一种功能区制图方法、装置、终端设备及存储介质

1.本发明涉及图像识别技术领域，尤其涉及一种功能区制图方法、装置、终端设备及存储介质。


背景技术：

2.在城市地区，相同类型的土地利用对用地空间，位置和功能的需求往往是相同的，这导致相同类型的活动在城市空间中的聚集，从而产生各种功能区，如住宅区、工业区、商业区等。城市功能区的分类有利于城市的合理布局，对促进生产、方便居民生活、保护城市环境具有重要意义。传统的城市功能区分类方法通常是在问卷调查或走访考查后，由相关领域技术人员手工绘制城市功能区分布地图，这种方法工作量大、费时费力、标准不一，且难以大面积制图。


技术实现要素：

3.本发明实施例提供一种功能区制图方法、装置、终端设备及存储介质，能提高制图效率和准确性。
4.本发明一实施例提供一种功能区制图方法，包括：
5.获取待制图区域的区域图像；
6.将所述区域图像输入至功能区识别模型中，以使所述功能区识别模型对所述区域图像中的各个功能区类别进行识别；
7.在识别后对所述区域图像中的各个功能区类别进行标识，生成待制图区域对应的功能区图像；
8.其中，所述功能区识别模型的构建包括：
9.获取待制图区域的各功能分区的区域样本图像；
10.以各所述区域样本图像为输入，以各区域样本图像所对应的功能区类别为输出，对预设的神经网络模型进行训练，生成所述功能区识别模型。
11.进一步地，所述区域样本图像，包括：用于标识功能区所在区域的功能区图斑；
12.所述神经网络模型，包括多尺度注意力特征提取器、掩膜层以及分类器；
13.在对所述神经网络模型进行训练的过程中，所述多尺度注意力特征提取器对区域样本图像进行特征提取，生成第一特征图；
14.所述掩膜层根据第一特征图和对应区域样本图像的功能区图斑生成第二特征图；
15.所述分类器对第二特征图进行识别，确定所述区域样本图像的功能区类别。
16.进一步地，所述获取待制图区域的各功能分区的区域样本图像，包括：
17.获取待制图区域的路网数据；根据待制图区域的路网数据生成待制图区域的路网图像；
18.获取待制图区域的高分影像和待制图区域中各类功能区的po i数据；
19.根据各类功能区的po i数据，生成待制图区域中每一类功能区的热力图；
20.将所有功能区的热力图进行波段叠加，生成一张多通道热力图；
21.将所述多通道热力图和待制图区域的高分影像叠加，生成待制图区域的融合图像；
22.根据路网图像对所述融合图像进行分割，生成待制图区域的各功能分区的区域样本图像。
23.进一步地，所述根据待制图区域的路网数据生成待制图区域的路网图像，包括：
24.选取所述路网数据中符合预设级别的道路，生成第一路网图像；
25.对第一路网图像中的每一道路，以道路为中心线建立一缓冲区，并将各缓冲区进行融合，生成第二路网图像；
26.提取第二路网图像中融合后缓冲区的中心线，并对所提取的中心线进行拓扑错误修正，生成待制图区域的路网图像。
27.进一步地，所述路网图像包括若干封闭子区域；
28.所述根据路网图像对所述融合图像进行分割，包括：
29.根据路网图像中每一封闭子区域的形状确定对应封闭子区域的最小外接矩正方形，根据所述最小外接正方形生成对应封闭子区域的待分割区域；
30.根据所述待分割区域对所述融合图像进行分割。
31.进一步地，所述多尺度注意力特征提取器，包括：
32.多尺度注意力特征提取器包含五个阶段，第一阶段包含一个卷积层及一个池化层，第二阶段包含三个多尺度注意力残差块，第三阶段包含四个多尺度注意力残差块，第四阶段包含六个多尺度注意力残差块，第五阶段包含三个多尺度注意力残差块；其中，每一多尺度注意力残差快中均包含层次化卷积模块与注意力机制模块。
33.进一步地，所述功能区识别模型的损失函数为：
[0034][0035]
其中，为功能区识别模型的损失函数，y
i,k
与p
i,k
分别为待制图区域内第i个功能区的类别k的真实标签与预测概率值，c为功能区类别总数。
[0036]
在上述方法项实施例的基础上，本发明对应提供了装置项实施例；
[0037]
本发明一实施例对应提供了一种功能区制图装置，包括：
[0038]
数据获取模块、功能区分类模块、制图模块和功能区识别模型构建模块；
[0039]
所述数据获取模块，用于获取待制图区域的区域图像；
