ

Y′＝y+h*sinθ

其中x为采样点所在位置经度，y为采样点所在位置纬度，θ值为采样点所在道路与水平线夹角，h为推移长度。

所述步骤5中，土地利用分类模型具体实现为：

(1)设置一个采样窗口，对于整个遥感影像进行逐像元搜索，判断每个像元邻域中是否包含街景采样点；

(2)如果包含街景采样点，则通过反距离权重法，判定每个街景采样点对于中心像元的距离权重，反距离权重法的定义为：

其中W_i代表第i个街景采样点的距离的权重，n代表搜索窗口范围内所存在的街景样本点个数，h_i表示第i个点到中心像元的距离，P表示控制权重随距离变化的参数；

(3)逐一计算各图层中心像元属性值与街景采样点所在像元属性值差值的绝对值，对多个图层的差值绝对值取平均值：

其中M代表各图层中心像元与采样像元差值的和，m代表图层数n代表图层数，其中包括3个光谱图层以及纹理特征图层、形状特征图层，z为放大因子；

最后将各采样点的M值与M值所对应的权重值求积并求其比例：

C_i＝M_i ^*W_i L＝1

其中C_i表示i类地物在中心像元的系数，L表示像元邻域的n个样本中，第i类地物存在的个数，通过比较像元各类别的C_i值，以C_i值最大的地物为该像元土地利用类别。重复该土地分类模型算法，直至所有像元均获取唯一土地利用类别为止。

所述步骤2中：利用卷积神经网络对街景影像进行语义分割以及类别判定的具体过程如下：

(1)街景影像语义分割，将像素按照图像中表达语义含义的不同进行分割，获得图像中各个不同地物的标签，保留其中大范围且感兴趣区域作为标签进行类别判定；

(2)街景影像类别判定，采用卷积神经网络作为街景影像分类的模型，根据设定的分类***，每个类别各自选择同等数量张街景影像，利用前一步所获取的感兴趣区域标签训练选定的模型，利用训练的模型参数，获取得到其他照片的类别属性。

本发明与现有技术相比的优点在于：

(1)利用街景影像，从人为观测角度可以更精确的判别土地利用类别，较传统监督分类方法选取样本精确度更高。

(2)基于像元属性特征进行土地利用分类，得到的分类结果更加精细，较基于街区尺度土地利用分类更加精确。

附图说明

图1为本发明的主流程图；

图2为本发明的融入街景空间信息像元土地利用分类示意图，能够提升像元分类精度。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

如图1所示，本发明的一种融入街景信息的土地利用类别确定方法包括如下步骤：

步骤1：街景信息提取

街景采样点选取：对道路矢量数据进行编辑，提取存在街景影像的道路矢量数据；通过GIS软件在道路上随机生成采样点，由于道路走向影像采样点数据质量因此对各采样点进行方向计算，获取各个采样点东南西北四个方向分别为0度270度180度和90度。根据采样点所在位置分别选取其道路左右两侧街景影像各一张作为地物判别样本以及一张道路街景影像作为道路判别样本。

街景影像预处理：获取采样点街景影像，每个采样点获取3幅。为了减少不可估计距离的较远地物对分类精度影像，对其中道路左右两侧图像进行裁剪处理，获取其中下部分320*320像素图像；对所有影像进行语义标注，圈定图像中想要提取的地物语义信息，如道路、房屋等轮廓。

对标注好的标签文件通过卷积神经网络进行语义分割以及类别判定，将左右两侧图片分类为精细地物类型，中间道路部分用于分类道路类别。

由于获取的采样点坐标均落在道路中央，为了精确表达道路两侧地物类别需要对左右两侧采样点位置进行位移，通过估算图片中下部区域距离道路越为5m,因此将各采样点向垂直道路的左右两侧各推移5m，记录推移后的样本点经纬度及地物类型。

X′＝x+h*cosθ

Y′＝y+h*sinθ

其中θ值为采样点所在道路与水平线夹角，h为推移长度。

步骤2：遥感土地覆被分类

遥感影像预处理：获取研究区遥感影像，对其进行辐射定标，大气校正，几何校正等预处理，并计算其NDVI、NDWI、NDBI值，以及通过研究区DEM数据提供高程以及坡度信息。将光谱信息及各类附加信息融合，以供影像分类。

通过软件将土地覆被类型分为植被、建设用地、水体、未利用地、耕地等5大类别，对分类结果进行分类后处理，提升其分类精度。并通过验证样本对其分类精度进行初步评估。

步骤3：融入街景信息土地利用分类

从街景样本点中选取70％作为训练样本。对于植被以及建设用地，分别将通过街景信息提取所获得的精细分类信息加入其土地覆被分类结果中，以得出更精细化的土地利用类别。其中街景信息提取所获得的道路类别信息中水泥路与柏油路加入建设用地土地覆被类别中进行细化分类，土路加入未利用地土地覆被类别中细化分类。最后对分类结果进行融合得到土地利用图。

该模型设置了一个采样窗口，对于整个遥感影像进行逐像元搜索，判断其邻域中是否包含街景采样点。

如果包含街景采样点，则通过反距离权重法，判定每个街景采样点对于中心像元的距离权重。反距离权重法的定义为：

其中W_i代表第i个街景采样点的距离的权重。n代表搜索窗口范围内所存在的街景样本点个数。h_i表示第i个点到中心像元的距离。P表示控制权重随距离变化的参数。

逐一计算各图层中心像元属性值与街景采样点所在像元属性值差值的绝对值，对多个图层的差值绝对值取平均值。

其中M代表各图层中心像元与采样像元差值的和。n代表图层数，其中包括3个光谱图层以及纹理特征图层、形状特征图层。z为放大因子。

最后将各采样点的M值与其所对应的权重值求积并求其比例。

C_i＝M_i ^*W_i L＝1

其中C_i表示i类地物在中心像元的系数，L表示像元邻域的n个样本中，第i类地物存在的个数，通过比较像元各类别的C_i值，以C_i值最大的地物为该像元土地利用类别。重复该土地分类模型算法，直至所有像元均获取唯一土地利用类别为止。

