本發(fā)明涉及遙感圖像分類識別技術領域，更具體涉及一種高分辨率遙感影像城市建筑物功能分類的方法，特別適用于針對分辨率不低于為5m的高分辨率遙感影像。

背景技術：

城市建筑物是城市的重要組成部分，作為人類居住與活動的穩(wěn)定空間，其改造與更新時刻影響著城市的發(fā)展與人類生活的變化。按照建筑物的使用功能可將建筑物劃分為商業(yè)服務業(yè)設施用地、公共管理與公共服務用地、住宅用地和工礦倉儲用地等多種類型。對城市建筑物進行功能分類可以為城市功能區(qū)劃分提供有利的依據(jù)，輔助政府部門對城市規(guī)劃、土地利用、資源、人口等方面的分布與分配進行管理與決策，有助于城市可持續(xù)發(fā)展。目前互聯(lián)網(wǎng)數(shù)據(jù)的井噴式涌現(xiàn)及人工智能方法的不斷發(fā)展，為城市建筑物功能分類提供了有效的數(shù)據(jù)和方法支撐，城市建筑物功能分類必將成為研究和解決城市相關問題的趨勢所在。

目前利用高分辨率遙感影像提取城市建筑物信息能夠快速得到建筑物的分布情況，有助于支持城市管理與規(guī)劃。但是僅靠目前的遙感自動分類提取技術還難以對城市建筑物進行功能分類識別，提取的結果往往只是單個圖斑，缺少具有語義的屬性信息，難以滿足城市規(guī)劃與管理的需求。而人工目視解譯的方法雖然可以在一定程度上滿足這一需求，精度也較高，但比較費時費力。而本發(fā)明利用卷積神經(jīng)網(wǎng)絡(convolutionalneuralnetworks，簡稱cnn)方法提取遙感影像中的城市建筑物，再利用分類整理的poi數(shù)據(jù)進行核密度估計(kerneldensityestimation)，然后計算建筑物核密度平均值，輔助城市建筑物功能分類。本發(fā)明采用深度學習的方法較為準確地實現(xiàn)了對遙感影像城市建筑物的提取，同時也有效地解決了利用遙感信息提取技術難以實現(xiàn)語義級別的建筑物功能分類識別的技術難題，能夠快速、準確地為有關部門提供城市功能區(qū)分類的動態(tài)數(shù)據(jù)，為城市管理和合理規(guī)劃服務

高分辨率遙感影像的分類是一個復雜的過程，采用淺層結構模型，如支持向量機(supportvectormachine，簡稱svm)等對其分類有很大的局限性，更深層次的結構模型因其復雜的多層非線性變換而具有更強的表達與建模能力，更適合高分辨率遙感影像的分類提取。而面向對象的方法雖然不容易產(chǎn)生椒鹽現(xiàn)象，但也由于實驗區(qū)結構較為復雜，對分割尺度與分類條件的把握較難。深度學習通過建立類似于人腦的分層模型結構，對輸入數(shù)據(jù)逐級提取從底層到高層的特征，從而很好地建立從底層信號到高層語義的映射關系。而在深度學習中的卷積神經(jīng)網(wǎng)絡(convolutionalneuralnetworks，簡稱cnn)方法，用較為復雜的模型降低了模型偏差，用海量的數(shù)據(jù)提升了統(tǒng)計估計的準確度，用可擴展的梯度下降算法求解大規(guī)模優(yōu)化問題。cnn的基本結構包括兩層，其一為特征提取層，每個神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征，其二是特征映射層，網(wǎng)絡的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經(jīng)元的權值相等。cnn其特征監(jiān)測層通過訓練數(shù)據(jù)來進行學習，避免了顯式的特征提取，而且同一特征映射面上的神經(jīng)元權值相同，網(wǎng)絡可以并行學習。經(jīng)過國內(nèi)外的研究證明，深度學習的方法能夠以更符合人類思維的方式完成對遙感信息的提取與識別，使提取結果有更高的精度。因此，采用cnn方法提取高分辨率影像的建筑物。

興趣點(pointofinterest，簡稱poi)數(shù)據(jù)是一個可以被人利用或令人感興趣的特定點，它可應用于多個領域，在地學領域可指某個酒店或者加油站等興趣點信息。獲取poi數(shù)據(jù)的方法有很多，比較常見的是通過互聯(lián)網(wǎng)抓取技術來獲得興趣點的名稱、類別、經(jīng)度緯度、附近的酒店飯店商鋪等信息。對poi數(shù)據(jù)進行合理應用會在政府公共服務、零售業(yè)、醫(yī)療服務業(yè)、制造業(yè)及涉及個人位置服務等領域帶來可觀的價值，在一定程度上提高了地理信息的整體服務水平。

