基于复杂网络和异源遥感图像的城市组团识别方法

1.本发明涉及遥感图像处理技术领域，尤其涉及一种基于复杂网络和异源遥感图像的城市组团识别方法。


背景技术：

2.城市组团为多中心城市空间结构的重要组成部分，它是围绕着城市中心发展的具有相近功能或者发展定位的地理单元集合。复杂网络的社区结构为围绕中心性节点结构形成的具有强相关性的节点集合。将遥感图像构建为复杂网络模型，能够通过复杂网络社区结构识别达到遥感图像社区结构识别的目的。基于上述分析可知，城市组团与复杂网络社区结构在结构上具有天然的一致性，通过遥感图像社区结构识别即可达到识别城市组团的目标。
3.复杂网络理论应用在遥感图像结构识别领域后，仍有诸多问题需要解决，其中较为典型的问题分为两个：一是城市组团的形成受到社会经济以及土地覆盖因素的综合作用，单源遥感图像很难兼顾社会经济信息与土地覆盖信息。夜光图像能够反映社会经济信息，landsat陆地资源卫星数据能够反映土地覆盖信息，但是此两种数据来源于不同传感器，属于异源数据。将上述两种数据分别构建复杂网络后，异源遥感图像由于辐射的差异性，导致各自的复杂网络节点集不一致，使得在复合复杂网络建模时难以集成描述图像元素，严重限制了其在遥感图像社区结构识别中的深入应用。二是目前遥感图像社区结构识别方法多关注基本拓扑属性，未探讨空间属性对其形成的影响，如空间距离使得节点的邻近关系、聚合引力和空间关系呈现的空间非平稳性，导致得到的遥感图像社区结构失去了空间意义，降低了城市组团识别的精度。


技术实现要素：

4.针对现有技术的不足，本发明提供一种基于复杂网络和异源遥感图像的城市组团识别方法。
5.一种基于复杂网络和异源遥感图像的城市组团识别方法，具体包括以下步骤：
6.步骤1：采集夜间灯光图像，提取夜间灯光图像的灰度特征点并构建完全图，采用余弦光谱相似度建立遥感图像landsat的完全图，通过水平可视化算法将夜间灯光图像的完全图和landsat图像的完全图分别演化为具有小世界特性的夜光数据复杂网络和landsat图像复杂网络，在空间均质性约束下重建由夜光数据复杂网络和landsat图像复杂网络构成的复合复杂网络模型。
7.所述完全图为有向或无向图；
8.步骤1.1：提取夜间灯光图像的灰度特征点并构建完全图；
9.夜光灯光图像的完全图节点为灰度特征，节点之间的边为节点之间的连接关系，通过灰度特征点之间的相似度描述；将夜光灯光图像视为连续的三维表面模型，其为在任何时刻均可微的光滑函数；设灰度特征点p(x0,y0)为一阶偏导数为0的点，其类型通过计算
在异常点的hessian矩阵非负特征值数量来获得，hessian矩阵为：
[0010][0011]
其中f
xx
(x0,y0)、f
xy
(x0,y0)、f
yx
(x0,y0)和f
yy
(x0,y0)为二阶偏导数，节点之间相似度与彼此灰度值差异的倒数成正比。
[0012]
步骤1.2：采用余弦光谱相似度建立landsat图像的完全图；
[0013]
上述landsat图像的完全图通过余弦光谱相似度建立分割影像对象几何重心的连接关系获得；
[0014]
采用分形网络演化算法将landsat图像分割为具有光谱均质性的影像对象，并提取影像对象的几何重心作为完全图节点，计算节点之间余弦距离相似度，并用其描述节点连接关系，余弦距离相似度如下式所示：
[0015][0016]
其中，a和b分别代表不同影像对象的光谱特征向量，||a||和||b||为范数；d(a,b)越大则表明相似度越高，否则相反；利用余弦距离相似度建立节点之间的连接关系，形成landsat图像的完全图；
[0017]
步骤1.3：通过水平可视化算法将上述夜光灯光图像的完全图和landsat图像的完全图分别演化为复杂网络模型，得到夜光复杂网络和landsat复杂网络；
[0018]
