一种遥感影像建筑区域土地利用属性空间迁移方法与流程

本发明涉及一种遥感影像图像处理技术领域，尤其是涉及一种遥感影像建筑区域土地利用属性空间迁移方法。

背景技术：

随着人口的急剧增长，可利用的土地资源越来也少，土地利用问题也逐渐被人们所重视。在遥感技术领域，土地利用一直是遥感影像解译的重要工作，也是资源合理分配调度及市政规划的重要参考依据。与传统的通过每十年一次的土地调查来探知全国土地利用情况相比，通过遥感影像解译土地利用情况可为全国土地调查工作提供可靠高效的解决方案。

然而，现有技术中，在利用遥感影像解译土地利用时还通过人工对遥感影像中的土地利用属性进行判读，并进一步对土地利用属性进行赋值，然而人工进行土地利用属性的赋值存在如下问题：(1)人工进行土地利用属性的赋值需耗费大量的人力物力，且效率低下；(2)人工进行土地利用属性的赋值的过程中容易出错。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提供一种遥感影像建筑区域土地利用属性空间迁移方法，提高土地利用属性赋值效率。

为实现上述目的，本发明提出如下技术方案：一种遥感影像建筑区域土地利用属性空间迁移方法，包括如下步骤：

s100，获取遥感影像建筑区域的至少一种poi数据，并根据所述poi数据进行建筑属性清洗，使每个建筑图斑对应唯一的建筑属性；

s200，将建筑属性与土地调查获得的土地利用属性建立映射关系，使每个建筑属性对应建筑土地利用属性；

s300，获取遥感影像建筑区域已有的土地覆盖图层中的建筑图斑，并根据所述建筑图斑与属性清洗后的poi数据进行落点分析，获取具有poi落点的建筑图斑的建筑土地利用属性，进一步获取所述具有poi落点的建筑图斑的特征；

s400，将具有建筑土地利用属性和特征的建筑图斑输入随机森林分类器中进行训练，并通过随机森林分类器对不具有poi落点的建筑图斑进行预测，使不具有poi落点的建筑图斑获得建筑土地利用属性。

优选地，在步骤s100中，根据所述poi数据进行建筑属性清洗包括：

建立属性关键词样本库；

计算待匹配的建筑属性与属性关键词样本库中每个属性关键词的相似度；

选取相似度最大的待匹配的建筑属性作为建筑图斑的建筑属性。

优选地，通过如下步骤计算相似度：

将待匹配的建筑属性及属性关键词转换为向量,并根据如下公式计算相似度：

其中，a为待匹配的建筑属性转换后的向量，b为属性关键词转换后的向量。

优选地，通过词袋模型one-hot文本表示方法将待匹配的建筑属性和属性关键词转换为向量。

优选地，在步骤s300中，具有poi落点的建筑图斑的建筑土地利用属性通过如下步骤获得：

将poi数据转换为poi点图层；

将poi点图层与土地覆盖图层进行匹配处理，并在匹配过程中获取落在建筑图斑内的poi点，进一步通过最邻近算法对落在建筑图斑内的poi点进行筛选，将筛选出的poi点对应的建筑土地利用属性作为建筑图斑的建筑土地利用属性。

优选地，具有poi落点的建筑图斑的特征通过如下步骤获取：

针对根据遥感影像的建筑特点进行特征设计；

根据特征设计提取建筑图斑的特征。

优选地，还包括s500，将随机森林分类器的训练结果与验证集进行匹配，验证建筑土地利用属性迁移精度。

本发明的有益效果是：

本发明所述的遥感影像建筑区域土地利用属性空间迁移方法，通过poi数据获取建筑区域内具有poi落点的建筑图斑的建筑属性和特征，进一步通过具有建筑属性和特征的建筑图斑训练随机森林分类器，使随机森林分类器预测不具有poi落点的建筑图斑的建筑属性，最终实现土地利用属性的空间迁移，提高了遥感影像土地利用属性的赋值效率。