核密度估計(kerneldensityestimation)是一種用于估計未知概率密度函數(shù)的非參數(shù)檢驗方法，由rosenblatt(1955)和emanuelparzen(1962)提出，又名parzen窗(parzenwindow)。核密度估計可以用于描述不同形狀(點、線狀等)幾何圖形的分布情況，表示幾何圖形在單位面積內(nèi)的密度大小。核密度估計的方法較其他密度計算方法(如樣方法、基于voronoi圖方法等)而言，雖然算法原理更復雜，耗時更多，但是其數(shù)值離散度更大，密度值在單元間的過渡更平滑，不存在非正常估計、極值估計等問題，更適用于分析設施服務空間分布的連續(xù)性特征。使用核密度估計對poi數(shù)據(jù)進行分析，可較為直觀地得到不同功能用地(商業(yè)服務業(yè)設施用地、公共管理與公共服務用地和居住用地)在研究區(qū)域的分布情況。

隨著城市的發(fā)展和科學技術的進步，國內(nèi)外學者對城市功能區(qū)劃分的研究越來越深入，近幾年城市道路和建筑物的功能分類研究也都受到了關注。然而，僅靠目前的遙感自動分類提取技術還難以對城市建筑物進行語義級別的功能分類識別。對城市進行語義級別分類的研究缺乏遙感技術的應用，一般采用poi數(shù)據(jù)與其他統(tǒng)計數(shù)據(jù)通過對研究區(qū)域劃分單位網(wǎng)格的方法對城市功能區(qū)進行識別分類。鑒于此，本發(fā)明依采用遙感影像建筑物提取技術，并結合地理信息系統(tǒng)空間分析技術，發(fā)明了一種對城市建筑物的語義級別的識別分類方法。該方法簡單易行，對目標對象的分類更加精確。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供了一種高分辨率遙感影像城市建筑物功能分類的方法，方法易行，操作簡便，本發(fā)明采用深度學習的方法較為準確地實現(xiàn)了對遙感影像城市建筑物的提取，同時也有效地解決了利用遙感信息提取技術難以實現(xiàn)語義級別的建筑物功能分類識別的難題，分類精度達到86.85％，能夠快速精確地為有關部門提供城市功能區(qū)分類的動態(tài)數(shù)據(jù)，為城市管理和合理規(guī)劃服務。

為了實現(xiàn)上述的目的，本發(fā)明采用以下技術措施：

本發(fā)明利用cnn方法提取遙感影像中的城市建筑物，再利用分類整理的poi數(shù)據(jù)進行核密度估計，然后計算建筑物核密度平均值，輔助對高分辨率遙感影像進行城市建筑物功能分類。

一種高分辨率遙感影像城市建筑物功能分類的方法，其步驟是：

a、采用cnn方法對高分辨率遙感影像數(shù)據(jù)進行建筑物提取，得到建筑物的提取結果；

所述的采用cnn方法對高分辨率遙感影像數(shù)據(jù)進行建筑物提取，得到建筑物的提取結果，其步驟是：

1)對遙感影像進行預處理，其中包括輻射定標、大氣校正和幾何校正；

2)從上述遙感影像中選擇典型的、像元純度較高的建筑物樣本不少于50個，建立建筑物樣本庫；

3)對2)中的樣本庫使用cnn方法進行訓練學習，通過對活化函數(shù)、訓練貢獻閾值、訓練速度、隱藏層數(shù)和訓練迭代次數(shù)(次數(shù)不少于500次)等參數(shù)進行設置，建立cnn建筑物信息提取模型，從而實現(xiàn)高分辨率遙感影像建筑物提取而得到提取結果；

4)對上述結果中面積過小圖斑進行剔除，進而得到最終的建筑物提取結果。

b、按照屬性信息對poi數(shù)據(jù)進行整理分類，對商業(yè)服務業(yè)設施用地、公共管理與公共服務用地和居住用地三種功能類型的poi分別進行核密度估計，并根據(jù)核密度大小分層設色，得到商業(yè)服務業(yè)設施、公共管理與公共服務和住宅功能類型的核密度圖；其步驟是：

