CN116468994A - 一种基于街景数据的村镇收缩模拟方法、***和装置 - Google Patents

一种基于街景数据的村镇收缩模拟方法、***和装置 Download PDF

Info

Publication number
CN116468994A
CN116468994A CN202310470785.8A CN202310470785A CN116468994A CN 116468994 A CN116468994 A CN 116468994A CN 202310470785 A CN202310470785 A CN 202310470785A CN 116468994 A CN116468994 A CN 116468994A
Authority
CN
China
Prior art keywords
street view
town
village
contraction
driving force
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
Application number
CN202310470785.8A
Other languages
English (en)
Inventor
卓莉
李明月
周素红
史清丽
黄昱普
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202310470785.8A priority Critical patent/CN116468994A/zh
Publication of CN116468994A publication Critical patent/CN116468994A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • G06V20/39—Urban scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于街景数据的村镇收缩模拟方法、***和装置，该方法包括：获取街景图像数据集；基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标；对街景图像数据集进行评分，得到情感评分结果；根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素；根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟。本发明基于街景图像的村镇收缩表达，探究收缩关键驱动力因素，模拟村镇收缩演变趋势。本发明可广泛应用于发展趋势模拟领域。

Description

一种基于街景数据的村镇收缩模拟方法、***和装置
技术领域
本发明涉及发展趋势模拟的技术领域，尤其涉及一种基于街景数据的村镇收缩模拟方法、***和装置。
背景技术
作为城镇化载体谱系的重要单元，村镇是推动新型城镇化高质量发展的重要环节，更是实施乡村振兴战略的重要空间。
在此背景下，相关学者对村镇收缩理论研究展开了研究。目前，村镇收缩理论研究尝试利用村镇统计数据和自然地表要素现状，分别从人口、土地和经济等维度开展村镇收缩测度、驱动机制分析及应对策略实施建议。该类研究主要依赖于村镇统计数据的可用性，然而其数据可获取难度较大，极大限制了村镇收缩理论研究的深度和准确性。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于街景数据的村镇收缩模拟方法、***和装置，基于街景图像的村镇收缩表达，探究收缩关键驱动力因素，模拟村镇收缩演变趋势。
本发明所采用的第一技术方案是：一种基于街景数据的村镇收缩模拟方法，包括以下步骤：
获取街景图像数据集；
基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标；
对街景图像数据集进行评分，得到情感评分结果；
根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素；
根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟。
进一步，所述获取街景图像数据集这一步骤，其具体包括：
获取村镇街景数据并进行缺失补充，得到村镇街景图片；
对村镇街景图片进行全景拼接，得到标准化村镇街景图像数据集。
通过该优选步骤，对直接获取的街景数据进行补充，使得数据更加完整。
进一步，述基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标这一步骤，其具体包括：
基于预构建的语义分割模型对街景图像数据集中的图像进行语义分割，得到地表要素分布；
