基于GF-2与开放地图数据的城市绿地精细化分类方法与系统技术方案

本发明专利技术公开了一种基于GF

【技术实现步骤摘要】
基于GF
‑
2与开放地图数据的城市绿地精细化分类方法与系统


[0001]本专利技术涉及一种城市绿地识别提取方法，尤其是一种基于GF
‑
2与开放地图数据的城市绿地精细化分类方法与系统，属于遥感图像数据信息提取


技术介绍

[0002]城市绿地作为城市生态环境的重要组成部分，兼具生态、经济与社会功能，能有效减少城市健康风险暴露，促进居民健康行为活动，提供公共心理恢复能力。不仅如此，城市绿地在缓解城市热浪、提升空气质量、增色城市景观、改善居民健康等方面也是不可缺少的。如何准确高效精确提取城市绿地并从多个维度对城市绿地进行更为精细的分类，对自然资源管理、城市生态环境监测、城市碳汇估算等工作具有重要意义。
[0003]传统的城市绿地分类方法是采用人工实地调查其分布变化，这样的方式费时费力，所获得的数据精确度不高，也无法满足实时的城市绿地管理需求。随着遥感技术的快速发展，遥感影像成为城市绿地分类的主要数据源，但以往通常是以卫星影像或航拍照片为基础，采用人工解译或机器学习的方法提取城市绿地。但人工解译存在效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GF
‑
2与开放地图数据的城市绿地精细化分类方法，其特征在于，其包括以下步骤：S1：获取GF
‑
2高分辨率遥感影像数据，对获取的数据进行预处理，并建立多尺度目标检测数据集样本，进行数据分割与地理编码与影像入库；S2：对数据集样本进行数据处理，划分为训练集和测试集；S3：构建多尺度特征感知神经网络语义分割模型，将U
‑
Net网络融合ASPP模块和SFAM模块，然后训练数据集，并进行预测和总体精度评价；S4：对多尺度特征感知神经网络语义分割模型的输出城市绿地识别结果进行映射式解码，获得城市绿地分类结果；S5：将多尺度特征感知神经网络语义分割模型和编码
‑
解码模型进行整合，生成最终的多尺度特征感知深度神经网络城市绿地分类模型；S6：批量获取POI数据集，对获取的POI数据坐标进行去重、纠偏和空间坐标转换等处理；S7：基于景观生态学的基础理论，利用POI数据包含的属性信息、城市绿地与OSM道路网的拓扑关系以及景观形态指数，最终实现功能分类、类型特征、服务范围和形态特征4个维度的城市绿地的精细化分类。2.根据权利要求1所述的一种基于GF
‑
2与开放地图数据的城市绿地精细化分类方法，其特征在于，对于步骤S1中所述获取GF
‑
2高分辨率遥感影像数据进行预处理、建立多尺度目标检测数据集和进行编码建立遥感数据库工作，包括：采用GF
‑
2高分辨率遥感影像作为数据源，对遥感图像进行初始化处理、特征点匹配、影像拼接、校正、图像增强、匀色、裁剪、重建处理和影像拼接，获取具有红、绿、蓝3个波段的数字正射影像，并将该影像作为多尺度目标检测数据集样本，然后，基于地理空间关系对待分类遥感影像按行列进行分割，并进行地理编码，即把描述成为文本的地理位置信息转换成地理坐标，建立遥感数据库。3.根据权利要求1所述的一种基于GF
‑
2与开放地图数据的城市绿地精细化分类方法，其特征在于，对于步骤S2中对数据集样本处理工作，具体步骤如下：S21：对数据集样本切割成256
×
256大小的图像，并按照1：1的比例划分训练集和测试集；S22:采用人工标注的方式，为了丰富样本特征，数据集标注采用两种方式：一种是勾勒绿地边缘，考虑边界特征，另一种是在绿地范围内勾勒矩形范围；S23：进行归一化处理，使用Min
‑
Max标准化方法将像素值位于[0，255]之间的数据影像归一化压缩到[0，1]之间，Min
‑
Max标准化方法的公式如下:式中：x
Max
为数据中的像素最大值；x
Min
为数据中的像素最小值。4.根据权利要求1所述的一种基于GF
‑
2与开放地图数据的城市绿地精细化分类方法，其特征在于，所述步骤S3构建多尺度特征感知神经网络语义分割模型包括：U
‑
Net网络模型的收缩路径为特征提取下采样，U
‑
Net网络模型的扩张路径为上采样过程；在下采样过程中，每两个卷积层组成一个卷积块，共含有5个卷积块，在每个上采样的过程中，两个卷积层减少的卷积特征映射，连接的特征映射的数量来自编码路径的特征映射的数量；在特征提
取的过程中，遥感影像每经过一个池化层，图像的尺寸就会缩小一次，在特征提取时，每次上采样都会与相同尺度的通道数融合，U
‑
Net网络模型中，将特征提取与上采样进行连接，整体形成一个U型结构，具体步骤如下：S31：将步骤S2制作的数据编码输出送入深度神经网络语义分割模型(U
‑
Net网络模型)，对所述数据集的训练集中的每一张图像进行四次下采样，然后，在U
‑
Net网络模型的收缩路径的最后一层通道数为1024的特征图中加入ASPP模块，使得模型能够对遥感图像进行不同尺度的特征提取，通过ASPP模块可以实现不同尺度特征的提取，在低层阶段获得精细的目标像素分割定位，高层阶段提取更为有效的城市绿地特征，其公式如下：Y＝Concat(Im
pooling
(X),G
1.3
(X),G
6.3
(X),G
12.3
(X),G
18.3
(X),)其中，Concat()为拼接操作第一维度的特征图，G
r.n
(X)表示r采样率的带孔卷积与n尺寸卷积核，Im
pooling
表示为图上imagepooling分支中所有图像级输入特征图的平均池化特征；S32：将步骤S2获得的所述数据集的训练集输入U
‑
Net模型，对所述数据集的训练集中的每一张图像进行四次上采样，并结合步骤S31获得下采样图像将对应层中大小相同的输出进行拼接；为了有效地聚合多级多尺度特征，形成多级特征金字塔，在四次上采样过程中加入SFAM模块，其公式如下：s＝F
ex
(z,W)＝Re(W2S(W1z))其中，C是通道数，r是减少的比例,Re表示ReLU操作，S表示Sigmoid，最后，将得到的激励s对输入X进行重新加权，得到最终的输出如公式所示：其中，表示聚合后的特征金字塔，表示第j个最大尺度的特征；S33：对经过上述步骤S32处理过的上采样图像进行1
×
1的卷积操作，使用激活函数得到所述数据集的训练集中的每一张图像的最终识别图；S34：使用步骤S33中所获得的所述最终识别图与...

【专利技术属性】
技术研发人员：王潜心，黄芳，曹芳洁，邱芸，罗彩玉，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：