本發(fā)明涉及計算機視覺，特別是涉及一種基于智能深度搜索的房屋空間分布特征提取方法。

背景技術：

1、隨著城市化進程的加快，房屋空間分布特征的提取和分析在城市規(guī)劃、房地產管理以及地理信息系統(tǒng)等領域具有重要意義。傳統(tǒng)的房屋空間分布特征提取方法通常依賴于單一模態(tài)數據，難以全面反映房屋空間分布的復雜性和多樣性。此外，現有方法在處理非線性區(qū)域特征時，往往缺乏對多模態(tài)數據的有效融合，導致特征提取的精度和效率較低。

2、近年來，隨著深度學習和計算機視覺技術的發(fā)展，多模態(tài)數據融合和深度特征提取技術逐漸成為研究熱點。然而，如何在多模態(tài)數據中準確對齊特征點、提取高區(qū)分性的非線性區(qū)域特征，并結合多尺度圖像信息進行綜合分析，仍然是一個亟待解決的技術難題。

技術實現思路

1、為了克服現有技術的不足，本發(fā)明的目的是提供一種基于智能深度搜索的房屋空間分布特征提取方法，通過多模態(tài)數據融合、特征分離損失優(yōu)化、高維深度熱圖塊生成、鄰域路徑特征融合、多倍率圖像特征優(yōu)化等技術手段，顯著提升了房屋空間分布特征提取的精度和效率，具有全面性、精準性、高效性和適應性強的優(yōu)點，為房屋時空分布特征的分析和應用提供了強有力的技術支持。

2、為實現上述目的，本發(fā)明提供了如下方案：

3、一種基于智能深度搜索的房屋空間分布特征提取方法，包括：

4、采集同一行政區(qū)域的原始地理時空圖像，并對所述原始地理時空圖像進行預處理，得到預處理數據，并通過非線性變換算法對所述原始地理時空圖像進行處理，得到非線性逼近圖像；

5、利用尺度不變特征變換算法提取所述預處理數據和所述非線性逼近圖像中的特征點，并對所述特征點進行匹配對齊，以確保兩種模態(tài)的圖像的特征一致性，得到對齊后的圖像；

6、使用神經網絡從所述對齊后的圖像中提取特征向量，并計算非線性區(qū)域和非非線性區(qū)域的特征相似度，基于所述特征相似度，利用特征分離損失優(yōu)化特征提取過程，得到非線性區(qū)域特征；

7、根據所述非線性區(qū)域特征和所述非線性逼近圖像確定高維深度熱圖塊和所述高維深度熱圖塊的統(tǒng)計信息；

8、基于高維深度熱圖塊，使用神經網絡提取行政區(qū)域路徑的深度特征，通過鄰域行政區(qū)域路徑特征融合學習方式計算鄰域路徑的增強特征；

9、基于所述鄰域路徑的增強特征、所述特征向量和所述特征點輸入到預設模型中，模擬計算機搜索的查表流程，對不同倍率圖像特征賦予不同權重，得到優(yōu)化后的權重特征；

10、基于所述優(yōu)化后的權重特征，使用深度卷積網絡對特征進行分類，生成加權類別激活映射圖，并根據所述加權類別激活映射圖提取目標感興趣的房屋時空分布區(qū)域。

11、優(yōu)選地，對所述原始地理時空圖像進行預處理的過程包括去噪和增強對比度。

12、優(yōu)選地，所述特征分離損失的計算公式為：

13、

14、其中，fnon-lesion、fnon-lesion和fave-lesion分別表示預處理數據或非線性逼近圖像中的非非線性區(qū)域、非線性區(qū)域以及非線性區(qū)域的平均特征；sim(.)表示余弦相似度計算；lossfs為特征分離損失，表示非非線性區(qū)域的特征盡量遠離非線性區(qū)域特征，從而實現非線性特征高區(qū)分性提取。

15、優(yōu)選地，根據所述非線性區(qū)域特征和所述非線性逼近圖像確定高維深度熱圖塊和所述高維深度熱圖塊的統(tǒng)計信息，包括：

16、在非線性逼近的模式下，對非線性區(qū)域進行網格化；

17、使用高倍非線性逼近放大模式對非線性區(qū)域的網格進行拍攝，生成小網格熱圖塊；

18、將小網格熱圖塊切換到非放大模式，尺寸縮小為原來的1/50，得到非放大模式下的高維深度熱圖塊；

19、通過像素計數、連通域分析和掩膜分析，確定所述統(tǒng)計信息；所述統(tǒng)計信息包括不同高維深度的面積、占比、空間分布的信息。

20、優(yōu)選地，所述鄰域路徑的增強特征的計算公式為：

21、

22、其中，表示行政區(qū)域路徑j與行政區(qū)域路徑i之間的特征歐式距離；fjnbi表示行政區(qū)域路徑j的深度特征；finbi表示鄰域行政區(qū)域路徑特征融合后的增強特征；p為自定義系數。

