【技术实现步骤摘要】
本专利技术涉及城市空间识别的，更具体地，涉及一种多源数据智能学习与融合的城市居住空间识别方法。
技术介绍
1、城市居住空间识别技术是一种利用遥感数据、地理空间数据等来识别、提取城市地区居住用地的方法。这种技术的优势在于能够提供大范围、高时效和客观的居住空间信息，被广泛应用于城市规划、土地管理等领域。
2、现有的城市居住空间识别方法多基于对城市功能空间的分区识别。在城市功能区识别方面，传统的方法多依赖于大量人工采集、现场勘探的城市用地调查，不仅工作量巨大，且识别结果受调查人员的主观影响较大。此外，相关研究还高度依赖城市规划、社会经济统计年鉴等传统数据。这些传统数据具有一定的价值，但其更新周期长，数据受行政边界、统计口径等因素影响较大。城市居住区的空间分布现状对于政府制定更为科学的城市规划至关重要。因此，在传统数据和方法的缺陷下，如何提升城市居住区识别与提取的准确性是当前亟待解决的重要问题。在此背景下，城市功能区或用地类型识别出现了依靠卫星遥感影像海量数据的高效方法。然而，城市功能区的划分本质上主要是反映其社会、经济功能，而遥感...
【技术保护点】
1.一种多源数据智能学习与融合的城市居住空间识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多源数据智能学习与融合的城市居住空间识别方法，其特征在于，所述城市空间遥感图像的来源包括POI数据、NTL数据、HRI数据和LDS数据。
3.根据权利要求1所述的多源数据智能学习与融合的城市居住空间识别方法，其特征在于，对若干张城市空间遥感图像进行超像素分割时，以预设分割块数，对每张城市空间遥感图像分别进行SLIC图像超像素分割，得到每张城市空间遥感图像对应的超像素图像，其中，一张城市空间遥感图像对应一张超像素图像，每张超像素图像由若干个尺...
【技术特征摘要】
1.一种多源数据智能学习与融合的城市居住空间识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多源数据智能学习与融合的城市居住空间识别方法，其特征在于，所述城市空间遥感图像的来源包括poi数据、ntl数据、hri数据和lds数据。
3.根据权利要求1所述的多源数据智能学习与融合的城市居住空间识别方法，其特征在于，对若干张城市空间遥感图像进行超像素分割时，以预设分割块数，对每张城市空间遥感图像分别进行slic图像超像素分割，得到每张城市空间遥感图像对应的超像素图像，其中，一张城市空间遥感图像对应一张超像素图像，每张超像素图像由若干个尺寸一致的超像素块组成，且每张超像素图像的超像素块总数为预设分割块数。
4.根据权利要求1所述的多源数据智能学习与融合的城市居住空间识别方法，其特征在于，提取若干张超像素图像的低频特征和高频特征时，利用基于离散余弦变换的小波变换对所述超像素图像进行分解，分解得到每张超像素图像的最低频子带数和最高频子带系数，所述最低频子带数即为所述低频特征，所述最高频子带系数即为所述高频特征。
5.根据权利要求1所述的多源数据智能学习与融合的城市居住空间识别方法，其特征在于，将若干张超像素图像的低频特征与低频特征进行融合时，对所述低频特征采用系数加权策略进行融合，得...
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。