一种城市肌理分类识别方法
阅读：604发布：2024-01-26
专利汇可以提供一种城市肌理分类识别方法专利检索，专利查询，专利分析的服务。并且本 申请 涉及计算机技术领域，特别涉及一种城市肌理分类识别方法，包括：获取城市图像样本，将所述城市图像样本进行分割得到待训练图像元；将所述待训练图像元划分为多种肌理类别的图像元训练集；对所述图像元训练集进行 机器学习 ，得到肌理类别分类器；获取城市图像，根据所述待训练图像元的尺寸对所述城市图像进行切割形成多个待识别图像元；将所述待识别图像元输入所述肌理类别分类器，输出各所述待识别图像元的肌理类别。采用本方法能够实现对城市整体肌理的自动识别。，下面是一种城市肌理分类识别方法专利的具体信息内容。
1.一种城市肌理分类识别方法，所述方法包括：
获取城市图像样本，将所述城市图像样本进行分割得到待训练图像元；
将所述待训练图像元划分为多种肌理类别的图像元训练集；
对所述图像元训练集进行机器学习，得到肌理类别分类器；
获取城市图像，根据所述待训练图像元的尺寸对所述城市图像进行切割形成多个待识别图像元；
将所述待识别图像元输入所述肌理类别分类器，输出各所述待识别图像元的肌理类别。
2.根据权利要求1所述的方法，其特征在于，所述对所述图像元训练集进行机器学习，得到肌理类别分类器，包括：
获取多种尺寸的所述图像元训练集；
分别对各种尺寸的所述图像元训练集进行机器学习，得到多种分类器；
获取图像元验证集，计算各所述分类器对所述图像元验证集进行肌理类别识别的准确率；
将所述准确率最高的分类器设定为肌理类别分类器。
3.根据权利要求1所述的方法，其特征在于，所述将所述待训练图像元划分为多个肌理类别的图像元训练集，包括：
从所述待训练图像元中提取图像元指纹；
计算各所述图像元指纹之间的相似度，根据所述相似度对各所述待训练图像元进行聚类；
根据聚类结果生成多个肌理类别的图像元训练集。
4.根据权利要求3所述的方法，其特征在于，所述从所述待训练图像元中提取图像元指纹，包括：
压缩所述待训练图像元，并将压缩后的所述待训练图像元转换为灰度图；
计算所述灰度图中相邻像素值之间的差值；
对所述差值进行量化，得到所述待训练图像元的图像元指纹。
5.根据权利要求1所述的方法，其特征在于，所述将所述待识别图像元输入所述肌理类别分类器，生成各所述待识别图像元的肌理类别之后，包括：
获取各所述待识别图像元在所述城市图像中的位置信息；
在所述城市图像中与所述位置信息对应的位置处，生成各所述待识别图像元的肌理类别的标注，得到城市图像肌理图。
6.根据权利要求1所述的方法，其特征在于，所述将所述待识别图像元输入所述肌理类别分类器，生成各所述待识别图像元的肌理类别之后，包括：
获取所述待识别图像元的数量，根据所述数量生成类别矩阵；
根据各所述待识别图像元的肌理类别对所述类别矩阵进行赋值；
分别计算所述类别矩阵中各所述肌理类别的数量与所述待识别图像元的数量的比值；
根据各所述比值生成所述城市图像的肌理组成信息。
7.一种城市肌理分类识别装置，其特征在于，所述装置包括：
待训练图像元获取模块，用于获取城市图像样本，将所述城市图像样本进行分割得到待训练图像元；
训练集获取模块，用于将所述待训练图像元划分为多种肌理类别的图像元训练集；
分类器获取模块，用于对所述图像元训练集进行机器学习，得到肌理类别分类器；
待识别图像元获取模块，用于获取城市图像，根据所述待训练图像元的尺寸对所述城市图像进行切割形成多个待识别图像元；
肌理类别识别模块，用于将所述待识别图像元输入所述肌理类别分类器，输出各待识别图像元的肌理类别。
8.根据权利要求7所述的装置，所述分类器获取模块，包括：
训练集获取单元，用于获取多种尺寸的图像元训练集；
分类器获取单元，用于分别对各种尺寸的所述图像元训练集进行机器学习，得到多种分类器；
准确率计算单元，用于获取图像元验证集，计算各所述分类器对所述图像元验证集进行肌理类别识别的准确率；
分类器选择单元，用于将准确率最高的所述分类器设定为肌所述理类别分类器。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
一种城市肌理分类识别方法
技术领域
[0001] 本申请涉及如计算机技术领域，特别是涉及一种城市肌理分类识别方法。
背景技术
[0002] 城市肌理是由反映城市生态和自然环境条件的自然系统与体现在城市历史传统、经济文化和科学技术方面的人工系统相互融合、长期作用形成的空间特质，是城市、自然环境与人所共同构筑的整体，这一整体直接反映了一座城市的结构形式和类型特点反映了生活在其中的人们的历史图式反映了城市所处地域环境的文化特征。
