CN113724172A - 基于景观功能数据的城镇边界提取方法及*** - Google Patents
基于景观功能数据的城镇边界提取方法及*** Download PDFInfo
- Publication number
- CN113724172A CN113724172A CN202110892317.0A CN202110892317A CN113724172A CN 113724172 A CN113724172 A CN 113724172A CN 202110892317 A CN202110892317 A CN 202110892317A CN 113724172 A CN113724172 A CN 113724172A
- Authority
- CN
- China
- Prior art keywords
- urban
- rural
- boundary
- town
- country
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 80
- 238000005260 corrosion Methods 0.000 claims description 33
- 230000007797 corrosion Effects 0.000 claims description 33
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003628 erosive effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- DFPOZTRSOAQFIK-UHFFFAOYSA-N S,S-dimethyl-beta-propiothetin Chemical compound C[S+](C)CCC([O-])=O DFPOZTRSOAQFIK-UHFFFAOYSA-N 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于景观功能数据的城镇边界提取方法及***,其中方法包括:基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像,并将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。同时公开了与上述方法构成同一发明构思的***。本发明实现了城镇边界的优化提取,提高了城镇空间范围识别的自动化程度和空间分辨率。
Description
技术领域
本发明涉及地理及遥感影像处理技术领域,尤其涉及一种基于景观功能数据的城镇边界提取方法及***。
背景技术
城镇区域为城镇居民提供生产、生活和生态服务空间,在功能类型上是异质多样的,在空间上表现出连续无洞等形态学特征。城镇区域在空间上由异质功能区组成,不仅包括人类占主导地位的区域(如商业区、住宅区和工业区),还包括一些相对自然的景观(如湖泊、森林和公园等),因此城镇地区是高度异质的。此外,一些城镇景观与乡村景观有相似的表现形式。例如,棚户区作为一种城镇居住区与农村宅基地混淆,因为它们都具有低、密、乱的建筑格局和特征;此外,城镇和农村地区都有一些相对自然的景观,如森林和湖泊。因此,难以区分上述这些城镇景观与乡村景观。综上所述,城镇地区内部具有很强的异质性,且某些景观与乡村地区相混淆。城镇内部异质性和城乡混淆性,使城镇边界提取非常困难。
然而现有技术方法通过人口稠密、夜间灯光、建筑密集和人工不透水区域大致表达城镇区域,完全忽略了上述的两个问题。主流方法基于行政单元(如区或街道)的人口密度,识别出属于城区的人口密度高的单位,但实时准确的人口数据很难获取。因此,其他一些方法利用夜光卫星图像(如DMSP/OLS和LJ1-01)来测量人口分布,并确定夜间亮度高的城镇地区。相似的还有些方法计算建筑和道路密度以测量建成指数,并进一步提取城镇区域,其中建成区被视为具有密集建筑和道路网络的地方。而上述方法在提取城镇区域时存在两个问题:第一,由于不同的城镇具有不同的夜光亮度、人口和建筑密度,因此很难选择一个通用的夜光阈值或人口和建筑密度来界定城镇区域;第二,这些方法通常会产生具有粗略空间分辨率的城镇空间范围。为了解决这些问题,目前许多方法基于机器学习技术从卫星图像中提取不透水表面来表示城镇区域。这种方法对手动定义的阈值依赖性较低,分辨率相对较高(通常优于30米)。虽然这些方法能有效地识别出人工建设区域,但不能提取出城镇中相对自然的景观(城镇中的水体、森林公园等),而这些景观为城镇提供了生态服务,是城镇区域的重要组成部分。
发明内容
本发明实施例提供一种基于景观功能数据的城镇边界提取方法及***,用以解决在城镇边界提取过程中现有技术对城镇区域识别存在的上述部分或全部问题。
第一方面,本发明实施例提供一种基于景观功能数据的城镇边界提取方法,包括:
基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;
将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。
优选地,所述基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像,包括:
获取覆盖城镇和乡村的景观功能数据,所述景观功能数据包括城镇和乡村不同景观功能类型;
基于重分类规则将不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像。