所述水平可视化算法将完全图节点属性值作为测量值，如果两个节点的测量值差值最小，则将此两个节点进行连接，否则放弃原有连接；夜光灯光图像的完全图和landsat图像的完全图的节点属性值为上述完全图每个节点与其他节点的全部相似度之和，属性值越高的节点往往具有更特别的拓扑结构。
[0019]
步骤1.4：在空间均质性约束下重建复合复杂网络模型；
[0020]
在空间均质性下对节点合并；如果某一地理单元内存在多于一个的夜光复杂网络节点，则将这些节点合并，合并后的节点位置与landsat复杂网络节点位置一致，并根据节点的数量增加节点权重，将同一地理单元内的节点连接记作同构连接，不同地理单元的节点连接记作异构连接，去除夜光复杂网络的同构连接，保留异构连接，并异构连接关系附加到合并后的节点，形成复合复杂网络模型；复合复杂网络模型的数学表达如下：
[0021]
设具有n个节点和l层网络的复合复杂网络为：
[0022][0023]
其中vn＝[v0,...,vi,...,vn]是节点集，vn为节点集，vn为节点，e
[l]
＝vn×vn
是l层网络边集合，v
l
为网络集合。g
[l]
对应的二值邻近矩阵为：
[0024][0025]
其中，当邻接时为1，否则为0，i和j指任意两个节点。其中复杂网络模型为无方向网络，所以a
[l]
为对称矩阵。
[0026]
步骤2：复合网络的单层网络贡献度计算；通过分析单层网络与复合网络的中心度
之间相关性随单层网络贡献度变化的规律，定量评价单层网络对多层网络的贡献程度，构建复合复杂网络的复合邻近矩阵。
[0027]
构造复合复杂网络的复合邻近矩阵
[0028]
w(c)＝cw
[1]
(1-c)w
[2]
ꢀꢀꢀ
(5)
[0029]
其中，w
[1]
和w
[2]
分别代表夜光数据复杂网络g
[1]
和landsat图像复杂网络g
[2]
的空间权重矩阵，c为单层网络贡献度，w
[1]
为：
[0030][0031]
其中，为网络1中任意节点i和节点j的连接权重。w
[2]
为：
[0032][0033]
其中，为网络2中任意节点i和节点j的连接权重。
[0034]
当c在[0,1]区间内等间距取值时，计算不同c时w(c)的特征向量中心度e(c)，计算并得到网络g
[1]
和g
[2]
的特征向量中心度e
[1]
和e
[2]
，分别计算e
[1]
和e
[2]
与e(c)的kendall相关系数，并采用最小二乘法拟合相关系数曲线curve
[1]
和curve
[2]
，将曲线curve
[1]
和curve
[2]
置于同一坐标系中，两个曲线的交点的横坐标即为单层网络贡献度c。
[0035]
步骤3：顾及空间属性的遥感图像社区结构识别；
[0036]
采用复合模块度作为度量社区结构的函数，并通过空间引力模型改进ng连接期望权函数，优化其无法描述空间距离导致节点引力非线性变化的不足，利用louvain算法最大化复合模块度得到社区结构，通过社区结构节点与图像元素的关系映射实现遥感图像社区结构的表达；
[0037]
步骤3.1：复合模块度的空间引力模型构建；
[0038]
所述复合模块度q为
[0039][0040]
其中，m为边的数量，ci和cj为节点vi和vj属于的社区，δ(ci,cj)为二值判别函数，若节点vi和vj属于相同的社区，则δ(ci,cj)＝1，否则δ(ci,cj)＝0。是网络l上节点vi和vj之间的连接期望权函数。l为网络总数，为网络l中任意节点i和节点j的连接权重，为第l层任意节点i和节点j的连接期望。
[0041]
所述连接期望权函数使用ng连接期望权函数，如下式所示：
[0042][0043]
其中，网络l中节点i的度和网络l中节点j的度ng连接期望权函数未考虑空间距离对节点间引力的影响；m
[l]
为网络l中边的总数；将引力模型引入复合网络连接期望权函数如下式所示：
[0044][0045]
其中，为引力作用函数，和为节点权重。为复合网络连接期望权函数，为网络l中任意节点i和节点j之间的欧式距离，d为数值，将空间权重矩阵其中l为1或2，代入公式(11)和(12)，则改进后的复合模块度指数为：