根据地表要素分布计算村镇收缩的视觉景观指标；
所述视觉景观指标包括绿视率、街道开敞度、界面围合度和机动化程度。
通过该优选步骤，以设定的视觉景观指标量化村镇收缩下的视觉景观品质，方便后续作为考虑因素进行村镇收缩模拟。
进一步，所述对街景图像数据集进行评分，得到情感评分结果这一步骤，其具体包括：
构建村镇街景图像居民情感评分的样例数据集；
基于样例数据集对ResNet模型进行训练，得到情感评分模型；
将街景图像数据集输入至情感评分模型进行评分，得到情感评分结果。
通过该优选步骤，基于ResNet构建适合于村镇街景特点的情感评分模型，并用训练好的模型得到所有街景图片对应的居民情感评分作为情感评分结果。
进一步，所述根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素这一步骤，其具体包括：
基于随机森林模型拟合视觉景观指标与情感评分结果之间的关系，得到关系模型；
对关系模型进行特征重要性分析，根据参数权重确定驱动力因素。
通过该优选步骤，构建由街景图像表征的村镇收缩视觉景观特征与居民情感评分的非线性关系，得到影响村镇收缩的关键驱动力因素。
进一步，所述根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟这一步骤，其具体包括：
采用模糊C均值算法对驱动力因素进行模糊聚类，得到各元胞潜在收缩和发展概率分布图；
基于潜在收缩和发展概率分布图，通过极大值确定局部潜在收缩和发展区域；
结合潜在收缩和发展概率、自适应惯性竞争机制以及邻域影响，确定各元胞状态转移概率；
基于元胞状态转移概率和轮盘赌选择机制，确定最终的元胞状态，得到村镇收缩模拟。
通过该优选步骤，采用聚类算法将村镇收缩驱动因素聚类为两组，得到每个像元的两个隶属度值，分别代表了潜在收缩概率和发展概率，进一步根据上述概率和微观模拟模型元胞自动机得到自然发展情景下的未来村镇收缩格局。
进一步，所述根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟这一步骤，还包括：
根据规划设定限制条件；
结合限制条件，基于微观模拟模型元胞自动机，进行村镇收缩模拟。
通过该优选步骤，考虑人为规划的影响，采用微观模拟模型元胞自动机进行规划政策情景下的村镇收缩优化模拟。
本发明所采用的第二技术方案是：一种基于街景数据的村镇收缩模拟***，包括：
图像获取模块，用于获取街景图像数据集；
视觉景观特征模块，基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标；
情感评分模块，用于对街景图像数据集进行评分，得到情感评分结果；
驱动力分析模块，用于根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素；
村镇收缩模拟模块，用于根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟。
本发明所采用的第三技术方案是：一种基于街景数据的村镇收缩模拟装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述一种基于街景数据的村镇收缩模拟方法。
本发明方法、***和装置的有益效果是：本发明对街景图像构建视觉景观特征和情感评分标签，然后通过随机森林模型根据上述特征和标签进行村镇收缩驱动力分析，最后将分析结果结合微观模拟模型元胞自动机进行村镇收缩的模拟，实现了多情景的村镇收缩的模拟，弥补了传统的村镇收缩研究对村镇统计数据的依赖，从街景图像数据的角度提供了一种新的视角以刻画村镇收缩现状。
附图说明
图1是本发明一种基于街景数据的村镇收缩模拟方法的步骤流程图；
图2是本发明一种基于街景数据的村镇收缩模拟***的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明提供了一种基于街景数据的村镇收缩模拟方法，该方法包括以下步骤：
S1、获取街景图像数据集；
S1.1、从开放地图Web服务中获取可用的村镇街景数据；
具体地，预处理村镇路网数据，包括交叉打断、折点转点、重复路段合并等操作，并按照固定间隔(例如30m、50m)生成街景数据采样点分布。基于街景数据采样点分布，结合地图软件WEB服务API中的全景静态图接口以及网络众包策略，得到上述数据点不同方向的历史街景图像数据；
S1.2、补充缺失的村镇街景数据；
具体地，对于缺失街景数据的采样点的数据，分别在对应采样点处搭建相机，得到每个采样点多个方向(例如东南西北四个方向)的街景图片。为获取多方向街景，可以采用360度的拍摄角度；
S1.3、对村镇街景图片进行全景拼接，得到标准化村镇街景图像数据集。
