遥感影像地物分类基准库的构建方法及装置与流程

本发明涉及遥感技术领域，更具体地，涉及一种遥感影像地物分类基准库的构建方法及装置。

背景技术：

随着遥感技术的发展，越来越多的场合需要通过构建遥感影像地物分类基准库，来对地物影像信息进行分析。受到遥感影像自身地物复杂性，影像来源限制及缺乏地物位置等诸多因素影响，构建遥感影像地物分类基准库较为困难。因此，如何有效地构建遥感影像地物分类基准库是个关键问题。现有的遥感影像地物分类基准库的构建方法主要是通过人工选择的方式，从遥感图像中挑选出若干影像块，并确定挑选出来的影像块对应的地物类型，从而实现对遥感影像地物分类基准库的构建。

在实现本发明的过程中，发现现有技术至少存在以下问题：由于人工选择方式在构建遥感影像地物分类数据库时，存在地物的选取具有较大盲目性且人工搜索效率较低等问题，从而使得遥感影像地物分类基准库中影像数量及地物类型相对较少，选取的地物类型缺乏代表性及参考价值。另外，基准库的构建效率较低。

技术实现要素：

本发明提供一种克服上述问题或者至少部分地解决上述问题的方法。

根据本发明的一方面，提供了一种遥感影像地物分类基准库的构建方法，该方法包括：

获取预设数量个兴趣点，每个兴趣点包括地物名称及地理坐标信息；

根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选；

基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块；

基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。

根据本发明的另一方面，提供了一种遥感影像地物分类基准库的构建装置，该装置包括：

获取模块，用于获取预设数量个兴趣点，每个兴趣点至少包括地物类型及地理坐标信息；

筛选模块，用于根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选；

截取模块，用于基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块；

确定模块，用于基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。

本申请提出的技术方案带来的有益效果是：

通过获取预设数量个兴趣点，根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选。基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块。基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。由于可根据大量具有不同地物类型的兴趣点来截取影像块，从而能得到较多的影像数量及地物类型，整体构建效率较高。另外，由于借鉴了土地分类标准的地物分层机制，从而使得每一地物类型有严格的等级划分，并形成树形建库模式，进而能进一步地满足后续构建基准库时地物类型的多样性、层次性及全面性的要求。同时，也使得后续构建基准库时的地物分类具有较大的实际意义及可研究价值。

附图说明

图1为本发明实施例的一种遥感影像地物分类基准库的构建方法的流程示意图；

图2为本发明实施例的一种遥感影像地物分类基准库的构建方法的流程示意图；

图3为本发明实施例的一种地物类型的影像块集合示意图；

图4为本发明实施例的一种地物类型的影像块集合示意图；

图5为本发明实施例的一种地物类型的影像块集合示意图；

图6为本发明实施例的一种地物类型的影像块集合示意图；

图7为本发明实施例的一种遥感影像地物分类基准库的构建装置的结构示意图；

图8为本发明实施例的一种确定模块的结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

随着遥感技术的发展，越来越多的场合需要通过构建遥感影像地物分类基准库，来对地物影像信息进行分析。受到遥感影像自身地物复杂性，影像来源限制及缺乏地物位置等诸多因素影响，构建遥感影像地物分类基准库较为困难。目前研究阶段遥感影像基准库相对缺乏，而用于遥感影像分类的遥感影像地物分类基准库则更加缺乏。因此，如何构建遥感影像地物分类基准库是个关键问题。

现有的遥感影像地物分类基准库的构建方法主要是通过人工选择的方式，从遥感图像中挑选出若干影像块，并确定挑选出来的影像块对应的地物类别，从而实现对遥感影像地物分类基准库的构建。由于人工选择方式在构建遥感影像地物分类数据库时，存在地物的选取具有较大盲目性且人工搜索效率较低等问题，从而使得遥感影像地物分类基准库中影像数量及地物类型相对较少，选取的地物类型缺乏代表性及参考价值。另外，基准库的构建效率较低。

