一种耦合多标签分类网络和YOLO的城市功能分区方法技术

本发明专利技术属于城市规划和城市管理领域，公开了一种耦合多标签分类网络和YOLO的城市功能分区方法。包括：将具有地物类型标签第一训练集分为非典型地物数据集和典型地物数据集，分别对多标签分类网络和YOLO目标检测算法模型进行；将具有功能标签的第二训练集的遥感影像数据分别输入训练后的上述两个模型，输出遥感影像的非典型地物类型置信度、典型地物类型置信度、典型地物尺寸和典型地物空间位置信息，并计算典型地物面积占比率；采用得到的上述属性和功能类型标注训练决策树模型；使用训练好的上述模型对目标城市进行功能分区。该方法通过决策树模型实现了多标签分类网络和YOLO的城市功能的耦合使用，提高城市功能分区的准确率和可解释性。

【技术实现步骤摘要】
一种耦合多标签分类网络和YOLO的城市功能分区方法
本专利技术属于城市规划和城市管理领域，特别涉及一种耦合多标签分类网络和YOLO的城市功能分区方法。
技术介绍
遥感影像是城市规划和监测重要的数据之一。随着遥感技术的快速发展，多源遥感数据在LULC监测等方面得到了广泛的应用。如基于Landsat8监测土地利用变化，基于Luojia-1和NPPVIIRS提取城市建城区。随着人工智能的发展，遥感图像分析的方法得到了扩充，基于卷积神经网络及其变种算法的遥感地物提取因精度高、鲁棒性强等优点逐步代替了传统的研究。因此如何使用人工智能算法结合高精度遥感影像识别城市功能类型成为亟需解决的问题。
技术实现思路
本专利技术的目的是提供一种耦合多标签分类网络和YOLO的城市功能分区方法，更准确、更高效地识别城市区域功能类型，从而监测城市规划状态和空间分布格局。为达到上述目的，本专利技术提供了一种耦合多标签分类网络和YOLO的城市功能分区方法，包括如下步骤：S1.样本采集与标注：采集遥感影像样本，标记遥感影像样本中的各遥感影像的地物类型，得到具有地物类型标签的遥感影像数据库，将所述遥感影像数据库分为第一训练集和第二训练集，并标记所述第二训练集中的遥感影像的功能类型；S2.多标签分类网络模型训练：根据所述第一训练集中的遥感影像的地物类型确定非典型地物遥感数据集和典型地物遥感数据集；采用所述非典型地物遥感数据集对构建好的多标签分类网络模型进行训练，得到训练后的多标签分类网络模型；其中，所述非典型地物遥感数据集中的遥感影像含非典型地物，所述非典型地物为所述遥感影像数据中空间纹理特征不明显的地物，所述典型地物遥感数据集中的遥感影像含典型地物，所述典型地物为所述遥感影像数据中空间纹理特征明显的地物；S3.YOLO目标检测算法模型训练：将所述典型地物遥感数据集中的遥感影像添加典型地物的尺寸和空间位置信息后，得到具有空间信息标签的典型地物遥感数据集，采用所述具有空间信息标签的典型地物遥感数据集对构建好的YOLO目标检测算法模型进行训练，得到训练后的YOLO目标检测算法模型；S4.决策树模型训练：将所述第二训练集中的遥感影像数据作为训练后的多标签分类网络模型的输入，获取所述训练后的多标签分类网络模型输出的遥感影像非典型地物类型置信度；将所述第二训练集中的遥感影像数据作为训练后的YOLO目标检测算法模型的输入，获取所述训练后的YOLO目标检测算法模型输出的遥感影像典型地物类型置信度、典型地物尺寸和典型地物空间位置信息，根据所述典型地物尺寸计算得到典型地物面积占比率；根据所述第二训练集中遥感影像的非典型地物类型置信度、典型地物类型置信度、典型地物面积占比率和地物类型标签，采用所述第二训练集对构建好的决策树模型进行训练，得到训练后的决策树模型；S5.目标城市功能分区：将目标城市划分为若干个目标街区，并获取各个所述目标街区的遥感影像数据；将各个所述目标街区的遥感影像数据作为训练后的多标签分类网络模型的输入，获取所述训练后的多标签分类网络模型输出的各个所述目标街区遥感影像非典型地物类型置信度；将各个所述目标街区的遥感影像数据作为训练后的YOLO目标检测算法模型的输入，获取所述训练后的YOLO目标检测算法模型输出的各个所述目标街区遥感影像典型地物类型置信度、典型地物尺寸和典型地物空间位置信息，根据所述典型地物尺寸计算得到典型地物面积占比率；将各个所述目标街区遥感影像的非典型地物类型置信度、典型地物类型置信度和典型地物面积占比率作为所述训练后的决策树模型的输入，获取所述决策树模型输出的所述目标城市的功能分区结果。进一步的，步骤S2中，所述采用所述非典型地物遥感数据集对多标签分类网络模型进行训练，得到训练后的多标签分类网络模型，具体为：S21.将所述非典型地物遥感数据集中遥感影像的尺寸统一变换为M*M像素，并将变换后的遥感影像及其对应的地物类型标记数据输入多标签分类网络模型中，前向传播获得多标签分类网络模型输出的所述变换后的遥感影像地物的类型置信度；S22.利用二元交叉熵为损失函数，将损失函数值按极小化误差的方法进行反向传播，调整所述多标签分类网络模型的权重，得到训练后的多标签分类网络模型，其中，损失函数计算公式如下：上式中，J(θ)为二元交叉熵，N代表样本数，x(i)代表第i个变换后的遥感影像，hθ()代表激活函数，y(i)代表第i个变换后的遥感影像的标签，w为多标签分类网络模型的权重。进一步的，步骤S3中，所述采用所述具有空间信息标签的典型地物遥感数据集对构建好的YOLO目标检测算法模型进行训练，得到训练后的YOLO目标检测算法模型，具体包括：S31.将所述典型地物遥感数据集中遥感影像的尺寸统一为N*N像素后下采样32倍、16倍和8倍，得到多尺度典型地物特征图集；S32.将所述多尺度典型地物特征图集中的特征图及其对应的地物类型标注数据和空间信息标注数据输入构建好的YOLO目标检测算法模型中，前向传播获得YOLO目标检测算法模型输出的遥感影像的地物类型置信度、地物尺寸和地物空间位置信息；S33.将损失函数值按极小化误差的方法进行反向传播，调整YOLO目标检测算法模型的权重，得到训练后的YOLO目标检测算法模型，所述损失函数的计算公式如下：Loss＝Loss1+Loss2+Loss3+Loss4+Loss5，上式中，Loss1,Loss2,Loss3,Loss4,Loss5分别代表空间位置误差、尺寸误差、有地物时的置信度误差，没有地物时的置信度误差以及分类误差，代表示性函数，其中，如果第i个网格中的第j个先验框中有物体时，反之为0，S代表特征图的网格数量，B代表先验框的数量。代表第i个网格中的第j个先验框中的识别精度。进一步的，步骤S4中，所述根据所述第二训练集中遥感影像的非典型地物类型置信度、典型地物类型置信度、典型地物面积占比率和功能类型标签，采用所述第二训练集对构建好的决策树模型进行训练，得到训练后的决策树模型，具体包括：S41.将所述第二训练集中的各个遥感影像设定为所述决策树模型的当前叶节点；S42.针对遥感影像的每一属性，以多个互不相同的特征阈值分别对所述当前叶节点进行划分，并求取每次划分后所对应的基尼系数；其中，所述特征阈值在对应于所述属性的所有遥感影像的特征值的范围内任意取值；其中，所述属性包括遥感影像的非典型地物类型置信度、典型地物类型置信度和典型地物面积占比率；所述基尼系数的计算公式为：上式中，Gini_Index为基尼系数，Prob2(j|h)指第二训练集中所述属性特征值为h的遥感影像属于第j类功能的概率，nj(h)为第二训练集中所述属性的特征值为h且属于第j类功能的遥感影像个数，n(h)为第二训练集中所述属性特征值为h的遥感影像的个数，J为功能类型数；S43本文档来自技高网...

