[发明专利]一种基于街景图像的土地利用分类方法及系统

说明书

本发明涉及土地分类领域，提供一种基于街景图像的土地利用分类方法及系统，包括：获得处理后的街景图像数据和处理后的土地地块数据；将处理后的街景图像数据输入训练好的卷积神经网络，获取街景特征向量，通过街景特征向量计算获得输入地块节点嵌入表示向量；将街景特征向量和输入地块节点嵌入表示向量输入训练好的图卷积神经网络，获得输出地块节点嵌入表示向量；将输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类，获得地块的土地利用分类结果。本发明通过图神经卷积网络进行空间上下文信息交互克服了现有技术中存在的空间信息利用低效等问题。同时，本发明可以用于精确识别城市土地利用类别，为城市的科学发展制定合理的规划。

技术领域

本发明涉及土地分类领域，尤其涉及一种基于街景图像的土地利用分类方法及系统。

背景技术

城市土地利用与人类活动密切相关，反映了人类带有目地开发利用土地资源的一切活动。城市土地利用信息能够帮助研究人员理解城市区域的内部结构和承担的功能，同时为城市规划、生态管理以及环境评估等提供重要依据。如何高效化地获取更加精准的城市土地利用信息是目前面临的主要挑战之一。

传统的土地利用制图通常是通过实地调查来获得的，信息更新周期长且耗时费力。近年来，高空间分辨率遥感影像被广泛应用于提取和分析土地覆盖(Land Cover)信息，但不同于土地的物理覆盖信息，土地利用(Land use)反映的是土地的社会经济属性，这是无法从遥感影像中获取到的。相比遥感影像，街景图像是观测城市物质空间的一种新型的大数据源，其观测视角更接近于人，所表达的内容也更为丰富。街景图像不但详尽地描绘了城市物质空间的组成，同时蕴含了大量有关城市功能和社会经济属性的信息。随着深度学习技术的飞速发展，通过卷积神经网络捕捉街景图像的场景语义特征，一定程度上提高了分类的精度。

现有的基于街景图像的城市土地利用分类方法只考虑利用街景图像的场景语义信息而忽略了空间上下文信息，实现具有街景图像数据地块的土地利用类型识别，因此土地利用分类在精度上有一定的限制，并且对没有街景图像数据的地块无法实现分类和预测。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于，解决现有技术中，基于街景图像的城市基于街景图像的土地利用分类方法只考虑利用街景图像的场景语义信息而忽略空间上下文信息，实现具有街景图像数据地块的土地利用类型识别，土地利用分类的精度不高，且对没有街景图像数据的地块无法实现分类和预测的技术问题。

为实现上述目的，本发明提供一种基于街景图像的土地利用分类方法，包括步骤：

S1：数据获取单元获取研究区土地的街景图像数据和土地地块数据，对所述街景图像数据和所述土地地块数据进行预处理，获得处理后的街景图像数据和处理后的土地地块数据；

S2：将所述处理后的街景图像数据输入训练好的卷积神经网络，提取所述处理后的街景图像数据的街景特征向量，通过所述街景特征向量计算获得输入地块节点嵌入表示向量；

S3：通过所述处理后的街景图像数据和所述处理后的土地地块数据对待训练的图卷积神经网络进行训练，获得训练好的图卷积神经网络，将所述街景特征向量和所述输入地块节点嵌入表示向量输入所述训练好的图卷积神经网络进行迭代计算，获得输出地块节点嵌入表示向量；

S4：将所述输出地块节点嵌入表示向量输入训练好的土地利用分类器进行分类，获得地块的土地利用分类结果。

优选地，步骤S1中所述对所述街景图像数据进行预处理，具体为：

获取所述土地地块数据的OSM矢量数据；

对所述街景图像数据进行坐标矫正，获取所述街景图像数据的正确位置坐标。

优选地，步骤S2具体为：