例如，目前普遍用于遥感影像分类的基准库UC-Merced，其构建方式主要是从USGS(United States Geological Survey，美国地质勘探局)国家地图的城市区域，采集了空间分辨率为0.3米，仅包含21种地物类型，共计2100幅大小为256×256的土地利用分类遥感影像。该基准库中遥感影像的地物类型较少，影像的数量也较少。

针对现有技术中的问题，本实施例提供了一种遥感影像地物分类基准库的构建方法。需要说明的是，本实施例与后续实施例在构建遥感影像地物分类基准库时所使用的遥感影像主要来源于众源OSM(Open Street Map)地理数据。其中，众源地理数据产生并发展于众源的思想与传统数据的结合。众源地理数据是由非专业人员志愿获取，并通过互联网向大众或相关机构提供的一种开放地理空间数据。它有数据量大、信息丰富、成本低廉及现势性强等优点。相比于传统地理数据有巨大优势，从而蕴含着极大的发展潜力与应用价值。参见图1，该遥感影像地物分类基准库的构建方法流程包括：101、获取预设数量个兴趣点；102、根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选；103、基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块；104、基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。其中，上述步骤101中每个兴趣点至少包括地物类型及地理坐标信息，本实施例对此不作具体限定。

本发明实施例提供的方法，通过获取预设数量个兴趣点，根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选。基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块。基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。由于可根据大量具有不同地物类型的兴趣点来截取影像块，从而能得到较多的影像数量及地物类型，整体构建效率较高。另外，由于借鉴了土地分类标准的地物分层机制，从而使得每一地物类型有严格的等级划分，并形成树形建库模式，进而能进一步地满足后续构建基准库时地物类型的多样性、层次性及全面性的要求。同时，也使得后续构建基准库时的地物分类具有较大的实际意义及可研究价值。

作为一种可选实施例，根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选，包括：

确定土地分类标准的地物类型与所有兴趣点的地物类型之间重叠的地物类型；

将重叠的地物类型对应的兴趣点作为筛选后的兴趣点。

作为一种可选实施例，基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型，包括：

对于筛选后的任一兴趣点及任一兴趣点对应的任一影像块，将任一兴趣点的地物类型与任一影像块中的实际地物进行匹配；

当两者相匹配时，根据任一影像块中每个兴趣点的地物类型，确定任一影像块对应的地物类型；

根据任一影像块对应的地物类型，对任一影像块进行分类入库。

作为一种可选实施例，根据任一影像块中每个兴趣点的地物类型，确定任一影像块对应的地物类型，包括：

确定任一影像块中每个兴趣点的地物类型所对应的地物主体；

确定所有地物主体中识别度最高的地物主体；

将识别度最高的地物主体对应的地物类型作为任一影像块对应的地物类型。

作为一种可选实施例，确定所有地物主体中识别度最高的地物主体，包括：

根据每个地物主体的地物主体面积确定最大地物主体面积，将最大地物主体面积对应的地物主体作为识别度最高的地物主体；

或者，根据每个地物主体在任一影像块中的跨度范围，确定跨度范围最大的地物主体，并作为识别度最高的地物主体。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

基于上述图1对应的实施例所提供的内容，本发明实施例提供了一种遥感影像地物分类基准库的构建方法。参见图2，本实施例提供的方法流程包括：201、获取预设数量个兴趣点；202、确定土地分类标准的地物类型与所有兴趣点的地物类型之间重叠的地物类型；203、将重叠的地物类型对应的兴趣点作为筛选后的兴趣点；204、基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块；205、基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。

其中，201、获取预设数量个兴趣点。

由于在构建遥感影像地物分类基准库时，需从遥感影像中截取影像块，从而在构建基准库之前，可获取预设数量个兴趣点。依据获取到的兴趣点，对遥感图像进行截取。考虑到兴趣点在全球的数量分布，标注的活跃程度以及遥感影像的分辨率高低，本实施例在获取兴趣点时，获取的兴趣点主要位于中国北京、上海、香港、广州、海南及福建等省份；美国纽约、华盛顿、洛杉矶、芝加哥等城市；日本东京、大阪、神户等城市；法国巴黎、尼斯等城市；加拿大渥太华、多伦多等城市；俄罗斯莫斯科、圣彼得堡等城市以及其他国家及其地区。当然，在获取兴趣点时也可以根据实际需求进行获取，本实施例对此不作具体限定。

