[发明专利]一种基于多数投票的深度学习城市功能区分类方法

说明书

城市功能区分类以往研究多基于POI等社会属性数据与其他数据融合，但基于社会属性数据进行功能区分类存在一些不容忽视的问题。本发明针对上述问题，公开了一种基于多数投票的深度学习城市功能区分类方法，用于稳健准确的从高分辨率遥感影像中对城市功能区进行分类。本发明的目的通过以下技术步骤实现：步骤1)图像和矢量的预处理。步骤2)为针对深度学习需要大量的样本问题，进行样本制作。步骤3)针对在遥感领域，具体分类任务的海量训练样本的收集十分困难，而且复杂昂贵，构建大规模、高质量的带标注数据集几乎无法实现的问题，基于GoogLeNet进行迁移学习。步骤4)利用分解的方法将大尺寸的图像分割成尺寸较小的单元进行处理。步骤5)利用多数投票策略确定最终分类结果。

技术领域

本发明设计了一种基于多数投票的深度学习城市功能区分类方法，对城市功能区分类取得很好分类效果，能较好地形成城市功能区分类流程，具有较高实用价值，为功能区分类提供了参考依据。

背景技术

城市功能区(如商业，住宅和工业区)是城市规划的基本单元，含有很强的人文社会属性，往往是城市规划部门十分关注的对象。在以往基于高分辨率遥感城市的研究中，往往侧重于对城市地表覆盖的分类。而对于功能区的分类也通常依赖于POI等社会属性的数据。近期，研究人员尝试从高分辨率卫星图像中自动提取功能区，并取得了很好效果，但基于高分卫星进行城市功能区自动分类工作研究不多。

基于高空间分辨率遥感数据的城市功能区分类是指仅使用单一的高空间分辨率遥感数据完成建成区分类。目前尽管相关研究较少，但逐渐成为功能区分类的一个热点分支，其中张修远和杜世宏等做了大量工作。Zhang等(Zhang,et al.,2018)针对城市功能区分类提出了一种新的分割方法——地理场景分割方法，它可以通过考虑其特征和空间模式聚合不同城市物体来识别多尺度的功能区。该方法首先提取空间模式特征以表征不同对象的空间排列，其中对象由经典的面向对象方法生成。其次，使用地理场景分割方法来提取城市功能区。它聚合不同级别、不同类型的对象，然后覆盖多级对象簇以生成地理场景。进而，使用不同尺度的参数进行地理场景分割，选择合适参数完成城市功能区分类。Zhang等(Zhang,et al.,2018)基于HSC方法提出了一种迭代的功能区分类方法，该方法集成了自下而上和自上而下的土地覆盖和功能区分类过程。其首先采用分HSC对土地覆盖和功能区进行自下而上的分类。HSC本质上是一个分层贝叶斯模型，它将视觉特征、土地覆盖、空间对象模式和功能区域与分层结构联系起来。然后，提出了一种自上而下的反馈方法，即逆层次语义认知(IHSC)来优化初始分类结果。最后，迭代执行这两个过程以产生越来越精确的结果，完成功能区的分类。作者以北京为例使用该方法进行功能区分类，发现分类结果的精度提高了6.5％。 Zhang等(Zhang,et al.,2018)提出了一种新的场景特征来测量空间物体关系，然后将其与主题模型结合进行城市场景分类。该方法首先提出语义和空间共现概率(SSCP)的场景特征，通过考虑它们的方向、距离和语义来测量物体间的空间关系，从而解决测量空间物体关系中的三个关键问题，即各向异性、尺度和语义依赖性。然后，采用半单元Dirichlet对场景进行分类。得益于深度学习场景分类的优势，Huang等(Huang,et al.,2018)提出了一种基于STDCNN的城市功能区分类方法。该方法首先对街区和道路的高空间分辨率图像和矢量数据进行预处理，并基于预设的功能区类别对STDCNN模型进行训练。然后使用基于骨架的分解方法将大的高空间分辨率多光谱图像分解成小的处理单元。随后，将训练的 STDCNN模型用于不同的土地利用类别的分类。最后，根据街区矢量数据，将处理单元的土地利用标签合并到大的土地利用地图中，完成功能区分类。Yao等 (Yao,et al.,2017)基于迁移学习的遥感图像方法提取特征和分类，从而完成城市功能区分类。该方法首先基于标准的土地覆盖数据集(UC-Merced和WHU-SIRI) 对GoogLeNet模型进行迁移学习来对土地覆盖图像进行分类。然后将土地覆盖类型的每个多尺度样本转换为单词，并以地块为单位计算单词频率。最后，使用TF-IDF算法将每个地块中的单词频率转换为语义特征，并通过随机森林(RFA) 分类器完成城市功能区分类。