[發明專利]基于社交媒體圖像數據的城市風貌分析方法

有效

• 申請號: 202110280016.2
• 申請日: 2021-03-16
• 公開（公告）號: CN113159122B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 李朋龍;丁憶;羅莉;馬澤忠;肖禾;趙玲;李海峰;韋宏林;羅鼎;段松江;魏文杰;錢進;程麗丹;胡艷;殷明
• 申請（專利權）人: 重慶市地理信息和遙感應用中心;中南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/774;G06V10/74;G06V10/762
• 代理公司: 長沙大珂知識產權代理事務所(普通合伙) 43236
• 代理人: 王瓊琦

1.基于社交媒體圖像數據的城市風貌分析方法，其特征在于，包括以下步驟：

獲取社交媒體圖像數據，建立數據集；

對數據集的樣本進行室內室外圖像分類，剔除室內圖像樣本，對室外圖像樣本進行去除噪聲處理，去除不代表城市風貌的樣本；

對處理后的數據集使用卷積神經網絡進行風貌學習；

采用焦點損失函數對樣本不平衡問題進行處理；

使用預訓練模型進行遷移學習，用于解決過擬合和訓練時間長的問題；

使用最小化信息量準則對風貌特征進行聚類；

計算城市間的風貌距離；

根據所述風貌距離分析城市間的風貌相似性，及根據聚類結果分析城市的細粒度風貌；

其中，所述風貌學習方法包括以下步驟：訓練一個以城市圖像數據作為輸入，圖像分到各個城市的概率值p作為輸出的卷積神經網絡；從數據集中隨機抽取B張圖像輸入到所述卷積神經網絡中，其中，B為batchsize，通過卷積神經網絡的第l層得到N_l張特征圖，每張特征圖的大小為W*H，將所述每張特征圖展平為一維向量S＝(a₁,a₂,……,a_W*H)^T，其中，a_i為該張特征圖上的第i個特征值，得到了N_l維的向量并且分別計算S_i的均值Mean_i和標準差Std_i，將所有的均值Mean_i和方差Std_i組成風貌向量：

將所述風貌向量作為風貌特征輸入到全連接層中進行學習。

2.根據權利要求1所述的基于社交媒體圖像數據的城市風貌分析方法，其特征在于，所述對數據集的樣本進行室內室外圖像分類的方法采用室內室外二分類模型resNet18，所述對室外圖像樣本進行去除噪聲處理的方法為無監督聚類方法。

3.根據權利要求1所述的基于社交媒體圖像數據的城市風貌分析方法，其特征在于，所述焦點損失函數如下：

其中α_i為第i個城市的權重，樣本量大的權重越小，α_i＝Mun_min/Num_i，Num_min為最小的樣本數，Num_i為第i個城市的樣本數，N為城市的總數，γ為焦點因子。

4.根據權利要求1所述的基于社交媒體圖像數據的城市風貌分析方法，其特征在于，使用遷移學習建立預訓練模型，所述預訓練模型采用ImageNet預訓練模型。

5.根據權利要求1所述的基于社交媒體圖像數據的城市風貌分析方法，其特征在于，通過對圖像的風貌向量進行聚類，揭示城市的細粒度風貌。

6.根據權利要求1或5任意一項所述的基于社交媒體圖像數據的城市風貌分析方法，其特征在于，聚類方法包括以下步驟：

對城市的風貌特征進行PCA降維處理，消除數據的冗余；

將降維后的向量作為高斯混合模型的輸入，通過給予成分數，得到聚類結果，聚類結果的數量為成分數。

7.根據權利要求1所述的基于社交媒體圖像數據的城市風貌分析方法，其特征在于，計算風貌距離的方法如下：

將所述風貌向量Style進行全連接操作后進行度量，生成風貌向量生成相似性矩陣；

如果城市city_i與城市city_j風貌相似，那么city_i的圖像容易被判別為屬于city_j，將被判別為city_j的city_i樣本數記為S(i_j)；

city_j的圖像樣本也容易被預測為屬于city_i，將被判別為city_i的city_j樣本數記為S(j_i)，得到分類預測的混淆矩陣；

將所述混淆矩陣進行歸一化處理后，得到city_i與city_j的相似性為T(j,i)＝C_j,i+C_i,j，其中C_j,i，C_i,j分別為S(j_i)、S(i_j)歸一化后的值。