本发明涉及计算机技术领域，尤其涉及一种区域识别的方法、装置、设备和介质。
背景技术：
网络质量评估是无线网络优化工作的重要组成部分，是运营商开展网络运行维护、优化调整以及工程建设的重要手段和依据。在对某一个区域进行网络质量评估时，首先就需要确定某一个区域的具体位置，基于确定的区域位置，才可以准确对网络质量进行评估。
目前通常是根据测量报告(measurementreport，mr)中的数据信息对某一个区域的网络质量进行评估和优化。但是mr数据无法准确体现用户的地理位置，从而就会影响到接下来对某一个区域的网络质量进行评估的准确性。
因此，存在无法准确进行区域的识别的技术问题。
技术实现要素：
本发明实施例提供了一种区域识别的方法、装置、设备和介质，能够准确进行区域的识别。
本发明实施例的一方面，提供一种区域识别的方法，该方法包括：
获取包括已知区域信息的卫星图片；
对包括已知区域信息的卫星图片进行预处理，得到目标图片；
以包括已知区域信息的卫星图片作为训练集，以目标图片作为目标数据，训练区域识别模型，得到训练后的区域识别模型；
利用训练后的区域识别模型，确定需要进行区域识别的卫星图片中的目标区域。
本发明实施例的另一方面，提供一种区域识别的装置，该装置包括：
图片获取模块，用于获取包括已知区域信息的卫星图片；
图片处理模块，用于对包括已知区域信息的卫星图片进行预处理，得到目标图片；
模型创建模块，用于以包括已知区域信息的卫星图片作为训练集，以目标图片作为目标数据，训练区域识别模型，得到训练后的区域识别模型；
区域识别模块，用于利用训练后的区域识别模型，确定需要进行区域识别的卫星图片中的目标区域。
根据本发明实施例的另一方面，提供一种区域识别的设备，该设备包括：
处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如上述本发明实施例的任意一方面提供的区域识别的方法。
根据本发明实施例的另一方面，提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如上述本发明实施例的任意一方面提供的区域识别的方法。
本发明实施例提供的区域识别的方法、装置、设备和介质。基于已知区域信息的卫星图片以及经过预处理后得到的目标图片，训练区域识别模型，通过调整超参数可以使得区域识别模型越加精准，从而使得通过该区域识别模型得到的区域识别结果也更加精准。同时利用训练后的区域识别模型来对需要进行区域识别的卫星图片进行区域识别，提高了区域识别的效率以及准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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的附图。
图1示出本发明一实施例的区域识别的方法的示意图；
图2示出本发明一实施例的卫星图片示意图；
图3示出本发明一实施例的卷积神经网络的原理示意图；
图4示出本发明另一实施例的区域识别的方法的流程图；
图5示出本发明一实施例的村庄区域示意图；
图6a示出本发明一实施例的曼哈顿距离示意图；
图6b示出本发明一实施例的像素点之间的曼哈顿距离；
图7示出本发明一实施例的聚类处理的方法的流程图；
图8示出本发明一实施例的聚类结果示意图；
图9示出本发明一实施例的8连通检测轮廓跟踪算法的定义示意图；
图10示出本发明一实施例的连通邻居像素点的示意图；
图11示出本发明又一实施例的区域识别的方法的流程图；
图12示出本发明一实施例的区域识别的装置的结构示意图；
图13示出了能够实现根据本发明实施例的区域识别的方法和装置的计算设备的示例性硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，详细描述根据本发明实施例的区域识别的方法、装置、设备和介质。应注意，这些实施例并不是用来限制本发明公开的范围。
下面通过图1至图11详细介绍根据本发明实施例的区域识别的方法。