[0004] 基于此，有必要针对上述技术问题，提供一种能够自动识别城市整体肌理的方法、装置、计算机设备和存储介质。
[0005] 一种城市肌理分类识别方法，所述方法包括：
[0006] 获取城市图像样本，将所述城市图像样本进行分割得到待训练图像元；
[0007] 将所述待训练图像元划分为多种肌理类别的图像元训练集；
[0008] 对所述图像元训练集进行机器学习，得到肌理类别分类器；
[0009] 获取城市图像，根据所述待训练图像元的尺寸对所述城市图像进行切割形成多个待识别图像元；
[0010] 将所述待识别图像元输入所述肌理类别分类器，输出各所述待识别图像元的肌理类别。
[0011] 在一个实施例中，所述对所述图像元训练集进行机器学习，得到肌理类别分类器，包括：
[0012] 获取多种尺寸的所述图像元训练集；
[0013] 分别对各种尺寸的所述图像元训练集进行机器学习，得到多种分类器；
[0014] 获取图像元验证集，计算各所述分类器对所述图像元验证集进行肌理类别识别的准确率；
[0015] 将所述准确率最高的分类器设定为肌理类别分类器。
[0016] 在一个实施例中，所述将所述待训练图像元划分为多个肌理类别的图像元训练集，包括：
[0017] 从所述待训练图像元中提取图像元指纹；
[0018] 计算各所述图像元指纹之间的相似度，根据所述相似度对各所述待训练图像元进行聚类；
[0019] 根据聚类结果生成多个肌理类别的图像元训练集。
[0020] 在一个实施例中，所述从所述待训练图像元中提取图像元指纹，包括：
[0021] 压缩所述待训练图像元，并将压缩后的所述待训练图像元转换为灰度图；
[0023] 对所述差值进行量化，得到所述待训练图像元的图像元指纹。
[0024] 在一个实施例中，所述将所述待识别图像元输入所述肌理类别分类器，生成各所述待识别图像元的肌理类别之后，包括：
[0025] 获取各所述待识别图像元在所述城市图像中的位置信息；
[0026] 在所述城市图像中与所述位置信息对应的位置处，生成各所述待识别图像元的肌理类别的标注，得到城市图像肌理图。
[0027] 在一个实施例中，所述将所述待识别图像元输入所述肌理类别分类器，生成各所述待识别图像元的肌理类别之后，包括：
[0028] 获取所述待识别图像元的数量，根据所述数量生成类别矩阵；
[0029] 根据各所述待识别图像元的肌理类别对所述类别矩阵进行赋值；
[0030] 分别计算所述类别矩阵中各所述肌理类别的数量与所述待识别图像元的数量的比值；
[0031] 根据各所述比值生成所述城市图像的肌理组成信息。
[0032] 一种城市肌理分类识别装置，所述装置包括：
[0033] 待训练图像元获取模块，用于获取城市图像样本，将城市图像样本进行分割得到待训练图像元；
[0034] 训练集获取模块，用于将待训练图像元划分为多种肌理类别的图像元训练集；
[0035] 分类器获取模块，用于对图像元训练集进行机器学习，得到肌理类别分类器；
[0036] 待识别图像元获取模块，用于获取城市图像，根据待训练图像元的尺寸对城市图像进行切割形成多个待识别图像元；
[0037] 肌理类别识别模块，用于将待识别图像元输入肌理类别分类器，输出各待识别图像元的肌理类别。
[0038] 在一个实施例中，所述分类器获取模块，包括：
[0039] 训练集获取单元，用于获取多种尺寸的图像元训练集；
[0040] 分类器获取单元，用于分别对各种尺寸的所述图像元训练集进行机器学习，得到多种分类器；
[0041] 准确率计算单元，用于获取图像元验证集，计算各所述分类器对所述图像元验证集进行肌理类别识别的准确率；
[0042] 分类器选择单元，用于将准确率最高的所述分类器设定为肌所述理类别分类器。
[0044] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0045] 上述城市肌理分类识别方法、装置、计算机设备和存储介质，通过获取多个待训练图像元的特征，根据特征对多个待训练图像元进行聚类，得到多种肌理类别的训练集。利用各肌理类别训练集对机器学习模型进行训练生成分类器，对城市整体图像进行切割形成多个待识别图像元，利用分类器对各待识别图像元进行肌理类别的识别，根据各肌理类别生成城市图像的肌理类别组成。将对城市整体肌理的识别分解为对城市图像中各个图像元肌理类型的识别，实现了对城市整体肌理的自动识别。附图说明
[0046] 图1为一个实施例中城市肌理分类识别方法的应用场景图；
[0047] 图2为一个实施例中城市肌理分类识别方法的流程示意图；
[0048] 图3为一个实施例中城市图像肌理图生成方法的流程示意图；
[0049] 图4为一个实施例中城市图像的肌理组成信息生成方法的流程示意图；