[0046][0047][0048]
其中qm为改进后的复合模块度指数，为改进后的复合网络连接期望权函数。
[0049]
步骤3.2：计算社区结构的louvain算法最优求解，即采用louvain算法对最大化qm进行优化求解；
[0050]
步骤3.2.1：将网络中的每个节点作为单独社区；
[0051]
步骤3.2.2：遍历每个节点的所有邻居节点，计算如将该节点加入到邻居节点社区所带来的模块度增益，遴选出增益最大的邻居节点，并加入其所在社区。不断的迭代这一过程，当每个节点的社区属性固定下来停止迭代；
[0052]
步骤3.2.3：将属于同一社区的节点融合为一个节点，同一社区节点之前的连接权重不再使用，当前社区与其他社区之间的权重为两个社区所有节点的权重和，进而得到新的网络结构，返回步骤3.2.2，直至社区结构固定；
[0053]
步骤4：遥感社区结构与城市组团的空间映射关系构建；
[0054]
影像对象为landsat图像分割结果，且具有分割边界，得到每个节点的空间范围，将属于同一社区归属的多个影像对象合并为一个社区影像对象，由于有多个社区，则获得了多个社区影像对象，这个社区的影像对象即为城市组团，社区影像对象轮廓即为城市组团空间范围。
[0055]
采用上述技术方案所产生的有益效果在于：
[0056]
本发明提供一种基于复杂网络和异源遥感图像的城市组团识别方法，具有以下有益效果：
[0057]
(1)充分挖掘异源遥感图像数据的空间共性约束条件，建立空间均质性下的节点集成机制，能够将来源于不用传感器的遥感图像进行有效信息融合，综合了社会经济要素和地表覆盖要素对城市组团分析的影响。
[0058]
(2)将空间属性的影响嵌入拓扑结构识别过程，建立社区结构的空间优化机制，提升复合复杂网络拓扑结构的空间适应性，提高了社区结构识别的效果和精度。
[0059]
(3)将遥感图像社区结构识别应用于城市组团识别，实现在空间中定量描述其形态及演化规律，为城市空间结构定量描述提供可靠解决方案。
附图说明
[0060]
图1为本发明实施例城市组团识别方法整体流程图；
[0061]
图2为本发明实施例空间均质性约束的复合复杂网络建模流程图；
[0062]
图3为本发明实施例复合社区结构的聚合引力空间优化流程图。
具体实施方式
[0063]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0064]
一种基于复杂网络和异源遥感图像的城市组团识别方法，如图1所示，具体包括以下步骤：
[0065]
步骤1：采集夜间灯光图像，提取夜间灯光图像的灰度特征点并构建完全图，采用余弦光谱相似度建立遥感图像landsat的完全图，通过水平可视化算法将夜间灯光图像的完全图和landsat图像的完全图分别演化为具有小世界特性的夜光数据复杂网络和landsat图像复杂网络，在空间均质性约束下重建由夜光数据复杂网络和landsat图像复杂网络构成的复合复杂网络模型。
[0066]
所述完全图为有向或无向图，能够为复杂网络模型提供基础网络。
[0067]
步骤1.1：提取夜间灯光图像的灰度特征点并构建完全图；
[0068]
夜光灯光图像的完全图节点为灰度特征，节点之间的边为节点之间的连接关系，通过灰度特征点之间的相似度描述；将夜光灯光图像视为连续的三维表面模型，其为在任何时刻均可微的光滑函数；设灰度特征点p(x0,y0)为一阶偏导数为0的点，其类型通过计算在异常点的hessian矩阵非负特征值数量来获得，hessian矩阵为：
[0069][0070]
其中f
xx
(x0,y0)、f
xy
(x0,y0)、f
yx
(x0,y0)和f
yy
(x0,y0)为二阶偏导数，节点之间相似度与彼此灰度值差异的倒数成正比。
[0071]
步骤1.2：采用余弦光谱相似度建立landsat图像的完全图；
[0072]
上述landsat图像的完全图通过余弦光谱相似度建立分割影像对象几何重心的连接关系获得；