在本发明的一个实施例中，如图1所示，图1是示出本发明一实施例的区域识别的方法的示意图。下面以农村区域作为需要识别的区域即目标区域为例，详细介绍本发明实施例中的区域识别方法。
如图1所示，本发明实施例中的区域识别的方法100包括以下步骤：
s110，获取包括已知区域信息的卫星图片。
具体的，如图2所示，图2是示出本发明实施例中卫星图片示意图。首先获取预设数量的包括农村区域的卫星图片。
s120，对包括已知区域信息的卫星图片进行预处理，得到目标图片。
在本发明的一个实施例中，继续参见图2。将获取的卫星图片中的农村区域标注出来。例如，可以将获取的卫星图片中的农村区域的像素值设置为0，即将卫星图片中的农村区域设置为黑色，得到目标图片。其中，目标图片中包括黑色区域的农村区域以及非农村区域。
s130，以包括已知区域信息的卫星图片作为训练集，以目标图片作为目标数据，训练区域识别模型，得到训练后的区域识别模型。
在本发明的一个实施例中，将上述获取到的卫星图片作为区域识别模型的训练集。其中，训练集用于估计模型。将目标图片作为区域识别模型的目标数据，即将目标图片作为区域识别模型的标签。
首先，将训练集中包括已知区域信息的卫星图片按照预设规格进行划分。例如，可以将训练集中包括已知区域信息的卫星图片以及目标数据中的目标图片按照8×8预设规格进行划分，得到模型栅格图片。应当注意的是，区域识别模型的训练集以及区域识别模型的目标数据共同组成区域识别模型的数据集。
其次，将目标数据即区域识别模型的标签转换为离散标签，例如，标签[0,1]代表非农村区域，标签[1,0]代表农村区域。
最后，将模型栅格图片以及离散标签通过多层卷积神经网络模型进行模型训练，通过对超参数进行调整使得经过迭代后的模型收敛，进而得到训练后的区域识别模型。应当理解的是，超参数是指在开始模型训练前，为训练模型设置的参数，在模型训练的过程中，通过对超参数不断地调整，使得模型的训练结果越加接近目标数据，从而提高训练模型的性能。
如图3所示，图3是示出本发明实施例中卷积神经网络的原理示意图。
卷积神经网络主要是模拟人类对物体识别和认知。从图3中可以看出，对于不同的物体，在最底层的特征基本上是类似的。越往上，越能提取出此类物体的一些特征，例如：轮子、眼睛和躯干等。到最上层，不同的高级特征最终组合成相应的图像，从而能够让人类准确的区分不同的物体。
卷积神经网络就是首先通过较底层的网络识别初级的图像特征。其次，由若干底层特征组成更上一层特征。通过多个层级的组合，最终在顶层做出分类。卷积网络通过一系列方法，成功将数据量庞大的图像识别问题不断降维，最终使其能够被训练。
在本发明实施例中，基于卷积神经网络进行模型训练，得到训练后的区域识别模型，可以将区域识别技术问题转换为基于卷积神经网络的二分类问题。即将区域识别的结果分为目标区域和非目标区域。可以对卫星图片中的区域进行更加精准的识别。
s140，利用训练后的区域识别模型，确定需要进行区域识别的卫星图片中的目标区域。
在本发明的一个实施例中，首先，将需要进行区域识别的卫星图片按照训练后的区域识别模型中的预设规格划分，例如，将需要进行区域识别的卫星图片按照8×8预设规格进行划分，得到待识别栅格图片。
其次，待识别栅格图片经过训练后的区域识别模型的训练，得到训练结果。其中，基于训练后的区域识别模型的目标数据经过转换得到的离散标签，得到待识别栅格图片的训练结果为[0,1]或[1,0]。
当待识别栅格图片的训练结果为[1,0]时，将该待识别栅格图片标注为第一标识。例如，可以将该待识别栅格图片设置为黑色。当待识别栅格图片的训练结果为[0,1]时，将该待识别栅格图片标注为第二标识。例如，可以将该待识别栅格图片设置为白色。
最后，具有第一标识的待识别栅格图片以及具有第二标识的待识别栅格图片拼接在一起，作为结果图片。应当注意的是，为了防止噪声，还可以将得到的训练结果进行多次区域识别模型的训练。
接下来，可以将结果图片等比扩大为和原始卫星图片的大小一致。通过开源计算机视觉库(opensourcecomputervisionlibrary，opencv)获取扩大处理后的结果图片中具有第一标识的待识别栅格图片的轮廓，从而确定需要进行区域识别的卫星图片中的目标区域。其中，通过opencv可以实现图像处理。