附图说明

图1是本发明的流程图示意图；

图2是本发明的相似度计算流程图示意图；

图3是本发明的遥感影像建筑区域部分影像图；

图4是图3中土地利用属性空间迁移前的影像图；

图5是图4中土地利用属性空间迁移后的影像图。

具体实施方式

下面将结合本发明的附图，对本发明实施例的技术方案进行清楚、完整的描述。

本发明所揭示的一种遥感影像建筑区域土地利用属性空间迁移方法，通过poi(pointofinterest，兴趣点)数据获取建筑区域内具有poi落点的建筑图斑的建筑属性和特征，进一步通过具有建筑属性和特征的建筑图斑训练随机森林分类器(rf，randomforest)，使随机森林分类器预测不具有poi落点的建筑图斑的建筑属性，最终实现土地利用属性的空间迁移，提高了遥感影像土地利用属性的赋值效率。

如图1所示，为本发明所揭示的一种遥感影像建筑区域土地利用属性空间迁移方法，包括如下步骤：

s100，获取遥感影像建筑区域的至少一种poi数据，并对所述poi数据进行建筑属性清洗，使每个建筑图斑对应唯一的建筑属性；

具体地，在地里信息系统中，每个poi(pointofinterest，兴趣点)通常包括名称、类别、经度、纬度信息，其可以是一个商店、酒吧、加油站等。实施时，poi数据可通过主流地图服务商获取，如通过网络爬虫从百度地图、高德地图、腾讯地图中的一个或多个获取poi数据。

本实施例中，以通过网络爬虫分别从百度地图、高德地图和腾讯地图获取poi数据为例，对如何进行建筑属性清洗进行详细的说明。

通过网络爬虫百度地图、高德地图和腾讯地图获取三种poi数据，poi数据包括建筑属性信息，如商店、酒吧、加油站等，则遥感影像建筑区域已有的土地覆盖图层中的每个建筑图斑具有三个临时建筑属性，如小学、中学和大学，可通过关键词匹配的方法对多个临时建筑属性进行清洗，使每个建筑图斑对应唯一的建筑属性，也即建筑区域的poi数据一般都是建筑相关的属性，如团体、机关、社等等，将这些关键字作为语义因子，并通过字符串匹配的分词方法将三种临时建筑属性整合为唯一的一种建筑属性，如将小学、中学和大学整合为学校。

进一步地，通过关键字匹配方法对poi数据进行建筑属性清洗包括如下步骤：首先，建立属性关键词样本库；其次，计算待匹配的建筑属性与属性关键词样本库中每个建筑属性的相似度；最后，选取相似度最大的待匹配的建筑属性作为建筑图斑的建筑属性。

实施时，首先将待匹配的建筑属性转换为向量，同时将属性关键词样本库中的建筑属性也转换为向量，进一步根据如下公式计算两个词的相似度：

其中，a为待匹配的建筑属性转换后的向量，b为属性关键词转换后的向量。

余弦值可表征两个向量的相似性，夹角越小，余弦值越接近于1，两个向量的方向更加吻合，也即两个词相似度高。

具体实施时，可通过词袋模型one-hot(独热编码)文本表示方法将待匹配的关键词转换为向量，及通过词袋模型one-hot文本表示方法将属性关键词样本库中的属性关键词转换为向量。

步骤s200，将建筑属性与土地调查获得的土地利用属性建立映射关系，使每个建筑属性对应建筑土地利用属性；

具体地，将步骤s100获得的建筑属性与全国第三次土地调查二级类属性进行映射，如学校对应科教文卫用地，编号为08h2等。具体实施时，并不限于与全国第三次土地调查二级类属性进行映射，可根据实际需求进行映射，如与全国第二次土地调查二级类属性进行映射等。

步骤s300，获取遥感影像建筑区域已有的土地覆盖图层中的建筑图斑，并根据所述建筑图斑与属性清洗后的poi数据进行落点分析，获取具有poi落点的建筑图斑的建筑土地利用属性，进一步获取所述具有poi落点的建筑图斑的特征。

具体地，建筑图斑可从遥感影像建筑区域已有的土地覆盖图层中提取。进一步地，具有poi落点的建筑图斑的建筑土地利用属性通过如下步骤获得：

首先，将属性清洗后的poi数据转换为poi点图层；

其次，将poi点图层与土地覆盖图层进行匹配处理，并在匹配过程中获取落在建筑图斑内的poi点，通过最邻近算法对落在建筑图斑内的poi点进行筛选，将筛选出的poi点对应的建筑土地利用属性作为建筑图斑的建筑土地利用属性。对于未落入poi点的建筑图斑，则等待土地利用属性空间迁移。