【技术保护点】
1.一种耦合多标签分类网络和YOLO的城市功能分区方法，其特征在于，包括如下步骤：/nS1.样本采集与标注：采集遥感影像样本，标记遥感影像样本中的各遥感影像的地物类型，得到具有地物类型标签的遥感影像数据库，将所述遥感影像数据库分为第一训练集和第二训练集，并标记所述第二训练集中的遥感影像的功能类型；/nS2.多标签分类网络模型训练：根据所述第一训练集中的遥感影像的地物类型确定非典型地物遥感数据集和典型地物遥感数据集；采用所述非典型地物遥感数据集对构建好的多标签分类网络模型进行训练，得到训练后的多标签分类网络模型；/n其中，所述非典型地物遥感数据集中的遥感影像含非典型地物，所述非典型地物为所述遥感影像数据中空间纹理特征不明显的地物，所述典型地物遥感数据集中的遥感影像含典型地物，所述典型地物为所述遥感影像数据中空间纹理特征明显的地物；/nS3.YOLO目标检测算法模型训练：将所述典型地物遥感数据集中的遥感影像添加典型地物的尺寸和空间位置信息后，得到具有空间信息标签的典型地物遥感数据集，采用所述具有空间信息标签的典型地物遥感数据集对构建好的YOLO目标检测算法模型进行训练，得到训练后的YOLO目标检测算法模型；/nS4.决策树模型训练：将所述第二训练集中的遥感影像数据作为训练后的多标签分类网络模型的输入，获取所述训练后的多标签分类网络模型输出的遥感影像非典型地物类型置信度；将所述第二训练集中的遥感影像数据作为训练后的YOLO目标检测算法模型的输入，获取所述训练后的YOLO目标检测算法模型输出的遥感影像典型地物类型置信度、典型地物尺寸和典型地物空间位置信息，根据所述典型地物尺寸计算得到典型地物面积占比率；根据所述第二训练集中遥感影像的非典型地物类型置信度、典型地物类型置信度、典型地物面积占比率和地物类型标签，采用所述第二训练集对构建好的决策树模型进行训练，得到训练后的决策树模型；/nS5.目标城市功能分区：将目标城市划分为若干个目标街区，并获取各个所述目标街区的遥感影像数据；/n将各个所述目标街区的遥感影像数据作为训练后的多标签分类网络模型的输入，获取所述训练后的多标签分类网络模型输出的各个所述目标街区遥感影像非典型地物类型置信度；/n将各个所述目标街区的遥感影像数据作为训练后的YOLO目标检测算法模型的输入，获取所述训练后的YOLO目标检测算法模型输出的各个所述目标街区遥感影像典型地物类型置信度、典型地物尺寸和典型地物空间位置信息，根据所述典型地物尺寸计算得到典型地物面积占比率；/n将各个所述目标街区遥感影像的非典型地物类型置信度、典型地物类型置信度和典型地物面积占比率作为所述训练后的决策树模型的输入，获取所述决策树模型输出的所述目标城市的功能分区结果。/n...

