一种融合高分遥感影像和街景影像的城中村识别方法与流程

本发明涉及地理图像技术领域，更具体地说，是涉及一种融合高分遥感影像和街景影像的城中村识别方法。

背景技术：

城中村(urbanvillage,uv)是城市内的非正规居住空间，游离于城市管理体系之外，是中国城市化进程中的特殊产物。同常规城市建成区相比，城中村内部街道空间品质低下，具有土地利用状况杂乱、建筑物密度高质量差、基础设施缺乏、环境脏乱等特点，对城市景观和公共健康造成了负面影响。随着我国新型城镇化建设的推进，高质量发展成为新时期的主题。及时准确地获取城中村的空间分布及其环境质量信息对于优化城市空间、改善人居环境具有重要意义。

高空间分辨率的遥感影像(high-resolutionremotesensingimage)因其观测范围广、地物信息丰富、获取方便等优势，已经成为城市规划和管理的重要数据源，高分遥感影像及相关技术是获取城中村分布信息的一种有效手段。高分遥感影像是目前高效获取城中村空间分布的可靠数据源，然而由于城中村的复杂性和景观多样性，单一的高分遥感影像难以满足城中村识别的高精度需求。

技术实现要素：

本发明的目的在于提供一种融合高分遥感影像和街景影像的城中村识别方法，以解决现有技术中存在的问题。

为实现上述目的，本发明采用的技术方案包括以下步骤：

步骤一：获取选定地区的高分遥感影像进行预处理，根据所述选定地区的土地利用状况，从预处理后的高分遥感影像中提取待分类区，对所述待分类区进行多尺度分割，得到多个待分类地块；

步骤二：获取所述选定地区的多视角街景影像并进行标注，提取多个街景影像特征，利用机器学习算法在训练集上构建街道空间品质评估模型，选择各视角下的最优街道空间品质评估模型及对应的最优街景影像特征组合方式；

步骤三：根据城中村地块的特点，从预处理后的高分遥感影像中提取各待分类地块的多类高分遥感影像特征；

步骤四：利用各视角下的最优街道空间品质评估模型及对应的特征组合方式对选定地区的街道空间品质进行制图，采用空间插值策略获取选定地区的空间连续的街道空间品质分布图，从而提取待分类地块中的多个街道空间品质指标；

步骤五：将各待分类地块的所述多类高分遥感影像特征和多个街道品质特征进行异构融合，利用机器学习算法构建分类器，判断其余地块是否为城中村。

可选地，在所述步骤一中，所述高分遥感影像来自于gf-2pms1传感器，包括全色波段和多光谱波段，所述预处理步骤包括：正射校正、辐射定标、大气校正、图像配准和影像融合。

可选地，在所述步骤一中，所述选定地区的土地利用状况包括水体、植被、道路、城中村建筑区和非城中村建筑区，其中，待分类区为城中村区和非城中村建筑区。

可选地，在所述步骤一中，对所述待分类区进行多尺度分割包括：以道路数据和植被数据作为约束条件，构建建筑对象级和地块级两个尺度的分割层，对所述待分类区进行多尺度分割。

可选地，在所述步骤二中，所述多个街景影像特征包括加速鲁棒特征、方向梯度直方图特征和语义特征，所述机器学习算法包括支持向量机和随机森林算法。

可选地，在所述步骤二中，利用机器学习算法在训练集上构建街道空间品质评估模型，选择各视角下的最优街道空间品质评估模型及对应的最优街景影像特征组合方式包括：将所述多个街景影像特征分为所述训练集和测试集，基于所述训练集，利用所述机器学习算法，在所述训练集上构建多个街道空间品质评估模型，利用各模型在所述测试集上的分类精度和kappa系数衡量模型性能，选择各视角下的最优街道空间品质模型及对应的最优街景影像特征组合方式。

可选地，在所述步骤三中，所述多类高分遥感影像特征的类别包括光谱特征、形状特征、纹理特征、建筑结构和场景特征，每一类别对应多个高分遥感影像特征。

可选地，在所述步骤四中，所述多个街道品质特征为各待分类地块内街道空间品质的均值、方差、最大值、最小值和极差。

可选地，在所述步骤五中，所述机器学习算法为随机森林算法。

可选地，在所述步骤五后，所述识别方法还包括步骤六：结合实地调研、googleearth地图和目视解译技术，综合获取地块尺度的城中村空间分布状况，作为地面真实值，利用整体分类精度、kappa系数、城中村地块的用户精度和生产者精度评估模型性能。

本发明的有益效果在于：提出了一种融合高分遥感影像和街景影像的城中村提取方法，将街景影像信息融入到基于高分遥感影像的城中村提取流程中，使鸟瞰视野高分遥感影像提供的光谱、形状、纹理、建筑结构和场景特征，同人本视角街景影像提供的街道空间品质信息综合互补，构建了更有区分度的特征空间，提高了城中村识别精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的gf-2真彩色影像与预分类结果示意图。

