基于细粒度特征约束的城中村识别方法、装置及电子设备制造方法及图纸

本发明专利技术属于遥感技术领域，涉及基于细粒度特征约束的城中村识别方法、装置及电子设备。该方法包括收集样本数据，对样本数据进行预处理；对训练样本数据进行特征提取，得到建筑物特征信息，计算Building‑Green指标，使用随机森林分类模型对样本数据提取的指标训练得到分类模型；将超像素单元识别为城中村；在滑动窗口内提取精细特征；将精细特征横向拼接；通过超像素块对精细特征提取结果进行约束；根据超像素单元内城中村像素总数的占比，得到目标城中村。本发明专利技术能够实现准确的城中村识别；本发明专利技术根据Building‑Green指标，通过建筑物的空间特征，为各社区整改优先级提供参考，利于城市管理。

【技术实现步骤摘要】

本专利技术属于遥感，具体而言，涉及一种基于建筑物building-green指标特征和细粒度特征约束的多层次框架的城中村识别方法、装置及电子设备。

技术介绍

1、随着城市规模不断扩张，形成一种城市包围农村、城乡混杂的二元城市景观和空间结构，这种空间结构被称为城中村。城中村具有景观多样性，包括住宅小区、密集村庄、小型工业以及商业建筑等功能区。然而，城中村的结构和人员相对复杂，这种复杂性导致了社区管理混乱和人员流动性大，因此，及时高效掌握城中村的精细数据，有利于城中村规划和城市协调发展。

2、目前遥感影像城中村识别方法主要有以下三类：第一类通过提取光谱、纹理特征等底层特征来识别城中村，然而，城市场景具有复杂的空间信息和光谱特征，底层特征不足以表征城中村地块，且识别精度较低；第二类基于对象影像分析(object-based imageanalysis,简称obia)的识别方法，充分利用城中村对象的空间形态多样性，捕获更为明显和完整的城中村上下文信息，有利于之后的分类，但基于对象的方法往往包含着冗余的上下文信息，无法适应更加细致的城中村提取需求；第三类本文档来自技高网...

【技术保护点】

1.基于细粒度特征约束的城中村识别方法，其特征在于，包括：

2.根据权利要求1所述基于细粒度特征约束的城中村识别方法，其特征在于，遥感数据为RGB三波段数据；道路数据为开放街道地图中交通干道数据；建成区数据为与NDVI专题数据来自遥感图像数据平台；

3.根据权利要求1所述基于细粒度特征约束的城中村识别方法，其特征在于，选择训练样本数据和测试样本数据，训练样本数据分为城中村样本数据和非城中村样本数据,两阶段样本选择包括:第一阶段在不同分区选择基本分析单元城中村和非城中村样本，采用随机采样选择样本，将在基本分析单元中城中村面积占比90%以上的样本选为城中村样本，不包含...

【技术特征摘要】

1.基于细粒度特征约束的城中村识别方法，其特征在于，包括：

2.根据权利要求1所述基于细粒度特征约束的城中村识别方法，其特征在于，遥感数据为rgb三波段数据；道路数据为开放街道地图中交通干道数据；建成区数据为与ndvi专题数据来自遥感图像数据平台；

3.根据权利要求1所述基于细粒度特征约束的城中村识别方法，其特征在于，选择训练样本数据和测试样本数据，训练样本数据分为城中村样本数据和非城中村样本数据,两阶段样本选择包括:第一阶段在不同分区选择基本分析单元城中村和非城中村样本，采用随机采样选择样本，将在基本分析单元中城中村面积占比90%以上的样本选为城中村样本，不包含城中村的样本为非城中村样本；训练和测试样本数量比设置为7：3；第二阶基于第一阶段识别结果选择样本，以像元为单位选择样本像元，城中村区域的像元为城中村样本，非城中村区域的像元为非城中村样本。

4.根据权利要求1所述基于细粒度特征约束的城中村识别方法，其特征在于，对训练样本数据进行特征提取，计算building-green指标，包括：

5.根据权利要求4所述基于细粒度特征约束的城中村识别方法，其特征在于，building-green指标包括住区特征信息、颜色特征信息、纹理特征信息与专题特征信息；

【专利技术属性】
技术研发人员：赵红伟，邢若芸，刘佳，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：