[0073]
采用分形网络演化算法将landsat图像分割为具有光谱均质性的影像对象，并提取影像对象的几何重心作为完全图节点，计算节点之间余弦距离相似度，并用其描述节点连接关系，余弦距离相似度如下式所示：
[0074][0075]
其中，a和b分别代表不同影像对象的光谱特征向量，||a||和||b||为范数；d(a,b)越大则表明相似度越高，否则相反；利用余弦距离相似度建立节点之间的连接关系，形成landsat图像的完全图；
[0076]
步骤1.3：通过水平可视化算法将上述夜光灯光图像的完全图和landsat图像的完全图分别演化为具有高聚类系数、一定的平均路径长度的复杂网络模型，得到夜光复杂网
络和landsat复杂网络，突出遥感图像具有强聚类特性的物理属性；
[0077]
所述水平可视化算法将完全图节点属性值作为测量值，如果两个节点的测量值差值最小，则将此两个节点进行连接，否则放弃原有连接；夜光灯光图像的完全图和landsat图像的完全图的节点属性值为上述完全图每个节点与其他节点的全部相似度之和，属性值越高的节点往往具有更特别的拓扑结构。
[0078]
步骤1.4：在空间均质性约束下重建复合复杂网络模型；
[0079]
复杂网络重建的目的是将空间均质性作为约束条件，合并复杂网络模型中代表同一地理单元的节点，形成复合网络模型的统一表达。对于遥感图像，空间均质性反映为光谱均匀分布，代表唯一或相近地物类别的影像对象具有该特性。由于夜光图像的空间分辨率较低，将landsat8图像的影像对象作为共用地理单元，地理单元边界作为空间异质性约束的表现形式。
[0080]
图像元素是形成图像结构的基本单元，夜光图像和高分图像的图像元素分别为像元和影像对象，并通过网络节点描述。异源遥感图像元素描述相同地理单元时具有空间一致性，以此作为空间共性，以此为依据将两种节点数据集合并，进而得到统一数据集。
[0081]
在空间均质性下对节点合并；如果某一地理单元内存在多于一个的夜光复杂网络节点，则将这些节点合并，合并后的节点位置与landsat复杂网络节点位置一致，并根据节点的数量增加节点权重，使得此类地理单元由一个夜光复杂网络节点和一个landsat8复杂网络节点表达。将同一地理单元内的节点连接记作同构连接，不同地理单元的节点连接记作异构连接，去除夜光复杂网络的同构连接，保留异构连接，并异构连接关系附加到合并后的节点。通过以上处理，每个地理单元至少由一个landsat8复杂网络节点或一个夜光复杂网络节点表达，并构建了不同节点之间的连接关系，形成复合复杂网络模型；复合复杂网络模型的数学表达如下：
[0082]
设具有n个节点和l层网络的复合复杂网络为：
[0083][0084]
其中vn＝[v0,...,vi,...,vn]是节点集，vn为节点集，vn为节点，e
[l]
＝vn×vn
是l层网络边集合，v
l
为网络集合。g
[l]
对应的二值邻近矩阵为：
[0085][0086]
其中，当邻接时为1，否则为0，i和j指任意两个节点。其中复杂网络模型为无方向网络，所以a
[l]
为对称矩阵。
[0087]
步骤2：复合网络的单层网络贡献度计算；通过分析单层网络与复合网络的中心度之间相关性随单层网络贡献度变化的规律，定量评价单层网络对多层网络的贡献程度，构建复合网络节点空间关系的复合邻近矩阵。
[0088]
构造复合复杂网络的复合邻近矩阵
[0089]
w(c)＝cw
[1]
(1-c)w
[2]
ꢀꢀꢀ
(5)
[0090]
其中，w
[1]
和w
[2]
分别代表夜光数据复杂网络g
[1]
和landsat图像复杂网络g
[2]
的空间权重矩阵，c为单层网络贡献度，w
[1]
为：
[0091][0092]
其中，为网络1中任意节点i和节点j的连接权重。w
[2]
为：
[0093][0094]
其中，为网络2中任意节点i和节点j的连接权重。
[0095]
当c在[0,1]区间内等间距取值时，计算不同c时w(c)的特征向量中心度e(c)，计算并得到网络g
