基于遥感解译的城市功能区识别方法、装置、设备及介质

摘要

本发明公开一种基于遥感解译的城市功能区识别方法、装置、设备及介质，该方法包括：基于目标区域的国土调查数据和遥感影像数据，构建遥感样本库；其中，国土调查数据包括对目标区域的城市功能区进行标注的矢量数据；基于深度学习模型，利用遥感样本库对深度学习模型进行训练，获得识别模型；基于预先与用户终端构建的地图服务协议，通过用户终端识别用户在目标区域的区域选取操作，并根据区域选取操作，获得待识别区域；通过识别模型对待识别区域的城市功能区进行识别，获得识别结果，并将识别结果反馈至用户终端。本发明在构建遥感样本库时，耗时短，且标注的准确性较高，从而提高了对城市功能区进行识别的准确性。

权利要求

1.一种基于遥感解译的城市功能区识别方法，其特征在于，包括：

基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库；其中，所述国土调查数据包括对所述目标区域的城市功能区进行标注的矢量数据；

基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型；

基于预先与用户终端构建的地图服务协议，通过所述用户终端识别用户在所述目标区域的区域选取操作，并根据所述区域选取操作，获得待识别区域；

通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，并将所述识别结果反馈至所述用户终端；

其中，所述方法在基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库之前，还包括：对所述国土调查数据进行预处理；

所述对所述国土调查数据进行预处理，包括：

根据所述遥感影像数据，对所述目标区域的城市功能区进行类别划分，获得至少一个第一城市功能区类别；

根据所述至少一个第一城市功能区类别，对所述国土调查数据中预设的至少一个第二城市功能区类别进行映射处理，以将所述第二城市功能区类别映射为所述第一城市功能区类别；

所述对所述国土调查数据进行预处理，还包括：

当所述国土调查数据中存在第一图斑的城市功能区类别与所述遥感影像数据中的第二图斑的城市功能区类别不一致时，将所述第一图斑的城市功能区类别替换为所述第二图斑的城市功能区类别；其中，所述目标区域包括至少一个图斑，所述第一图斑位于所述目标区域的位置与所述第二图斑位于所述目标区域的位置相同；

当所述国土调查数据中存在包含多个图斑的地块，且所述多个图斑的城市功能区类别的集合为所述第一城市功能区类别时，将所述多个图斑的城市功能区类别的集合所对应的第一城市功能区类别作为所述地块的城市功能区类别；其中，所述目标区域包括至少一个地块；

当所述国土调查数据中存在所述第一图斑的边界与所述遥感影像数据中的所述第二图斑的边界不一致时，根据所述第二图斑的边界，对所述第一图斑的边界进行调整。

2.如权利要求1所述的基于遥感解译的城市功能区识别方法，其特征在于，所述方法在基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型之前，还包括：通过数据增强操作对所述遥感样本库中的影像数据进行数据增强处理；

则，所述基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型，具体为：基于预设的深度学习模型，利用数据增强处理后的遥感样本库对所述深度学习模型进行训练，获得所述识别模型；

其中，所述数据增强操作至少包括重采样操作、旋转操作、裁剪操作、缩放操作、翻转操作、移位操作和色彩空间转换操作。

3.如权利要求2所述的基于遥感解译的城市功能区识别方法，其特征在于，所述方法通过如下步骤预先获取所述深度学习模型：基于DeepLabV3+语义分割模型，将残差网络作为所述DeepLabV3+语义分割模型的编码器，利用ImageNet数据集对所述DeepLabV3+语义分割模型的模型参数进行预训练，获得所述深度学习模型。

4.如权利要求3所述的基于遥感解译的城市功能区识别方法，其特征在于，所述通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，具体为：通过所述识别模型，采用窗口裁剪算法对所述待识别区域的城市功能区进行识别，获得识别结果。

5.一种基于遥感解译的城市功能区识别装置，其特征在于，包括：

样本库构建模块，用于基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库；其中，所述国土调查数据包括对所述目标区域的城市功能区进行标注的矢量数据；