1)對獲得的poi數(shù)據(jù)進行整理分類：利用網(wǎng)絡爬蟲程序從百度地圖上爬取獲得的poi數(shù)據(jù)類型，其屬性信息包括名稱、類型、經(jīng)度緯度、電話、地址信息，對城市區(qū)域的poi數(shù)據(jù)進行歸類，將其分為商業(yè)服務業(yè)設施、公共管理與公共服務和住宅用地三種類型；

2)采用epanechnikov核函數(shù)對商業(yè)服務業(yè)設施用地、公共管理與公共服務用地和住宅用地的poi的核密度進行計算，每個poi點上方均覆蓋著一個平滑曲面，在點所在位置處表面值最高，隨著與點的距離的增大表面值逐漸減小，在與點的距離等于搜索半徑的位置處表面值為零，使用圓形鄰域，曲面與下方的平面所圍成的空間的體積默認等于1，每個輸出柵格像元的密度均為疊加在柵格像元中心的所有核表面的值之和；

核密度計算方法如下：

設x1,x2,……xn為獨立同分布f的n個觀測值，核密度從分布密度函數(shù)f(x)與其對應的累積分布函數(shù)f(x)的關系推導得到公式(1)：

用經(jīng)驗分布函數(shù)估計f(x)，其中：i是indicatorfunction，xi≤x時，i(xi≤x)＝1，i(xi≤x)＝0，經(jīng)驗分布函數(shù)fn(x)在一點x處的值，得到隨機變量x的n個觀測值x1,x2,……xn中小于或等于x的個數(shù)，再除以觀測次數(shù)n，將經(jīng)驗分布函數(shù)代入公式(1)后，得公式(2)：

其中，為核密度估計值，n為觀測值個數(shù)，xi為第i個觀測值，k0(x)為核函數(shù)(非負，積分為1，符合概率密度性質，并且均值為0)，h＞0為一個平滑參數(shù)，稱作帶寬(bandwidth)或窗口。有很多種核函數(shù)，uniform，triangle，gaussian，epanechnikov等。各種核函數(shù)的圖形請見圖7。

其中，epanechnikov內(nèi)核在均方誤差意義下是最優(yōu)，效率損失最小的。因此，本發(fā)明采用epanechnikov為核函數(shù)對點要素的核密度進行計算，其核函數(shù)k(x)公式為：

按照公式(3)，計算每種類型用地poi點數(shù)據(jù)的核密度，根據(jù)核密度大小分層設色，得到poi數(shù)據(jù)商業(yè)服務業(yè)設施、公共管理與公共服務和住宅用地的核密度圖；

c、利用基于cnn的遙感影像建筑物信息提取結果和核密度圖，計算單個建筑物的核密度平均值；其步驟是：

1)將基于cnn提取的建筑物柵格數(shù)據(jù)轉換為矢量多邊形數(shù)據(jù)；

2)將該核密度圖轉化成代表核密度大小的點：在arcgis中利用“柵格轉點”和“利用點提取像元值”得到可代表不同大小的核密度點；

3)對于每棟建筑物分別統(tǒng)計落在其內(nèi)部的三類用地的核密度平均值。

d、分別對這三類用地設置核密度值閾值，通過各類的核密度平均值與該閾值的比較，實現(xiàn)建筑物的功能分類，進而獲得高分辨率遙感影像城市建筑物功能分類結果圖。其步驟是：

1)設置商業(yè)服務業(yè)設施、公共管理與公共服務、住宅的核密度閾值，對于每棟建筑，其商業(yè)服務業(yè)設施、公共管理與公共服務或住宅的核密度值大于或等于相應閾值的，分別定義為商業(yè)服務業(yè)設施用地、公共管理與公共服務用地或住宅用地，完成城市建筑物的功能分類；

2)對于上述三種類型的核密度值中的兩種或三種類型的核密度值符合閾值范圍的建筑物，公共管理與公共服務或住宅用地會存在商業(yè)服務業(yè)設施用地，將建筑物的類別優(yōu)先定義為住宅用地和公共管理與公共服務用地，具體分類標準見表1。本發(fā)明中的核密度表示在單位為1的經(jīng)緯度網(wǎng)格中所有點密度的疊加值，其中經(jīng)緯度用十進制經(jīng)緯度表示。

表1城市建筑物功能分類標準

通過上述技術措施，本發(fā)明既可以采用深度學習的方法較為精確地完成了對遙感影像城市建筑物的提取，又有效地解決了利用遙感信息提取技術難以實現(xiàn)語義級別的建筑物功能分類識別的難題。該發(fā)明能夠快速精確地為有關部門提供城市功能區(qū)分類的動態(tài)數(shù)據(jù)，為城市管理和合理規(guī)劃服務。

