城区范围提取方法：基于渐进式学习模型

渐进式学习模式是一类融合人工特征、先验知识以及机器特征，利用未标记样本进行机器学习的模型，共分为教学、理解、练习、测试和应用五个阶段(图15-8)。基于渐进式学习模型的城区范围提取方法，采用半监督学习的方式，充分利用未标记样本中的数据信息，并通过先验知识和规则的约束，大量减少了样本标记工作量，提高了对样本噪声的抵抗能力。采用路网分割、场景分类方法以街区为基元进行城区提取，根据城区提取原则设计人工特征，解决了城区认定和识别的高层信息表达难题。该模型将人工特征和机器特征相结合，通过验证集分类精度实现两类特征权重的分配，能够实现在少量样本条件下的识别分类。

图15-8　渐进式学习模型流程图

图15-9为渐进式学习模型城区提取流程图，其过程如下:

图15-9　基于渐进式学习模型的城区提取流程图

(1)预处理，包括高分辨率遥感影像和路网数据的预处理以及利用路网数据进行影像分割；

(2)选择初始城区样本，主要通过参考全国地理国情普查数据和基础性地理国情监测成果数据；(www.xing528.com)

(3)融合人工特征的CNN场景分类，人工特征包括有效像元占比、实地面积、灰度均值等，将人工特征转换为图像分布规则，生成人工特征波段，加入影像中，作为卷积神经网络训练样本进行输入，能够实现两者的结合；

(4)金字塔格网空间约束，通过对城区内部街区周围斑块和格网分类结果的判断来进一步验证和约束其分类结果，成功将城区判断中最为关键的集中连片原则融入其中；

(5)精度评价，选用人工提取的高精度的城区边界作为真值，对提取结果进行定量化的精度验证。主要采用基于混淆矩阵的总体分类精度、错分误差、漏分误差和Kappa系数进行精度评价。

利用北京市的高分辨率遥感影像及地理国情普查成果等专题数据，通过人工勾绘的方式提取城区矢量作为真值，将基于渐进式学习模型的城区提取方法的提取结果和人工城区勾绘结果从空间形态、大小等方面进行对比，作定性分析，提取结果和人工提取城区真值的矢量边界对比叠加效果如图15-10所示。

图15-10　北京市城区提取结果对比图

由图15-10可见，基于渐进式学习模型的城区范围提取方法的提取结果与人工提取结果的空间形态、走向、总体大小有着较高的一致性，可自动提取出城区边界。