识别模型获取模块，用于基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型；

待识别区域获取模块，用于基于预先与用户终端构建的地图服务协议，通过所述用户终端识别用户在所述目标区域的区域选取操作，并根据所述区域选取操作，获得待识别区域；

识别模块，用于通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，并将所述识别结果反馈至所述用户终端；

其中，所述装置还包括预处理模块，用于：

在基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库之前，对所述国土调查数据进行预处理；

所述预处理模块用于对所述国土调查数据进行预处理，包括：

根据所述遥感影像数据，对所述目标区域的城市功能区进行类别划分，获得至少一个第一城市功能区类别；

根据所述至少一个第一城市功能区类别，对所述国土调查数据中预设的至少一个第二城市功能区类别进行映射处理，以将所述第二城市功能区类别映射为所述第一城市功能区类别；

所述预处理模块用于对所述国土调查数据进行预处理，还包括：

当所述国土调查数据中存在第一图斑的城市功能区类别与所述遥感影像数据中的第二图斑的城市功能区类别不一致时，将所述第一图斑的城市功能区类别替换为所述第二图斑的城市功能区类别；其中，所述目标区域包括至少一个图斑，所述第一图斑位于所述目标区域的位置与所述第二图斑位于所述目标区域的位置相同；

当所述国土调查数据中存在包含多个图斑的地块，且所述多个图斑的城市功能区类别的集合为所述第一城市功能区类别时，将所述多个图斑的城市功能区类别的集合所对应的第一城市功能区类别作为所述地块的城市功能区类别；其中，所述目标区域包括至少一个地块；

当所述国土调查数据中存在所述第一图斑的边界与所述遥感影像数据中的所述第二图斑的边界不一致时，根据所述第二图斑的边界，对所述第一图斑的边界进行调整。

6.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的基于遥感解译的城市功能区识别方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任一项所述的基于遥感解译的城市功能区识别方法。

说明书

基于遥感解译的城市功能区识别方法、装置、设备及介质

技术领域

[0001] 本发明涉及地理信息识别技术领域，尤其是涉及基于遥感解译的城市功能区识别方法、装置、终端设备及计算机可读存储介质。

背景技术

[0002] 随着遥感技术的发展，遥感影像解译的应用越来越广泛，例如利用遥感影像解译技术对城市功能区进行识别。

[0003] 为了进一步提高遥感影像解译的效率与准确性，从而实现对城市功能区更快速、更准确地进行识别，现有技术通常采用将遥感影像解译技术与深度学习相结合的方法，首先进行遥感影像样本库的构建，然后利用构建的遥感影像样本库对深度学习网络进行训练，从而获得能够对城市功能区进行识别的深度学习模型。但现有技术的方法在构建遥感影像样本库时需要人工进行大量的标注工作，耗时较长，且人工标注的准确性较低，难以确保通过训练获得的深度学习模型具有较高的识别精度，导致对城市功能区的识别准确性较低。

发明内容

[0004] 本发明提供了基于遥感解译的城市功能区识别方法、装置、设备及介质，以解决现有技术对城市功能区的识别准确性较低的问题，利用国土调查数据辅助遥感样本库的构建，由于国土调查数据包括对目标区域的城市功能区进行标注的矢量数据，因此无需人工进行大量的标注工作，耗时短，且标注的准确性较高，确保通过训练获得的深度学习模型具有较高的识别精度，从而提高了对城市功能区进行识别的准确性。

[0005] 为了解决上述技术问题，本发明实施例第一方面提供了一种基于遥感解译的城市功能区识别方法，包括：

[0006] 基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库；其中，所述国土调查数据包括对所述目标区域的城市功能区进行标注的矢量数据；

[0007] 基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型；

[0008] 基于预先与用户终端构建的地图服务协议，通过所述用户终端识别用户在所述目标区域的区域选取操作，并根据所述区域选取操作，获得待识别区域；

[0009] 通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，并将所述识别结果反馈至所述用户终端。

[0010] 作为优选方案，所述方法在基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库之前，还包括：