[0050] 图5为一个实施例中城市肌理分类识别装置的结构框图；
[0051] 图6为一个实施例中计算机设备的内部结构图。
具体实施方式
[0052] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0053] 本申请提供的一种城市肌理分类识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取城市图像样本，对城市图像样本进行分割得到待训练图像元，将待训练的图像元划分为多种肌理类别的图像元训练集，对图像元训练集进行机器学习得到肌理类别分类器。进一步地，服务器104获取城市图像，依据待训练图像元尺寸将城市图像分割为多个待识别图像元，利用训练好的肌理类别分类器对待识别图像元进行肌理类别识别，根据各肌理类别生成城市图像的肌理类别组成。并将城市图像的肌理类别组成发送至终端102，终端102对城市图像的肌理类别进行展示。
[0054] 终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当服务器104为独立的服务器时，服务器104中可以部署多个数据库，每个数据库中可以存储城市图像数据；当服务器104为多个服务器组成的服务器集群时，每个服务器中部署的数据库中可以存储城市图像数据。
[0055] 在一个实施例中，如图2所示，提供了一种城市肌理分类识别方法，以该方法应用于图1中的服务器104为例进行说明，在其他实施例中，该方法也可以应用于终端，方法包括以下步骤：
[0056] 步骤210，获取城市图像样本，将城市图像样本进行分割得到待训练图像元。
[0057] 城市图像样本可以为某个城市的卫星图像，具体地可为服务器通过爬取地图软件中开放平台上的地图数据获取的城市图像样本。例如，服务器从地图软件开放平台上爬取具有丰富肌理信息的城市对应的城市图像，将获取的城市图像作为城市图像样本。进一步地，服务器对获取的城市图像进行预处理，将预处理后的城市图像作为城市图像样本，其中，预处理包括对城市图像的颜色、大小等进行处理，例如，将获取的城市图像转换为灰度图像，将获取的城市图像处理为期望尺寸大小的图像。
[0058] 在一个实施例中，服务器可将获取的一个城市的城市图像作为城市图像样本，将城市图像样本进行分割得到多个待训练图像元。在另一个实施例中，服务器也可以将获取的多个城市的城市图像作为城市图像样本，对获取的多个城市图像样本分别进行分割得到多个待训练图像元。其中，多个城市可包括经济发达的城市以及经济欠发达的城市，通过获取多个经济等级的城市图像，使得待训练图像元中包括更多样、更丰富的城市肌理信息。
[0059] 进一步，服务器获取城市图像样本，将获取的城市图像样本进行分割得到多个图像元，将图像元分为待训练图像元、验证图像元以及测试图像元。更进一步地，对获得的图像元按照预设比例进行划分，如以4:3:1的比例划分为待训练图像元、验证图像元以及测试图像元。其中，待训练图像元用来训练模型，验证图像元用于从多个不同的参数训练得到的模型中选择最好的模型，测试图像元用来检验最终选择的模型的性能。
[0060] 具体地，待训练图像元为城市图像样本中部分像素组成的图像。在一个实施例中，对城市图像样本进行均匀分割得到多个尺寸一致的待训练图像元，例如，将城市图像样本划分为多个尺寸一致的矩形的待训练图像元。在另一个实施例中，对城市图像样本进行不均匀分割，获得多个具有不同尺寸的待训练图像元，例如，通过对城市图像样本进行特征识别，根据特征对城市图像样本进行切割，例如，通过识别城市图像样本中的道路网特征，根据道路网特征对城市图像样本进行切割，具体地，以识别的道路网为切割边界对城市图像样本进行切割。
[0061] 步骤220，将待训练图像元划分为多种肌理类别的图像元训练集。
[0062] 城市肌理是由反映城市生态和自然环境条件的自然系统与体现在城市历史传统、经济文化和科学技术方面的人工系统相互融合、长期作用形成的空间特质，是城市、自然环境与人所共同构筑的整体，这一整体直接反映了一座城市的结构形式和类型特点反映了生活在其中的人们的历史图式反映了城市所处地域环境的文化特征。其中，城市用地分类会反映为城市肌理特点，具体地，城市机理可表现为二维地图中的用地布局形态、建筑密度、绿化、开敞空间等要素的集合。
[0063] 服务器计算各待训练图像元的图像特征，将具有相同或者相似图像特征的待训练图像元划分为一个类别，形成多种类别的图像元训练集。进一步地，服务器为多种类别的图像元训练集标注肌理标签，生成多种肌理类别的图像元训练集。例如，肌理标签可为：高密度城区、中密度城区、低密度城区、交通干道和立体交通以及公共建筑和工厂等。