优选地,将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的;其中,所述城乡边界膨胀算子和所述城乡边界腐蚀算子对应不同类型的像素卷积运算核。
优选地,将所述城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的,包括:
基于每个城乡边界膨胀算子和每个城乡边界腐蚀算子的交替对应执行将城乡混淆区识别为城镇或乡村并对城乡边界进行优化,直至所述城乡混淆区全部识别为城镇或乡村,其运算执行过程如下:
遍历景观功能的重分类图像中每一个像素;
基于当前像素类别、当前像素3x3领域的像素类别及当前设定的运算类型寻找匹配的像素卷积运算核;其中,所述当前设定的运算类型包括城乡边界膨胀算子和城乡边界腐蚀算子;
基于所述卷积运算核的输出类别修改当前像素的类别,以实现将所述重分类图像中的城乡混淆区的类型像素转换为城镇或乡村的类型像素。
第二方面,本发明实施例提供一种基于景观功能数据的城镇边界提取***,包括:
类型重分类模块,用于基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;
识别及优化模块,用于将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。
优选地,所述类型重分类模块包括数据获取模块和重分类模块;
所述数据获取模块,用于获取覆盖城镇和乡村的景观功能数据,所述景观功能数据包括城镇和乡村不同景观功能类型;
所述重分类模块,用于基于重分类规则将不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像。
优选地,所述识别及优化模块,用于将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的;其中,所述城乡边界膨胀算子和所述城乡边界腐蚀算子对应不同类型的像素卷积运算核。
优选地,所述识别及优化模块,进一步具体用于基于每个城乡边界膨胀算子和每个城乡边界腐蚀算子的交替对应执行将城乡混淆区识别为城镇或乡村并对城乡边界进行优化,直至所述城乡混淆区全部识别为城镇或乡村,其运算执行过程如下:
遍历景观功能的重分类图像中每一个像素;
基于当前像素类别、当前像素3x3领域的像素类别及当前设定的运算类型寻找匹配的像素卷积运算核;其中,所述当前设定的运算类型包括城乡边界膨胀算子和城乡边界腐蚀算子;
基于所述卷积运算核的输出类别修改当前像素的类别,以实现将所述重分类图像中的城乡混淆区的类型像素转换为城镇或乡村的类型像素。
第三方面,本发明实施例提供一种电子设备,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第一方面所提供的任一项所述基于景观功能数据的城镇边界提取方法的步骤。
第四方面,本发明实施例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第一方面所提供的任一项所述基于景观功能数据的城镇边界提取方法的步骤。
本发明实施例提供的一种基于景观功能数据的城镇边界提取方法及***,通过基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像,并将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。本发明实现了城镇边界的优化提取,提高了城镇空间范围识别的自动化程度和空间分辨率。
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是本发明提供的一种基于景观功能数据的城镇边界提取方法的流程示意图;
图2是本发明提供的景观功能数据重分类流程示意图;
图3是本发明提供的城乡边界膨胀算子和城乡边界腐蚀算子的结构示意图;
图4是本发明提供的一种基于景观功能数据的城镇边界提取***的结构示意图;
图5是本发明提供的类型重分类模块的结构示意图;
图6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。
下面结合图1-图6描述本发明提供的一种基于景观功能数据的城镇边界提取方法及***。
本发明实施例提供了一种基于景观功能数据的城镇边界提取方法。图1为本发明实施例提供的基于景观功能数据的城镇边界提取方法的流程示意图,如图1所示,该方法包括:
步骤110,基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;
具体来说,定义重分类规则,将景观功能数据中不同景观功能类型重分类为城镇、乡村和城乡混淆区。
步骤120,将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取城镇边界。
具体来说,定义知识驱动的城乡边界膨胀和腐蚀算子,并基于定义的城乡边界膨胀和腐蚀算子将城乡混淆区识别为城镇或乡村并优化城乡边界。
与现有技术相比,本发明实施例提供的方法,通过基于定义景观功能类型重分类规则对景观功能数据进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像,并基于知识驱动的城乡边界膨胀和腐蚀算子将所述重分类图像中的城乡混淆区识别为城镇或乡村,实现城镇边界的自动化识别和优化提取,结果应用于城镇化监测、规划与管理。本发明实现了城镇边界的优化提取,提高了城镇空间范围识别的自动化程度和空间分辨率。
