【技术实现步骤摘要】
本专利技术属于遥感数据处理，涉及基于深度学习的遥感数据处理技术，尤其涉及一种遥感影像中社区开放空间的层级联合制图方法及装置。
技术介绍
1、社区开放空间是指城市和社区中供公众使用的开放区域，包括绿地、水体、广场和步道等。社区开放空间不仅是城市生态系统的重要组成部分，还在提升居民生活质量、促进社会互动和增强城市韧性等方面发挥着重要作用。因此，准确获取和分析社区尺度开放空间信息，对于城市规划和可持续发展评估具有重要意义。
2、遥感影像数据以其宏观性、实时性的特点，一直以来都是城市开放空间监测的重要手段。目前基于遥感数据的社区开放空间分类方法主要分为两类：一类是基于遥感原始图像作为目视解译的传统方法，利用遥感影像的光谱特征进行手动解译和分类；另一类是利用深度学习的智能分类方法，基于遥感数据产品进行自动化处理和分类。这些方法通过构建复杂的深度学习模型，如卷积神经网络，实现对社区开放空间的精细化识别和分类。
3、为了获取精细尺度社区开放空间数据产品，目前一般是用遥感数据的单层级土地覆盖制图方案，难以捕捉开放空间元素的层级关系并准确绘制被遮挡的地面开放空间。而超高分遥感影像和非模态感知深度学习的发展，为绘制多层级元素相互遮挡的社区开放空间提供了可能。但是，目前尚缺乏有效的克服遮挡的社区开放空间层级联合制图技术。
技术实现思路
1、为克服上述现有的社区开放空间制图方法存在的问题，本专利技术提供一种遥感影像中社区开放空间层级联合制图方法及装置，以解决超高分遥感影像中社区开放
2、a.根据本专利技术实施例的第一方面，提供一种遥感影像中社区开放空间的层级联合制图方法，包括：
3、a1.开发一种层级的社区开放空间样本自动化制作流程，设计包含跨地域迁移学习、规则决策树和重叠裁剪的处理方案，制作空间统一的层级社区开放空间样本库。现有的开放空间样本库没有考虑不同层级的元素，而本专利技术研制的样本库中一个影像配成套的地面和地上两个标注。具体实施时，利用局部地区的树木公开标注数据和超高分辨率遥感影像(vhr)训练基于segformer的迁移学习模型，迁移制成覆盖多个城市(31个城市)的树木标注样本，结合来自openstreetmap(osm)众源地理数据的道路、广场和水体标注，通过设计质量筛选规则和重叠裁剪方案，制成空间统一的高分辨率层级社区开放空间样本库，包括5,245张vhr遥感影像块及其对应的地上元素标注图像块和地面元素标注图像块，每张图像尺寸为512x512，覆盖31个城市，共计46727.56平方公里，空间分辨率为1.07米。
4、a2.设计具有双分支层级制图架构(lma)的层级联合制图模型，其解码器部分设计为上层分支和下层分支，分别绘制地上开放空间元素和地面开放空间元素。
5、具体而言，层级联合制图模型的设计采用编码-解码结构，模型的编码器部分采用已有的segformer模型的特征编码器，将输入的层级社区开放空间样本库中的vhr遥感影像块编码为影像的深度特征向量；模型的解码器部分设计为具有上层和下层两个分支结构的lma，其两个分支分别用于绘制地上和地面开放空间元素地图。在接受到编码器输出的影像深度特征向量后，lma首先将特征向量输入至上层分支处理获得地上元素特征，再通过残差连接融合地上元素特征和编码器输出的原始深度特征，得到融合特征，将融合特征进一步输入到下层分支处理获取地面元素特征。此外，lma为两个分支的输出特征构建联合损失实现地上元素和地面元素的联合制图。
6、a3.设计一个级联图模组(cgm)建模地上元素对地面元素的遮挡过程，利用lma的上层分支特征(地上元素特征)指导筛选下层分支特征(地面元素特征)，增强lma的上下层分支间信息传递。
7、具体而言，cgm包含两个图卷积网络、一个跨图注意力机制和一个门控机制。两个图卷积分别位于lma的上层和下层分支中，用于提取单分支内特征的空间关系。跨图注意力机制则选取上下两个图卷积的特征空间，构建地上元素和地面元素特征间的交叉注意力，挖掘表征两层元素之间遮挡关系的注意力特征。门控机制获取该注意力特征，并利用该特征包含的遮挡关系信息，对下层分支的特征进行筛选。
8、b.根据本专利技术实施例的第二方面提供一种社区开放空间制图装置，包括：
9、b1.样本生成模块，用于将目标区域的vhr遥感数据、osm众源地理数据和公开标注数据整合为空间一致的层级社区开放空间样本库。
10、b2.分层映射模块，用于将特征编码器输出的深度特征输入层级联合制图模型的层级制图架构，进行地上开放空间元素和地面开放空间元素的双分支解码，通过双分支联合训练实现地上开放空间元素和地面开放空间元素的联合制图。
11、b2.分层映射模块，用于从影像块提取影像的深度特征，将深度特征输入层级联合制图模型的层级制图架构，进行地上开放空间元素和地面开放空间元素的双分支解码，通过双分支联合训练实现地上开放空间元素和地面开放空间元素的联合制图。即设计解码器为双层的lma架构，形成新的层级联合制图模型。
12、b3.遮挡建模模块，用于识别双分支解码器间的潜在遮挡关系，并在两个分支之间传递遮挡物特征。通过图卷积网络和跨图注意力机制，显式建模上层元素对下层元素的遮挡关系，提升制图精度。
13、c.根据本专利技术实施例的第三个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的社区开放空间制图方法。
14、d.根据本专利技术实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的社区开放空间制图方法。