[0011] 对所述国土调查数据进行预处理。

[0012] 作为优选方案，所述对所述国土调查数据进行预处理，包括：

[0013] 根据所述遥感影像数据，对所述目标区域的城市功能区进行类别划分，获得至少一个第一城市功能区类别；

[0014] 根据所述至少一个第一城市功能区类别，对所述国土调查数据中预设的至少一个第二城市功能区类别进行映射处理，以将所述第二城市功能区类别映射为所述第一城市功能区类别。

[0015] 作为优选方案，所述对所述国土调查数据进行预处理，还包括：

[0016] 当所述国土调查数据中存在第一图斑的城市功能区类别与所述遥感影像数据中的第二图斑的城市功能区类别不一致时，将所述第一图斑的城市功能区类别替换为所述第二图斑的城市功能区类别；其中，所述目标区域包括至少一个图斑，所述第一图斑位于所述目标区域的位置与所述第二图斑位于所述目标区域的位置相同；

[0017] 当所述国土调查数据中存在包含多个图斑的地块，且所述多个图斑的城市功能区类别的集合为所述第一城市功能区类别时，将所述多个图斑的城市功能区类别的集合所对应的第一城市功能区类别作为所述地块的城市功能区类别；其中，所述目标区域包括至少一个地块；

[0018] 当所述国土调查数据中存在所述第一图斑的边界与所述遥感影像数据中的所述第二图斑的边界不一致时，根据所述第二图斑的边界，对所述第一图斑的边界进行调整。

[0019] 作为优选方案，所述方法在基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型之前，还包括：

[0020] 通过数据增强操作对所述遥感样本库中的影像数据进行数据增强处理；

[0021] 则，所述基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型，具体为：

[0022] 基于预设的深度学习模型，利用数据增强处理后的遥感样本库对所述深度学习模型进行训练，获得所述识别模型；

[0023] 其中，所述数据增强操作至少包括重采样操作、旋转操作、裁剪操作、缩放操作、翻转操作、移位操作和色彩空间转换操作。

[0024] 作为优选方案，所述方法通过如下步骤预先获取所述深度学习模型：

[0025] 基于DeepLabV3+语义分割模型，将残差网络作为所述DeepLabV3+语义分割模型的编码器，利用ImageNet数据集对所述DeepLabV3+语义分割模型的模型参数进行预训练，获得所述深度学习模型。

[0026] 作为优选方案，所述通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，具体为：

[0027] 通过所述识别模型，采用窗口裁剪算法对所述待识别区域的城市功能区进行识别，获得识别结果。

[0028] 本发明实施例第二方面提供了一种基于遥感解译的城市功能区识别，包括：

[0029] 样本库构建模块，用于基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库；其中，所述国土调查数据包括对所述目标区域的城市功能区进行标注的矢量数据；

[0030] 识别模型获取模块，用于基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型；

[0031] 待识别区域获取模块，用于基于预先与用户终端构建的地图服务协议，通过所述用户终端识别用户在所述目标区域的区域选取操作，并根据所述区域选取操作，获得待识别区域；

[0032] 识别模块，用于通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，并将所述识别结果反馈至所述用户终端。

[0033] 本发明实施例第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的基于遥感解译的城市功能区识别方法。

[0034] 本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一项所述的基于遥感解译的城市功能区识别方法。

[0035] 相比于现有技术，本发明实施例的有益效果在于，利用国土调查数据辅助遥感样本库的构建，由于国土调查数据包括对目标区域的城市功能区进行标注的矢量数据，因此无需人工进行大量的标注工作，耗时短，且标注的准确性较高，确保通过训练获得的深度学习模型具有较高的识别精度，从而提高了对城市功能区进行识别的准确性。

附图说明

[0036] 图1是本发明实施例提供的一种基于遥感解译的城市功能区识别方法的流程示意图；

[0037] 图2是本发明实施例提供的对遥感影像进行语义分割的示意图；

[0038] 图3是本发明实施例提供的城市功能区类别的映射关系示意图；

[0039] 图4是本发明实施例提供的DeepLabV3+语义分割模型的结构示意图；

[0040] 图5是本发明实施例提供的一种基于遥感解译的城市功能区识别装置的结构示意图。

具体实施方式

[0041] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0042] 参见图1，本发明实施例第一方面提供了一种基于遥感解译的城市功能区识别方法，包括步骤S1至步骤S4，具体如下：