对于植被以及建设用地，分别将通过街景信息提取所获得的精细分类信息加入其土地覆被分类结果中，以得出更精细化的土地利用类别。其中街景信息提取所获得的道路类别信息中水泥路与柏油路加入建设用地土地覆被类别中进行细化分类，土路加入未利用地土地覆被类别中细化分类。最后对分类结果进行融合得到土地利用图。

如图2所示，中心像元表示待判定类别像元，像元点四周为街景图片分类所得地物类别点，利用上述方法依次判定中心像元与街景图片分类所得地物点图层属性值，利用其差值并且结合距离权重，对中心像元进行土地利用类别判定，得到其地物类别。

Claims (4)

1.一种融入街景影像的土地利用类别确定方法，其特征在于，步骤如下：

步骤1：街景影像处理，对街景影像采集区域的道路矢量数据进行编辑，提取存在街景影像的道路矢量数据，通过GIS软件在街景影像采集区的道路矢量上随机生成街景影像采样点；根据街景影像采样点空间位置获取各采样点位置的街景影像，再对获取到的街景影像进行预处理操作，得到街景影像底部区域的范围；

步骤2：利用卷积神经网络对步骤1预处理所获得的底部区域范围的街景影像进行语义分割以及类别判定，对于采样点所在道路方向左右两侧的街景影像，通过卷积神经网络判定各方向街景影像中地物类别；对于采样点所在道路方向的道路街景影像，通过卷积神经网络判定街景影像中道路类别，得到卷积神经网络街景影像类别判定结果，并将判定结果赋予街景影像采样点，将赋予类别的街景影像采样点进行空间位置推移，保证街景影像采样点有效的表示其真实位置的像元特征；

步骤3：为了判定街景影像采集采样点区域土地覆被类别，需要获取街景影像采集区域的遥感影像，对遥感影像进行预处理，并添加相关辅助信息包括NDVI、NDWI、DEM数据用于街景影像采集区域土地覆被分类；

步骤4：对街景影像采集区域的遥感影像进行土地覆被分类，通过遥感影像监督分类方式将地物分为植被、建设用地、水体、未利用地、耕地5大类别，得到遥感土地覆被分类结果，对所述分类结果进行分类后处理，提升土地覆被分类精度；

步骤5：结合遥感影像土地覆被分类结果以及卷积神经网络街景影像类别判定结果，对于步骤4得到的遥感土地覆被分类结果中的建设用地类别和植被类别，分别将卷积神经网络街景影像类别判断结果加入土地利用分类模型，以得出更精细化的土地利用类别。

2.根据权利要求1所述的一种融入街景影像的土地利用类别确定方法，其特征在于：所述步骤2中，采样点空间位置推移具体实现方式为：对左右两侧采样点位置进行位移，将各采样点向垂直道路的左右两侧各推移h m，记录推移后的样本点经纬度及地物类型，其中h为移动距离，具体值由遥感影像分辨率与街景影像决定，推移后地物中心坐标为：

X′＝x+h*cosθ

Y′＝y+h*sinθ

其中x为采样点所在位置经度，y为采样点所在位置纬度，θ值为采样点所在道路与水平线夹角，h为推移长度。

3.根据权利要求1所述的一种融入街景影像的土地利用类别确定方法，其特征在于：所述步骤5中，土地利用分类模型具体实现为：

(1)设置一个采样窗口，对于整个遥感影像进行逐像元搜索，判断每个像元邻域中是否包含街景采样点；

(2)如果包含街景采样点，则通过反距离权重法，判定每个街景采样点对于中心像元的距离权重，反距离权重法的定义为：

其中W_i代表第i个街景采样点的距离的权重，n代表搜索窗口范围内所存在的街景样本点个数，h_i表示第i个点到中心像元的距离，P表示控制权重随距离变化的参数；

(3)逐一计算各图层中心像元属性值与街景采样点所在像元属性值差值的绝对值，对多个图层的差值绝对值取平均值：

其中M代表各图层中心像元与采样像元差值的和，m代表图层数n代表图层数，其中包括3个光谱图层以及纹理特征图层、形状特征图层，z为放大因子；

最后将各采样点的M值与M值所对应的权重值求积并求其比例：

C_i＝M_i*W_i L＝1

其中C_i表示i类地物在中心像元的系数，L表示像元邻域的n个样本中，第i类地物存在的个数，通过比较像元各类别的C_i值，以C_i值最大的地物为该像元土地利用类别。重复该土地分类模型算法，直至所有像元均获取唯一土地利用类别为止。

4.根据权利要求1所述的一种融入街景影像的土地利用类别确定方法，其特征在于：所述步骤2中，利用卷积神经网络对街景影像进行语义分割以及类别判定的具体过程如下：

(1)街景影像语义分割，将像素按照图像中表达语义含义的不同进行分割，获得图像中各个不同地物的标签，保留其中大范围且感兴趣区域作为标签进行类别判定；

(2)街景影像类别判定，采用卷积神经网络作为街景影像分类的模型，根据设定的分类***，每个类别各自选择同等数量张街景影像，利用前一步所获取的感兴趣区域标签训练选定的模型，利用训练的模型参数，获取得到其他照片的类别属性。