具体地，每幅街景图像包含多个参数，通过提交适当的参数将每个数据点的街景图片拼接成全景图像。例如通过位置、全景、大小、签名、标题、视场、俯仰、半径、源等参数进行全景拼接，或者直接使用全景制作软件来制作全景图等。
S2、基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标；
S2.1、基于预构建的语义分割模型对街景图像数据集中的图像进行语义分割，得到地表要素分布；
具体地，街景图像中的很多场景和对象具有一定的先验知识，例如建筑物、道路、人行道等。融合这些先验知识，设计更加有效的模型和算法，提高语义分割的准确性和速度。通过预训练的语义分割模型可将街景图像划分为多个子场景，每个子场景涉及车辆、道路、树木或建筑等多个地物类别。
S2.2、根据地表要素分布计算村镇收缩的视觉景观指标，所述视觉景观指标包括绿视率、街道开敞度、界面围合度和机动化程度；
具体地，参照景观品质评价体系，选定m类用于表征村镇收缩的视觉景观指标，据此进一步确定需要的地表要素，以量化村镇收缩下的视觉景观品质。具体地，村镇收缩的视觉景观特征可以采用绿视率、街道开敞度、界面围合度和机动化程度等指标来量化。其中，绿视率用地表要素中的树木占比来量化、街道的开敞度用天空比率衡量、界面围合度是建筑物、柱体与树木的总和，以车行道路、汽车比重减去人行铺装的比例作为机动化程度指标，并计算街景图片中的行人、自行车和汽车出现率将其作为辅助指标；
例如：
使用预训练好的语义分割模型FCN(或PSPNet)对街景图像进行语义分割，可以将将一幅任意大小的街景图像划分为151种自然地物类别，然后只选择与村镇收缩的视觉景观指标相关的绿化、建筑、路面、人行道、行人、车辆等地物的像素数量，并计算各类像素占比，即可得到各类指标值以反映村镇收缩空间现状。注，对村镇收缩的视觉景观描述可采用单独指标或是复合指标。具体地，可以分别从绿视率、街道开敞度、界面围合度和机动化程度等单个指标角度评价村镇景观，也可将不同指标统一量纲后通过系数加权等方式构建一个整体的指数来综合测度村镇景观。
S3、对街景图像数据集进行评分，得到情感评分结果；
S3.1、构建村镇街景图像居民情感评分的样例数据集；
具体地，居民对村镇空间的情感态度是对村镇收缩与发展现状的集中反映，考虑让村镇居民对街景图像进行情感评分，对应的居民情感主要关注富有、安全、活力、美丽、无聊以及压抑共计6种类型。随机抽取一定比例的街景图像作为样例街景图像数据集，并选择若干个村镇当地居民从上述6个情感维度分别对这些样例街景图像进行打分，打分数值范围为0-10，并取这6个打分的平均值作为最终的街景图像综合情感评分，评分越接近0，表示该区域收缩现象越显著，越接近10，则该区域发展越好；
另一实施例，从网络数据库中提取带有情感标签的街景图像作为样例数据集。
S3.2、基于样例数据集对ResNet模型进行训练，得到情感评分模型；
具体地，根据村镇特点改进在城市区域应用效果较好的深度学习模型，如ResNet等，构建适合于村镇街景特点的情感评分模型，并用训练好的模型得到所有街景图片对应的居民情感评分。
例如，选用深度残差网络ResNet50为预训练模型，并按照7：3的比例将街景图片样例集划分为训练集与验证集，尝试用训练集来微调ResNet50网络参数，验证集来分析微调后的模型性能，得到训练好的最佳ResNet50网络作为情感评分模型。
S3.3、将街景图像数据集输入至情感评分模型进行评分，得到情感评分结果。
具体地，基于情感评分模型估计每张街景图像的居民情感评分，进一步构建村镇空间对应的居民情感地图。
S4、根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素；
S4.1、基于随机森林模型拟合视觉景观指标与情感评分结果之间的关系，得到关系模型；
具体地，获得村镇空间的居民情感地图后，利用随机森林模型构建由街景图像表征的村镇收缩视觉景观特征与居民情感评分的非线性关系。首先，按照8:2比例准备用于训练和测试模型的数据集，数据集包括特征变量和目标变量两部分，将S2.2得到的村镇收缩视觉景观特征(包括绿化率、建筑密度、道路通行能力等指标)表征驱动因素并作为特征自变量，以S3.3得到的街景图像居民情感评分表征收缩并作为目标因变量。其次，使用训练集对随机森林模型进行训练，并根据测试集的模型估计结果，对随机森林模型进行调优，包括调整其参数如增加或减少树的数量和更换特征选择等方式，以得到最佳的模型性能。
S4.2、对关系模型进行特征重要性分析，根据参数权重确定驱动力因素。
具体地，基于上一步骤获得的最佳模型结果，计算每个村镇收缩视觉景观特征对情感评分的重要程度，数值越高代表该特征越重要。通过对比不同特征的重要性，可以识别得到影响村镇收缩的关键驱动力。