图2为本发明实施例提供的不同视角下高/低空间品质的街景影像示意图。

图3为本发明实施例提供的城中村识别流程示意图。

图4为本发明实施例提供的基于不同影像的城中村综合提取结果对比图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

鉴于单一的高分遥感影像难以满足城中村识别的高精度需求，本发明采用多源数据融合技术来提高城中村识别精度。城中村与常规城市建成区的主要差异在于其内部建成环境，即街道空间品质低下。然而城中村内部建成环境难以在基于俯瞰视角的遥感影像中直接体现。而街景地图提供了街道的360°全景影像，具有覆盖范围广、位置精度高、采集成本低等优势。将高分遥感影像与街景影像融合进行城中村识别，是本发明的基本思想。

本实施例选取广州市越秀区作为研究地区，利用本发明提供的融合高分遥感影像和街景影像的城中村识别方法，对该地区的城中村地块进行识别，具体包括以下步骤。

步骤一：获取选定地区的高分遥感影像进行预处理，根据所述选定地区的土地利用状况，从预处理后的高分遥感影像中提取待分类区，对所述待分类区进行多尺度分割，得到多个待分类地块。

广州市位于广东省中南部，是我国最早形成城中村的特大城市之一。广州市属于海洋性亚热带季风气候，四季常绿，城市内部植被等景观相对稳定。广州市下辖11个区，越秀区(113.24°e-113.32°e，23.11°n-23.17°n)是广州市11个城区中面积最小、人口密度最高的城区，有登峰、西坑、瑶台等典型城中村。

本实施例所用的高分遥感影像来自于gf-2pms1传感器，包括1m空间分辨率的全色波段和4m空间分辨率的多光谱波段(蓝、绿、红、近红外)，影像的采集时间为2017年9月15日。

gf-2影像预处理的步骤包括：正射校正、辐射定标、大气校正、图像配准和影像融合。首先利用全色和多光谱影像自带参数进行正射校正，其次采用gf-2绝对辐射定标系数对多光谱数据进行辐射定标，并利用envi5.3中的flaash模块对多光谱辐射定标后的辐亮度图像进行大气校正。以全色影像为基准进行图像配准，在待校正影像中选取地面控制点进行几何校正，最终选用gram-schmidt方法将校正好的多光谱和全色数据进行影像融合，融合后影像空间分辨率为1m。

越秀区的土地利用状况包括水体、植被、道路、城中村建筑区和非城中村建筑区。采用归一化差分植被指数(normalizeddifferencevegetationindex,ndvi)来获取越秀区植被分布状况，以ndvi≥0.36作为阈值提取植被区域。越秀区的路网数据和水体矢量数据来自于openstreetmap(osm)，根据常规车道宽度在线状路网两侧生成4m缓冲区作为路网面状数据。越秀区土地覆盖类型的预提取结果如图1所示，后续只需在待分类区中区分城中村和非城中村建筑区。

本实施例采用面向对象的分类方法(object-basedimageanalysis,obia)来提取城中村。鉴于城中村的复杂性，对高分遥感影像进行多尺度分割来同时兼顾宏观和微观特征。城中村与周边其他类型用地之间通常有相对宽阔的道路，因此在传统的多尺度分割方法基础上，利用osm提供的道路网络辅助影像分割过程，可提高分割准确性。考虑到广州市行道树茂密，也可作为城中村和其他区域的隔断，因此加入了连续分布的植被数据约束分割过程。多尺度分割过程中需要设置尺度、形状、紧致度三个参数。本实施例构建了建筑对象级和地块级两个尺度的分割层用于提取城中村。利用试错法选择适宜的分割参数，最终地块级别的分割参数为320/0.9/0.8，建筑对象级别分割参数为100/0.8/0.5。gf-2影像多尺度分割过程基于econgnitiondeveloper9.0平台完成，将地块级别的分割结果作为统计单元进行特征提取和城中村的识别。

步骤二：获取所述选定地区的多视角街景影像并进行标注，提取多个街景影像特征，利用机器学习算法在训练集上构建街道空间品质评估模型，选择各视角下的最优街道空间品质评估模型及对应的最优街景影像特征组合方式。

本实施例所用街景影像源自百度地图，在越秀区路网上以50m间隔生成采样点，根据采样点所在道路朝向，分别获取平行于道路(前、后)和垂直于道路方向(左、右)共4张街景影像，每幅影像的视场角设置为90°，此时街景影像即可全面囊括采样点周边环境。最终获取广州市越秀区14930个采样点上的59720幅街景影像，街景影像的实际拍摄时间为2017年5月，与高分遥感影像的采集时间基本一致。

