一种基于地标约束的多尺度城市功能分类方法技术

本发明专利技术提出了一种基于地标约束的多尺度城市功能分类方法。首先，结合多源异构数据，构建了基于几何相似和功能相似的城市建筑物空间场景，有助于较好的实现地理信息检索分类；其次，结合建筑物的几何特征和语义特征设计了新的显著性去量化提取地标，顾及了地理实体视觉、语义和空间等特性，全面、客观地设计了地标提取模型；最后，基于地标约束的功能区识别模型，提高模型对于特殊区域识别能力，避免了由于单独数据源引起功能区误识别情况，能够客观综合地对不同城市区域进行功能识别。本发明专利技术所提出的方法不仅在单一空间尺度上有效提升显著地物的识别能力，同时也能在提升在不同尺度下地物特征的关联和映射关系，实现多尺度下城市功能区识别。市功能区识别。市功能区识别。

【技术实现步骤摘要】
一种基于地标约束的多尺度城市功能分类方法


[0001]本专利技术涉及地理信息科学与城市土地利用，更具体地说，涉及一种基于地标约束的多尺度下城市功能分类方法。

技术介绍

[0002]城市化是衡量一个国家社会发达程度的重要因素。合理的城市空间布局有助于促进和完善现有城市功能划分的研究理论发展，对城市的普适计算和城市规划等方面都具有重要意义。
[0003]近年来，随着城市发展对于精细化、多尺度的城市功能分区结果的进一步需求，越来越多的研究者开始关注精细化的城市空间单元功能分类。测绘学的不断发展使大范围建筑物的几何与位置信息可以通过高分影像高效、快速获取，这些方法相比于传统的城市土地利用类型分布图、专家评分或是实地调查统计等方法虽然在分类精度方面有所提升，但是难以进一步挖掘其中的功能语义信息，无法满足现代化城市规划与分析中的一些需求；一些学者将传统规划数据、遥感影像数据、时空信息数据、POIs数据等结合，采用多源数据融合方法，建立精细化功能区识别体系。虽然以上研究在城市功能分区识别中取得了长足进步，但这些研究在空间多尺度功能区识别，特殊空间场景本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于地标约束的多尺度城市功能分类方法，其特征在于，包含如下步骤：S1、将城市POI数据、建筑物数据和宜出行数据进行预处理，得到路网数据，对该路网数据进行分级处理，得到三级路网；根据建筑物数据集计算几何特征因子并将其标准化归一；将POI数据进行OPTICS密度聚类和属性评级得到城市中心度和属性特征；S2、将标准化归一后的几何特征因子构造几何特征向量，根据所述几何特征向量，得到建筑物几何相似度，在基于三级路网约束的建筑物的Delaunay三角网中，根据建筑物几何相似度进行第一区域生长聚类，得到几何聚类后的建筑物几何群组，并将建筑物进行群组内合并，群组内的建筑物可以看做是合并后的要素部件，后文功能相似聚类与地标模型构建等皆是基于合并后的建筑物几何群组；S3、以城市中心度和属性特征的值构造POI的语义特征，将所述建筑物几何群组与其缓冲区内各功能分类中语义特征值最大的POI匹配，同时将POI的城市中心度、属性特征和语义特征赋予建筑物几何群组；在基于建筑物几何群组构造的新的Delaunay三角网中，以该建筑物几何群组的语义特征构造功能向量，根据建筑物几何群组的功能相似度进行第二区域生长聚类，得到建筑物的功能特征相似群；S4、根据所述建筑物几何群组内各建筑物的几何特征因子，选取其中部分因子计算得到整个建筑物几何群组的几何特征值；根据建筑物群组缓冲区内的宜出行数据，得到公众认知度；以几何特征、属性特征、城市中心度和公众认知度特征值构造建筑物群组的显著度模型；S5、在城市三级路网的区域中，由步骤S3的功能特征相似群计算区域中各类型的面积，由步骤S4的建筑物群组显著性得到区域中各类型的最大显著性，将各类型的面积和最大显著性标准化后加权求和，作为区域类型的投票标准；区域类型确定后，该类型中的最显著建筑物群组被确定为此区域的地标建筑，地标的显著性也被赋予该区域；同理可得，一级路网区域和二级路网区域的类型确定及地标提取。2.