驱动因素分析环节旨在获得村镇收缩的关键驱动力。随机森林模型能较为高效准确地挖掘变量之间的非线性关系，且能在一定程度上防止过拟合，具有较好的泛化能力，而且对于缺失值和异常值处理效果好。因此，以情感评分表征收缩，以语义分割模型提取的视觉景观指标表示驱动因素，构建基于随机森林构建村镇收缩驱动力模型，可以快速计算出各个驱动因素对村镇收缩的影响程度，识别出影响村镇收缩的关键因素。
S5、根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟。
S5.1、采用模糊C均值算法对驱动力因素进行模糊聚类，得到潜在收缩和发展概率分布图；
具体地，采用模糊C均值算法FCM对绿化率、交通便捷性等村镇收缩驱动因素(由上一步骤得到)进行模糊聚类，得到村镇潜在收缩和发展概率分布图。与常见的K-mean方法或ISODATA聚类直接为每个像素分配类别不同，FCM聚类可以得到像素属于每个类别的隶属度。因而，采用FCM算法将村镇收缩驱动因素聚类为两组，得到每个像元的两个隶属度值，分别代表了潜在收缩概率和发展概率；
S5.2、基于潜在收缩和发展概率分布图，通过极大值确定局部潜在收缩和发展区域；
具体地，对每个像素取3*3邻域窗口，当该像素的潜在收缩概率值大于周围其它8个像素时，将其定义为局部最大值，代表在局部尺度上最有可能的收缩区域。同理可得到局部尺度上最有可能的发展区域；
S5.3、结合局部潜在收缩区域、自适应惯性竞争机制以及邻域影响，确定各像元状态(收缩或发展状态)的转移概率；
具体地，各像元的状态转移概率计算如公式1所示：
式中，代表迭代时间t时像元i从原始状态转为目标状态k(潜在收缩/发展)的概率，Pi,k代表像元的潜在收缩/发展概率，由上一步骤可得，/>代表状态k的自适应惯性系数，/>代表像元领域内K状态像元的影响，conc→k为从原始状态c转换到k状态的转换成本。
S5.4、基于状态转移概率和轮盘赌选择机制，确定像元最终状态，得到村镇收缩模拟；
具体地，由上一步骤可得到两种状态概率，对这两种概率构建一个轮盘赌选择机制，让这两种状态在每个像元上竞争。若收缩状态在非收缩像元上获胜，则非收缩像元将变成收缩像元，从而得到自然发展情景下(即不进行政策干预的情况下)的未来村镇收缩格局；
S5.5、根据规划设定限制条件，结合限制条件和微观模拟模型元胞自动机，进行村镇收缩模拟。
将规划政策考虑到村镇收缩治理中，当对村镇采用不同的改造、治理措施时，可能会得到不同的治理效果。以加入未来的交通路线和站点规划为例，具体地，加入交通路线和站点规划数据，重新进行潜在收缩和发展两类概率的计算，进一步输入约束收缩治理的限制数据，例如考虑耕地保护和生态保护红线，重复S5.2到S5.4的过程，即可模拟加入规划交通情景下的未来村镇收缩治理成效。同理模拟其他政策干预下的村镇收缩治理成效，从各情景模拟结果中对比选择应对当地村镇收缩现状更具针对性和实效性的解决方案。
综上所述，本发明基于街景图像从视觉景观特征的角度描述了村镇收缩现状。街景图像覆盖面广，能提供精细层级信息，对自然地表的刻画也更加丰富和鲜明，且街景图像获取途径多样，这弥补了传统的村镇收缩研究对村镇统计数据的依赖，从图像数据角度提供了一种新的视角以刻画村镇收缩现状。
另外，本发明可实现未来多情景的村镇收缩与治理模拟。在村镇街景图像数据的基础上，完成基于街景图像的村镇收缩视觉景观评价，收缩关键驱动力分析，以及模拟未来多情景下的村镇收缩治理的空间演变趋势。利用街景图像进行模拟可以充分考虑不同地域村镇的实际情况，从而得到更加真实、精准的模拟结果，本方法易于扩展到更多的村镇，不同地区的村镇因不同自然环境、社会经济情况、发展阶段差异等面临着不同的问题，在相同治理措施下，可能得到不一样的效果，需要因地制宜讨论和持续性研究。本发明在驱动力分析这一环节得到的关键因素有助于提出针对性的村镇规划建议，在***中输入不同治理措施可模拟出该村镇未来空间演变趋势，为决策者选择最适宜当地发展的方案提供参考。
如图2所示，一种于街景数据的村镇收缩模拟***，包括：
图像获取模块，用于获取街景图像数据集；
视觉景观特征模块，基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标；
情感评分模块，用于对街景图像数据集进行评分，得到情感评分结果；
驱动力分析模块，用于根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素；
村镇收缩模拟模块，用于根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟。
一种基于街景数据的村镇收缩模拟装置：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于街景数据的村镇收缩模拟方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于街景数据的村镇收缩模拟方法。