街道空间品质低下是城中村区别于常规城市建成区的主要特征。通过文献调研和实地踏勘，可确定越秀区街道空间品质低下的具体表征：两侧房屋低矮密集，建筑布局混乱，建筑外立面老旧，管线布局杂乱；道路狭窄，人车混行，道路环境卫生脏乱差，绿化水平低，天空可见度差；部分街道上存在大量样式、颜色互不统一的商铺牌匾或广告牌，小商贩聚集。

以上述表征为依据对四个视角的街景影像进行标注，分为低质量和高质量两类(如图2所示)。将满足一条及以上特征的影像标注为街道空间品质低，否则，标注为高空间品质街道。四个视角各标记200张街景影像，其中街道空间品质低和高的街景影像样本各100张，选取其中的70％作为街道空间品质评估模型的训练集，其余30％作为测试集。

获取街景影像样本的多个特征，包括手工设计的特征(加速鲁棒特征，方向梯度直方图特征)和基于深度学习的特征(语义特征)，采用串行方式对多个特征向量进行组合，利用支持向量机(supportvectormachine，svm)和随机森林算法(randomforest，rf)，在各视角下分别构建多个街道空间品质评估模型，通过各模型在测试集上分类精度和kappa系数衡量模型性能，选取各视角下的最优模型及对应的特征组合方式。

其中，svm和rf用于判别街景影像的空间品质。svm将低维空间线性不可分样本转化至高维空间内线性可分的样本，并通过间隔最大化的原则在高维空间内寻找最优分类超平面。在本实施例中，svm核函数采用径向基核函数，算法主要参数正则化参数c与径向基核函数的带宽gamma采用网格搜索法进行筛选。

rf利用样本随机和特征随机的策略构建多颗互不依赖的决策树，通过降低方差的策略提高了模型的泛化性能。算法主要参数包括决策树数量、决策树最大深度和单棵决树可用特征数量。在本实施例中，rf的决策树数量为100，其余参数同样采用网格搜索法确定。

步骤三：根据城中村地块的特点，从预处理后的高分遥感影像中提取各待分类地块的多类高分遥感影像特征。

不同地区城中村在高分遥感影像上的表征存在差异，在某地区具有良好区分度的指标在另一区域可能就不再适用。在本实施例中，结合前人研究和实地考察，分析了广州市城中村与常规城市建成区在高分遥感影像上的差异(如表1所示)，从gf-2影像中获取多个类别的特征来刻画广州市的城中村，包括光谱特征、形状特征、纹理特征、建筑结构和场景特征，并选取了对应指标(如表2所示)。

其中，光谱特征体系中包含gf-2影像四个原始的多光谱波段和降维后包含影像大部分信息的第一主成分pca1的均值(mean)和标准差(standarddeviation)，还包括亮度(brightness)和亮度差异最大值(max-diff)2个常用指标。

形状特征包括地块面积(area)、密度(density)、形状指数(shapeindex)3个指标。灰度共生矩阵通过研究灰度像元的联合分布情况得到图像灰度级的空间相关性规律，是遥感图像中最常用的纹理提取方法。纹理特征包括灰度共生矩阵(graylevelco-occurrencematrix,glcm)的相关性、熵和标准差。

表1广州市城中村与常规城市建成区在高分遥感影像上的差异

表2基于高分遥感影像和街景影像的城中村特征体系

建筑结构特征包括建筑对象面积均值和建筑对象pca1均值的标准差。场景特征中采用ndvi表征地块内部植被覆盖情况，同时以veg_p表征周边环境的绿化状况(每个地块15m缓冲区内植被面积占比)。shadow_p表示各地块内阴影面积占地块面积的比例，阴影数据基于高分遥感影像的pca1进行阈值分割提取。如表2所示，最终从gf-2影像中获取23个特征。

步骤四：利用各视角下的最优街道空间品质评估模型及对应的特征组合方式对选定地区的街道空间品质进行制图，采用空间插值策略获取选定地区的空间连续的街道空间品质分布图，从而提取待分类地块中的多个街道空间品质指标。

在本实施例中，以各视角下的最优街景影像特征组合方式为基础，利用各视角下的最优街道空间品质评估模型评估越秀区59720张街景影像中的街道空间品质。模型判断某幅街景影像属于高品质街道的概率值越高，则表示街道空间品质越高，通过计算各采样点4幅街景影像所反映街道空间品质的均值，最终获取越秀区采样点尺度街道空间品质的空间分布。

基于采样点尺度的街道空间品质的空间分布，采用反距离加权的空间插值策略获取空间连续的街道空间品质分布图，从而获取各地块内街道空间品质的均值、方差、最大值、最小值、极差共5个特征。