基于上述任一实施例,如图2所示,所述基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像,包括:
步骤210,获取覆盖城镇和乡村的景观功能数据,所述景观功能数据包括城镇和乡村不同景观功能类型;
具体地,景观功能数据一般包含工业区、商业区、一类住宅区、二类住宅区、三类住宅区、科教文卫机构、未利用地、公共交通用地、公共开放空间、林草地、水域和农田等城镇和乡村景观功能类型。
步骤220,基于重分类规则将不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像。
具体地,定义重分类规则,将农田重分类为乡村,将林草地、水域和三类住宅区重分类为城乡混淆区,将其它功能类别重分类为城镇。因此,通过定义重分类规则,将景观功能数据中不同景观功能类型重分类为城镇、乡村和城乡混淆区等三个类别。
基于上述任一实施例,将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的;所述城乡边界膨胀算子和所述城乡边界腐蚀算子对应不同类型的像素卷积运算核。
具体地,定义城乡边界膨胀算子,并根据城乡形态学特征将城乡混淆区识别为城镇或乡村;定义城乡边界腐蚀算子,优化城乡边界的可靠性;迭代运算城乡边界膨胀算子和城乡边界腐蚀算子,实现城乡边界识别与优化提取
U⊙{R|existing}=R、U⊙{UR|only}=U,R⊙{U|existing}=U、R⊙{UR|only}=R、UR⊙{UR|only}=UR、UR⊙{U|mode except UR}=U、UR⊙{R|mode except UR}=R,其中和⊙分别表示城乡边界膨胀算子和城乡边界腐蚀算子,U表示城镇,R代表乡村,UR代表城乡混淆区,existing表示若存在,only表示若仅有,mode except UR代表除了城乡混淆区以外的众数。上述14个等式左侧表示当前像素的类别、其3x3领域的像素类别和当前指定运算类型,等式右侧表示卷积运算核输出结果。
图3为本发明实施例提供的城乡边界膨胀算子和城乡边界腐蚀算子的结构示意图。如图3所示,城乡边界膨胀算子由7个算子构成,其主要目的是根据城镇和乡村的形态学特征将城乡混淆区识别为城镇或乡村。此外,城乡边界腐蚀算子同样由7个算子构成,其主要目的是根据城镇和乡村的形态学特征优化城乡边界的可靠性。
基于上述任一实施例,将所述城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的,包括:
基于每个城乡边界膨胀算子和每个城乡边界腐蚀算子的交替对应执行将城乡混淆区识别为城镇或乡村并对城乡边界进行优化,直至所述城乡混淆区全部识别为城镇或乡村,也就是说,城乡边界腐蚀算子和城乡边界膨胀算子先后交替执行;迭代终止条件为城乡混淆区全部识别为城镇或乡村。即,交替执行城乡边界腐蚀算子和城乡边界膨胀算子,直到城乡混淆区全部识别为城镇或乡村为止。其运算执行过程如下:
遍历景观功能的重分类图像中每一个像素;
基于当前像素类别、当前像素3x3领域的像素类别及当前设定的运算类型寻找匹配的像素卷积运算核;其中,所述当前设定的运算类型包括城乡边界膨胀算子和城乡边界腐蚀算子;
基于所述卷积运算核的输出类型修改当前像素的类别,以实现将所述重分类图像中的城乡混淆区的类型像素转换为城镇或乡村的类型像素。
具体地,如图2所示,城乡边界膨胀算子和城乡边界腐蚀算子本质上是两组、共计14类的3x3像素卷积运算核(Conv1,Conv2,Conv14),其处理对象是景观功能重分类图像。具体运算方法:遍历景观功能重分类图像中每一个像素pixeli,根据其像素类别、其3x3领域的像素类别和当前指定运算类型(包括城乡边界膨胀运算或腐蚀运算)寻找匹配的卷积运算核Convj(1≤j≤14),根据Convj卷积运算核的输出结果修改当前像素的pixeli类别。运算结果将景观功能重分类图像中所有的城乡混淆区类型像素转换为城镇或乡村类型像素,实现城乡边界识别与提取。
下面对本发明提供的一种基于景观功能数据的城镇边界提取***进行描述,下文描述的与上文描述的一种基于景观功能数据的城镇边界提取方法可相互对应参照。
图4为本发明实施例提供的基于景观功能数据的城镇边界提取***的结构示意图,如图4所示,该***包括类型重分类模块410和识别及优化模块420;
所述类型重分类模块410,用于基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;
所述识别及优化模块420,用于将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。
与现有技术相比,本发明实施例提供的***,通过基于定义景观功能类型重分类规则对景观功能数据进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像,并基于知识驱动的城乡边界膨胀和腐蚀算子将所述重分类图像中的城乡混淆区识别为城镇或乡村,实现城镇边界的自动化识别和优化提取,结果应用于城镇化监测、规划与管理。本发明实现了城镇边界的优化提取,提高了城镇空间范围识别的自动化程度和空间分辨率。
基于上述任一实施例,如图5所示,所述类型重分类模块500包括数据获取模块510和重分类模块520;
所述数据获取模块510,用于获取覆盖城镇和乡村的景观功能数据,所述景观功能数据包括城镇和乡村不同景观功能类型;