[0043] 步骤S1，基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库；其中，所述国土调查数据包括对所述目标区域的城市功能区进行标注的矢量数据；

[0044] 步骤S2，基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型；

[0045] 步骤S3，基于预先与用户终端构建的地图服务协议，通过所述用户终端识别用户在所述目标区域的区域选取操作，并根据所述区域选取操作，获得待识别区域；

[0046] 步骤S4，通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，并将所述识别结果反馈至所述用户终端。

[0047] 需要说明的是，国土调查作为自然资源统一调查监测的基础调查工作，通过全面普查国家的土地资源使用情况，以期掌握翔实、准确的国土利用现状和自然资源变化情况，形成全国范围内的土地利用基础数据，因此国土调查数据中包含了对各区域的城市功能区进行标注的矢量数据，能够代替人工标注，作为构建遥感样本库的辅助数据。优选地，本发明实施例采用第三次全国国土调查数据作为国土调查数据。

[0048] 进一步地，本发明实施例基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型。由于在遥感样本库构建的过程中，本发明实施例利用国土调查数据辅助遥感影像数据的城市功能区类别标注工作，使得遥感影像数据被赋予语义信息，在利用遥感样本库对深度学习模型进行训练时，深度学习模型能够根据遥感影像数据中的语义信息对遥感影像进行语义分割，如图2所示，明确目标区域中各个地块的语义信息，从而获得能够用于对目标区域的城市功能区进行识别的识别模型。

[0049] 进一步地，基于预先与用户终端构建的地图服务协议，通过所述用户终端识别用户在所述目标区域的区域选取操作，并根据所述区域选取操作，获得待识别区域。值得说明的是，地图服务是一种利用SuperMap、ArcGIS等软件接口使地图可通过网络进行访问的方法。在完成地图制作后，将地图作为服务发布到服务器站点上，用户便可在用户终端的应用程序中使用此地图服务。本发明实施例通过用户终端识别用户在目标区域的区域选取操作，例如在地图上绘制多边形区域、选择行政范围或上传指定范围的矢量文件，从而能够根据该区域选取操作，获得待识别的区域。

[0050] 进一步地，通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，并将所述识别结果反馈至所述用户终端。

[0051] 优选地，基于地图服务协议，本发明实施例还能够通过智能网关技术共享待识别区域的城市功能区识别结果，从而满足不同用户同时对待识别区域进行解译操作。

[0052] 作为其中一种优选实施例，为了进一步提高城市功能区的识别精度，本发明实施例采用0.5m的高分辨率正射影像作为遥感影像数据。

[0053] 本发明实施例提供的一种基于遥感解译的城市功能区识别方法，利用国土调查数据辅助遥感样本库的构建，由于国土调查数据包括对目标区域的城市功能区进行标注的矢量数据，因此无需人工进行大量的标注工作，耗时短，且标注的准确性较高，确保通过训练获得的深度学习模型具有较高的识别精度，从而提高了对城市功能区进行识别的准确性。

[0054] 作为优选方案，所述方法在基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库之前，还包括：

[0055] 对所述国土调查数据进行预处理。

[0056] 需要说明的是，由于国土调查数据中预设的城市功能区类别与根据遥感影像数据识别获得的城市功能区类别之间可能存在差别，且由于国土调差数据的采集时间与遥感影像数据的采集时间可能不相同，导致国土调查数据中的矢量边界与遥感影像数据中的地物边界之间可能存在差别，因此为了提高遥感样本库的构建准确性，本发明实施例在基于目标区域的国土调查数据和遥感影像数据，构建目标区域的遥感样本库之前，还包括对所述国土调查数据进行预处理。