遥感影像建筑区域的建筑具有特定的建筑特点，为获取具有poi落点的建筑图斑的特征，首先根据遥感影像建筑区域的建筑特点进行特征设计，以从遥感影像中识别相应的建筑，最后，根据特征设计结果获取建筑图斑的特征。本实施例中，根据建筑特点设计了包括但不限于图像特征、矢量特征和空间关系特征，图像特征包括建筑图斑的标准差、对比度、熵、相异性和相关性，矢量特征包括形状指数、主方向、向量长、向量宽和向量长宽比；空间关系特征包括相邻边界、相对边界比例和城郊率。

其中，标准差通过如下公式计算：

pi为像素值，n为像素个数，l为波段，u为均值；

对比度通过如下公式计算：

相异性通过如下公式计算：

熵通过如下公式计算：

相关性通过如下公式计算：

在对比度、相异性、熵、相关性公式中，pi，j为归一化灰度共生矩阵glcm的值，i，j为glcm的行、列值，n是glcm的行或列的数目；

形状指数通过如下公式计算：

其中，pe为矢量图形的周长，area为矢量图形的面积；

主方向通过如下公式计算：

其中，λ为特征值，varx和vary分别为x，y的方差；

长度和宽度分别通过如下公式计算：

其中，area为矢量图形的面积，λ为矢量图形的长宽比；

长度和宽度分别通过如下公式计算：

λ＝λ1/λ2

其中，λ1为方差矩阵特征值的较大值，λ2为方差矩阵特征值的较小值；

相邻边界通过如下公式计算：

其中，b(u，v)为对象u和v共同边界的长度；

相邻边界比例通过如下公式计算：

其中，b(u，v)为对象u和v共同边界的长度，pe(v)为对象v的边界总长度；

城郊率通过如下公式计算：

ratio＝dcity/rcity

其中，dcity为城市距离，rcity为城市半径。

具体实施时可根据上述图像特征、矢量特征或空间特征计算获取建筑图斑的特征。

s400，将具有建筑土地利用属性和特征的建筑图斑输入随机森林分类器中进行训练，并通过随机森林分类器对不具有poi落点的建筑图斑进行预测，使不具有poi落点的建筑图斑获得建筑土地利用属性。

具体地，将多个具有建筑土地利用属性和特征的建筑图斑建立样本库。由于建筑图斑的不规则形状，则将样本库输入随机分类器中进行训练，并通过训练后的随机森林分类器对不具有poi落点的建筑图斑进行预测，使不具有poi落点的建筑图斑获得建筑土地利用属性，也即完成土地利用属性空间属性的迁移的同时提高预测的准确性。

当完成土地利用属性空间迁移后，还需进行精度评定，以验证随机森林分类器预测结果的准确性。实施时，可随机森林分类器的训练结果与验证集进行匹配验证土地利用属性空间迁移的精度。当不满足精度要求时，继续使用样本库训练随机森林分类器，直至土地利用属性空间迁移的精度满足要求。

本发明所述的遥感影像建筑区域土地利用属性空间迁移方法，有效提高了土地利用属性的赋值效率。如图3～5所示，图3为遥感影像建筑区域部分影像图，图4为图3中土地利用属性空间迁移前的影像图，该图中包含多个不具有poi落点的建筑图斑；图5为利用本发明的方法进行土地利用属性空间迁移后的示意图，由图可知，不具有poi落点的建筑图斑均具有了建筑土地利用属性。

同时，本发明还通过选取一总体面积约390平方千米的区域对本发明土地利用属性空间迁移方法进行验证。通过本发明所述的方法，仅需约6个小时便完成建筑区域土地利用属性赋值，而通过人工进行建筑区域土地利用属性赋值，则需要约60个小时完成建筑区域土地利用属性赋值，由此可见本发明大大缩短了建筑区域土地利用属性赋值效率。

本发明的技术内容及技术特征已揭示如上，然而熟悉本领域的技术人员仍可能基于本发明的教示及揭示而作种种不背离本发明精神的替换及修饰，因此，本发明保护范围应不限于实施例所揭示的内容，而应包括各种不背离本发明的替换及修饰，并为本专利申请权利要求所涵盖。