[0040]
所述功能区识别模块，用于将所述区域图像输入至功能区识别模型中，以使所述功能区识别模型对所述区域图像中的各个功能区类别进行识别；
[0041]
所述制图模块，用于在识别后对所述区域图像中的各个功能区类别进行标识，生成待制图区域对应的功能区图像；
[0042]
所述功能区识别模型构建模块，用于获取待制图区域的各功能分区的区域样本图像；以各所述区域样本图像为输入，以各区域样本图像所对应的功能区类别为输出，对预设的神经网络模型进行训练，生成所述功能区识别模型。
[0043]
本发明另一实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存
储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的一种功能区制图方法。
[0044]
本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行上述发明实施例所述的一种功能区制图方法。
[0045]
通过实施本发明具有如下有益效果：本发明提供了一种功能区制图方法、装置、终端设备及存储介质；该方法通过构建功能区识别模型对待制图区域的区域图像中包含的各功能区类别进行识别，在识别出功能区类别后对待制图区域图像中的功能区进行类别表示，继而生成对应的功能区图像；通过构建功能区识别模型，以模型识别的方式替代人工考查的方式，提高制图效率和准确性。
附图说明
[0046]
图1是本发明一实施例提供的一种功能区制图方法的流程示意图。
[0047]
图2是本发明一实施例提供的一种sf-net神经网络模型的结构示意图。
[0048]
图3是本发明一实施例提供的路网图像生成流程图。
[0049]
图4是本发明一实施例提供的区域样本图像数据预处理流程图。
[0050]
图5是本发明一实施例提供的一种多尺度注意力特征提取器的结构示意图。
[0051]
图6是本发明一实施例提供一种scbam模块的结构示意图。
[0052]
图7是本发明一实施例提供的多种bottleneck结构示意图。
[0053]
图8是本发明一实施例提供的掩膜层结构示意图。
[0054]
图9是本发明一实施例提供的全局平均池化层、全连接层与softmax分类器的结构示意图。
[0055]
图10是本发明一实施例提供的一种功能区制图装置的结构示意图。
具体实施方式
[0056]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
如图1所示，本发明一实施例提供的一种功能区制图方法，包括：
[0058]
步骤s1：获取待制图区域的区域图像；
[0059]
步骤s2：将所述区域图像输入至功能区识别模型中，以使所述功能区识别模型对所述区域图像中的各个功能区类别进行识别；
[0060]
步骤s3：在识别后对所述区域图像中的各个功能区类别进行标识，生成待制图区域对应的功能区图像；
[0061]
对于步骤s2、将待制图区域的区域图像输入到预训练的功能区识别模型中，使得功能区识别模型对区域图像中包含的各个功能区类别进行识别；其中，所述功能区识别模型的构建包括：获取待制图区域的各功能分区的区域样本图像；以各所述区域样本图像为输入，以各区域样本图像所对应的功能区类别为输出，对预设的神经网络模型进行训练，生
成所述功能区识别模型。
[0062]
在一个优选的实施例中，所述区域样本图像，包括：用于标识功能区所在区域的功能区图斑；所述神经网络模型，包括多尺度注意力特征提取器、掩膜层以及分类器；在对所述神经网络模型进行训练的过程中，所述多尺度注意力特征提取器对区域样本图像进行特征提取，生成第一特征图；所述掩膜层根据第一特征图和对应区域样本图像的功能区图斑生成感兴趣区域；所述分类器对感兴趣区域进行识别，确定所述区域样本图像的功能区类别。
[0063]