通过上述实施例所述的区域识别方法，利用卷积神经网络训练区域识别模型，可以将区域识别技术问题转换为基于卷积神经网络的二分类问题。即将区域识别的结果分为目标区域和非目标区域。将需要进行区域识别的卫星图片经过训练后的区域识别模型的训练以及opencv的图像处理，可以对卫星图片中的需要进行识别的区域进行更加精准的识别。
为了便于理解，图4示出了本发明另一实施例的区域识别的方法的流程图。图4与图1相同的步骤使用相同的编号。
如图4所示，区域识别的方法400和图1所示的区域识别的方法100相同的步骤，在此不再赘述。本发明实施例中的区域识别的方法400还包括以下步骤：
s410，根据区域兴趣点(pointofinterest，poi)点对目标区域进行聚类处理，确定与区域poi点对应的目标区域。
具体的，基于在卫星图片上识别出的农村区域，还可以具体识别出特定村庄的区域。应当理解的是，在地理信息系统中，一个区域poi点可以是一栋房子、一个商铺、一个邮筒或一个公交站等。
在本发明的一个实施例中，以poi点作为村庄的中心点。如图5所示，图5是示出本发明实施例中的村庄区域示意图。将poi点标注为黑色，将在卫星图片中识别出的农村区域标注为灰色，将卫星图片中的非农村区域标注为白色。当需要具体识别出特定村庄所在的区域时，即需要标注出哪些灰色区域是属于当前poi点。
如图6a所示，图6a是示出本发明一实施例中曼哈顿距离示意图。图6a中的三条路线a、b和c，皆表示曼哈顿路径，其长度就是曼哈顿距离值。在平面上，例如坐标(xi,yi)与坐标(xj,yj)的曼哈顿距离可根据表达式(1)计算得到。
d(i,j)＝|xi-xj| |yi-yj|(1)
其中，d(i,j)表示坐标(xi,yi)与坐标(xj,yj)的曼哈顿距离。
如图6b所示，图6b是示出本发明一实施例的像素点之间的曼哈顿距离。例如，距离a点曼哈顿距离为1的点为b，距离a点曼哈顿距离为2的点为c。
作为一个具体的示例，如图7所示，图7是示出本发明实施例中聚类处理流程示意图。当根据poi点对目标区域即农村区域进行聚类处理时，可以首先设置曼哈顿距离的最大距离值dmax、设置曼哈顿距离dist的初始值为1，设置所有poi点pi对应的轮廓边界为edgei＝{(xi,yi)}，设置所有poi点pi(xi,yi)，i＝1，2，…，np对应的区域集合为areai＝{(xi,yi)}，其中，i为正整数。
其次，初始化边界改变数量num为0，i的初始值为1。确认当前pi对应的轮廓边界edgei＝{(xi,yi)}的集合中与当前pi的曼哈顿距离为dist的像素点。当得到的像素点(xn,yn)的像素值为0.5即像素点为灰色点，就将(xn,yn)加入edgei和areai中，并将(xn,yn)的灰度值设置为0，即将像素点(xn,yn)设置为黑色点。应当理解的是，n为正整数。
当edgei发生改变时，设置num＝num 1，并对edgei集合中的像素点进行筛选，如果一个像素点的四周已经被黑色点包围，则从轮廓边界edgei中剔除。
按照上述方法，依次遍历edgei集合中的每一个像素点，直到满足dist＝dmax。
如图8所示，图8是示出本发明一实施例中的聚类结果示意图。由图中可以看到，从poi点出发，以曼哈顿距离为1不断往外延伸，直到连通域，即没有被白色区域阻断的区域，全被分配完毕如图8d所示。然后增加曼哈顿距离，直到如图8e所示，跨过白色区域到达另一边的未分配区域，接着再重复曼哈顿距离为1并往外延伸，最终当曼哈顿距离达到预先设定的最大阈值dmax时，也没有找到新的未分配区域，那么完成整个聚类过程，得到的整个黑色区域即为与poi点对应的目标区域。
在本发明实施例中，对于不同的像素点之间的距离，采用曼哈顿距离则只需要计算加减法，大大提升了运行效率并且保证不会出现误差。通过聚类处理可以准确识别出属于特定村庄的区域。使得区域的识别更加精准。
s420，通过轮廓跟踪算法，获得与poi点对应的目标区域的区域轮廓。