本發(fā)明與現(xiàn)有技術相比，具有以下優(yōu)點和效果：

1、僅靠目前的遙感自動分類提取技術還難以對城市建筑物進行功能分類識別，提取的結果往往只是單個的圖斑，缺少具有語義的屬性信息，難以滿足城市規(guī)劃與管理的需求。而人工目視解譯的方法雖然可以在一定程度上滿足這一需求，精度也較高，但比較費時費力。本發(fā)明解決利用遙感信息提取技術難以實現(xiàn)語義級別的建筑物功能分類識別的難題，同時也得到了具有較高分類精度的建筑物功能分類結果。該發(fā)明更為細致地分析了城市信息，有助于對城市功能區(qū)進行精準劃分，能夠快速精確地為有關部門提供城市功能區(qū)分類的動態(tài)數(shù)據(jù)，為城市管理和合理規(guī)劃服務。

2、采用深度學習中的cnn方法對城市建筑物進行提取，避免了椒鹽現(xiàn)象的產(chǎn)生及對分割尺度與分類條件的把握較難等問題，通過建立類似于人腦的分層模型結構，對輸入數(shù)據(jù)逐級提取從底層到高層的特征，從而很好地建立從底層信號到高層語義的映射關系，得到精度更高的建筑物提取結果。

3、本發(fā)明選取了北京市朝陽區(qū)亞運村區(qū)域的quickbird多光譜(分辨率達到2.5m)遙感影像數(shù)據(jù)為例，使用本發(fā)明的方法對研究區(qū)域進行城市建筑物進行功能分類，效果非常好，將分類結果與人工目視解譯結果進行對比和精度評價，其總分類精度達到86.85％。

附圖說明

圖1為一種高分辨率遙感影像城市建筑物功能分類方法流程圖；

圖2為本發(fā)明實施案例中所采用的包含城市建筑物的高分辨率遙感影像示意圖。

該影像為北京市朝陽區(qū)亞運村區(qū)域的quickbird多光譜(分辨率達到2.5m)遙感影像數(shù)據(jù)；

圖3為本發(fā)明實施案例中所使用的poi信息分布示意圖。

該圖中的poi點是通過網(wǎng)絡爬蟲程序從百度地圖上爬取獲得，其屬性信息包括名稱、類型、經(jīng)度緯度、電話、地址等信息，圖為已整理分類好的poi數(shù)據(jù)；

圖4(a)為城市建筑物商業(yè)服務業(yè)設施poi核密度示意圖。

該圖是通過商業(yè)服務業(yè)設施用地的poi數(shù)據(jù)計算得到的；

圖4(b)為城市建筑物公共管理與公共服務poi核密度示意圖。

該圖是通過公共管理與公共服務用地的poi數(shù)據(jù)計算得到的；

圖4(c)為城市建筑物住宅用地poi核密度示意圖。

該圖是通過住宅用地的poi數(shù)據(jù)計算得到的；

圖5為采用cnn提取的建筑物提取結果示意圖。

該圖首先建立cnn建筑物提取模型進行建筑物提取，再對提取結果中面積過小圖斑進行剔除；

圖6為采用本發(fā)明方法得到的高分辨率遙感影像城市建筑物功能分類結果示意圖。

主要有商業(yè)服務業(yè)設施用地、公共管理與公共服務用地、住宅用地以及未分類或其他用地四種類型，將分類結果與人工目視解譯結果進行對比和精度評價，其總分類精度達到86.85％。

圖7為幾種核函數(shù)的示意圖。

分別為uniform，triangle，gaussian，epanechnikov四種核函數(shù)示意圖。

具體實施方式

實施例1：

根據(jù)圖1可知，一種高分辨率遙感影像城市建筑物功能分類的方法，其步驟是：

a、對于給定的包含城市建筑物的高分辨率遙感影像a(圖2)采用cnn方法對quickbird多光譜(分辨率達到2.5m)遙感影像數(shù)據(jù)進行建筑物提取，得到建筑物的提取結果(如圖5)。步驟如下：