[0064] 步骤230，对图像元训练集进行机器学习，得到肌理类别分类器。
[0065] 将具有肌理类别标签的图像元训练集输入机器学习模型，对机器学习模型进行训练，机器学习模型通过学习待训练图像元的图像特征与所属肌理类别之间的关系，得到肌理类别分类器。进一步地，将待识别图像元输入训练好的肌理类别分类器可以得到各待识别图像元的肌理类别。其中，机器学习模型可以为卷积神经网络模型等。
[0066] 步骤240，获取城市图像，根据待训练图像元的尺寸对城市图像进行切割形成多个待识别图像元。
[0067] 城市图像为进行肌理识别的目标图像。具体地，服务器获取待训练图像元尺寸，根据待训练图像元尺寸对城市图像进行切割得到多个待识别图像元。
[0068] 在一个实施例中，城市图像是一个城市的整体图像，根据待训练图像元尺寸对城市图像进行切割得到多个待识别图像元。在另一个实施例中，城市图像是对一个城市的整体图像进行第一次切割得到的多个城市区域图像，其中第一次切割包括对城市图像进行均匀切割或者非均匀切割。或者，城市图像也可以是服务器直接从地图软件开放平台上获取的一个城市的整体图像中的部分区域图像即城市区域图像。根据待训练图像元尺寸对多个城市区域图像分别进行切割得到多个待识别图像元。
[0069] 在本实施例中，考虑到一个城市的整体图像的尺寸过大，若直接对城市图像进行切割会造成城市图像中像素信息的损失，为了最大化城市图像的细节，保证对城市图像切割过程中损失较少的像素信息，首先获取城市区域图像，对各个城市区域图像进行切割生成待识别图像元。以识别上海市城市肌理为例，服务器分别获取黄浦区、徐汇区等地区的城市区域图像，然后对城市区域图像分别进行切割生成多个待识别图像元，将待识别图像元输入肌理类别分类器，得到各待识别图像元的肌理类别。
[0070] 步骤250，将待识别图像元输入肌理类别分类器，输出各待识别图像元的肌理类别。
[0071] 服务器将各待识别图像元输入肌理类别分类器，肌理类别分类器通过识别各个待识别图像元的肌理特征，查找与肌理特征匹配的肌理类别，进而得到各个待识别图像元的肌理类别。通过识别各个待识别图像元的肌理类别可得知城市图像的肌理类别，进而实现对城市肌理的识别。
[0072] 上述城市肌理分类识别方法，通过获取多个待训练图像元的肌理特征，根据肌理特征对多个待训练图像元进行聚类，得到多种肌理类别训练集。利用各肌理类别训练集对机器学习模型进行训练生成分类器，对城市整体图像进行切割形成多个待识别图像元，利用分类器对各待识别图像元进行肌理类别的识别，根据各肌理类别生成城市图像的肌理类别组成。将对城市整体肌理的识别分解为对城市图像中各个图像元肌理类型的识别，实现了对城市整体肌理的自动识别。
[0073] 并且利用肌理类别分类器实现自动识别各图像元的肌理类别，提高了肌理类别识别的效率以及准确度。
[0074] 在一个实施例中，对图像元训练集进行机器学习，得到肌理类别分类器，包括：获取多种尺寸的图像元训练集；分别对各种尺寸的图像元训练集进行机器学习，得到多种分类器；获取图像元验证集，计算各分类器对图像元验证集进行肌理类别识别的准确率；将准确率最高的分类器设定为肌理类别分类器。
[0075] 不同尺寸的待训练图像元包含不同的信息量，当待训练图像元的尺寸过小时包含的信息量过少，此时不能区分不同待训练图像元之间的差别，难以对各待训练图像元进行肌理类别分类。当待训练图像元尺寸过大时包含的信息量过多，此时同一个待训练图像元会包含多种肌理类别的信息，不利于对待训练图像元进行肌理分类。在一个实施例中，依据不同的尺寸对城市图像样本进行分割得到多种尺寸的待训练图像元，将多种尺寸的待训练图像元分别进行肌理类别分类，生成多种尺寸下的图像元训练集。
[0076] 为了获取待训练图像元的最佳尺寸，将各种尺寸的图像元训练集分别进行机器学习，得到多种尺寸下的多种分类器，对多种分类器分别进行校验，将校验准确率最高分类器提取为最佳的肌理类别分类器。具体地，获取各尺寸下的图像元验证集，计算各分类器对图像元验证集进行肌理类别识别的准确率，将准确率最高的分类器提取为最佳的肌理类别分类器。
[0077] 例如，将尺寸为1800*800像素的城市图像分别切割为多张尺寸为200*200像素的待训练图像元、100*100像素的待训练图像元以及50*50像素的待训练图像元，依据各尺寸的待训练图像元训练得到多种分类器，利用图像元验证集对多种分类器分别进行验证，得出尺寸为200*200像素下的分类器的肌理识别准确度最优，故而将依据尺寸为200*200像素的待训练图像元训练得到的分类器提取为最佳的肌理类别分类器。