具体的，轮廓跟踪算法可以采用8连通检测轮廓跟踪算法。在本发明实施例中，输入一个二值图像，即像素值或者灰度值只有0和1。其中，0表示黑色和1表示白色。
如图9所示，图9是示出本发明的一个实施例中8连通检测轮廓跟踪算法的定义示意图。
框架是指图片最外围的一层像素点，即图片的最上和最下的俩行、最左和最右的两列围成的矩形框。
背景s1是与框架在同一层级且像素值为0的像素点。
连通块s2和s5是一块由连通的白点像素构成的区域。
洞s3是除背景之外其余由连通的黑点构成的区域。
外轮廓b1、b3和b4，是指包裹一个连通块的最外围白点。
内轮廓b2，是包裹一个洞的最外围白点或一个连通块最内围的白点。
如图10所示，图10是示出本发明一实施例中连通邻居像素点示意图。对目标像素点a而言，4连通的情况下是指只有上下左右四个方向直接相连的b点才算邻居像素点。而8连通加入了左上、左下、右上和右下四个角落的b和c点才算邻居像素点。
在本发明的一个实施例中，记输入的图像为f＝{f(i,j)}，用nbd表示当前边界的序号，将nbd初始化为1，表示f的框架，其余的边界从2开始标注。按照从上到下(i增加)、从左到右(j增加)的顺序遍历图片中的每一个像素点，且每次扫描一个新行的时候，将变量lnbd重置为1，当f(i,j)≠0的时候执行以下步骤：
step1，如果f(i,j)＝1且f(i,j-1)＝0，此时认为像素(i,j)是外轮廓的一个起点，令nbd＝nbd 1以及(i2,j2)＝(i,j-1)。若f(i,j)≥1且f(i,j 1)＝0，此时认为像素(i,j)是内轮廓的一个起点，令nbd＝nbd 1以及(i2,j2)＝(i,j 1)，若f(i,j)>1再令lnbd＝f(i,j)。否则，跳转至step4。
step2，根据新发现的轮廓的类型和顺序序号为lnbd的轮廓，即在当前行中上一个相遇的轮廓，然后确定当前轮廓的父节点。其中，新发现的轮廓b的父轮廓的决策规则如表1所示。
表1
step3，从起始点(i,j)开始跟踪检测到的边界。
在本发明的一个实施例中，step3具体还包括以下四个步骤：
第一步骤，从(i2,j2)开始，以顺时针方向检查(i,j)的邻居像素点，并找到一个非0的像素点，记第一个非0像素点为(i1,j1)。如果没有找到，将-nbd分配给f(i,j)，跳转至step4。
第二步骤，令(i2,j2)＝(i1,j1)，(i3,j3)＝(i,j)。
第三步骤，从(i2,j2)按逆时针方向的下一个像素点开始，以逆时针方向检测当前像素点(i3,j3)的邻居像素点，找到第一个非0像素记为(i4,j4)。
第四步骤，若(i3,j3 1)是一个0像素点，那么令f(i3,j3)＝-nbd。若f(i3,j3)＝1且(i3,j3 1)是一个非0像素点，那么令f(i3,j3)＝nbd。否则，f(i3,j3)不发生改变。
第五步骤，如果(i4,j4)＝(i,j)且(i3,j3)＝(i1,j1)，即回到了起始点，则跳转至step4。否则，令(i2,j2)＝(i3,j3)，(i3,j3)＝(i4,j4)，返回至第三步骤。
step4，如果f(i,j)≠1，则令lnbd＝|f(i,j)|。并从像素点(i,j 1)继续恢复遍历，当遍历到图像的右下角时，8连通检测轮廓跟踪算法终止。
在本发明实施例中，通过8连通检测轮廓跟踪算法，按照设定顺序找出边缘点来跟踪边界，可以准确识别出区域的边界点，进而得到区域的轮廓。
在本发明的另一个实施例中，当需要具体识别出目标村庄的区域轮廓时，由于一幅卫星图片可能无法覆盖一个村庄区域，所以需要对具有目标区域的图片进行拼接和筛选。
首先，找出目标村庄点所在的轮廓图片，以该轮廓图片为中心，找出周围的8幅图片进行拼接，得到拼接图片。
其次，由于该拼接图片可能会存在多个轮廓，所以首先找出离目标村庄最近的轮廓，若该轮廓区域内只有一个村庄点，则该轮廓即为目标村庄的区域轮廓。若该轮廓区域内有多个村庄点，即可能有连接的村庄，则对轮廓进行距离判断。与轮廓区域距离最近的村庄点，即为该轮廓区域所属村庄区域。
s430，在与区域poi点对应的目标区域的区域轮廓内，进行与区域poi点对应的目标区域的网络质量评估。