其中，兴趣点可以至少包括地物类型及地理坐标。地物类型指的是按照土地用途、土地上植被形态等因素，对土地划分出的类型。每划分出一个大的地物类型下可以包含很多子地物类型，本实施例对此不作具体限定。例如，按照土地用途可以划分出地物类型“交通”，“交通”下可细分为“十字路口”、“高速公路”、“快速通道”、“港口”、“立交桥”及“河桥”等。按照土地上植被形态可以划分出地物类型“林地”，“林地”下可细分为“森林”、“幼苗”、“护河林”、“疏林地”及“灌木林”等。另外，兴趣点中的地理坐标信息为兴趣点的经纬度值，本实施例对此不作具体限定。预设数量可根据实际需求进行设置，本实施例对此不作具体限定。

其中，202、确定土地分类标准的地物类型与所有兴趣点的地物类型之间重叠的地物类型。

通过上述步骤201，在获取大量的兴趣点后，为了得到更有参考价值的兴趣点，可对获取到的兴趣点进行筛选，本实施例对此不作具体限定。本步骤202及下面步骤203主要是根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选的详细过程。当然，在对兴趣点进行筛选的过程中还可以采用其它筛选方式，本实施例对此不作具体限定。

考虑到我国地物类型的参考价值，土地分类标准可以为我国土地的分类机制，即根据土地用途等因素将我国土地划分为若干个地物类型。例如，可划分为“住宅”、“商业购物”、“工业制造业”、“社会团体基础设施相关”、“旅行出行”、“空闲”、“自然资源相关”、“无人活动或未分类”及“大规模人群集会”等。相应地，兴趣点的地物类型可包括：“便利设施”、“障碍区域用地”、“建筑用地”、“紧急需要用地”、“公路”、“历史用地”、“土地利用”、“空闲用地”、“人工区域”、“自然区域”、“办公”、“公共交通”、“铁路”、“商店”、“运动场所”及“旅游用地”。

由于兴趣点与土地分类标准划分地物类型时的标准不同，从而使得划分出的地物类型在字面上不同，但实际上有很多大地物类型或大地物类型下的子地物类型是重叠的。例如，土地分类标准中的地物类型“空闲”与兴趣点地物类型中的“空闲”重叠，两者都指的是空闲用地，且两者都是大地物类型。土地分类标准中的大地物类型“便利设施”与兴趣点地物类型中的“商业购物”重叠，因为“便利设施”下的子地物类型可以包括“商场”、“超市”及“商店”等，而“商业购物”下的子地物类型同样可以包括“商场”、“超市”及“商店”等，即两者的子地物类型重叠。

基于上述内容，土地分类标准的地物类型与所有兴趣点的地物类型之间重叠的地物类型可参考如下表(1)：

表(1)

在上表(1)每一行与每一列对应的表项中，若表项内容为空，则表示地物类型不重叠。若表示内容为勾，则表示地物类型重叠。需要说明的是，由于受到表内容篇幅限制，还可能有许多重叠的地物类型，本实施例对此不作具体限定。

其中，203、将重叠的地物类型对应的兴趣点作为筛选后的兴趣点。

通过上述步骤202，可得到重叠的地物类型。例如，上表(1)中重叠的大地物类型“空闲用地”。另外，还有些字面上不重叠，其包含的子地物类型重叠的大地物类型，如土地分类标准的大地物类型“自然资源相关”与兴趣点的大地物类型“旅游用地”。

依据重叠的地物类型及每个兴趣点的地物类型，可以反过来对兴趣点进行筛选，得到筛选后的兴趣点。通过上述步骤202及本步骤203，由于借鉴了土地分类标准的地物分层机制，从而使得每一地物类型有严格的等级划分，并形成树形建库模式，进而能进一步地满足后续构建基准库时地物类型的多样性、层次性及全面性要求。另外，由于后续建立基准库时的地物类型取决于上述重叠的地物类型，从而使得后续构建基准库时的地物分类具有较大的实际意义及可研究价值。