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种基于街景数据的村镇收缩模拟方法，其特征在于，包括以下步骤：
获取街景图像数据集；
基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标；
对街景图像数据集进行评分，得到情感评分结果；
根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素；
根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟。
2.根据权利要求1所述一种基于街景数据的村镇收缩模拟方法，其特征在于，所述获取街景图像数据集这一步骤，其具体包括：
获取村镇街景数据并进行缺失补充，得到村镇街景图片；
对村镇街景图片进行全景拼接，得到标准化村镇街景图像数据集。
3.根据权利要求1所述一种基于街景数据的村镇收缩模拟方法，其特征在于，所述基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标这一步骤，其具体包括：
基于预构建的语义分割模型对街景图像数据集中的图像进行语义分割，得到地表要素分布；
根据地表要素分布计算村镇收缩的视觉景观指标；
所述视觉景观指标包括绿视率、街道开敞度、界面围合度和机动化程度。
4.根据权利要求1所述一种基于街景数据的村镇收缩模拟方法，其特征在于，所述对街景图像数据集进行评分，得到情感评分结果这一步骤，其具体包括：
构建村镇街景图像居民情感评分的样例数据集；
基于样例数据集对ResNet模型进行训练，得到情感评分模型；
将街景图像数据集输入至情感评分模型进行评分，得到情感评分结果。
5.根据权利要求1所述一种基于街景数据的村镇收缩模拟方法，其特征在于，所述根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素这一步骤，其具体包括：
基于随机森林模型拟合视觉景观指标与情感评分结果之间的关系，得到关系模型；
对关系模型进行特征重要性分析，根据参数权重确定驱动力因素。
6.根据权利要求1所述一种基于街景数据的村镇收缩模拟方法，其特征在于，所述根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟这一步骤，其具体包括：
采用模糊C均值算法对驱动力因素进行模糊聚类，得到各元胞潜在收缩和发展概率分布图；
基于潜在收缩和发展概率分布图，通过极大值确定局部潜在收缩和发展区域；
结合潜在收缩和发展概率、自适应惯性竞争机制以及邻域影响，确定各元胞状态转移概率；
基于元胞状态转移概率和轮盘赌选择机制，确定最终的元胞状态，得到村镇收缩模拟。
7.根据权利要求6所述一种基于街景数据的村镇收缩模拟方法，其特征在于，所述根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟这一步骤，还包括：
根据规划设定限制条件；
结合限制条件，基于微观模拟模型元胞自动机，进行村镇收缩模拟。
8.一种基于街景数据的村镇收缩模拟***，其特征在于，包括：
图像获取模块，用于获取街景图像数据集；
视觉景观特征模块，基于街景图像数据集提取地表要素分布并量化视觉景观品质，得到视觉景观指标；
情感评分模块，用于对街景图像数据集进行评分，得到情感评分结果；
驱动力分析模块，用于根据视觉景观指标和情感评分结果，基于随机森林模型进行村镇收缩驱动力分析，得到驱动力因素；
村镇收缩模拟模块，用于根据驱动力因素，基于微观模拟模型元胞自动机，进行村镇收缩的模拟。
9.一种基于街景数据的村镇收缩模拟装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述一种基于街景数据的村镇收缩模拟方法。
CN202310470785.8A 2023-04-27 2023-04-27 一种基于街景数据的村镇收缩模拟方法、***和装置 Pending CN116468994A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310470785.8A CN116468994A (zh) 2023-04-27 2023-04-27 一种基于街景数据的村镇收缩模拟方法、***和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310470785.8A CN116468994A (zh) 2023-04-27 2023-04-27 一种基于街景数据的村镇收缩模拟方法、***和装置