具体的，如图2所示，是本发明一实施例提供的一种神经网络模型的结构示意图，优选的，在本发明一实施例中，该神经网络模型为sf-net结构，在sf-net中包含有一多尺度注意力特征提取器、一掩膜层和一分类器；其中，分类器通过两个全连接层和一个softmax函数构成；在对上述神经网络模型进行训练时，多尺度注意力特征提取器对区域样本图像进行特征提取，生成第一特征图，并将生成的第一特征图传输至掩膜层；区域样本图像中包括用于标识功能区所在区域的功能区图斑，从区域样本图像中获取对应的功能区图斑形状信息，并对功能区图斑形状信息进行下采样后传输至掩膜层；掩膜层将第一特征图和下采样后的功能区图斑形状信息对应像素相乘，提取到感兴趣区域；将通过掩膜层提取到感兴趣区域的特征图进行全局平均池化后得到一维特征向量，最后通过分类器对感兴趣区域进行识别，继而确定区域样本图像的功能区类别。在本实施例中，在多尺度注意力特征提取器中，利用多尺度训练的方式降低城市功能区大小不一造成的尺度效应，并通过注意力机制促进高分影像与点密度热力图的融合；在掩膜层中，通过保存的不规则功能区形状信息对多尺度注意力特征提取器所提取到的图像特征进行掩膜，从而得到该功能区所在位置的特征，屏蔽其他无关信息。
[0064]
需要说明的是，本发明实施例中功能区类别包括:居民区、公共服务区、绿地、工业区、商业区、教育区和农业区；其中，居民区的定义为：房屋功能多用于居住的区域，例如商品房小区、面积较大的自建房等；公共服务区的定义为：提供公共服务的区域，例如政府部门、医院、车站等；绿地的定义为：有较多绿植的区域，例如湿地公园、草坪等；工业区的定义为：生产或储存货物的区域，例如工厂、物流仓库等；商业区的定义为：商业、贸易或销售区域，例如金融中心、购物中心、市场等；教育区的定义为：学校及部分教育培训机构；农业区的定义为：农业生产区域，例如农田、鱼塘等。
[0065]
在一个优选的实施例中，所述获取待制图区域的各功能分区的区域样本图像，包括：获取待制图区域的路网数据；根据待制图区域的路网数据生成待制图区域的路网图像；获取待制图区域的高分影像和待制图区域中各类功能区的poi数据；根据各类功能区的poi数据，生成待制图区域中每一类功能区的热力图；将所有功能区的热力图进行波段叠加，生成一张多通道热力图；将所述多通道热力图和待制图区域的高分影像叠加，生成待制图区域的融合图像；根据路网图像对所述融合图像进行分割，生成待制图区域的各功能分区的区域样本图像。
[0066]
具体的，获取待制图区域的路网数据，并根据待制图区域的路网数据生成对应的路网图像；路网数据可通过开源地图服务openstreetmap(osm)获取。
[0067]
在一个优选的实施例中，所述根据待制图区域的路网数据生成待制图区域的路网图像，包括：选取所述路网数据中符合预设级别的道路，生成第一路网图像；对第一路网图
像中的每一道路，以道路为中心线建立一缓冲区，并将各缓冲区进行融合，生成第二路网图像；提取第二路网图像中融合后缓冲区的中心线，并对所提取的中心线进行拓扑错误修正，生成待制图区域的路网图像。
[0068]
具体的，如图3所示，是本发明一实施例提供的待制图区域的路网图像生成流程图；其中，图(a)为原始osm道路网图像，图(b)为上述第一路网图像，图(c)为上述第二路网图像，图(d)为上述待制图区域的路网图像；在本实施例中，生成待制图区域的路网图像包括以下步骤：
[0069]
步骤s101：从待制图区域的原始osm道路网图像中提取符合预设级别的道路，优选的，符合预设级别的道路为三级以上的高级别道路，选取后可剔除低级别的密集道路，生成包含三级以上高级别道路的第一路网图像(图(b))；
[0070]
步骤s102：对第一路网图像中的车道进行多车道合并；由于道路网络中的每条道路往往有多个车道，因此一条道路由多个线要素组成。在这种情况下，为每个线要素(即上述道路)建立一个五十米的缓冲区，并将得到的缓冲区多边形要素进行融合，生成第二路网图像(图(c))；
[0071]
步骤s103：提取第二路网图像(图(c))中缓冲区多边形要素的中心线作为新道路，并修正路网中的一些拓扑错误，如悬挂线等。由此得到的每条道路仅包含一个线要素的待制图区域的路网图像(图(d))。
[0072]
经过上述三个步骤，得到的待制图区域的路网图像(图(d))可作为划分街区的依据，每条道路围成的多边形就是街区，这些街区被视作城市功能区的基本分类单元。
[0073]