其中，204、基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块。

在执行本步骤之前，可基于兴趣点的地理坐标及遥感影像的地理坐标信息，将兴趣点与遥感影像进行叠加，使得兴趣点落入遥感影像中某一距离位置。以上述内容为基础，可再以每个兴趣点的地理坐标为中心，从遥感图像中截取预设大小的影像块。关于预设大小影像块对应的面积，本实施例对此不作具体限定。另外，影像块可以为正方形，本实施例不对影像块的形状作具体限定。

其中，205、基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。

由于上述步骤204中会得到大量兴趣点对应的影像块，为了便于说明，现以筛选后的任一兴趣点及任一兴趣点对应的任一影像块为例，对本步骤的过程进行说明。本实施例不对基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型的方式作具体限定，包括但不限于：将任一兴趣点的地物类型与任一影像块的所属地物类型进行匹配；当两者相匹配时，根据任一影像块中每个兴趣点的地物类型，确定任一影像块对应的地物类型；根据任一影像块对应的地物类型，对任一影像块进行分类入库。

由于兴趣点的地物类型可能会存在出错的情形，从而可先将任一兴趣点的地物类型与任一影像块的所属地物类型进行匹配，本实施例对此不作具体限定。例如，若兴趣点的地物类型为“停车场”，而依据影像块中图像内容得到影像块的所属地物类型为“草坪”，从而可确定兴趣点的地物类型与影像块的所属地物类型不匹配。若兴趣点的地物类型为“公路”，而依据影像块中图像内容得到影像块的所属地物类型也为“公路”，从而可确定兴趣点的地物类型与影像块的所属地物类型匹配。

需要说明的是，当两者不匹配时，则说明对应的影像块及地物类型是不精准的。因此，可将该影像块直接删除，本实施例对此不作具体限定。通过匹配结果删除不满足条件的影像块，能保证影像数据的准确性与可靠性。

当两者匹配时，由于不同的地物类型可能会集中出现，从而在步骤201中获取兴趣点时，兴趣点之间的距离可能会非常近。因此，步骤204中截取的影像块中除了中心兴趣点外，可能还会包含其它的兴趣点。对于影像块来说，中心兴趣点的地物类型不一定是与影像块匹配度最高的地物类型。因此，需要根据影像块中每个兴趣点的地物类型，确定影像块对应的地物类型。

本实施例不对根据任一影像块中每个兴趣点的地物类型，确定任一影像块对应的地物类型的方式作具体限定，包括但不限于：确定任一影像块中每个兴趣点的地物类型所对应的地物主体；确定所有地物主体中识别度最高的地物主体；将识别度最高的地物主体对应的地物类型作为任一影像块对应的地物类型。

其中，在确定所有地物主体中识别度最高的地物主体时，可包括但不限于如下两个方式：

方式一：根据每个地物主体的地物主体面积确定最大地物主体面积，将最大地物主体面积对应的地物主体作为识别度最高的地物主体。

该方式主要依据占据的图幅面积来确定识别度最高的地物主体，即确定影像块中哪个地物主体占据的图幅面积最大，将占据图幅面积最大的地物主体作为识别度最高的地物主体。例如，若在一个影像块中有两个地物主体，一个为“公路”，另一个为“公交站”。若在图中“公路”比“公交站”占据的图幅面积大，则识别度最高的地物主体为“公路”。

方式二：根据每个地物主体在任一影像块中的跨度范围，确定跨度范围最大的地物主体，并作为识别度最高的地物主体。

上述方式一在判断识别度最高的地物主体时，存在多个地物主体占据的图幅面积均差距不大的可能性。针对这种情况，可采样方式二来确定识别度最高的地物主体。例如，若在一个影像块中有两个地物主体，分别“桥”及“歌剧院”，且“桥”与“歌剧院”在影像块中占据的图幅面积差不多大。其中，“歌剧院”位于影像块中的一个角落且只露出建筑体的一部分，跨度范围很小。“桥”位于横跨影像块的上端至下端且桥身都在影像块中，跨度范围很大。因此，可确定影像块中识别度最高的地物主体为“桥”。