[1]
和g
[2]
的特征向量中心度e
[1]
和e
[2]
，分别计算e
[1]
和e
[2]
与e(c)的kendall相关系数，并采用最小二乘法拟合相关系数曲线curve
[1]
和curve
[2]
，曲线curve
[1]
和curve
[2]
上每个点的斜率变化反映了随着c增大两个单层网络影响程度的变化。将曲线curve
[1]
和curve
[2]
置于同一坐标系中，两个曲线的交点的横坐标即为单层网络贡献度c。
[0096]
步骤3：顾及空间属性的遥感图像社区结构识别；
[0097]
采用复合模块度作为度量社区结构的函数，并通过空间引力模型改进ng连接期望权函数，优化其无法描述空间距离导致节点引力非线性变化的不足，利用louvain算法最大化复合模块度得到社区结构，通过社区结构节点与图像元素的关系映射实现遥感图像社区结构的表达，如附图2所示。
[0098]
步骤3.1：复合模块度的空间引力模型构建；
[0099]
所述复合模块度q为
[0100][0101]
其中，m为边的数量，ci和cj为节点vi和vj属于的社区，δ(ci,cj)为二值判别函数，若节点vi和vj属于相同的社区，则δ(ci,cj)＝1，否则δ(ci,cj)＝0。是网络l上节点vi和vj之间的连接期望权函数。l为网络总数，为网络l中任意节点i和节点j的连接权重，为第l层任意节点i和节点j的连接期望。
[0102]
所述连接期望权函数使用ng连接期望权函数，如下式所示：
[0103][0104]
其中，网络l中节点i的度和网络l中节点j的度ng连接期望权函数未考虑空间距离对节点间引力的影响；m
[l]
为网络l中边的总数；将引力模型引入复合网络连接期望权函数如下式所示：
[0105][0106]
其中，为引力作用函数，和为节点权重。为复合网络连接期望
权函数，为网络l中任意节点i和节点j之间的欧式距离，d为数值，较高的表明网络l中节点vi和vj在距离d内具有更高的连接强度。同时，为了在社区结构分析中能够体现空间距离对节点间空间关系的影响，将空间权重矩阵其中l为1或2，代入公式(11)和(12)，则改进后的复合模块度指数为：
[0107][0108][0109]
其中qm为改进后的复合模块度指数，为改进后的复合网络连接期望权函数。
[0110]
步骤3.2：计算社区结构的louvain算法最优求解
[0111]
由于具有较高的qm对应着具有高质量的社区结构，社区结构识别问题转换为最大化qm。采用louvain算法对最大化qm进行优化求解，实现社区结构识别。此外，基于中心结构节点的重要性，其分别属于不同的社区结构。
[0112]
步骤3.2.1：将网络中的每个节点作为单独社区；
[0113]
步骤3.2.2：遍历每个节点的所有邻居节点，计算如将该节点加入到邻居节点社区所带来的模块度增益，遴选出增益最大的邻居节点，并加入其所在社区。不断的迭代这一过程，当每个节点的社区属性固定下来停止迭代；
[0114]
步骤3.2.3：将属于同一社区的节点融合为一个节点，同一社区节点之前的连接权重不再使用，当前社区与其他社区之间的权重为两个社区所有节点的权重和，进而得到新的网络结构，返回步骤3.2.2，直至社区结构固定；
[0115]
步骤4：遥感社区结构与城市组团的空间映射关系构建。
[0116]
由于每个节点源于步骤1.2中得到的影像对象，通过以上步骤使得每个节点获得了社区归属属性，进而每个节点对应的影像对象也得到了社区归属属性，影像对象为landsat图像分割结果，且具有分割边界，得到每个节点的空间范围，将属于同一社区归属的多个影像对象合并为一个社区影像对象，由于有多个社区，则获得了多个社区影像对象，这个社区的影像对象即为城市组团，社区影像对象轮廓即为城市组团空间范围，如图3所示。
[0117]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。