對遙感影像預處理100：對遙感影像進行預處理，其中包括輻射定標、大氣校正和幾何校正等處理。

對建筑物樣本庫建立101：從上述遙感影像中選擇典型的、像元純度較高的建筑物樣本80個(本案例使用的樣本數(shù))，建立建筑物樣本庫。

對cnn城市建筑物提取模型建立102：對建筑物樣本庫建立(單元101)中的樣本庫使用cnn方法進行訓練學習，設置活化函數(shù)為對數(shù)函數(shù)，訓練貢獻閾值為0.7，訓練速度為0.2，隱藏層數(shù)為2，訓練迭代次數(shù)為1000次，建立cnn建筑物信息提取模型，從而實現(xiàn)高分辨率遙感影像建筑物提取而得到提取結果。

對提取結果優(yōu)化103：對上述結果中面積過小圖斑進行剔除，進而得到最終的建筑物提取結果。

b、按照屬性信息對poi數(shù)據(jù)進行整理分類，對商業(yè)服務業(yè)設施用地、公共管理與公共服務用地和居住用地三種功能類型的poi分別進行核密度估計，并根據(jù)核密度大小分層設色，得到商業(yè)服務業(yè)設施、公共管理與公共服務和住宅功能類型的核密度圖(圖4)。步驟如下：

對poi數(shù)據(jù)整理分類104：本發(fā)明使用從百度地圖上爬取獲得的poi數(shù)據(jù)進行分類，poi的屬性信息包括名稱、類型、經(jīng)度緯度、電話、地址等信息。原始poi數(shù)據(jù)共有23種類型：政府機構、火車站地鐵站、汽車站、公交車站、加油加氣站、停車場、高速服務區(qū)、金融服務、商業(yè)大廈、零售行業(yè)、賓館酒店、休閑娛樂、醫(yī)療服務、科研教育、公司企業(yè)、公園廣場、住宅小區(qū)、綜合信息、餐飲服務、汽車服務、風景名勝、電訊服務和公共廁所。

原始poi數(shù)據(jù)的類型較多，為了便于應用，本發(fā)明對poi數(shù)據(jù)依據(jù)以上標準進行歸類，具體將poi類別分為商業(yè)服務業(yè)設施、公共管理與公共服務和住宅。

其中，商業(yè)服務業(yè)設施用地，即商業(yè)、金融業(yè)、餐飲旅館業(yè)及其他經(jīng)營性服務業(yè)建筑及其相應附屬設施用地。本發(fā)明將原始poi數(shù)據(jù)中的加油加氣站、金融服務、商業(yè)大廈、零售行業(yè)、賓館酒店、休閑娛樂、公司企業(yè)、綜合信息、餐飲服務、汽車服務和電訊服務這11種類型定義為商業(yè)服務業(yè)設施用地。

公共管理與公共服務用地，又可稱為公共管理與公共服務用地，是指用于機關團體、新聞出版、科教文衛(wèi)、風景名勝、公共設施等的土地。本發(fā)明將原始poi數(shù)據(jù)中的政府機構、火車站地鐵站、汽車站、停車場、醫(yī)療服務、科研教育、公園廣場、風景名勝和公共廁所這9種類型定義為公共管理與公共服務用地。

住宅用地，指用于建造居民居住用房屋所占用的土地，可分為城鎮(zhèn)住宅用地以及農(nóng)村宅基地。由于本發(fā)明只涉及城市建筑物，在原始poi數(shù)據(jù)中將住宅小區(qū)定義為住宅用地；

對核密度估計105：采用epanechnikov核函數(shù)對商業(yè)服務業(yè)設施用地、公共管理與公共服務用地和住宅用地的poi的核密度進行計算，每個poi點上方均覆蓋著一個平滑曲面，在點所在位置處表面值最高，隨著與點的距離的增大表面值逐漸減小，在與點的距離等于搜索半徑的位置處表面值為零，使用圓形鄰域，曲面與下方的平面所圍成的空間的體積默認等于1，每個輸出柵格像元的密度均為疊加在柵格像元中心的所有核表面的值之和；

核密度計算方法如下：

設x1,x2,……xn為獨立同分布f的n個觀測值，核密度從分布密度函數(shù)f(x)與其對應的累積分布函數(shù)f(x)的關系推導得到公式(1)：

用經(jīng)驗分布函數(shù)估計f(x)，其中：i是indicatorfunction，xi≤x時，i(xi≤x)＝1，i(xi≤x)＝0，經(jīng)驗分布函數(shù)fn(x)在一點x處的值，得到隨機變量x的n個觀測值x1,x2,……xn中小于或等于x的個數(shù)，再除以觀測次數(shù)n，將經(jīng)驗分布函數(shù)代入公式(1)后，得公式(2)：

