技术摘要：
本发明提供了分布式架构的城市群地理环境知识库构建方法及系统，包括：在服务器端将每个城市的初始母图切割成多个初始子图，并将初始子图分发给对应的运算终端；在每个运算终端，对初始子图进行预处理，通过灰度运算在初始子图中分割出多个目标区域，对目标区域进行地  全部
背景技术：
地理环境是指一定社会所处的地理位置以及与此相联系的各种自然条件的总和， 包括气候、土地，河流、湖泊、山脉、矿藏以及动植物资源等。城市群地理环境是地理环境中 的重要一种，包括多个城市中以及城市之间的建筑物、交通设施、休闲绿地、城市山地、水 道、地下特征等。 城市群地理环境由于涉及的面积广、地理环境种类多，且信息较为琐碎。现有技术 中，目前跟城市地理环境有关的知识库的构建通常是由领域内的专家或其它人通过人工编 辑来完成，但是这种通过人员来构建知识库需要大量时间、精力和成本，且无法做到精细， 不便于对城市群地理环境进行精细化掌握和管理。后续再对知识库更新时，需要操作者对 知识库中的内容有充分了解才能进行更新，因此现有这种通过人工来构建城市群地理环境 的方式不利于知识库的维护。 随着技术的发展，高分辨率卫星图像、航拍图像被用于城市地表图像的获取，图像 中包含城市群的地理环境信息，尤其是地表的地理环境信息，但现有技术中图像识别多是 局部识别、离散识别或非专业人士的人工标记，错误率高，不全面，缺乏对实体特征的计算、 存储。统计，且难以通过属性信息或字段的进行精确、全面查询与显示。此外，由于高分辨率 的城市群卫星图像数据量极大，在对图像进行识别、处理、计算、存储等操作时，对计算机设 备要求极高，需要大量的设备成本和能耗。此外，传统的图像识别技术一般仅针对某一种类 的信息识别，由于算力和识别方法的限制，其图像处理的精细程度、准确率和处理速度之间 通常是矛盾的，难以适用于处理城市群地理环境存在的超多数据量、种类复杂的情况。
技术实现要素：
为了克服现有技术的不足，本发明提供了分布式架构的城市群地理环境知识库构 建方法及系统，具体技术方案如下所示： 一种分布式架构的城市群地理环境知识库构建方法，包括以下步骤： S1：获取目标城市群中每个城市的卫星图像，定义为初始母图，在服务器端将每个 城市的初始母图切割成多个初始子图，服务器端再根据动态任务模型将各初始子图与远程 的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端； S2：在每个运算终端，对初始子图进行预处理，通过灰度运算在初始子图中分割出 多个目标区域，按照以下方法对目标区域进行地理特征识别： S21：将每个目标区域与本地样本库中的样本进行比较，若近似度超过预设阀值则 将目标区域标记为与样本同类型的地理特征，给完成识别的该目标区域设定地理属性信 息，并存储目标区域的地理属性信息和地理实体信息； 5 CN 111598036 A 说　明　书 2/9 页 S22：若近似度小于预设阀值则与下一个样本进行比较，直至该目标区域完成与同 类型样本的匹配，然后对下一个目标区域进行识别，直至完成所有目标区域的识别； S23：若未找到与目标区域同类型的样本，则将阀值下调后重新进行循环比较，完 成对目标区域的识别，若仍未找到相似样本，将该目标区域定义为新的地理特征类型并生 成新的样本类型； S3：运算终端将完成地理特征识别的初始子图的各目标区域的地理属性信息发送 给服务器端，在服务器端接收并存储所有的地理属性信息，并根据服务器端的地理属性信 息和运输端的与地理属性信息对应的地理实体信息创建知识库。 在一个具体的实施例中，步骤S1中，在服务器端将每个城市的初始母图进行均匀 切割形成多个初始子图，“服务器端再根据动态任务模型将各初始子图与远程的多个分布 式运算终端进行任务匹配，并将初始子图分发给对应的运算终端”按照以下方法实现： (1)T1：预先测定的每个运算终端各自完成一个初始子图的预处理和地理特征识 别所需的总时间； (2)T2：每个运算终端上各自等待预处理和地理特征识别的初始子图数量； (3)T3：每个运算终端上正在处理的初始子图的剩余完成时间； (4)TX：T1*T2 T3； 在存在“闲置”状态的运算终端时，服务器端将初始子图分发给每个闲置的运算终 端； 不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX 值最小的运算终端； 当有初始子图识别任务被加入任务列表时，与该初始子图识别任务相关的运算终 端的状态由“闲置”变为“非闲置”，而当某个运算终端完成所有初始子图识别任务时，与之 相关的运算终端的状态由“非闲置”变为“闲置”。 在一个具体的实施例中，步骤S2中，“对初始子图进行预处理”的方法包括： (1)先按照以下算法对初始子图中每个像素点的灰度值进行调整： 其中，设定初始子图中x和y为像素点的坐标值，W为该像素点的原始灰度值，Wδ为 调整后的灰度值，δ为标准差，优选地δ为1； 再按照以下算法继续对初始子图中每个像素点的灰度值进行调整： 其中，N为处理后的灰度值，M为灰度级数，优选地，M为256，h(k)为灰度级为k的像 素总数，k为灰度级，s为像素的宽度，t为像素的高度。 在一个具体的实施例中，步骤S2中，“通过灰度运算在初始子图中分割出多个目标 区域”的方法包括： (1)按照以下算法求解出各目标区域的边缘： 6 CN 111598036 A 说　明　书 3/9 页 g(x，y)＝{[f(x，y)-f(x-1，y)]2 [f(x，y)-f(x，y-l)]2}0.5，其中，f(x,y)表示坐标 (x，y)原始灰度值，g(x，y)表示运算后的灰度值； (2)基于求解出的边缘在初始子图中分割出多个目标区域。 