一种海绵城市绿色基础设施多类别识别与分类方法

本发明涉及海绵城市建设中海绵设施和景观格局分布形态研究与优化，尤其是涉及一种海绵城市绿色基础设施多类别识别与分类方法。

背景技术：

1、海绵城市建设中的绿色基础设施是以自然生命系统为支撑，将城市内部及其周边具有生态系统功能的自然、半自然绿色开放性空间相互连接而构成的绿色空间网络。由生态源地、生态廊道和生态节点组成，在其提供的生态系统服务中，水质净化、洪水防控、蓄水等生态系统服务占据了非常重要的一部分。

2、海绵城市建设作为一种新的城市建设理念，将城市绿地拓展为城市绿色基础设施，纳入雨洪管理体系，是目前城市排水管理、园林规划、防洪排涝等市政工程建设的指导方针。基于绿色基础设施理论，发挥其生态性、系统性与景观性功能，配合城市灰色基础设施，实现径流控制、水质净化与雨水资源利用。依托绿色基础设施构建海绵城市，可以实现城市雨洪管理方式变革，从宏观控制和微观手段两方面，确保城市绿色基础设施体系的协调作用与各生态调蓄单元的高效运行。一般常用的海绵城市绿色基础设施主要包括生物滞留带、雨水花园、湿塘、湿地、下凹式绿地、生物滞留池、绿色屋顶、植草沟、蓄水沟、调节塘、旱溪等。

3、绿色基础设施既是一种可持续战略理念指导，也是可落实的海绵城市生态空间建设手段。由于海绵城市绿色基础设施中的景观类型和景观结构的变化都会对生态系统服务功能的发挥产生影响，因此科学、准确、快速地进行绿色基础设施识别分类及景观格局评价成为现有海绵城市绿色基础设施规划建设的首要问题。目前，海绵城市绿色基础设施的识别及分类工作依赖于对遥感图像进行人工操作，借助envi等软件识别地块类型，再利用fragststs等软件进行景观格局评价，存在过程繁琐，工作量大等缺点。

4、遥感技术在生态环境的研究中，通过对绿地信息进行提取，将宏观的绿色基础设施转化成微观的数字符号，提供了科学的数据获取方式。对绿地结构进行管理和评价，可以为海绵城市绿色基础设施规划提供依据，从而为海绵城市的建设提供有力的基础数据和决策支持，有着十分重要的理论与现实意义。

5、但是海绵城市绿色基础设施遥感图像数据，存在设施用地边界不明晰，与自然背景对比不突出，边界模糊等问题，与常见城市或海洋遥感图像相比更加突出，像素涵盖区间也远超一般遥感图像语言分割网络验证数据区间。导致在针对海绵城市绿色基础设施遥感图像识别任务中，现有人工智能算法识别精度低，难以达到实际工程所需的标注精度。

6、因此，本专利结合人工智能算法，采用一种人工智能图像识别技术，提供一种基于遥感图像的海绵城市绿色基础设施与景观格局识别及分类方法，提高海绵城市绿色基础设施的识别及分类精度，同时实现绿色基础设施评价过程的自动化执行。

技术实现思路

1、本发明的目的是提供一种海绵城市绿色基础设施多类别识别与分类方法，通过结合基于特征融合方法与编解码方法，提供一种全新的语义分割神经网络结构，用来针对设施用地像边界特点、像素上下文特点进行特征提取与融合，基于实用角度，采用较大的编码器与较小的解码器结构，保证分割准度的情况下，减少模型参数量，为实际应用环节减小计算压力。

2、为实现上述目的，本发明提供了一种海绵城市绿色基础设施多类别识别与分类方法，包括以下步骤：

3、s1、对遥感图像和标签图像进行不同类别的归纳，并完成对应像素的分割，获得分割后对应的两组图像；

4、s2、对分割后的遥感图像进行图像特征工程模块处理，获得若干个处理后的遥感图像，同时将分割后的标签图像转化为灰度图；

5、s3、利用s2中增强后的遥感图像和转化为灰度图的标签图像构建数据集；通过图像处理统一数据集格式，从数据集中随机分配训练集及测试集；

6、s4、设计语义分割神经网络，包括依次设置的初始化模块、主干网络模块、注意力编码模块、注意力解码模块以及掩模预测模块；

7、s5、使用s3中分配的训练集对语义分割神经网络进行训练，在训练完成后，使用s3中的测试集对网络效果进行测试，当测试结果满足要求后保存网络模型，否则继续训练直到网络模型测试结果满足需求；