在生成了待制图区域的路网图像后，获取待制图区域的高分影像和待制图区域中各类功能区的poi(point of interest)数据；优选的，在本发明实施例中所获取的数据为空间分辨率为1m的高分遥感影像数据和poi数据，分别提供空间结构信息与社会经济信息。如图4所述，是本发明一实施例提供的区域样本图像数据预处理流程图；poi数据是离散的矢量点，为了使得它能够与高分影像一同被卷积神经网络cnn(convolutional neural network)处理，需要将其转化为连续的图像。本发明将离散的poi数据转换为多通道点密度热力图，在这个热力图中，每个通道都是与高分影像空间坐标对齐的某一类poi点密度的空间分布。处理流程包括：
[0074]
步骤s201:获取待制图区域的高分影像和待制图区域中各类功能区的poi数据；在本实施例中，如图4所示，选取了三个类别的poi数据，分别为商业类poi、教育类poi和公共服务类poi；
[0075]
步骤s202：分别计算步骤s201中三类poi数据所对应的热力图，对于某类poi对应热力图中的每个栅格像素，均是其300*300大小的领域内该类别poi的点个数除以300*300的领域面积得到的；
[0076]
步骤s203：将商业类poi、教育类poi和公共服务类poi数据分别生成的三张热力图进行波段叠加，形成一张三通道的热力图其中c、h和w分别代表了热力图的波段数、高和宽；
[0077]
步骤s204：将步骤s203得到的三通道密度热力图和待制图区域的高分影像叠加，生成待制图区域的融合图像；
[0078]
步骤s205：根据路网图像对所述融合图像进行分割，生成待制图区域的各功能分
区的区域样本图像。
[0079]
在一个优选的实施例中，所述路网图像包括若干封闭子区域；所述根据路网图像对所述融合图像进行分割，包括：根据路网图像中每一封闭子区域的形状确定对应封闭子区域的最小外接正方形，根据所述最小外接正方形生成对应封闭子区域的待分割区域；根据所述待分割区域对所述融合图像进行分割。
[0080]
具体的，如图3中图(d)所示，路网图像中包括若干封闭子区域；根据路网图像中每一最小的封闭子区域的形状确定对应封闭子区域的一个最小外接正方形，继而根据最小外接正方形的大小确定对应封闭子区域的待分割区域，根据待分割区域对融合图像进行分割。在上述步骤s205中，具体的，使用前面得到的基本分类单元(即上述封闭子区域)的最小外接正方形裁剪该融合图像，得到待制图区域的各功能分区的区域样本图像其中，ij代表第j个城市功能区生成的样本图像，c、hj和wj分别代表第j个城市功能区的最小外接正方形的通道数、高和宽，n代表制图区域内功能区的个数。
[0081]
在一个优选的实施例中，所述多尺度注意力特征提取器，包括：多尺度注意力特征提取器包含五个阶段，第一阶段包含一个卷积层及一个池化层，第二阶段包含三个多尺度注意力残差块，第三阶段包含四个多尺度注意力残差块，第四阶段包含六个多尺度注意力残差块，第五阶段包含三个多尺度注意力残差块；其中，每一多尺度注意力残差快中均包含层次化卷积模块与注意力机制模块。
[0082]
具体的，如图5所示，是本发明一实施例提供的一种多尺度注意力特征提取器的结构示意图，它是一种具有残差特性的卷积神经网络(convolutional neural network，cnn)，拥有注意力机制与多尺度特征提取能力。
[0083]
各区域样本图像是通过路网图像中每一封闭子区域的形状确定的对应封闭子区域的最小外接正方形分割生成的，每一封闭子区域即对应一功能区，而城市功能区之间的面积差异较大，导致样本图像的尺寸也不同。对于不同尺寸的样本图像，现有的卷积神经网络cnn无法利用它们进行批量训练，单独训练每个样本图像则会导致计算效率和准确率下降，但是若将所有样本图像缩放到相同的大小，却又会造成尺度效应，造成信息损失。对此，本发明将区域样本图像重采样到四种不同尺寸(192
×
192、256
×
256、512
×
512和800
×
800)，这些不同尺寸的图像将会作为多尺度注意力特征提取器的输入，从而尽可能减少尺度信息的丢失。多尺度注意力特征提取器的输出特征图将会是输入图像尺寸的1/32，维度则均为2048，因此四种输入6
×
192
×
192、6
×
256
×
256、6
×
512
×
512和6
×
800
×
800对应的四种输出为2048
×6×
6、2048
×8×
8、2048
×
16
×
16和2048
×
25
×
25。