Publications (1)

Publication Number Publication Date
CN116468994A true CN116468994A (zh) 2023-07-21

Family

ID=87182357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310470785.8A Pending CN116468994A (zh) 2023-04-27 2023-04-27 一种基于街景数据的村镇收缩模拟方法、***和装置

Country Status (1)

Country Link
CN (1) CN116468994A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117875769A (zh) * 2023-12-29 2024-04-12 广州大学 一种视觉要素对骑行环境评价影响强度的分析方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117875769A (zh) * 2023-12-29 2024-04-12 广州大学 一种视觉要素对骑行环境评价影响强度的分析方法及***

Similar Documents

Publication Publication Date Title
CN112561146B (zh) 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法
CN110111335B (zh) 一种自适应对抗学习的城市交通场景语义分割方法及***
Changzhen et al. A traffic sign detection algorithm based on deep convolutional neural network
CN111259906B (zh) 含多级通道注意力的条件生成对抗遥感图像目标分割方法
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及***
Sun et al. Modeling urban land use change and urban sprawl: Calgary, Alberta, Canada
CN110929577A (zh) 一种基于YOLOv3的轻量级框架改进的目标识别方法
Alsabhan et al. Automatic building extraction on satellite images using Unet and ResNet50
CN110728295B (zh) 半监督式的地貌分类模型训练和地貌图构建方法
CN110175611A (zh) 面向车牌识别***黑盒物理攻击模型的防御方法及装置
CN111127449A (zh) 一种基于编码器-解码器的自动化裂缝检测方法
CN110766038A (zh) 无监督式的地貌分类模型训练和地貌图构建方法
CN109886147A (zh) 一种基于单网络多任务学习的车辆多属性检测方法
CN108805345A (zh) 一种基于深度卷积神经网络模型的犯罪时空风险预测方法
CN112766280A (zh) 一种基于图卷积的遥感图像道路提取方法
CN116468994A (zh) 一种基于街景数据的村镇收缩模拟方法、***和装置
CN116092034A (zh) 一种基于改进的DeeplabV3+模型的车道线检测方法
CN114519819A (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN114399638A (zh) 基于切块补丁学习的语义分割网络训练方法、设备及介质
CN114913475B (zh) 基于gis和机器视觉的城市网格化管理方法及***
CN111369124A (zh) 一种基于自生成全局特征和注意力的图像美学预测方法
CN114494893B (zh) 基于语义重用上下文特征金字塔的遥感图像特征提取方法
CN116343136A (zh) 一种基于高速公路监控视频的路面抛洒物检测方法
CN113255574B (zh) 城市街道语义分割方法及自动驾驶方法

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