[0057] 作为优选方案，所述对所述国土调查数据进行预处理，包括：

[0058] 根据所述遥感影像数据，对所述目标区域的城市功能区进行类别划分，获得至少一个第一城市功能区类别；

[0059] 根据所述至少一个第一城市功能区类别，对所述国土调查数据中预设的至少一个第二城市功能区类别进行映射处理，以将所述第二城市功能区类别映射为所述第一城市功能区类别。

[0060] 具体地，本发明实施例根据遥感影像数据，对目标区域的城市功能区进行类别划分，获得至少一个第一城市功能区类别，第一城市功能区类别为低密度居住用地、高密度居住用地、商业服务业用地、工业用地、公共服务用地、教育科研用地、人工堆掘地、构筑物、林地、草地、耕地、道路、水面和裸地这14类城市功能区中的其中一类。进一步地，由于国土调查数据中预设的城市功能区类别的细化度更大，因此根据所述至少一个第一城市功能区类别，对国土调查数据中预设的至少一个第二城市功能区类别进行映射处理，以将第二城市功能区类别映射为第一城市功能区类别，具体的映射关系如图3所示，图中的“三调”地类表示第三次全国国土调查设置的城市功能区类别，包括一级类和二级类，图中的“自定义类别”表示根据遥感影像数据，对目标区域的城市功能区进行类别划分所获得的第一城市功能区类别。

[0061] 作为优选方案，所述对所述国土调查数据进行预处理，还包括：

[0062] 当所述国土调查数据中存在第一图斑的城市功能区类别与所述遥感影像数据中的第二图斑的城市功能区类别不一致时，将所述第一图斑的城市功能区类别替换为所述第二图斑的城市功能区类别；其中，所述目标区域包括至少一个图斑，所述第一图斑位于所述目标区域的位置与所述第二图斑位于所述目标区域的位置相同；

[0063] 当所述国土调查数据中存在包含多个图斑的地块，且所述多个图斑的城市功能区类别的集合为所述第一城市功能区类别时，将所述多个图斑的城市功能区类别的集合所对应的第一城市功能区类别作为所述地块的城市功能区类别；其中，所述目标区域包括至少一个地块；

[0064] 当所述国土调查数据中存在所述第一图斑的边界与所述遥感影像数据中的所述第二图斑的边界不一致时，根据所述第二图斑的边界，对所述第一图斑的边界进行调整。

[0065] 可以理解的是，同一个位置的土地的类型可能会随着时间的迁移而发生改变，从而出现国土调查数据中存在第一图斑的城市功能区类别与遥感影像数据中的第二图斑的城市功能区类别不一致的情况，由于遥感影像数据的采集时间往往在国土调查数据的采集时间之后，因此本发明实施例当国土调查数据中存在第一图斑的城市功能区类别与遥感影像数据中的第二图斑的城市功能区类别不一致时，将第一图斑的城市功能区类别替换为第二图斑的城市功能区类别，以对国土调查数据的标注信息进行更新，确保遥感样本库的构建准确性。

[0066] 进一步地，国土调查数据中的图斑较为细碎，在一个地块中可能包含多个不同城市功能区类别的图斑，导致难以判断该地块到底属于哪一个城市功能区类别，因此本发明实施例当国土调查数据中存在包含多个图斑的地块，且多个图斑的城市功能区类别的集合为第一城市功能区类别时，将多个图斑的城市功能区类别的集合所对应的第一城市功能区类别作为所述地块的城市功能区类别，例如，有一个地块中包含了林地、草地、操场和住宅用地，这些城市功能区类别的集合为一个更高一级的城市功能区类别，即教育科研用地，则将教育科研用地作为该地块的城市功能区类别。

[0067] 进一步地，由于在遥感影像数据中存在物体遮挡地面的问题，导致遥感影像数据中的图斑边界与国土调查数据中的图斑边界可能不一致，因此本发明实施例当国土调查数据中存在第一图斑的边界与遥感影像数据中的第二图斑的边界不一致时，根据第二图斑的边界，对第一图斑的边界进行调整，例如，在遥感影像数据中存在一条被高楼遮蔽了一部分的道路，而该道路在国土调查数据中没有体现出高楼部分，因此需要通过如人工修正的方式在国土调查数据中从该道路的矢量范围内抠出包含高楼的范围，并将包含高楼的范围修改为高楼所对应的城市功能区类别。