[0084]
多尺度注意力特征提取器总体上分为五个阶段(stage)，最开始的阶段(stage0)包含一个7
×
7的卷积层与一个3
×
3的最大池化层，随后的四个阶段则分别包含3个、4个、6个和3个多尺度注意力残差块。在各残差块内部，则依次有一个1
×
1的卷积层、一个层次化分组卷积模块(hierarchical group convolution，hgc)，一个注意力机制模块(small convolutional block attention module，scbam)，以及最后有另一个1
×
1的卷积层。
[0085]
具体的，如图6(a)所示，是本发明一实施例提供的一种多尺度注意力残差块的结构示意图，相较于普通的残差块(如图6(b)所示)，它拥有多尺度特征提取能力与注意力机
制。输入的图像在经过1*1卷积之后，先通过层次化分组卷积层hgc。具体来说，将特征图按通道维度分成4部分xn(n＝1,2,3,4)。第一部分的x1不做处理，直接输出为y1；第二部分的x2经过3*3卷积之后分为两条线路，一条直接输出为y2，另一条传到x3，这样第三条线路就获得了第二条线路的信息；第三条线路、第四条线路以此类推。由此，不同层次的输出将会有不同大小的感受野，也就可以提取多尺度信息。最后将所得的yn(n＝1,2,3,4)进行通道拼接以融合它们不同层次的信息。
[0086]
拼接后的图像可以认为有两个维度：通道维度和空间维度。在通道维度上，图像的不同通道对城市功能区分类的贡献不同，对此，通道注意力机制可以给不同通道赋予不同权重，从而量化这种贡献。在空间维度上，城市功能区通常由不同区域的不同城市用地组成，空间注意力机制可以在空间维度上自适应关注不同区域的特征。为了实现上述两个目的，本发明引入了一种轻量的注意力模块cbam(convolutional block attention module)，并对它进行了改进，得到了如图7所示的scbam(small-cbam)模块；轻量的注意力模块scbam先实现其通道注意力，将输入的图像模块scbam先实现其通道注意力，将输入的图像(c、h和w分别代表通道数、高和宽)的各通道进行全局平均池化(globe average pooling，gap)，得到能够表示各通道信息的一维特征向量；然后通过一维卷积学习各通道间的相互关系，最后使用sigmoid函数得到各通道的权重得到各通道的权重将权重与输入的图像相乘得到通道权值重分配特征图(c、h和w分别代表通道数、高和宽)，即可达到强化重要通道、抑制不重要通道的效果；接着实现空间注意力，对通道权值重分配特征图分别进行平均值池化与最大值池化生成两张特征图，将这两张特征图进行通道叠加并使用二维卷积处理，然后利用激活函数sigmoid对二维卷积后的新特征图进行归一化处理，得到二维空间注意力图激活函数sigmoid对二维卷积后的新特征图进行归一化处理，得到二维空间注意力图将二维空间注意力图与通道权值重分配特征图与通道权值重分配特征图相乘，即可实现对输入图像执行空间注意力校正，最终得到在通道上和空间上均执行了注意力机制的特征图
[0087]
区域样本图像在输入多尺度特征提取器进行特征提取后，将得到包含其深度特征的第一特征图。然而，所提取到的特征是不规则功能区的最小外接正方形区域的特征，存在大量无关信息。本发明在神经网络模型中加入掩膜层，使其能保存功能区图斑的原始形状信息；如图8所示，具体来说，使用每个功能区的最小外接正方形生成的区域样本图像输入到卷积神经网络cnn中，同时保存功能区图斑形状信息，保存方法为：对原功能区部分进行1填充，而其最小外接正方形的其他部分做0填充，并将填充后的信息转化为一张影像mask，随后在掩膜层中，将多尺度注意力特征提取器得到的第一特征图与形状信息对应的影像相乘即可去除无关区域的特征，得到第二特征图。
[0088]
掩膜层不会改变特征图的尺寸，因此多尺度注意力特征提取器依然有四种尺寸的输出，即2048
×6×
6、2048
×8×
8、2048
×
16
×
16和2048
×
25
×
25。为了统一它们的尺寸以便于分类，本发明在掩膜层后引入全局平均池化层，如图9所示，不同尺寸的特征图将会被统一成2048
×1×