8、s6、对海绵城市绿色基础设施遥感图像进行均匀裁剪，保持图片大小与训练集图片大小一致，通过s4训练的语义分割网络模型获得若干个包含不同类别的城市绿色基础设施语义图；

9、s7、对若干个语义图进行降噪处理，随后采用crf模型将降噪处理后的多个图像拼接为整张图片，在拼接过程中，若图像之间有重叠，则对图像边缘进行噪声抑制处理，否则，执行下一步；

10、s8、将s6处理后的整张全景标注图像与原始遥感图像匹配坐标，获取各类基础设施对应的位置及区域信息，完成遥感图像中多类海绵城市绿色基础设施定位与识别。

11、优选的，所述初始化模块由第一卷积单元和第二卷积单元构成；所述第一卷积单元为多通道卷积层，所述第二卷积单元为最大池化层。

12、优选的，上述主干网络模块采用resnet50网络模块的第0阶段、第1阶段、第2阶段、第3阶段、第4阶段五个阶段，删除resnet50网络模块后面的全局平均池化层和全连接层，增添一层额外的卷积层提取特征，最终提取的结果分块后作为注意力编码模块的输入。

13、优选的，所述注意力编码模块由多个编码器层构成，每个编码器层的标准架构均由一个多头自注意力模块和一个前馈网络组成，分块后的特征图首先通过1×1大小的卷积降维，随后将降维后的特征图空间维度折叠为1，产生图像序列后经过编码器层后用固定位置编码进行补充，其中，固定位置编码被添加到每个注意力层的输入中。

14、优选的，所述注意力解码模块由与所述注意力编码模块对应的解码器层构成，将多个对象查询转换为输出嵌入，通过多头自注意力模块和编解码器注意力机制在多个解码器层并行转换嵌入对象并进行解码操作。

15、优选的，所述掩模预测模块通过在解码器的输出顶部添加掩码头实现，预测每个预测框的二进制掩码，使用注意力解码模块的输出计算嵌入的多头注意力得分并生成注意力热图，并判断不同位置之间相互作用的强弱程度，最终通过对象查询驱动的方式将得到的二进制掩码融合到非重叠预测中，获得城市绿色基础设施语义图。

16、优选的，步骤s1中，分割后的遥感图像和标签图像的大小均为320×320像素，归纳的图像区域类别包括但不限于生物滞留带区域、蓄水沟区域、绿色屋顶区域和背景区域。

17、优选的，步骤s2中，图像特征工程模块处理包括图像增强和图像降噪，具体为：对多个遥感图像旋转、翻转、缩放、平移、检验噪声。

18、优选的，步骤s3中，随机分配80％的数据集图像作为训练集。

19、优选的，步骤s7中，使用arcgis软件匹配全景标注图像与原始遥感图像坐标。

20、因此，本发明采用上述的一种海绵城市绿色基础设施多类别识别与分类方法，具有以下有益效果：

21、(1)本发明针对海绵城市绿色基础设施的特征，设计专用语义分割神经网络，利用语义分割神经网络，对遥感图像进行绿色基础设施分类定位，实现了单分类结果识别准确率90％以上的识别与分类，减少了绿色基础设施实地调查所需人力物力，降低了海绵城市绿色基础设施管理的难度；

22、(2)本发明基于实用角度，采用基于注意力机制的编解码网络结构，保证语义分割准度的情况下，减少模型参数量，为实际应用环节减小计算压力，能够更准确地实现对绿色基础设施智能评价；

23、(3)本发明在网络结构中添加了注意力机制架构，极大地简化了绿色基础设施目标检测的框架，同时，提取到的特征向量具有更丰富的全局上下文信息，从而进一步提高了从海绵城市遥感图像识别绿色基础设施的准确率，增强了各类基础设施区域检测的竞争力；

24、(4)本发明使用掩码预测模块自动生成检测区域并在区域中进行绿色基础设施掩模预测，去除了手工制作检测框的过程，简化了检测过程，同时，通过对象查询驱动的方式，可以将分类和识别两个任务统一嵌入到基于注意力机制编解码结构的语义分割神经网络中，极大的降低了人工工作量，提高了工作效率。

25、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。