在本发明的一个实施例中，利用全球移动通信系统(globalsystemformobilecommunication，gsm)网络的测量报告(measurementreport，mr)数据中在所述区域轮廓内的ott采样点，进行网络质量评估。其中，长期演进技术(longtermevolution，lte)网络的mr测量周期是演进型nodeb(evolvednodeb，enodeb)或用户设备(userequipment，ue)按照要求实现，其测量周期可以是120毫秒(ms)、240ms、640ms、1024ms、2048ms、5120ms或10240ms，测量得到的数据可用于网络评估和优化。
在本发明的一个实施例中，可以对网络覆盖进行评估。具体的，可以按照各轮廓区域的平均场强或者按照弱覆盖采样点比例统计弱覆盖区域，进而对网络覆盖进行评估。其中，可以将各轮廓区域的平均场强门限值设定为-105分贝(db)，弱覆盖采样点比例可以设定为大于10％，可以将小于平均场强门限值的区域称为弱覆盖区域。
在本发明的一个实施例中，可以通过各轮廓区域的平均上行信噪比(signaltointerferenceplusnoiseratioul，sinrul)和参考信号接收质量(referencesignalreceivingquality，rsrq)，评估各区域的通信质量情况。在本发明的另一个实施例中，也可以按轮廓区域的平均sinrul和平均rsrq来统计质差区域或者按照弱质量采样点比例来统计质差区域。
在本发明的一个实施例中，还可以通过统计uu接口和x2接口的xdr格式文件的切换数据，统计各区域的切换成功率。其中，切换成功率(％)＝(换成功次数×100)/切换请求次数。统计切换失败率超过指定门限的区域，发现切换失败的问题轮廓区域。
在本发明的一个实施例中，掉线事件是指uu接口发生无线资源控制(radioresourcecontrol，rrc)连接释放异常。
通过统计掉线率超过指定门限的轮廓区域，发现掉线问题区域。
在本发明的一个实施例中，采样点重叠覆盖度是指与主小区场强差绝对值在6db以内的小区(含主小区)个数。统计范围包括异频邻区和不包含异频邻区。
区域平均重叠覆盖度是指将区域内采样点的重叠覆盖度计算均值，代表此区域的平均重叠覆盖度。
通过平均重叠覆盖度和高重叠覆盖比例评估一个区域的重叠覆盖情况，通过统计高重叠覆盖度比例超过指定门限，发现重叠覆盖问题区域。
如图11所示，图11是示出本发明又一个实施例的区域识别的方法的流程图。区域识别的方法1100包括：
s1110，农村居民区卫星图片样本数据处理。
s1120，农村居民区模型建模。
s1130，总体农村居民区标注。
s1140，农村poi信息点对应的居民区聚类。
s1150，农村poi信息点对应的居民区轮廓获取。
s1160，农村居民区无线网络质量评估。
下面通过图12详细介绍根据本发明实施例的区域识别的装置，区域识别的装置与区域识别的方法相对应。
图12示出了本发明一实施例的区域识别的装置的结构示意图。
如图12所示，区域识别的装置1200包括：
图片获取模块1210，用于获取包括已知区域信息的卫星图片。
图片处理模块1220，用于对包括已知区域信息的卫星图片进行预处理，得到目标图片。
模型创建模块1230，用于以包括已知区域信息的卫星图片作为训练集，以目标图片作为目标数据，训练区域识别模型。
区域识别模块1240，用于利用训练后的区域识别模型，确定需要进行区域识别的卫星图片中的目标区域。
通过本发明实施例中的区域识别装置，基于图片获取模块1210、图片处理模块1220以及模型创建模块1230，训练区域识别模型，可以基于已知区域信息的卫星图片以及经过预处理后得到的目标图片，训练区域识别模型，通过调整超参数可以使得区域识别模型越加精准，从而使得通过该区域识别模型得到的区域识别结果也更加精准。通过区域识别模块1240，利用训练后的区域识别模型来对需要进行区域识别的卫星图片进行区域识别，提高了区域识别的效率以及准确性。