所述重分类模块520,用于基于重分类规则将不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像。
基于上述任一实施例,所述识别及优化模块,用于将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的;其中,所述城乡边界膨胀算子和所述城乡边界腐蚀算子对应不同类型的像素卷积运算核。
基于上述任一实施例,所述识别及优化模块,进一步具体用于基于每个城乡边界膨胀算子和每个城乡边界腐蚀算子的交替对应执行将城乡混淆区识别为城镇或乡村并对城乡边界进行优化,直至所述城乡混淆区全部识别为城镇或乡村,其运算执行过程如下:
遍历景观功能的重分类图像中每一个像素;
基于当前像素类别、当前像素3x3领域的像素类别及当前设定的运算类型寻找匹配的像素卷积运算核;其中,所述当前设定的运算类型包括城乡边界膨胀算子和城乡边界腐蚀算子;
基于所述卷积运算核的输出类型修改当前像素的类别,以实现将所述重分类图像中的城乡混淆区的类型像素转换为城镇或乡村的类型像素。
图6为本发明实施例提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行基于景观功能数据的城镇边界提取方法,该方法包括:基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。
此外,上述的存储器630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,本发明实施例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基于景观功能数据的城镇边界提取方法,该方法包括:基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。
又一方面,本发明实施例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基于景观功能数据的城镇边界提取方法,该方法包括:基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。
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)
1.一种基于景观功能数据的城镇边界提取方法,其特征在于,包括:
基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;
将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。
2.根据权利要求1所述的基于景观功能数据的城镇边界提取方法,其特征在于,所述基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像,包括:
获取覆盖城镇和乡村的景观功能数据,所述景观功能数据包括城镇和乡村不同景观功能类型;
基于重分类规则将不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像。
3.根据权利要求1所述的基于景观功能数据的城镇边界提取方法,其特征在于,将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的;其中,所述城乡边界膨胀算子和所述城乡边界腐蚀算子对应不同类型的像素卷积运算核。
4.根据权利要求3所述的基于景观功能数据的城镇边界提取方法,其特征在于,将所述城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的,包括:
基于每个城乡边界膨胀算子和每个城乡边界腐蚀算子的交替对应执行将城乡混淆区识别为城镇或乡村并对城乡边界进行优化,直至所述城乡混淆区全部识别为城镇或乡村,其运算执行过程如下:
遍历景观功能的重分类图像中每一个像素;
基于当前像素类别、当前像素3x3领域的像素类别及当前设定的运算类型寻找匹配的像素卷积运算核;其中,所述当前设定的运算类型包括城乡边界膨胀算子和城乡边界腐蚀算子;
基于所述卷积运算核的输出类别修改当前像素的类别,以实现将所述重分类图像中的城乡混淆区的类型像素转换为城镇或乡村的类型像素。
5.一种基于景观功能数据的城镇边界提取***,其特征在于,包括:
类型重分类模块,用于基于景观功能数据对不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像;
识别及优化模块,用于将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界,以提取出城镇边界。
6.根据权利要求5所述的基于景观功能数据的城镇边界提取***,其特征在于,所述类型重分类模块包括数据获取模块和重分类模块;
所述数据获取模块,用于获取覆盖城镇和乡村的景观功能数据,所述景观功能数据包括城镇和乡村不同景观功能类型;
所述重分类模块,用于基于重分类规则将不同景观功能类型进行重分类得到包括城镇、乡村和城乡混淆区在内的重分类图像。
7.根据权利要求5所述的基于景观功能数据的城镇边界提取***,其特征在于,所述识别及优化模块,用于将所述重分类图像中的城乡混淆区识别为城镇或乡村并优化城乡边界是基于城乡边界膨胀算子和城乡边界腐蚀算子迭代进行城乡划分形态学运算得到的;其中,所述城乡边界膨胀算子和所述城乡边界腐蚀算子对应不同类型的像素卷积运算核。