[0068] 此外，对于国土调查数据中标注精细程度不足的部分，通过人工重新标注的方式对该部分的矢量数据进行完善。

[0069] 作为优选方案，所述方法在基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型之前，还包括：

[0070] 通过数据增强操作对所述遥感样本库中的影像数据进行数据增强处理；

[0071] 则，所述基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型，具体为：

[0072] 基于预设的深度学习模型，利用数据增强处理后的遥感样本库对所述深度学习模型进行训练，获得所述识别模型；

[0073] 其中，所述数据增强操作至少包括重采样操作、旋转操作、裁剪操作、缩放操作、翻转操作、移位操作和色彩空间转换操作。

[0074] 值得说明的是，数据增强处理是基于少量样本构造出更多样本，以扩充数据量的方法。通过对一张图片进行旋转、翻转、裁剪等操作，把一张图片“增强”成至少四张图片。若对遥感样本库中的所有遥感影像都进行类似的操作，该遥感样本库中的数据可以增加到原来的四倍。

[0075] 因此，为了充分利用构建获得的遥感样本库，本发明实施例通过数据增强操作对该遥感样本库进行数据增强处理，数据增强操作至少包括重采样操作、旋转操作、裁剪操作、缩放操作、翻转操作、移位操作和色彩空间转换操作，然后基于预设的深度学习模型，利用数据增强处理后的遥感样本库对所述深度学习模型进行训练，获得所述识别模型。

[0076] 作为其中一种优选实施例，本发明实施例采用线上增强的形式，即在深度学习模型中前置数据增强操作，以使遥感样本库的数据在深度学习模型中进行数据增强处理。由于深度学习模型一般部署在服务器中，采用线上增强的形式能够解决在线下增强方式下，对样本库进行数据增强处理后，由于数据量的突增而过多占用本地硬盘空间的问题。

[0077] 作为优选方案，所述方法通过如下步骤预先获取所述深度学习模型：

[0078] 基于DeepLabV3+语义分割模型，将残差网络作为所述DeepLabV3+语义分割模型的编码器，利用ImageNet数据集对所述DeepLabV3+语义分割模型的模型参数进行预训练，获得所述深度学习模型。

[0079] 需要说明的是，为了解决不断的下采样而造成的信息损失问题，本发明实施例采用基于DeepLabV3+的语义分割模型，其结构如图4所示，DeepLabV3+网络主要由主干网络、带孔空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模块和解码器模块组成，ASPP的作用是为了进一步利用物体的多尺度信息，解码器模块参考UNet的设计，目的在于获得精细的物体边界，DeepLab V3+的主干网络是改进的Xception，最终输出的特征图尺寸都是原图尺寸的八分之一。

[0080] 具体地，本发明实施例基于DeepLabV3+语义分割模型，将残差网络作为所述DeepLabV3+语义分割模型的编码器，残差网络可以但不仅限于ResNet网络，利用ImageNet数据集对所述DeepLabV3+语义分割模型的模型参数进行预训练，获得所述深度学习模型。其中，模型参数至少包括迭代步数、优化函数、动量参数和权重衰减，此外，作为其中一种优选实施例，本发明实施例利用多项式误差衰减学习策略对DeepLabV3+语义分割模型的预设初始学习率进行微调。

[0081] 作为优选方案，所述通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，具体为：

[0082] 通过所述识别模型，采用窗口裁剪算法对所述待识别区域的城市功能区进行识别，获得识别结果。

[0083] 参见图5，本发明实施例第二方面提供了一种基于遥感解译的城市功能区识别装置，包括：

[0084] 样本库构建模块501，用于基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库；其中，所述国土调查数据包括对所述目标区域的城市功能区进行标注的矢量数据；