23、優(yōu)選地，所述自定義系數p＝0.25。

24、優(yōu)選地，所述預設模型為使用聯合正則化損失的cnn優(yōu)化模型。

25、根據本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術效果：

26、本發(fā)明提供了一種基于智能深度搜索的房屋空間分布特征提取方法，包括：采集同一行政區(qū)域的原始地理時空圖像，并對所述原始地理時空圖像進行預處理，得到預處理數據，并通過非線性變換算法對所述原始地理時空圖像進行處理，得到非線性逼近圖像；利用尺度不變特征變換算法提取所述預處理數據和所述非線性逼近圖像中的特征點，并對所述特征點進行匹配對齊，以確保兩種模態(tài)的圖像的特征一致性，得到對齊后的圖像；使用神經網絡從所述對齊后的圖像中提取特征向量，并計算非線性區(qū)域和非非線性區(qū)域的特征相似度，基于所述特征相似度，利用特征分離損失優(yōu)化特征提取過程，得到非線性區(qū)域特征；根據所述非線性區(qū)域特征和所述非線性逼近圖像確定高維深度熱圖塊和所述高維深度熱圖塊的統(tǒng)計信息；基于高維深度熱圖塊，使用神經網絡提取行政區(qū)域路徑的深度特征，通過鄰域行政區(qū)域路徑特征融合學習方式計算鄰域路徑的增強特征；基于所述鄰域路徑的增強特征、所述特征向量和所述特征點輸入到預設模型中，模擬計算機搜索的查表流程，對不同倍率圖像特征賦予不同權重，得到優(yōu)化后的權重特征；基于所述優(yōu)化后的權重特征，使用深度卷積網絡對特征進行分類，生成加權類別激活映射圖，并根據所述加權類別激活映射圖提取目標感興趣的房屋時空分布區(qū)域。本發(fā)明通過多模態(tài)數據融合、特征分離損失優(yōu)化、高維深度熱圖塊生成、鄰域路徑特征融合、多倍率圖像特征優(yōu)化等技術手段，顯著提升了房屋空間分布特征提取的精度和效率，具有全面性、精準性、高效性和適應性強的優(yōu)點，為房屋時空分布特征的分析和應用提供了強有力的技術支持。

技術特征：

1.一種基于智能深度搜索的房屋空間分布特征提取方法，其特征在于，包括：

2.根據權利要求1所述的基于智能深度搜索的房屋空間分布特征提取方法，其特征在于，對所述原始地理時空圖像進行預處理的過程包括去噪和增強對比度。

3.根據權利要求1所述的基于智能深度搜索的房屋空間分布特征提取方法，其特征在于，所述特征分離損失的計算公式為：

4.根據權利要求1所述的基于智能深度搜索的房屋空間分布特征提取方法，其特征在于，根據所述非線性區(qū)域特征和所述非線性逼近圖像確定高維深度熱圖塊和所述高維深度熱圖塊的統(tǒng)計信息，包括：

5.根據權利要求1所述的基于智能深度搜索的房屋空間分布特征提取方法，其特征在于，所述鄰域路徑的增強特征的計算公式為：

6.根據權利要求5所述的基于智能深度搜索的房屋空間分布特征提取方法，其特征在于，所述自定義系數p＝0.25。

7.根據權利要求1所述的基于智能深度搜索的房屋空間分布特征提取方法，其特征在于，所述預設模型為使用聯合正則化損失的cnn優(yōu)化模型。

技術總結
本發(fā)明提供了一種基于智能深度搜索的房屋空間分布特征提取方法，涉及計算機視覺技術領域，本發(fā)明通過對地理時空圖像進行預處理和非線性變換，利用特征點匹配對齊、多模態(tài)數據融合、特征分離損失優(yōu)化、高維熱圖生成及多倍率特征優(yōu)化，精準提取房屋空間分布特征，提升分析效率與精度，適用于城市規(guī)劃等領域。

技術研發(fā)人員：張冬茵,柳楊,譚靜,雷師,鄭文文
受保護的技術使用者：深圳市房地產和城市建設發(fā)展研究中心
技術研發(fā)日：
技術公布日：2025/5/15