8.根据权利要求7所述的基于景观功能数据的城镇边界提取***,其特征在于,所述识别及优化模块,进一步具体用于基于每个城乡边界膨胀算子和每个城乡边界腐蚀算子的交替对应执行将城乡混淆区识别为城镇或乡村并对城乡边界进行优化,直至所述城乡混淆区全部识别为城镇或乡村,其运算执行过程如下:
遍历景观功能的重分类图像中每一个像素;
基于当前像素类别、当前像素3x3领域的像素类别及当前设定的运算类型寻找匹配的像素卷积运算核;其中,所述当前设定的运算类型包括城乡边界膨胀算子和城乡边界腐蚀算子;
基于所述卷积运算核的输出类别修改当前像素的类别,以实现将所述重分类图像中的城乡混淆区的类型像素转换为城镇或乡村的类型像素。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述的基于景观功能数据的城镇边界提取方法的步骤。
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,该计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于景观功能数据的城镇边界提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892317.0A CN113724172B (zh) | 2021-08-04 | 2021-08-04 | 基于景观功能数据的城镇边界提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892317.0A CN113724172B (zh) | 2021-08-04 | 2021-08-04 | 基于景观功能数据的城镇边界提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724172A true CN113724172A (zh) | 2021-11-30 |
CN113724172B CN113724172B (zh) | 2023-09-26 |
Family
ID=78674932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110892317.0A Active CN113724172B (zh) | 2021-08-04 | 2021-08-04 | 基于景观功能数据的城镇边界提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724172B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824077A (zh) * | 2014-03-17 | 2014-05-28 | 武汉大学 | 一种基于多源遥感数据的城市不透水层率息提取方法 |
CN109858450A (zh) * | 2019-02-12 | 2019-06-07 | 中国科学院遥感与数字地球研究所 | 一种十米级空间分辨率遥感影像城镇提取方法及*** |
CN110375812A (zh) * | 2019-08-19 | 2019-10-25 | 李秀利 | 一种智慧城市环保***及其工作方法 |
CN110807376A (zh) * | 2019-10-17 | 2020-02-18 | 北京化工大学 | 基于遥感图像的城外道路提取方法及装置 |
CN111309149A (zh) * | 2020-02-21 | 2020-06-19 | 河北科技大学 | 一种手势识别方法及手势识别装置 |
CN111860236A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于迁移学习的小样本遥感目标检测方法及*** |
-
2021
- 2021-08-04 CN CN202110892317.0A patent/CN113724172B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824077A (zh) * | 2014-03-17 | 2014-05-28 | 武汉大学 | 一种基于多源遥感数据的城市不透水层率息提取方法 |
CN109858450A (zh) * | 2019-02-12 | 2019-06-07 | 中国科学院遥感与数字地球研究所 | 一种十米级空间分辨率遥感影像城镇提取方法及*** |
CN110375812A (zh) * | 2019-08-19 | 2019-10-25 | 李秀利 | 一种智慧城市环保***及其工作方法 |
CN110807376A (zh) * | 2019-10-17 | 2020-02-18 | 北京化工大学 | 基于遥感图像的城外道路提取方法及装置 |
CN111309149A (zh) * | 2020-02-21 | 2020-06-19 | 河北科技大学 | 一种手势识别方法及手势识别装置 |
CN111860236A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于迁移学习的小样本遥感目标检测方法及*** |
Non-Patent Citations (3)
Title |
---|