[0085] 识别模型获取模块502，用于基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型；

[0086] 待识别区域获取模块503，用于基于预先与用户终端构建的地图服务协议，通过所述用户终端识别用户在所述目标区域的区域选取操作，并根据所述区域选取操作，获得待识别区域；

[0087] 识别模块504，用于通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，并将所述识别结果反馈至所述用户终端。

[0088] 作为优选方案，所述装置还包括预处理模块，用于：

[0089] 在基于目标区域的国土调查数据和遥感影像数据，构建所述目标区域的遥感样本库之前，对所述国土调查数据进行预处理。

[0090] 作为优选方案，所述预处理模块用于对所述国土调查数据进行预处理，包括：

[0091] 根据所述遥感影像数据，对所述目标区域的城市功能区进行类别划分，获得至少一个第一城市功能区类别；

[0092] 根据所述至少一个第一城市功能区类别，对所述国土调查数据中预设的至少一个第二城市功能区类别进行映射处理，以将所述第二城市功能区类别映射为所述第一城市功能区类别。

[0093] 作为优选方案，所述预处理模块用于对所述国土调查数据进行预处理，还包括：

[0094] 当所述国土调查数据中存在第一图斑的城市功能区类别与所述遥感影像数据中的第二图斑的城市功能区类别不一致时，将所述第一图斑的城市功能区类别替换为所述第二图斑的城市功能区类别；其中，所述目标区域包括至少一个图斑，所述第一图斑位于所述目标区域的位置与所述第二图斑位于所述目标区域的位置相同；

[0095] 当所述国土调查数据中存在包含多个图斑的地块，且所述多个图斑的城市功能区类别的集合为所述第一城市功能区类别时，将所述多个图斑的城市功能区类别的集合所对应的第一城市功能区类别作为所述地块的城市功能区类别；其中，所述目标区域包括至少一个地块；

[0096] 当所述国土调查数据中存在所述第一图斑的边界与所述遥感影像数据中的所述第二图斑的边界不一致时，根据所述第二图斑的边界，对所述第一图斑的边界进行调整。

[0097] 作为优选方案，所述装置还包括数据增强模块，用于：

[0098] 通过数据增强操作对所述遥感样本库中的影像数据进行数据增强处理；

[0099] 则，所述识别模型获取模块502用于基于预设的深度学习模型，利用所述遥感样本库对所述深度学习模型进行训练，获得用于对所述目标区域的城市功能区进行识别的识别模型，具体为：

[0100] 基于预设的深度学习模型，利用数据增强处理后的遥感样本库对所述深度学习模型进行训练，获得所述识别模型；

[0101] 其中，所述数据增强操作至少包括重采样操作、旋转操作、裁剪操作、缩放操作、翻转操作、移位操作和色彩空间转换操作。

[0102] 作为优选方案，所述装置还包括深度学习模型获取模块，用于：

[0103] 基于DeepLabV3+语义分割模型，将残差网络作为所述DeepLabV3+语义分割模型的编码器，利用ImageNet数据集对所述DeepLabV3+语义分割模型的模型参数进行预训练，获得所述深度学习模型。

[0104] 作为优选方案，所述识别模块504用于通过所述识别模型对所述待识别区域的城市功能区进行识别，获得识别结果，具体为：

[0105] 通过所述识别模型，采用窗口裁剪算法对所述待识别区域的城市功能区进行识别，获得识别结果。

[0106] 需要说明的是，本发明实施例所提供的一种基于遥感解译的城市功能区识别装置，能够实现上述任一实施例所述的基于遥感解译的城市功能区识别方法的所有流程，装置中的各个模块的作用以及实现的技术效果分别与上述实施例所述的基于遥感解译的城市功能区识别方法的作用以及实现的技术效果对应相同，这里不再赘述。

[0107] 本发明实施例第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一实施例所述的基于遥感解译的城市功能区识别方法。

[0108] 所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

[0109] 所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field‑Prog rammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

[0110] 所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

[0111] 本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一实施例所述的基于遥感解译的城市功能区识别方法。

[0112] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

[0113] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。