其中：為核密度估計值，n為觀測值個數(shù)，xi為第i個觀測值，k0(x)為核函數(shù)，h＞0為一個平滑參數(shù)，稱作帶寬或窗口。有很多種核函數(shù)，uniform，triangle，gaussian，epanechnikov等。各種核函數(shù)的圖形請見圖7。

其中，epanechnikov內(nèi)核在均方誤差意義下是最優(yōu)，效率損失最小的。因此，本發(fā)明采用epanechnikov為核函數(shù)對點要素的核密度進行計算，其核函數(shù)k(x)公式為：

按照公式(3)，計算每種類型用地poi點數(shù)據(jù)的核密度，根據(jù)核密度大小分層設色，得到poi數(shù)據(jù)商業(yè)服務業(yè)設施、公共管理與公共服務和住宅用地的核密度圖。

c、利用基于cnn的遙感影像建筑物信息提取結果和核密度圖，計算單個建筑物的核密度平均值。步驟如下：

對提取結果柵格轉矢量106：將基于cnn提取的建筑物柵格數(shù)據(jù)轉換為矢量多邊形數(shù)據(jù)；

對核密度面轉點107：將該核密度圖轉化成代表核密度大小的點：在arcgis中利用“柵格轉點”和“利用點提取像元值”得到可代表不同大小的核密度點；

對建筑物核密度平均值統(tǒng)計108：對于每棟建筑物分別統(tǒng)計落在其內(nèi)部的三類用地的核密度平均值。

d、分別對這三類用地設置核密度值閾值，通過各類的核密度平均值與該閾值的比較，實現(xiàn)建筑物的功能分類，進而獲得高分辨率遙感影像城市建筑物功能分類結果圖(圖6)。步驟如下：

對城市建筑物功能分類109，完成商業(yè)服務業(yè)設施、公共管理與公共服務、住宅用地分類。設置商業(yè)服務業(yè)設施、公共管理與公共服務、住宅的核密度閾值分別為11,000,000、1,800,000和1,300,000，對于每棟建筑，其商業(yè)服務業(yè)設施、公共管理與公共服務或住宅的核密度值大于或等于相應閾值的，分別定義為商業(yè)服務業(yè)設施用地、公共管理與公共服務用地或住宅用地，從而實現(xiàn)城市建筑物的功能分類；

對城市建筑物功能分類標準建立110。對于上述三種類型的核密度值中的兩種或三種類型的核密度值符合閾值范圍的建筑物，公共管理與公共服務或住宅用地會存在商業(yè)服務業(yè)設施用地，將建筑物的類別優(yōu)先定義為住宅用地和公共管理與公共服務用地，具體分類標準見表1。本發(fā)明中的核密度表示在單位為1的經(jīng)緯度網(wǎng)格中所有點密度的疊加值，其中經(jīng)緯度用十進制經(jīng)緯度表示。

表1城市建筑物功能分類標準

使用本發(fā)明介紹的方法對城市建筑物進行功能分類，并將分類結果與人工目視解譯結果進行對比和精度評價，其總分類精度達到86.85％。

本發(fā)明將遙感技術、互聯(lián)網(wǎng)poi數(shù)據(jù)以及空間分析技術有效地結合在一起，更為細致地分析了城市信息，實現(xiàn)了城市建筑物功能的分類，提高了分類識別的準確率與可信度，有助于對城市功能區(qū)進行精準劃分。在今后的研究中，可利用本發(fā)明的方法體系實現(xiàn)城市建筑物不同類型用地的分類識別。

通過上述的技術措施，本發(fā)明采用深度學習的方法較為準確地實現(xiàn)了對遙感影像城市建筑物的提取，同時也有效地解決了利用遙感信息提取技術難以實現(xiàn)語義級別的建筑物功能分類識別的難題，分類精度達到86.85％，能夠快速精確地為有關部門提供城市功能區(qū)分類的動態(tài)數(shù)據(jù)，為城市管理和合理規(guī)劃服務。

應當指出，以上所述具體實施方式可以使本領域的技術人員更全面地理解本發(fā)明，但不以任何方式限制本發(fā)明。因此，本領域技術人員應當理解，仍然可以對本發(fā)明進行修改或者等同替換；而一切不脫離本發(fā)明的精神和技術實質的技術方案及其改進，其均應涵蓋在本發(fā)明專利的保護范圍當中。