[0078] 在本实施例中，通过对城市图像样本进行多尺寸的切割，得到多尺寸下的待训练图像元，对各尺寸下的待训练图像元分别进行机器学习得到多种分类器，利用图像验元验证集对多种分类器分别进行验证，进而选择出最佳尺寸对应的分类器。利用最佳切割尺寸对应的分类器对待识别图像元进行识别，提高了识别效率。
[0079] 在一个实施例中，将待训练图像元划分为多个肌理类别的图像元训练集，包括：从待训练图像元中提取图像元指纹；计算各图像元指纹之间的相似度；根据相似度对各待训练图像元进行聚类；根据聚类结果生成多个肌理类别的图像元训练集。
[0080] 图像元指纹，用于表征待训练图像元的图像特征。图像元指纹中的信息代表待训练图像元的特征。具体地，提取待训练图像元的特征，根据特征生成图像元指纹。更加具体地，利用图像降维算法对待训练图像元进行降维，根据降维结果得到图像元特征，根据图像元特征生成图像元指纹。
[0081] 在一个实施例中，利用感知哈希算法对待训练图像元进行降维，根据降维结果生成图像元指纹。其中，感知哈希算法是实现相似图片搜素的关键技术，它的作用是对每张图片进行降维，生成特征值即指纹字符串。更加具体地，感知哈希算法包括均值哈希算法、增强哈希算法和差值哈希算法。其中均值哈希算法的速度最快，但精度较差，增强哈希算法精确度较高，速度较慢，差值哈希算法速度快、精度高，但对图像变换不具有鲁棒性。在一个实施例中，考虑到数据样本量不需要作额外的图像变换以扩大数据量，可以选择采用差值哈希算法进行待训练图像元的降维。
[0082] 服务器根据计算得到的各图像元指纹，比较不同图像元指纹之间的相似度，相似度值越大，说明待训练图像元之间越相似。具体地，服务器计算各图像元指纹之间的相似度，将相似度大于预设相似度阈值的待训练图像元进行聚类，形成图像元训练集。具体地，可以使用聚类算法对图像元进行聚类。
[0083] 在一个实施例中，首先确定对待训练图像元进行聚类数量。具体地，服务器获取聚类数量，根据聚类数量确定聚类中心的个数，并选取每个聚类对应的聚类中心，分别计算待识别图像元的图像元指纹与各聚类中心的距离，将各待识别图像元分别划分至距离最近的聚类中心，根据聚类中心以及划分至聚类中心中的待识别图像元，得到多种肌理类别的训练集。在一个实施例中，利用K-means聚类算法对各待训练图像元进行聚类，在其他实施例中，对聚类算法不做限制。
[0084] 进一步地，确定待训练图像元的聚类数量包括：预先设置多个聚类数量，依据多个聚类数量分别对待训练图像元进行聚类，得到多个聚类数量下的图像元训练集。计算依据各聚类数量得到的图像元训练集的准确率，提取准确率最高的聚类数量为最佳聚类数量。在另一个实施例中，不预先设置聚类数量。将各待识别图像元输入聚类模型，利用聚类模型对各待图像元进行聚类，当聚类结果最佳时，获取此时的聚类数量，将此时的聚类数量提取为最佳聚类数量。
[0085] 在本实施例中，通过对待训练图像元进行降维得到图像元指纹，利用图像元指纹对各待训练图像元进行聚类，提高了对待训练图像元进行聚类的效率。
[0086] 在一个实施例中，从待训练图像元中提取图像元指纹，包括：压缩待训练图像元，并将压缩后的待训练图像元转换为灰度图；计算灰度图中相邻像素值之间的差值；对差值进行量化，得到待训练图像元的图像元指纹。
[0087] 具体地，获取图像元指纹之前还包括：对待训练图像元进行预处理，其中预处理可包括对待训练图像元的尺寸以及颜色进行预处理。其中尺寸预处理包括将各待训练图像元的尺寸进行标准化，在一个实施例中将待训练图像元的尺寸处理为9*8像素尺寸，在此尺寸下，待训练图像元具有72位像素点。对待训练图像元的颜色预处理包括将待训练图像元转化为灰度图，即把标准化后的待训练图像元转化为256个阶调的灰度图。
[0088] 对待训练图像元进行预处理之后还包括：计算待训练图像元相邻像素之间的差值。例如，当待训练图像元的尺寸为9*8像素尺寸时，每行9个像素之间产生了8个不同的差值，一共8行，则产生了64个差值。
[0089] 获得差值之后还包括根据差值计算待训练图像元的图像元指纹。具体地，包括对获得的差值进行量化，其中，量化规则可为如果前一个像素比后一个像素值更大(更亮)，则记录为1，否则记录为0，通过将对差值进行量化得到图像元指纹。例如，获取的待训练图像元的指纹为001…101100。
[0090] 比较各图像元指纹数值的相似性，得到待训练图像元之间的相似度。具体地，当待训练图像元之间的相似度大于预设相似度阈值时，将待训练图像元归为同一个肌理类别的图像元训练集中。
[0091] 在本实施例中，通过对图像元进行降维生成图像元指纹，比较各图像元指纹之间的相似性，实现了快速获得各图像元之间的相似性，提高了算法的运行效率。