根据权利要求1所述的一种基于地标约束的多尺度城市功能分类方法，其特征在于，步骤S1中，数据处理的过程如下：S11、POI数据、建筑物数据和宜出行数据的预处理包括纠偏、去重和裁剪；S12、几何特征因子包括高度、周长、面积、面积凹度、周长凹度、球状形、形状参数、纵横轴比和方向角9个因子，标准化归一过程如下：对高度、周长、面积、面积凹度、周长凹度、球状形、形状参数和纵横轴比这8个因子通过取对数变换，然后对面积凹度和周长凹度这两个因子再作指数变换，最后将所有因子进行极差标准化归一；S13、将POI数据通过属性评级和再分类得到所述属性特征；S14、利用OPTICS密度聚类算法，将该算法中的可达距离进行逆变换表示该POI数据对应的点对于其核心点的集聚程度，数值越大表示其核心点的集聚程度越高，然后作指数变换，对数据进行拉伸处理，最后进行归一化处理，归一化后的结果即为城市中心度，所述城市中心度的公式如下：
式中，x
reach
为POI数据对应的点集聚类后的可达距离，a为指数变换的次方数。3.根据权利要求1所述的一种基于地标约束的多尺度城市功能分类方法，其特征在于，步骤S2中，得到建筑物几何特征相似群组的过程如下：S21、通过对建筑物的上下文特征提取与度量来实现对建筑场景中目标对象的空间关系的描述，其中建筑物的方向关系通过建筑物最小面积外接矩形的长边与正北方向的角度来定量描述，即由几何特征因子中的方向角因子来定量描述；通过建筑物数据生成Delaunay三角网，再利用路网进行约束删去交叉的边；根据两个建筑物之间的欧氏距离，即Delaunay三角网中边的长度，来判断建筑物之间的距离关系的相似性，根据距离关系的相似性，定义建筑物空间场景间上下文相似，即此时存在Delaunay三角边相连；S22、基于S21所提取的上下文相似，对建筑物进行几何相似度度量，基于直接几何相似与间接几何相似对建筑物进行聚类及合并，得到建筑物几何特征相似群组；几何相似度：给定两个建筑物b
i
、b
j
或者建筑物聚簇C
i
、C
j
，采用欧式距离来描述两个建筑物之间的几何相似度，表达式为：式中，V
i
，V
j
为建筑物几何特征向量，9维向量V
i
的模|V
i
|∈[0，3]，因此|∈[0，3]，因此将此式进行归一化使得V_sim(b
i
，b
j
)∈[0，1]；对于建筑物b1，b2，如果二者之间有边相连，且其几何相似度V_sim(b1，b2)≥λ1，则称建筑物b1，b2直接几何相似，其中λ1为设置的直接几何相似度阈值；对于建筑物集合S＝{b1，b2，
…
，b
i
}和建筑物b
i+1
，如果几何相似度V_sim(S，{b
i+1
})≥λ2，则称S与b
i+1
间接几何相似，其中λ2为设置的间接几何相似度阈值；基于几何特征的建筑物几何聚类过程为：首先随机选取建筑物b，记为初始聚簇{b}；以建筑物b为初始种子，在构建的Delaunay三角网中将与b通过未标记边相连的建筑物定义为其邻域，在领域范围内，判断相邻建筑物是否满足直接几何相似和间接几何相似的条件，若是，则将该建筑物合并到聚簇{b}中，并标记该建筑物与聚簇内建筑物直接相连的所有边；若否，则断开该边；得到新的聚类簇之后，需要重新计算合并几何特征向量，然后搜索建筑物簇的邻域，重复上述过程，直到没有相邻的建筑物并入到建筑物簇中，此时该聚簇的区域生长过程停止，从并入任何聚簇的建筑物中随机选取一个建筑物作为新的簇类种子点，重复以上过程，直到所有建筑物都被归入某个簇时，此时整个聚类过程终止。4.根据权利要求1所述的一种基于地标约束的多尺度城市功能分类方法，其特征在于，步骤S3中，得到建筑物的功能特征相似群的过程如下：S31、将POI数据通过属性评级和再分类得到所述属性特征；S32、利用OPTICS密度聚类算法，将该算法中的可达距离进行逆变换表示该POI数据对
应的点对于其核心点的集聚程度，数值越大表示其核心点的集聚程度越高，然后作指数变换，...

【专利技术属性】
技术研发人员：徐永洋，吴玟君，谢忠，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：