步骤五：将各待分类地块的所述多类高分遥感影像特征和多个街道品质特征进行异构融合，利用机器学习算法构建分类器，判断其余地块是否为城中村。

在本实施例中，依据实地调查情况，对照gf-2影像在待分类区中标注8个城中村地块和23个非城中村地块作为训练集。高分遥感影像和街景影像是异构数据，适合进行特征级别融合。分别基于高分遥感影像特征、街景影像特征、两者融合后的特征，采用随机森林构建分类器，判断其余地块是否为城中村。

综上所述，本实施例所提供的城中村识别流程如图3所示。

在所述步骤五后，本实施例提供的城中村识别方法还可以包括：

步骤六：结合实地调研、googleearth地图和目视解译技术，综合获取地块尺度的城中村空间分布状况，作为地面真实值，利用整体分类精度、kappa系数、城中村地块的用户精度和生产者精度评估模型性能。

在本实施例中，结合官方公布数据、实地调研、googleearth目视解译等手段综合获取地块尺度的越秀区城中村空间分布现状，以此作为地面真实值(groundtruth)对分类结果进行验证。表3为基于各类影像特征的城中村提取精度，可以看出，基于高分遥感影像各类特征建立的模型能获取较优的分类精度，整体精度可达94.5％，kappa系数为0.58；仅基于街景影像建立的模型生产者精度(63.5％)略优于基于高分遥感影像的模型生产者精度(63.1％)，但其用户精度、整体精度和kappa系数却远低于对方。

表3基于各类影像特征的城中村提取精度

注：用户精度和生产者精度是针对城中村建筑区的提取结果；

用户精度＝1-错分误差；生产者精度＝1-漏分误差

虽然仅基于街道空间品质特征建立的模型整体精度较低，然而在基于高分遥感影像的城中村提取流程中融入街道空间品质信息后，模型各项评价指标均有了不同程度的提高。其中用户精度提升幅度最高，相对于仅基于高分遥感影像或街景影像的模型，分别提升了15.5％和47.4％，而生产者精度仅是略有提升。各项度量指标表现最优的模型都是高分遥感影像与街景影像特征融合后的模型。

图4为本发明实施例提供的基于不同影像的城中村综合提取结果对比图，进一步阐释了精度提升的原因。基于高分遥感影像提取城中村时存在错分现象，即将部分低矮建筑密集区判定为城中村，而通过街景影像可观察到这些区域街道空间品质中等，主要为工厂库房等建筑区，不属于城中村地区。而基于街景影像提取城中村时会将部分老旧小区或者小商贩聚集区识别为城中村，通过高分遥感影像可观察到这些区域建筑稀疏或者建筑楼层较高，也不属于城中村。城中村识别精度提高主要是用户精度的提升，即多源影像融合后减少了城中村的错分现象。鸟瞰视野的高分遥感影像和人本视角的街景影像提供的信息可以综合互补，提高城中村识别精度。

在本实施例中，还可以基于rf算法获取融合特征(高分遥感影像特征+街景影像特征)模型中各特征的重要性。

本实施例选择平均gini减小值(meandecreasegini)方法评估特征重要性，该方法原理为依据节点不纯度最小原则进行节点分割时计算指标的gini系数减少值，将rf中所有求和后对所有决策树求平均值，以此作为指标的重要性，基于此方法分析各特征的重要性。

如表4所示，重要性最高的特征是街道空间品质特征，其最小值和均值指标共贡献了约20％的特征重要性。后续的第三至第五重要的特征依次为纹理特征(glcm_correaltion)、场景特征(veg_p)、形状特征(area)。基于街景影像提取的度量街道空间品质的5个指标贡献了31.6％的特征重要性。由此可知，街道空间品质在提取城中村时起着关键作用。

表4特征重要性及排名

注：此处仅列举了部分特征的重要性。

本实施例以广州市越秀区为例，融合高分遥感影像和街景影像进行城中村的综合提取。两类影像融合后的城中村提取精度可达96.1％，高于基于单一影像的提取精度，证实了融合高分遥感影像和街景影像的信息能提高城中村识别精度。

城中村是一种复杂的城市景观，城中村屋顶建筑材料多样，内部地物的空间构成无明显规律，在高分遥感影像中表现出与常规城市建成区在光谱纹理、建筑结构等物理景观方面的区别，也因此基于高分遥感影像的纹理、场景、形状等特征能取得较优的城中村分类结果。除此之外，城中村和常规城市建成区在社会经济层面也存在较大差异。在全特征模型中，基于街景影像获取的街道空间品质特征在28个特征中的重要性最高，说明社会经济信息的差异同样也是区分城中村和常规城市建成区的重要特征。高分遥感影像和街景影像在描述上述两类特征时各有所长，两者融合后可有效地综合不同类别的特征，构建了更有区分度的特征空间，因此跨视角影像的融合提高了城中村识别精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。