在本发明的一个实施例中，图片处理模块1220具体用于对包括已知区域信息的卫星图片中目标区域进行标注，将包括标注后的目标区域的卫星图片作为目标图片。
在本发明的一个实施例中，模型创建模块1230具体用于基于预设规格划分训练集中包括已知区域信息的卫星图片以及目标数据中的目标图片，得到模型栅格图片，以及利用卷积神经网络和模型栅格图片，训练区域识别模型。
在本发明的一个实施例中，区域识别模块1240具体用于将需要进行区域识别的卫星图片按照预设规格进行划分，得到待识别栅格图片。
基于训练后的区域识别模型对待识别栅格图片进行模型训练，得到训练结果。
将训练结果为目标区域的待识别栅格图片标注为第一标识，将训练结果为非目标区域的待识别栅格图片标注为第二标识。
将具有第一标识的待识别栅格图片以及具有第二标识的待识别栅格图片拼接，得到结果图片，并获取扩大处理后的结果图片中具有第一标识的待识别栅格图片的轮廓，确定需要进行区域识别的卫星图片中的目标区域。
在本发明的另一个实施例中，区域识别的装置1200还包括：
聚类处理模块1250，用于根据区域兴趣点poi点对目标区域进行聚类处理，确定与区域poi点对应的目标区域。
轮廓跟踪模块1260，用于利用轮廓跟踪算法，获得与区域poi点对应的目标区域的区域轮廓。
质量评估模块1270，用于在与区域poi点对应的目标区域的区域轮廓内，进行与区域poi点对应的目标区域的网络质量评估。
在本发明的一个实施例中，聚类处理模块1250具体用于设置曼哈顿距离的初始值以及设置曼哈顿距离的最大值。
依据预设增量增加曼哈顿距离的初始值，得到当前曼哈顿距离值。
以区域poi点为起点，确定目标区域内与区域poi点的距离为当前曼哈顿距离值的区域边界点。
当当前曼哈顿距离值为曼哈顿距离的最大值时，将得到的区域边界点所构成的区域作为与区域poi点对应的目标区域。
在本发明的一个实施例中，轮廓跟踪模块1260具体用于采用8连通检测轮廓跟踪算法进行轮廓跟踪。
在本发明的一个实施例中，质量评估模块1270具体用于利用测量报告mr数据中在区域轮廓内的ott采样点，进行质量评估，质量评估至少包括以下一种：网络覆盖评估、网络质量评估、切换评估、掉线评估和重复覆盖评估。
图13示出了能够实现根据本发明实施例的区域识别的方法和装置的计算设备的示例性硬件架构的结构图。
如图13所示，计算设备1300包括输入设备1301、输入接口1302、中央处理器1303、存储器1304、输出接口1305、以及输出设备1306。其中，输入接口1302、中央处理器1303、存储器1304、以及输出接口1305通过总线1310相互连接，输入设备1301和输出设备1306分别通过输入接口1302和输出接口1305与总线1310连接，进而与计算设备1300的其他组件连接。
具体地，输入设备1301接收来自外部的输入信息，并通过输入接口1302将输入信息传送到中央处理器1303；中央处理器1303基于存储器1304中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器1304中，然后通过输出接口1305将输出信息传送到输出设备1306；输出设备1306将输出信息输出到计算设备1300的外部供用户使用。
也就是说，图13所示的计算设备也可以被实现区域识别的设备，该区域识别的设备可以包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1至图12描述的区域识别的方法和装置。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的区域识别。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
本发明可以以其他的具体形式实现，而不脱离其精神和本质特征。例如，特定实施例中所描述的算法可以被修改，而设备体系结构并不脱离本发明的基本精神。因此，当前的实施例在所有方面都被看作是示例性的而非限定性的，本发明的范围由所附权利要求而非上述描述定义，并且，落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明的范围之中。