[0092] 在一个实施例中，将待识别图像元输入肌理类别分类器，生成各待识别图像元的肌理类别之后，包括：获取各待识别图像元在城市图像中的位置信息；在城市图像中与位置信息对应的位置处，生成各待识别图像元的肌理类别的标注，得到城市图像肌理图。
[0093] 在一个实施例中，对城市图像进行切割，得到多个待识别图像元，记录各待识别图像元在城市图像中的位置信息，具体地，该位置信息可以为坐标信息，将各待识别图像元与各位置信息进行关联，并存储至数据库中。获取各待识别图像元的肌理类别之后，服务器从数据库中查询该待识别图像元关联的位置信息，在城市图像中与该位置信息对应的位置处生成该待识别图像元的肌理类别标注。具体地，可以将不同的肌理类别与不同的颜色进行关联，在城市图像中对各待识别图像元进行与肌理类别关联的颜色标注。进一步地，当完成对城市图像中所有待识别图像元的肌理类别标注之后，生成该城市图像的肌理图，更进一步地，将城市图像的肌理图进行显示。
[0094] 在本实施例中，将对城市图像整体的肌理类别识别分解为对各待识别图像元的肌理类别识别，使得对大尺寸城市图像的肌理类别识别成为可能，进一步地，通过机器学习算法实现对肌理类别的识别，不仅实现了自动化识别，同时也提高了识别的准确性。
[0095] 如图3所示，图3提供了一种城市图像肌理图生成方法的流程示意图，包括：
[0096] 步骤210，获取城市图像样本，将城市图像样本进行分割得到待训练图像元。
[0097] 步骤222，从待训练图像元中提取图像元指纹。
[0098] 步骤224，计算各图像元指纹之间的相似度，根据相似度对各待训练图像元进行聚类。
[0099] 步骤226，根据聚类结果生成多个肌理类别的图像元训练集。
[0100] 步骤230，对图像元训练集进行机器学习，得到肌理类别分类器。
[0101] 步骤240，获取城市图像，根据待训练图像元的尺寸对城市图像进行切割形成多个待识别图像元。
[0102] 步骤250将待识别图像元输入肌理类别分类器，输出各待识别图像元的肌理类别。
[0103] 步骤252，获取各待识别图像元在城市图像中的位置信息。
[0104] 步骤254，在城市图像中与位置信息对应的位置处，生成各待识别图像元的肌理类别的标注，得到城市图像肌理图。
[0105] 在本实施例中，首先根据待训练图像元以及各待训练图像元的肌理类别进行机器学习，得到肌理类别分类器，然后利用肌理类别分类器对城市图像中的各待识别图像元进行肌理类别识别，得到城市图像肌理图。不仅实现了根据机器学习算法得到肌理类别分类器，还实现了利用肌理类别分类器对城市图像中的各待识别图像元自动进行肌理类别识别，进而实现对整体城市图像肌理的识别。
[0106] 如图4所示，提供了一种城市图像的肌理组成信息生成方法的流程示意图，在一个实施例中，将待识别图像元输入肌理类别分类器，生成各待识别图像元的肌理类别之后，包括：
[0107] 步骤410，获取待识别图像元的数量，根据数量生成类别矩阵。
[0108] 待识别图像元的数量为对城市图像进行切割得到的所有待识别图像元的总数量。在一个实施例中，待识别图像元的数量为各城市区域图像切割生成的待识别图像元的数量之和，在本实施例中，对各城市区域图像进行切割生成的待识别图像元数量相同，以城市区域图像的数量为行数，以对城市区域图像进行切割生成的待识别图像元的数量为列数，根据行数和列数生成类别矩阵。
[0109] 步骤420，根据各待识别图像元的肌理类别对类别矩阵进行赋值。
[0110] 在类别矩阵中的每个位置关联一个待识别图像元，根据各待识别图像元的肌理类别对类别矩阵中与各待识别图像元关联的位置进行赋值，生成赋值后的类别矩阵。在一个实施例中，肌理类别可为：高密度城区、中密度城区、低密度城区、交通干道和立体交通以及公共建筑和工厂，为每个肌理类别添加标签，例如高密度城区-A，中密度城区-B、低密度城区-C、交通干道和立体交通-D以及公共建筑和工厂-E，根据各肌理类别标签对类别矩阵中与各待识别图像元关联的位置进行赋值，生成肌理类别标签矩阵。在其他实施例中对肌理类别标签的形式不做限制。例如，生成的肌理类别标签矩阵可为公式(1)所示。
[0111]
[0112] 步骤430，分别计算类别矩阵中各肌理类别的数量与待识别图像元的数量的比值；根据各比值生成城市图像的肌理组成信息。
[0113] 具体地，分别统计公式(1)中A、B、C、D、E类标签的数量，获取矩阵中所有标签的数量Z，分别计算比值A/Z、B/Z、C/Z、D/Z、E/Z得到城市图像中各肌理类别的比例。
[0114] 在另一个实施例中，获取城市区域图像的数量M以及各城市区域图像切割得到的待识别图像元数量N，得到整体城市图像中所有待识别图像元的总数量为：M*N，分别计算比值A/M*N、B/M*N、C/M*N、D/M*N、E/M*N得到城市图像中各肌理类别的比例。
