一种城市五类绿地识别方法、装置、设备及存储介质

本发明涉及绿地识别，特别涉及一种城市五类绿地识别方法、装置、设备及存储介质。

背景技术：

1、城市五类绿地的自动化识别在生态园林城市项目工作中是不可或缺的一部分。单纯依靠人工通过获取到的社会感知数据结合处理完成的城市绿地数据去勾画和鉴别不同种类的绿地，通常需要工作人员花费很长的时间来完成，效率很低。

2、引入深度学习方法后进一步提高了自动化识别城市绿地的效率，可以根据图像特征对城市绿地进行判别和提取。并且对于城市绿地的提取，需要依赖大量数据集的支持去进行特征学习，以保证学习结果的准确性和可靠性。

3、现有的相关技术如下：

4、中国专利“基于高分辨率遥感影像的城市绿地分类的方法，申请号为cn201010593257.4”，该专利提供了一种基于高分辨率遥感影像的城市绿地分类的方法，以解决在现有的城市绿地确认方法中，工作量较大的问题。在专利“基于高分辨率遥感影像的城市绿地分类的方法”中，根据获取到的高分遥感影像通过人工的方式提取绿地，再根据城市用地的社会功能人为的将功能分区的属性分配给所在区域的绿地来实现城市绿地分类，其绿地提取的全过程均是依靠人工进行完成。

5、中国专利“一种面向图斑的高分辨率年度城市绿地遥感信息提取方法，申请号为cn202110413753.5”，该专利提供了一种面向图斑的高分辨率年度城市绿地遥感信息提取方法，采用月度ndvi与深度学习d-linknet结合进行绿地提取并通过人为目视检查等手段来判断是否保留绿地，并且是针对城市绿地整个大类，并没有进行后续的详细划分。

6、因此，现有技术存在的人为工作量高以及城市绿地划分不精细是本领域亟待解决的技术问题。

技术实现思路

1、本发明要解决的主要技术问题是：减少工作量高，更精准可靠的对目标城市的城市绿地进行五类绿地的更为精细的划分。

2、为了解决上述技术问题，本发明采取的技术方案是：提供了一种城市五类绿地识别方法、装置、设备及存储介质，采用了segformer的深度学习方法，该深度学习方法设计了更加适合语义分割的transformer encoder以及简单轻量级的的mlp decoder，反映出其良好的鲁棒性；由于在实际应用中，训练集和测试集可能在区域、分辨率、规模和风格上有所不同，这导致了不同的特征分布，因此本发明结合了社会感知数据制作目标城市的样本，来缩小源域与目标域的特征差异，使模型提取到更具有判别性的特征，并且采用了离线自监督学习的方式去训练模型，在面对没有大量标注数据的新任务时提升了模型的特征提取能力。在保持提取五类绿地的一定精确度的前提下，减少人为工作量，提高效率和自动化程度，能够更加精准可靠的对目标城市进行五类绿地的更为精细的划分。

3、根据本发明的第一方面，一种城市五类绿地识别方法，包括以下步骤：

4、制作包含社会感知数据的第一绿地样本和第二绿地样本；

5、将所有样本划分为训练集和验证集；

6、使用深度学习方法segformer作为baseline，训练模型；

7、使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；

8、根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；

9、根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；

10、利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。

11、进一步地，所述制作第一绿地样本的步骤包括：

12、利用arcgis软件，对研究区内的高分遥感影像中的城市绿地进行勾画；

13、将勾画得到的数据叠加上社会感知数据，然后用勾画好的五类绿地图斑对原始影像中的绿地进行裁剪，提取出城市五类绿地；

14、将提取出的五类绿地影像裁剪成尺寸为512×512像素大小的图像，并制作成第一绿地样本。

15、进一步地，所述制作第二绿地样本的步骤包括：

16、将目标城市的高分遥感影像数据作为数据源，利用envi软件中的band math工具计算ndvi；

17、通过调整ndvi的阈值找到最适合于目标城市的ndvi阈值范围，并且选择该阈值范围内提取效果好的部分区域提取出绿地信息，导出最终的shp文件；

18、将导出的shp文件叠加社会感知数据，提取出城市五类绿地；

19、将提取出的五类绿地影像裁剪成尺寸为512×512像素大小的图像，并制作成第二绿地样本。

20、更进一步地，在envi软件中，ndvi计算公式如下：

21、(float(b4)-float(b3))/(float(b4)+float(b3))

22、其中，b4为近红外波段，b3为红光波段，float()为实函数。

23、进一步地，所述segformer包括：层次化transformer encoder和decoder；

24、层次化transformer encoder是segformer的核心部分，由多个transformerblock组成的，每个transformer block包含了多头自注意力机制和前向网络；

25、decoder由多个全连接层组成。

26、进一步地，采用离线自监督学习的方式训练或再训练模型，所述离线自监督学习的方式训练模型的步骤包括：

27、使用已有标签城市的数据训练模型；

28、使用训练的模型为无标签的城市数据预测标签；

29、同时使用预测得到的标签和已有标签数据集重新训练模型；

30、将训练得到的最终模型用于对验证集的最终预测。

31、进一步地，所述根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型的步骤中，样本置信度计算方法如下：

32、统计模型对每张影像的预测结果，计算每张影像所有像素的预测概率之和，选出所有影像概率之和的排名前20％用于模型的再训练。

33、根据本发明的第二方面，一种实施所述方法的城市五类绿地识别装置，包括以下模块：

34、样本制作模块，用于制作包含社会感知数据的第一绿地样本和第二绿地样本；

35、样本划分模块，用于将所有样本划分为训练集和验证集；

36、初步训练模块，用于使用深度学习方法segformer作为baseline，训练模型；

37、初步预测模块，用于使用训练得到的模型对目标城市的五类绿地进行预测，获取预测结果；

38、影像裁剪模块，用于根据预测结果，在原始影像上进行裁剪，制作五类绿地样本；

39、再训练模块，用于根据五类绿地样本的置信度，选择其中置信度排名靠前的样本作为伪标签，加入训练集再训练模型；

40、再预测模块，用于利用再训练得到的模型对目标城市的五类绿地进行预测，得到目标城市的五类绿地识别结果。

41、根据本发明的第三方面，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，所述处理器执行所述程序时实现所述的城市五类绿地识别方法的步骤。

42、根据本发明的第四方面，一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的城市五类绿地识别方法的步骤。

43、本发明提供的技术方案具有以下有益效果：

44、与现有技术相比，本发明提出的技术方案中，根据已经获取到的城市绿地数据以及五类绿地的规则，利用ndvi去提取目标城市的绿地并且叠加与之相关的社会感知数据制作成所需要的样本(挑选ndvi识别较好的部分区域)，使模型提取到更具有判别性的特征，并且使用深度学习方法segformer和离线自监督学习的方式去训练模型，一定程度上解决了单纯依靠提供的城市规划图和人工辨别勾画五类绿地造成的工作量大、效率低和自动化程度低的问题，实现了城市绿地中五类绿地的准确提取，提高了工作效率。