1.一种区域识别的方法，其特征在于，包括：
获取包括已知区域信息的卫星图片；
对所述包括已知区域信息的卫星图片进行预处理，得到目标图片；
以所述包括已知区域信息的卫星图片作为训练集，以所述目标图片作为目标数据，训练区域识别模型，得到训练后的区域识别模型；
利用所述训练后的区域识别模型，确定需要进行区域识别的卫星图片中的目标区域。
2.根据权利要求1所述区域识别的方法，其特征在于，还包括：
根据区域兴趣点poi点对所述目标区域进行聚类处理，确定与所述区域poi点对应的目标区域；
利用轮廓跟踪算法，获得与所述区域poi点对应的目标区域的区域轮廓；
在与所述区域poi点对应的目标区域的区域轮廓内，进行与所述区域poi点对应的目标区域的网络质量评估。
3.根据权利要求1所述区域识别的方法，其特征在于，所述对所述包括已知区域信息的卫星图片进行预处理，得到目标图片，包括：
对所述包括已知区域信息的卫星图片中所述目标区域进行标注；
将包括标注后的目标区域的卫星图片作为目标图片。
4.根据权利要求1所述区域识别的方法，其特征在于，所述以所述包括已知区域信息的卫星图片作为训练集，以所述目标图片作为目标数据，训练区域识别模型，得到训练后的区域识别模型，包括：
基于预设规格划分所述训练集中包括已知区域信息的卫星图片以及目标数据中的目标图片，得到模型栅格图片；
利用卷积神经网络和所述模型栅格图片，训练区域识别模型，得到训练后的区域识别模型。
5.根据权利要求4所述区域识别的方法，其特征在于，所述利用所述训练后的区域识别模型，确定需要进行区域识别的卫星图片中的目标区域，包括：
将所述需要进行区域识别的卫星图片按照所述预设规格进行划分，得到待识别栅格图片；
基于所述训练后的区域识别模型对所述待识别栅格图片进行模型训练，得到训练结果；
将所述训练结果为目标区域的待识别栅格图片标注为第一标识，将所述训练结果为非目标区域的待识别栅格图片标注为第二标识；
将具有第一标识的待识别栅格图片以及具有第二标识的待识别栅格图片拼接，得到结果图片，并获取扩大处理后的所述结果图片中具有第一标识的待识别栅格图片的轮廓，确定所述需要进行区域识别的卫星图片中的目标区域。
6.根据权利要求2所述区域识别的方法，其特征在于，所述根据区域兴趣点poi点对所述目标区域进行聚类处理，确定与所述区域poi点对应的目标区域，包括：
设置曼哈顿距离的初始值以及设置所述曼哈顿距离的最大值；
依据预设增量增加所述曼哈顿距离的初始值，得到当前曼哈顿距离值；
以所述区域poi点为起点，确定所述目标区域内与所述区域poi点的距离为当前曼哈顿距离值的区域边界点；
当所述当前曼哈顿距离值为所述曼哈顿距离的最大值时，将得到的所述区域边界点所构成的区域作为与所述区域poi点对应的目标区域。
7.根据权利要求2所述区域识别的方法，其特征在于，所述轮廓跟踪算法包括：8连通检测轮廓跟踪算法。
8.根据权利要求2所述区域识别的方法，其特征在于，所述基于与所述区域poi点对应的目标区域的区域轮廓，进行质量评估，包括：
利用测量报告mr数据中在所述区域轮廓内的ott采样点，进行质量评估，所述质量评估至少包括以下一种：网络覆盖评估、网络质量评估、切换评估、掉线评估和重复覆盖评估。
9.一种区域识别的装置，其特征在于，包括：
图片获取模块，用于获取包括已知区域信息的卫星图片；
图片处理模块，用于对所述包括已知区域信息的卫星图片进行预处理，得到目标图片；
模型创建模块，用于以所述包括已知区域信息的卫星图片作为训练集，以所述目标图片作为目标数据，训练区域识别模型，得到训练后的区域识别模型；
区域识别模块，用于利用所述训练后的区域识别模型，确定需要进行区域识别的卫星图片中的目标区域。
10.一种区域识别的设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述区域识别的方法。
11.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述区域识别的方法。
技术总结