【技术特征摘要】
1.一种耦合多标签分类网络和YOLO的城市功能分区方法，其特征在于，包括如下步骤：
S1.样本采集与标注：采集遥感影像样本，标记遥感影像样本中的各遥感影像的地物类型，得到具有地物类型标签的遥感影像数据库，将所述遥感影像数据库分为第一训练集和第二训练集，并标记所述第二训练集中的遥感影像的功能类型；
S2.多标签分类网络模型训练：根据所述第一训练集中的遥感影像的地物类型确定非典型地物遥感数据集和典型地物遥感数据集；采用所述非典型地物遥感数据集对构建好的多标签分类网络模型进行训练，得到训练后的多标签分类网络模型；
其中，所述非典型地物遥感数据集中的遥感影像含非典型地物，所述非典型地物为所述遥感影像数据中空间纹理特征不明显的地物，所述典型地物遥感数据集中的遥感影像含典型地物，所述典型地物为所述遥感影像数据中空间纹理特征明显的地物；
S3.YOLO目标检测算法模型训练：将所述典型地物遥感数据集中的遥感影像添加典型地物的尺寸和空间位置信息后，得到具有空间信息标签的典型地物遥感数据集，采用所述具有空间信息标签的典型地物遥感数据集对构建好的YOLO目标检测算法模型进行训练，得到训练后的YOLO目标检测算法模型；
S4.决策树模型训练：将所述第二训练集中的遥感影像数据作为训练后的多标签分类网络模型的输入，获取所述训练后的多标签分类网络模型输出的遥感影像非典型地物类型置信度；将所述第二训练集中的遥感影像数据作为训练后的YOLO目标检测算法模型的输入，获取所述训练后的YOLO目标检测算法模型输出的遥感影像典型地物类型置信度、典型地物尺寸和典型地物空间位置信息，根据所述典型地物尺寸计算得到典型地物面积占比率；根据所述第二训练集中遥感影像的非典型地物类型置信度、典型地物类型置信度、典型地物面积占比率和地物类型标签，采用所述第二训练集对构建好的决策树模型进行训练，得到训练后的决策树模型；
S5.目标城市功能分区：将目标城市划分为若干个目标街区，并获取各个所述目标街区的遥感影像数据；
将各个所述目标街区的遥感影像数据作为训练后的多标签分类网络模型的输入，获取所述训练后的多标签分类网络模型输出的各个所述目标街区遥感影像非典型地物类型置信度；
将各个所述目标街区的遥感影像数据作为训练后的YOLO目标检测算法模型的输入，获取所述训练后的YOLO目标检测算法模型输出的各个所述目标街区遥感影像典型地物类型置信度、典型地物尺寸和典型地物空间位置信息，根据所述典型地物尺寸计算得到典型地物面积占比率；
将各个所述目标街区遥感影像的非典型地物类型置信度、典型地物类型置信度和典型地物面积占比率作为所述训练后的决策树模型的输入，获取所述决策树模型输出的所述目标城市的功能分区结果。


2.根据权利要求1所述的城市功能区分类方法，其特征在于，步骤S2中，所述采用所述非典型地物遥感数据集对多标签分类网络模型进行训练，得到训练后的多标签分类网络模型，具体为：
S21.将所述非典型地物遥感数据集中遥感影像的尺寸统一变换为M*M像素，并将变换后的遥感影像及其对应的地物类型标记数据输入多标签分类网络模型中，前向传播获得多标签分类网络模型输出的所述变换后的遥感影像地物的类型置信度；
S22.利用二元交叉熵为损失函数，将损失函数值按极小化误差的方法进行反向传播，调整所述多标签分类网络模型的权重，得到训练后的多标签分类网络模型，其中，损失函数计算公式如下：

【专利技术属性】
技术研发人员：周侗，钱振，刘润瑞，陶菲，林霜，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32