【技术实现步骤摘要】
本专利技术涉及基于遥感图像的地理信息数据处理评估，尤其是涉及一种基于遥感图像分割的社区基础设施韧性测度方法。
技术介绍
1、遥感图像获取技术是社区基础设施韧性测度的基础。现代遥感技术利用无人机、卫星或航空摄影平台，能够提供高分辨率的图像，这些图像捕捉了社区的详细地理和建筑特征。随着遥感技术的发展，图像的分辨率和质量不断提高，使得从图像中提取的信息更加精确，为社区基础设施的详细分析提供了可能。
2、图像分割技术是将遥感图像分解成多个区域或对象的过程。现代图像分割技术利用机器学习和深度学习算法，如卷积神经网络(cnn)，能够自动识别和分割图像中的建筑物、道路、植被等不同组件。这些技术的应用大大提高了分割的准确性和自动化程度。
3、地理信息系统(gis)是一个多功能的地理数据管理平台，它能够存储、查询、分析和可视化地理空间数据。gis平台集成了遥感图像分割结果，提供了一个强大的工具来分析社区的空间结构和基础设施分布。虽然社区航拍遥感图像获取已经不是难题，但是想要从遥感图像中快速获取社区组件，理解社区组件间的复杂关系并不容易。现有的大型gis平台，比如arcgis平台，可以提供社区建筑物轮廓信息，但是社区绿色基础设施(community-scale green infrastructure csgi)变化频率高，gis平台很难做到及时更新，并获取社区绿色基础设施(csgi)相关目标的具体信息，如果研究者想要检验某社区当前时间段的韧性水平，就需要走访记录，或者从航拍遥感图像中手动标记。
1、本专利技术的目的是克服上述现有技术存在的缺陷而提供一种基于遥感图像分割的社区基础设施韧性测度方法，实现了对社区基础设施的全面、深入分析，为城市规划、灾害管理以及基础设施的维护和升级提供了强有力的技术支持。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于遥感图像分割的社区基础设施韧性测度方法，步骤包括：
4、对获取到社区航拍图像进行数据预处理，并将图像分割成多个小块；
5、对于分割后的图像数据，采用mpvit-deeplab网络识别得到建筑物分割图像，同时采用经过三阶段迁移学习的mpvit-deeplab网络模型获取图像中社区绿色基础设施csgi的分割图像；
6、将获取的建筑物以及csgi分割图像经过去噪、组合处理，还原为完整的社区分割图像；
7、基于还原得到的完整社区分割图像，计算出城市的韧性指标。
8、作为优选技术方案，所述的三阶段迁移学习具体流程如下：
9、预训练阶段使用mpvit作为特征提取的主干网络，采用数据集对mpvit网络的分类特征提取能力进行训练；
10、第一次迁移学习阶段将预训练的mpvit网络模型全部参数作为mpvit-deeplab中特征提取网络的初始化参数，并应用社区航拍图像作为mpvit-deeplab模型输入，得到社区建筑物的分割结果；
11、第二次迁移学习阶段沿用第一次迁移学习的模型权重参数，作为初始化参数传入mpvit-deeplab中，并锁定批量归一化层参数，采用带有csgi标注的社区航拍图像作为mpvit-deeplab模型输入，得到csgi分割图像。
12、作为优选技术方案，所述的mpvit-deeplab网络包括特征提取的主干网络mpvit以及deeplabv3+架构；
13、所述的mpvit网络对输入的遥感图像进行多次尺寸递减、序列数递增的迭代循环；
14、将mpvit网络第一次迭代后得到的原始粗略特征数据输入mpvit-deeplab网络架构的解码层；
15、将mpvit网络最后一次换迭代后得到的精细特征数据输入mpvit-deeplab网络架构的编码层，并进行不同扩张率的空洞卷积处理；
16、将经编码层空洞卷积处理后的特征与原始粗略特征进行融合，并上采样到原始图像的分辨率；
17、对上采样后的特征进行解码，生成建筑物分割结果。
18、作为优选技术方案，所述的mpvit网络包括多对ms-patchembed模块与mp-transformer模块；在每次迭代循环中，通过一个ms-patchembed模块对输入的图像进行分割，再通过一个mp-transformer模块利用自注意力机制来处理图像特征。
19、作为优选技术方案，所述的ms-patchembed模块使用重叠补丁卷积设计2d卷积运算fk×k(·)，包括多个3×3、5×5还是7×7大小的卷积核；ms-patchembed模块将不同尺度特征的卷积运算，处理为相同序列长度的视觉标记，再传递到ms-patchembed模块中。
20、作为优选技术方案，所述的mp-transformer模块接收到ms-patchembed模块中传来的多尺度图片序列特征后，将其输入transformer编码器中使用高效分解自注意头进行进一步处理；所述的mp-transformer模块中还引入了深度残差颈，在深度可分离卷积前后放置用于压缩和扩展的1×1逐点卷积，用以处理通道间的关系；
21、mp-transformer模块将transformer编码器处理过后的多尺度特征聚合，通过1×1卷积降维后输出，作为下一个迭代模块的输入数据。
22、作为优选技术方案，所述解码器输出特征rdecoder为：
23、rdecoder＝f1×1(xcoarse)
24、式中，f1×1(·)表示卷积核大小为1×1的2d卷积运算；xcoarse为mpvit网络第一次迭代后得到的原始粗略特征数据；
25、所述的编码器利用不同扩张率的空洞卷积对精细特征进行处理，具体如下：