[0115] 在本实施例中，通过计算各肌理类别的待识别图像元的数量占总待识别图像元数量的比值得到城市图像的肌理类别组成，将复杂的城市肌理类别识别过程简单化，提高了城市肌理类别识别的效率。
[0116] 在一个实施例中，如图5所示，提供了一种城市肌理分类识别装置，包括：
[0117] 待训练图像元获取模块510、训练集获取模块520、分类器获取模块530、待识别图像元获取模块540以及肌理类别识别模块550。
[0118] 待训练图像元获取模块510，用于获取城市图像样本，将城市图像样本进行分割得到待训练图像元。
[0119] 训练集获取模块520，用于将待训练图像元划分为多种肌理类别的图像元训练集。
[0120] 分类器获取模块530，用于对图像元训练集进行机器学习，得到肌理类别分类器。
[0121] 待识别图像元获取模块540，用于获取城市图像，根据待训练图像元的尺寸对城市图像进行切割形成多个待识别图像元。
[0122] 肌理类别识别模块550，用于将待识别图像元输入肌理类别分类器，输出各待识别图像元的肌理类别。
[0123] 在一个实施例中，分类器获取模块530，包括：
[0124] 训练集获取单元，用于获取多种尺寸的图像元训练集。
[0125] 分类器获取单元，用于分别对各种尺寸的图像元训练集进行机器学习，得到多种分类器。
[0126] 准确率计算单元，用于获取图像元验证集，计算各分类器对图像元验证集进行肌理类别识别的准确率。
[0127] 分类器选择单元，用于将准确率最高的分类器设定为肌理类别分类器。
[0128] 在一个实施例中，训练集获取模块520，包括：
[0129] 图像元指纹提取单元，用于从待训练图像元中提取图像元指纹。
[0130] 图像元聚类单元，用于计算各图像元指纹之间的相似度，根据相似度对各待训练图像元进行聚类。
[0131] 训练集生成单元，用于根据聚类结果生成多个肌理类别的图像元训练集。
[0132] 在一个实施例中，图像元指纹提取单元，包括：
[0133] 灰度图转化子单元，用于压缩待训练图像元，并将压缩后的待训练图像元转换为灰度图。
[0134] 差值计算子单元，用于计算灰度图中相邻像素值之间的差值。
[0135] 图像元指纹获取子单元，用于对差值进行量化，得到待训练图像元的图像元指纹。
[0136] 在一个实施例中，城市肌理分类识别装置还包括：
[0137] 位置信息获取模块，用于获取各待识别图像元在城市图像中的位置信息。
[0138] 城市图像肌理图生成模块，用于在城市图像中与位置信息对应的位置处，生成各待识别图像元的肌理类别的标注，得到城市图像肌理图。
[0139] 在一个实施例中，城市肌理分类识别装置还包括：
[0140] 类别矩阵生成模块，用于获取待识别图像元的数量，根据数量生成类别矩阵。
[0141] 赋值模块，用于根据各待识别图像元的肌理类别对类别矩阵进行赋值。
[0142] 比值计算模块，用于分别计算类别矩阵中各肌理类别的数量与待识别图像元的数量的比值。
[0143] 肌理组成信息生成模块，用于根据各比值生成城市图像的肌理组成信息。
[0144] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储城市图像处理相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城市肌理分类识别方法。
[0145] 本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0146] 在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取城市图像样本，将城市图像样本进行分割得到待训练图像元；将待训练图像元划分为多种肌理类别的图像元训练集；对图像元训练集进行机器学习，得到肌理类别分类器；获取城市图像，根据待训练图像元的尺寸对城市图像进行切割形成多个待识别图像元；将待识别图像元输入肌理类别分类器，输出各待识别图像元的肌理类别。
[0147] 在一个实施例中，处理器执行计算机程序时实现对图像元训练集进行机器学习，得到肌理类别分类器的步骤时还用于：获取多种尺寸的图像元训练集；分别对各种尺寸的图像元训练集进行机器学习，得到多种分类器；获取图像元验证集，计算各分类器对图像元验证集进行肌理类别识别的准确率；将准确率最高的分类器设定为肌理类别分类器。
[0148] 在一个实施例中，处理器执行计算机程序时实现将待训练图像元划分为多个肌理类别的图像元训练集的步骤时还用于：从待训练图像元中提取图像元指纹；计算各图像元指纹之间的相似度，根据相似度对各待训练图像元进行聚类；根据聚类结果生成多个肌理类别的图像元训练集。