15、作为一种优选方案，所述步骤a3中，cgm包括图卷积网络，跨图注意力机制和门控机制。图卷积网络用于捕捉图中的长程关联，跨图注意力机制分别选取上层和下层图卷积中两个分支的特征空间，计算形成交叉邻接矩阵，获取地上元素与地面元素的遮挡关系，形成层级间注意力特征。门控机制利用该注意力特征指导下层特征选择性地输出，实现由上层到下层的遮挡信息传递。
16、作为一种优选方案，所述步骤b2中，分层映射模块采用双分支设计，上层分支用于解码地上绿地开放空间元素，下层分支用于解码地面开放空间元素。上层分支解码后的特征通过残差连接传递至下层分支，与原始深度特征结合，增强对被遮挡元素的识别能力。
17、作为一种优选方案，所述步骤b3中，遮挡建模模块通过计算两个分支间的交叉邻接矩阵，捕捉遮挡物和被遮挡物之间的关系，生成遮挡注意特征，并通过门控单元控制下层特征的选择和过滤。
18、与现有技术相比，本专利技术的有益技术效果：
19、本专利技术提供了一种遥感影像中社区开放本文档来自技高网...
【技术保护点】
1.一种遥感影像中社区开放空间的层级联合制图方法，其特征在于，包括如下步骤：
2.如权利要求1所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，用于构建训练数据集的数据包括：OpenStreetMap、Urban Green Space数据集、Global UrbanBoundary数据和城市景观数据。
3.如权利要求1所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，步骤A1中，具体是利用局部地区的树木公开标注数据和超高分辨率遥感影像VHR训练基于SegFormer的迁移学习模型，迁移制成覆盖多个城市的树木标注样本，并根据OpenStreetMap众源地理数据的道路、广场和水体标注，通过设计质量筛选和重叠裁剪方法，制成空间统一的高分辨率层级社区开放空间样本库，包括VHR遥感影像块及其对应的地上元素标注图像块和地面元素标注图像块。
4.如权利要求3所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，具体是使用公开标注数据训练语义分割模型SegFormer，并将其迁移，以生成预标注的样本块；并将预标注的样本块采用质量过滤，设
5.如权利要求1所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，LMA包括CGM和全卷积网络T，用于为双层架构自然地解耦层级遮挡关系，且下层分支同时接收原始特征和上层特征，提供有助于提取被遮挡对象的线索；表示为：
6.如权利要求5所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，在CGM结构中，GCNupper和GCNlower分别表示上层分支和下层分支中CGM的图卷积操作；其中GCNupper采用图卷积网络GCN结构；GCNlower在GCN上添加遮挡知识引导分支，从上到下的遮挡过程中建立从GCNupper到GCNlower的知识引导；
7.如权利要求6所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，步骤A2中，设计联合损失函数，上下层双分支同时获得损失形成联合损失，同时进行训练；
8.一种利用权利要求1所述具有层级遮挡感知的社区开放空间制图方法的装置，其特征是，包括：样本生成模块、分层映射模块和遮挡建模模块；其中，
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述具有层级遮挡感知的社区开放空间制图方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1所述具有层级遮挡感知的社区开放空间制图方法。
...【技术特征摘要】
1.一种遥感影像中社区开放空间的层级联合制图方法，其特征在于，包括如下步骤：
2.如权利要求1所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，用于构建训练数据集的数据包括：openstreetmap、urban green space数据集、global urbanboundary数据和城市景观数据。
3.如权利要求1所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，步骤a1中，具体是利用局部地区的树木公开标注数据和超高分辨率遥感影像vhr训练基于segformer的迁移学习模型，迁移制成覆盖多个城市的树木标注样本，并根据openstreetmap众源地理数据的道路、广场和水体标注，通过设计质量筛选和重叠裁剪方法，制成空间统一的高分辨率层级社区开放空间样本库，包括vhr遥感影像块及其对应的地上元素标注图像块和地面元素标注图像块。
4.如权利要求3所述遥感影像中社区开放空间的层级联合制图方法，其特征在于，具体是使用公开标注数据训练语义分割模型segformer，并将其迁移，以生成预标注的样本块；并将预标注的样本块采用质量过滤，设计基于重叠度、类型数量和块内标注比例指标的决策树进行样本选择；针对样本中的社区开放空间重叠率设置阈值，将样本分类为高、中、低重叠度；在不同重叠度集合中采用分层抽样法，按不同比例构建得到训练集、验证集和测试集。
5.如权利要求1所述遥...
【专利技术属性】
技术研发人员：杜世宏，雷亦晨，张修远，熊淑萍，谭舸，
申请(专利权)人：北京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。