在确定所有地物主体中识别度最高的地物主体后，可将识别度最高的地物主体对应的地物类型作为影像块对应的地物类型。例如，上述例子中“桥”可作为影像块对应的地物类型。通过上述两种方式确定影像块的地物类型，能够进一步地保证影像数据的可靠性及准确性。

在确定每个影像块的地物类型后，可根据影像块的地物类型，将影像块进行分类入库。例如，分类入库部分结果可如图3至图6所示。图3为地物类型“水坝”对应的影像块集合，图4为地物类型“飞机跑道”对应的影像块集合，图5为地物类型“城市建筑”对应的影像块集合，图6为地物类型“城市路”对应的影像块集合。

本发明实施例提供的方法，通过获取预设数量个兴趣点，根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选。基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块。基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。由于可根据大量具有不同地物类型的兴趣点来截取影像块，从而能得到较多的影像数量及地物类型，整体构建效率较高。另外，由于借鉴了土地分类标准的地物分层机制，从而使得每一地物类型有严格的等级划分，并形成树形建库模式，进而能进一步地满足后续构建基准库时地物类型的多样性、层次性及全面性的要求。同时，也使得后续构建基准库时的地物分类具有较大的实际意义及可研究价值。

最后，由于可将兴趣点的地物类型与影像块中的实际地物进行匹配，将不匹配的影像块进行删除，从而能保证遥感影像地物分类基准库中数据的准确性与可靠性。另外，由于可根据影像块中识别度最高的地物主体，确定影像的块地物类型，从而能够进一步地提高遥感影像地物分类基准库中数据的可靠性及准确性。

本发明实施例提供了一种遥感影像地物分类基准库的构建装置，该装置用于执行上述图1或图2对应的实施例中所提供的遥感影像地物分类基准库的构建方法。参见图7，该装置包括：

获取模块701，用于获取预设数量个兴趣点，每个兴趣点至少包括地物类型及地理坐标；

筛选模块702，用于根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选；

截取模块703，用于基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块；

确定模块704，用于基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。

作为一种可选实施例，筛选模块702，用于确定土地分类标准的地物类型与所有兴趣点的地物类型之间重叠的地物类型；将重叠的地物类型对应的兴趣点作为筛选后的兴趣点。

作为一种可选实施例，参见图8，确定模块704，包括：

匹配单元7041，用于对于筛选后的任一兴趣点及任一兴趣点对应的任一影像块，将任一兴趣点的地物类型与任一影像块中的实际地物进行匹配；

确定单元7042，用于当两者相匹配时，根据任一影像块中每个兴趣点的地物类型，确定任一影像块对应的地物类型；

入库单元7043，用于根据任一影像块对应的地物类型，对任一影像块进行分类入库。

作为一种可选实施例，确定单元7042，包括：

第一确定子单元，用于确定任一影像块中每个兴趣点的地物类型所对应的地物主体；

第二确定子单元，用于确定所有地物主体中识别度最高的地物主体；

第三确定子单元，用于将识别度最高的地物主体对应的地物类型作为任一影像块对应的地物类型。

作为一种可选实施例，第二确定子单元，用于根据每个地物主体的地物主体面积确定最大地物主体面积，将最大地物主体面积对应的地物主体作为识别度最高的地物主体；或者，根据每个地物主体在任一影像块中的跨度范围，确定跨度范围最大的地物主体，并作为识别度最高的地物主体。

本发明实施例提供的装置，通过获取预设数量个兴趣点，根据土地分类标准及所有兴趣点的地物类型，对所有兴趣点进行筛选。基于筛选后每个兴趣点的地理坐标信息，以筛选后的每个兴趣点为中心，从遥感图像中截取预设大小的影像块。基于筛选后每个兴趣点对应的影像块及地物类型，确定入库的影像块及地物类型。由于可根据大量具有不同地物类型的兴趣点来截取影像块，从而能得到较多的影像数量及地物类型，整体构建效率较高。另外，由于借鉴了土地分类标准的地物分层机制，从而使得每一地物类型有严格的等级划分，并形成树形建库模式，进而能进一步地满足后续构建基准库时地物类型的多样性、层次性及全面性的要求。同时，也使得后续构建基准库时的地物分类具有较大的实际意义及可研究价值。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。