SHOUHANG DU 等: "Mapping large-scale and fine-grained urban functional zones from VHR images using a multi-scale semantic segmentation network and object based approach", 《REMOTE SENSING OF ENVIRONMENT》, pages 1 - 20 * |
冯昕 等: "基于多尺度融合的高分辨率影像城市用地分类", 《地理与地理信息科学》, vol. 29, no. 3, pages 43 - 47 * |
黄康 等: "基于FLUS模型与动能定理的城镇用地增长边界划定", 《地球信息科学》, vol. 22, no. 3, pages 557 - 567 * |
Also Published As
Publication number | Publication date |
---|---|
CN113724172B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alsabhan et al. | Automatic building extraction on satellite images using Unet and ResNet50 | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
CN109583345A (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN110598541B (zh) | 一种提取道路边缘信息的方法及设备 | |
CN108540988B (zh) | 一种场景划分方法及装置 | |
CN112712033B (zh) | 一种城市排水管网汇水区自动划分方法 | |
Nardinocchi et al. | Classification and filtering of laser data | |
CN116343048A (zh) | 针对平原作物类型复杂区地块边界精准提取方法及*** | |
CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
Zhou et al. | Stratified Object‐Oriented Image Classification Based on Remote Sensing Image Scene Division | |
Hu et al. | A framework to detect and understand thematic places of a city using geospatial data | |
Triantakonstantis et al. | A spatially heterogeneous expert based (SHEB) urban growth model using model regionalization | |
Wang et al. | Scalable individual tree delineation in 3D point clouds | |
Hui et al. | Automatic morphological filtering algorithm for airborne lidar data in urban areas | |
Almeida et al. | Multilevel object-oriented classification of quickbird images for urban population estimates | |
Zhan | A hierarchical object-based approach for urban land-use classification from remote sensing data | |
CN114581761A (zh) | 遥感图像识别方法、装置、设备和计算机可读存储介质 | |
CN113724172A (zh) | 基于景观功能数据的城镇边界提取方法及*** | |
Albert et al. | Land use classification using conditional random fields for the verification of geospatial databases | |
Patil et al. | Multiscale assessment of landscapes and watersheds with synoptic multivariate spatial data in environmental and ecological statistics | |
CN116468994A (zh) | 一种基于街景数据的村镇收缩模拟方法、***和装置 | |
CN109344496A (zh) | 一种基于网格模型的复杂电磁环境建模方法 | |
CN114297748A (zh) | 基于Scan-to-BIM既有建筑隐蔽线路推测方法 | |
CN114821304A (zh) | 建成区边界划定方法及*** | |
Alphan | Incorporating visibility information into multi-criteria decision making (MCDM) for wind turbine deployment |
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 |