1的一维特征向量，随后被输入两个全连接层中，第一层全连接层大小为2048，第二层则为1024，最后使用softmax函数输出各功能区类别的预测概率值。在功能区识别模型构建过程中，相同尺寸的图像将在相同epoch下训练；而在功能区识别过程中，则
直接使用原始尺寸的区域样本图像进行识别。
[0089]
在一个优选的实施例中，所述功能区识别模型的损失函数为：
[0090]
其中，为功能区识别模型的损失函数，y
i,k
与p
i,k
分别为待制图区域内第i个功能区的类别k的真实标签与预测概率值，c为功能区类别总数。基于损失函数，通过反向传播算法对sf-net进行训练，学习和优化网络的参数，训练过程中，采用adam优化器，学习率设置为0.001。
[0091]
对于步骤s3、在对待制图区域的区域图像进行功能区类别识别后，生成待制图区域对应的功能区图像。
[0092]
在上述方法项实施例的基础上，本发明对应提供了装置项实施例。
[0093]
如图10所示，本发明一实施例提供了一种功能区制图装置，包括：数据获取模块、功能区分类模块、制图模块和功能区识别模型构建模块；
[0094]
所述数据获取模块，用于获取待制图区域的区域图像；
[0095]
所述功能区识别模块，用于将所述区域图像输入至功能区识别模型中，以使所述功能区识别模型对所述区域图像中的各个功能区类别进行识别；
[0096]
所述制图模块，用于在识别后对所述区域图像中的各个功能区类别进行标识，生成待制图区域对应的功能区图像；
[0097]
所述功能区识别模型构建模块，用于获取待制图区域的各功能分区的区域样本图像；以各所述区域样本图像为输入，以各区域样本图像所对应的功能区类别为输出，对预设的神经网络模型进行训练，生成所述功能区识别模型。
[0098]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0099]
所述领域的技术人员可以清楚地了解到，为的方便和简洁，上述描述的装置的具体工作过程，可参考前述方法实施例中对应的过程，在此不再赘述。
[0100]
在上述方法项实施例的基础上，本发明对应提供了终端设备项实施例。
[0101]
本发明一实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现本发明中任意一项所述的一种功能区制图方法。
[0102]
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
[0103]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
[0104]
所述存储器可用于存储所述计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0105]
在上述方法项实施例的基础上，本发明对应提供了存储介质项实施例。
[0106]
本发明一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行本发明中任意一项所述的一种功能区制图方法。
[0107]
所述存储介质为计算机可读存储介质，所述计算机程序存储在所述计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0108]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种功能区制图方法，其特征在于，包括：获取待制图区域的区域图像；将所述区域图像输入至功能区识别模型中，以使所述功能区识别模型对所述区域图像中的各个功能区类别进行识别；在识别后对所述区域图像中的各个功能区类别进行标识，生成待制图区域对应的功能区图像；其中，所述功能区识别模型的构建包括：获取待制图区域的各功能分区的区域样本图像；以各所述区域样本图像为输入，以各区域样本图像所对应的功能区类别为输出，对预设的神经网络模型进行训练，生成所述功能区识别模型。2.如权利要求1所述的一种功能区制图方法，其特征在于，所述区域样本图像，包括：用于标识功能区所在区域的功能区图斑；所述神经网络模型，包括多尺度注意力特征提取器、掩膜层以及分类器；在对所述神经网络模型进行训练的过程中，所述多尺度注意力特征提取器对区域样本图像进行特征提取，生成第一特征图；所述掩膜层根据第一特征图和对应区域样本图像的功能区图斑生成第二特征图；所述分类器对第二特征图进行识别，确定所述区域样本图像的功能区类别。