根据权利要求1所述的分布式架构的城市群地理环境知识库构建方法，其特征在 于，步骤S21中，计算目标区域与本地样本库中的样本之间近似度的具体算法为： P＝0.4*目标区域与样本之间的汉明距离近似度 0.2*目标区域与样本之间的直 方图近似度 0.4*目标区域与样本之间的结构近似度，其中，P为近似度。 在一个具体的实施例中，步骤S21中，近似度的阀值为0.85； 步骤S23中，下调后的近似度的阀值为0.8。 在一个具体的实施例中，所述地理属性信息包括地理类型和运算端设定的ID名 称； 所述地理特征信息包括坐标、面积、形状、颜色、高度中的一种或多种。 在一个具体的实施例中，步骤S23之后还包括： S24：接收航拍设备拍摄的视频，根据航拍设备过程中拍摄的分辨率、拍摄角度、时 间将视频转换成静态图，在静态图中提取出与步骤S23中新样本相同区域的图像，定义为校 正图像，将校正图像与样本库中的原样本进行比较，识别出地理特征，并确定为新样本的地 理特征。 一种分布式架构的城市群地理环境知识库系统，包括服务器、运算端和人机界面； 服务器用于获取目标城市群中每个城市的卫星图像，定义为初始母图，在服务器 端将每个城市的初始母图切割成多个初始子图，服务器端再根据动态任务模型将各初始子 图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算终端，； 预算端用于对初始子图进行预处理，通过灰度运算在初始子图中分割出多个目标 区域，按照以下方法对目标区域进行地理特征识别：将每个目标区域与本地样本库中的样 本进行比较，若近似度超过预设阀值则将目标区域标记为与样本同类型的地理特征，给完 成识别的该目标区域设定地理属性信息，并存储目标区域的地理属性信息和地理实体信 息；若近似度小于预设阀值则与下一个样本进行比较，直至该目标区域完成与同类型样本 的匹配，然后对下一个目标区域进行识别，直至完成所有目标区域的识别；若未找到与目标 区域同类型的样本，则将阀值下调后重新进行循环比较，完成对目标区域的识别，若仍未找 到相似样本，将该目标区域定义为新的地理特征类型并生成新的样本类型； 服务器端和预算端还用于，运算终端将完成地理特征识别的初始子图的各目标区 域的地理属性信息发送给服务器端，在服务器端接收并存储所有的地理属性信息，并根据 服务器端的地理属性信息和运输端的与地理属性信息对应的地理实体信息创建知识库 人机界面根据接收用户的查询指令或者预设的显示规则，显示知识库中的地理特 征。 在一个具体的实施例中，服务器端还用于： (1)T1：预先测定的每个运算终端各自完成一个初始子图的预处理和地理特征识 别所需的总时间； (2)T2：每个运算终端上各自等待预处理和地理特征识别的初始子图数量； (3)T3：每个运算终端上正在处理的初始子图的剩余完成时间； 7 CN 111598036 A 说　明　书 4/9 页 (4)TX：T1*T2 T3； 在存在“闲置”状态的运算终端时，服务器端将初始子图分发给每个闲置的运算终 端； 不存在“闲置”状态的运算终端时，启动TX的计算，服务器端将初始子图分发给TX 值最小的运算终端； 当有初始子图识别任务被加入任务列表时，与该初始子图识别任务相关的运算终 端的状态由“闲置”变为“非闲置”，而当某个运算终端完成所有初始子图识别任务时，与之 相关的运算终端的状态由“非闲置”变为“闲置”。 本发明至少具有以下有益效果： 本发明中，在服务器端将每个城市的初始母图切割成多个初始子图，服务器端将 各初始子图与远程的多个分布式运算终端进行任务匹配，并将初始子图分发给对应的运算 终端，由分布式架构的多个运算终端分别执行部分运算任务，实现对初始子图预处理、运算 识别和地理特征信息本地存储，服务器端接收并存储各运输终端反馈的地理地理属性信 息，然后根据服务器端的全部地理属性信息和对应的分散在各运算终端的地理实体信息创 建知识库。由此，可通过网络上多台现有运算设备组网形成基于分布式架构的图像处理和 信息存储单元，服务器端起到资源调度、任务分配和提供知识库的人机交流作用。与现有技 术相比，提高了现有设备的利用率，且可显著降低设备成本和能源消耗。 进一步地，本发明中设计了独特的动态任务模型，能够更充分的利用多个运算终 端的算力，可显著提高知识库的创建速度。 本发明中，设置了独特的图像预处理方法，使得图像更加平滑，减少了噪声，且图 像对比度更加鲜明。 而且，先通过灰度运算在图像中区分出多个目标区域，实现效率更高的粗识别，然 后通过将目标区域与样本库中的样本进行比较实现对各目标区域的地理特征的精确识别。 与现有技术中单纯的图像特征算法识别相比，不但显著提升了地理环境特征的识别准确率 和精细程度，还提升了处理速度，克服了现有技术中大规模地理特征识别时准确率、精细程 度与处理速度之间相矛盾的缺陷。 进一步地，本发明中提供了独特的样本更新、识别修正方法，可进一步提升复杂数 据情景下大规模地理特征识别时准确率和精细程度。 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合 所附附图，作详细说明如下。 附图说明 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附 图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对 范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这 些附图获得其他相关的附图。 图1是实施例中分布式架构的城市群地理环境知识库构建方法的整体流程图； 图2是步骤S2的详细流程图； 图3是实施例中分布式架构的城市群地理环境知识库系统的示意图 8 CN 111598036 A 说　明　书 5/9 页 下面结合