26、rencoder＝b(f1×1(concat([f1×1(xfine),y1,y2,y3,p]))
27、式中，b(·)表示上采样函数；f1×1(·)表示卷积核大小为1×1的2d卷积运算；concat(·)表示连接函数，通过矩阵运算直接将特征相连；xfine为mpvit网络最后一次迭代后得到的精细特征数据；y1,y2,y3为特征xfiie经过不同扩张率的空洞卷积计算后的结果；p表示特征xfine的池化结果；
28、将编码层空洞卷积处理后的特征与原始粗略特征进行融合，并上采样具体为：
29、r＝b(concat([rdecoder,rencoder])
30、式中，b(·)表示上采样函数；rdecoder，rencoder分别为解码器与编码器的输出特征。
31、作为优选技术方案，所述的上采样函数采用值双线性上采样函数，使用多个最接近的像素点x(i,j)对输出像素b(x,y)进行加权平均。
32、作为优选技术方案，所述方法仅对于建筑物分割结果进行去噪处理，包括使用开运算通过先腐蚀后膨胀，去除建分割对象中的小噪声，本文档来自技高网...
【技术保护点】
1.一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，步骤包括：
2.根据权利要求1所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的三阶段迁移学习具体流程如下：
3.根据权利要求2所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的MPViT-DeepLab网络包括特征提取的主干网络MPViT以及DeepLabV3+架构；
4.根据权利要求2或3所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的MPViT网络包括多对MS-PatchEmbed模块与MP-Transformer模块；在每次迭代循环中，通过一个MS-PatchEmbed模块对输入的图像进行分割，再通过一个MP-Transformer模块利用自注意力机制来处理图像特征。
5.根据权利要求4所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的MS-PatchEmbed模块使用重叠补丁卷积设计2D卷积运算Fk×k(·)，包括多个3×3、5×5还是7×7大小的卷积核；MS-Patch
6.根据权利要求4所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的MP-Transformer模块接收到MS-PatchEmbed模块中传来的多尺度图片序列特征后，将其输入Transformer编码器中使用高效分解自注意头进行进一步处理；所述的MP-Transformer模块中还引入了深度残差颈，在深度可分离卷积前后放置用于压缩和扩展的1×1逐点卷积，用以处理通道间的关系；
7.根据权利要求3所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述解码器输出特征Rdecoder为：
8.根据权利要求7所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的上采样函数采用值双线性上采样函数，使用多个最接近的像素点X(i,j)对输出像素B(x,y)进行加权平均。
9.根据权利要求1所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述方法仅对于建筑物分割结果进行去噪处理，包括使用开运算通过先腐蚀后膨胀，去除建分割对象中的小噪声，同时平滑主要分割目标的边界。
10.根据权利要求1所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述城市的韧性指标包括：
...【技术特征摘要】
1.一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，步骤包括：
2.根据权利要求1所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的三阶段迁移学习具体流程如下：
3.根据权利要求2所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的mpvit-deeplab网络包括特征提取的主干网络mpvit以及deeplabv3+架构；
4.根据权利要求2或3所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的mpvit网络包括多对ms-patchembed模块与mp-transformer模块；在每次迭代循环中，通过一个ms-patchembed模块对输入的图像进行分割，再通过一个mp-transformer模块利用自注意力机制来处理图像特征。
5.根据权利要求4所述的一种基于遥感图像分割的社区基础设施韧性测度方法，其特征在于，所述的ms-patchembed模块使用重叠补丁卷积设计2d卷积运算fk×k(·)，包括多个3×3、5×5还是7×7大小的卷积核；ms-patchembed模块将不同尺度特征的卷积运算，处理为相同序列长度的视觉标记，再传递到ms-patchembed模块中。<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。