[0149] 在一个实施例中，处理器执行计算机程序时实现从待训练图像元中提取图像元指纹的步骤时还用：压缩待训练图像元，并将压缩后的待训练图像元转换为灰度图；计算灰度图中相邻像素值之间的差值；对差值进行量化，得到待训练图像元的图像元指纹。
[0150] 在一个实施例中，处理器执行计算机程序时实现将待识别图像元输入肌理类别分类器，生成各待识别图像元的肌理类别的步骤之后还用于：获取各待识别图像元在城市图像中的位置信息；在城市图像中与位置信息对应的位置处，生成各待识别图像元的肌理类别的标注，得到城市图像肌理图。
[0151] 在一个实施例中，处理器执行计算机程序时实现将待识别图像元输入肌理类别分类器，生成各待识别图像元的肌理类别的步骤之后还用于：获取待识别图像元的数量，根据数量生成类别矩阵；根据各待识别图像元的肌理类别对类别矩阵进行赋值；分别计算类别矩阵中各肌理类别的数量与待识别图像元的数量的比值；根据各比值生成城市图像的肌理组成信息。
[0152] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取城市图像样本，将城市图像样本进行分割得到待训练图像元；将待训练图像元划分为多种肌理类别的图像元训练集；对图像元训练集进行机器学习，得到肌理类别分类器；获取城市图像，根据待训练图像元的尺寸对城市图像进行切割形成多个待识别图像元；将待识别图像元输入肌理类别分类器，输出各待识别图像元的肌理类别。
[0153] 在一个实施例中，计算机程序被处理器执行时实现对图像元训练集进行机器学习，得到肌理类别分类器的步骤时还用于：获取多种尺寸的图像元训练集；分别对各种尺寸的图像元训练集进行机器学习，得到多种分类器；获取图像元验证集，计算各分类器对图像元验证集进行肌理类别识别的准确率；将准确率最高的分类器设定为肌理类别分类器。
[0154] 在一个实施例中，计算机程序被处理器执行时实现将待训练图像元划分为多个肌理类别的图像元训练集的步骤时还用于：从待训练图像元中提取图像元指纹；计算各图像元指纹之间的相似度，根据相似度对各待训练图像元进行聚类；根据聚类结果生成多个肌理类别的图像元训练集。
[0155] 在一个实施例中，计算机程序被处理器执行时实现从待训练图像元中提取图像元指纹的步骤时还用：压缩待训练图像元，并将压缩后的待训练图像元转换为灰度图；计算灰度图中相邻像素值之间的差值；对差值进行量化，得到待训练图像元的图像元指纹。
[0156] 在一个实施例中，计算机程序被处理器执行时实现将待识别图像元输入肌理类别分类器，生成各待识别图像元的肌理类别的步骤之后还用于：获取各待识别图像元在城市图像中的位置信息；在城市图像中与位置信息对应的位置处，生成各待识别图像元的肌理类别的标注，得到城市图像肌理图。
[0157] 在一个实施例中，计算机程序被处理器执行时实现将待识别图像元输入肌理类别分类器，生成各待识别图像元的肌理类别的步骤之后还用于：获取待识别图像元的数量，根据数量生成类别矩阵；根据各待识别图像元的肌理类别对类别矩阵进行赋值；分别计算类别矩阵中各肌理类别的数量与待识别图像元的数量的比值；根据各比值生成城市图像的肌理组成信息。
[0158] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 确定分类结果的方法、装置、设备及存储介质 | 2020-05-11 | 800 |
| 用于订单履行的识别和计划系统及方法 | 2020-05-08 | 956 |
| 交互式机器学习模型开发 | 2020-05-11 | 86 |
| 康复疗法的确定方法与装置、存储介质、电子设备 | 2020-05-08 | 592 |
| 深度机器学习所生成的乳腺癌预后的概率识别模型 | 2020-05-08 | 673 |
| 一种基于机器学习的应收账款兑付风险控制方法及系统 | 2020-05-08 | 813 |
| 数据处理方法、装置、介质及电子设备 | 2020-05-08 | 797 |
| 故障预测、模型构建方法、装置、处理器及可读存储介质 | 2020-05-08 | 576 |
| 一种运维监控方法、装置、电子设备及存储介质 | 2020-05-11 | 0 |
| 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法 | 2020-05-11 | 331 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
机器对机器热门专利
QQ群二维码
意见反馈
意见反馈