3.如权利要求2所述的一种功能区制图方法，其特征在于，所述获取待制图区域的各功能分区的区域样本图像，包括：获取待制图区域的路网数据；根据待制图区域的路网数据生成待制图区域的路网图像；获取待制图区域的高分影像和待制图区域中各类功能区的poi数据；根据各类功能区的poi数据，生成待制图区域中每一类功能区的热力图；将所有功能区的热力图进行波段叠加，生成一张多通道热力图；将所述多通道热力图和待制图区域的高分影像叠加，生成待制图区域的融合图像；根据路网图像对所述融合图像进行分割，生成待制图区域的各功能分区的区域样本图像。4.如权利要求3所述的一种功能区制图方法，其特征在于，所述根据待制图区域的路网数据生成待制图区域的路网图像，包括：选取所述路网数据中符合预设级别的道路，生成第一路网图像；对第一路网图像中的每一道路，以道路为中心线建立一缓冲区，并将各缓冲区进行融合，生成第二路网图像；提取第二路网图像中融合后缓冲区的中心线，并对所提取的中心线进行拓扑错误修正，生成待制图区域的路网图像。5.如权利要求3所述的一种功能区制图方法，其特征在于，所述路网图像包括若干封闭子区域；所述根据路网图像对所述融合图像进行分割，包括：根据路网图像中每一封闭子区域的形状确定对应封闭子区域的最小外接正方形，根据所述最小外接正方形生成对应封闭子区域的待分割区域；
根据所述待分割区域对所述融合图像进行分割。6.如权利要求2所述的一种功能区制图方法，其特征在于，所述多尺度注意力特征提取器，包括：多尺度注意力特征提取器包含五个阶段，第一阶段包含一个卷积层及一个池化层，第二阶段包含三个多尺度注意力残差块，第三阶段包含四个多尺度注意力残差块，第四阶段包含六个多尺度注意力残差块，第五阶段包含三个多尺度注意力残差块；其中，每一多尺度注意力残差快中均包含层次化卷积模块与注意力机制模块。7.如权利要求1所述的一种功能区制图方法，其特征在于，所述功能区识别模型的损失函数为：其中，为功能区识别模型的损失函数，y
i,k
与p
i,k
分别为待制图区域内第i个功能区的类别k的真实标签与预测概率值，c为功能区类别总数。8.一种功能区制图装置，其特征在于，包括：数据获取模块、功能区分类模块、制图模块和功能区识别模型构建模块；所述数据获取模块，用于获取待制图区域的区域图像；所述功能区识别模块，用于将所述区域图像输入至功能区识别模型中，以使所述功能区识别模型对所述区域图像中的各个功能区类别进行识别；所述制图模块，用于在识别后对所述区域图像中的各个功能区类别进行标识，生成待制图区域对应的功能区图像；所述功能区识别模型构建模块，用于获取待制图区域的各功能分区的区域样本图像；以各所述区域样本图像为输入，以各区域样本图像所对应的功能区类别为输出，对预设的神经网络模型进行训练，生成所述功能区识别模型。9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所诉处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的一种功能区制图方法。10.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至7中任意一项所述的一种功能区制图方法。

技术总结
本发明公开了一种功能区制图方法、装置、终端设备及存储介质，所述方法包括：获取待制图区域的区域图像；将所述区域图像输入至功能区识别模型中，以使所述功能区识别模型对所述区域图像中的各个功能区类别进行识别；在识别后对所述区域图像中的各个功能区类别进行标识，生成待制图区域对应的功能区图像；其中，所述功能区识别模型的构建包括：获取待制图区域的各功能分区的区域样本图像；以各所述区域样本图像为输入，以各区域样本图像所对应的功能区类别为输出，对预设的神经网络模型进行训练，生成所述功能区识别模型。通过实施本发明能提高制图效率和准确性。能提高制图效率和准确性。能提高制图效率和准确性。


技术研发人员：郭舟 温江天 许瑞
受保护的技术使用者：中山大学
技术研发日：2023.05.25
技术公布日：2023/8/13