CN112149594A - 基于深度学习和高分辨率卫星影像的城市建设评估方法 - Google Patents
基于深度学习和高分辨率卫星影像的城市建设评估方法 Download PDFInfo
- Publication number
- CN112149594A CN112149594A CN202011047252.1A CN202011047252A CN112149594A CN 112149594 A CN112149594 A CN 112149594A CN 202011047252 A CN202011047252 A CN 202011047252A CN 112149594 A CN112149594 A CN 112149594A
- Authority
- CN
- China
- Prior art keywords
- building
- result
- year
- extraction model
- comparative
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习和高分辨率卫星影像的城市建设评估方法,用于根据基准年卫星影像切片图以及至少一个对比年卫星影像切片图对建筑进行轮廓提取从而进行分析,包括如下步骤:将基准年卫星影像切片图以及对比年卫星影像切片图分别通过建筑轮廓提取模型以及建筑层高提取模型处理得到基准年以及比较年建筑层高结果、修正基准年以及修正比较年建筑轮廓结果,由此相应汇总得到建筑面积变化汇总分析以及基准年建筑面积存量结果以及比较年建筑面积存量结果,因此由矢量化来简化矢量形状并修正建筑矢量边界能够使得后续计算层高总和更加准确且更贴合实际,仅统计变化的建筑面积使评估建筑轮廓面积和建筑面积总变化情况更详细。
Description
技术领域
本发明涉及一种基于深度学习和高分辨率卫星影像的城市建设评估方法。
背景技术
伴随着我国城市发展进入“存量优化”时代,相较于传统的实地测绘方法存在只适用于每隔多个年份开展普查的效率低下问题,为实现对城市建设情况的大范围、快速、精确的跟踪监测,卫星遥感技术和深度学习技术提供了新的思路。
目前,基于高分辨率卫星影像的城市建设评估需要实现两个关键技术,一是从卫星影像中自动提取建筑物轮廓,二是根据卫星影像预测建筑物高度。将这两部分信息结合,就能统计每个城市单元的建筑物及建筑面积情况从而对不同年份间城市建设变化情况开展评估。
目前,针对这个情况的相关技术主要包含两种方法。
相似技术一是《基于深度学习的高分辨率影像建筑物提取方法及系统》(申请专利号CN201910886542.6),采用SpaceNet公开的建筑物数据集的RGB三通道遥感影像制作,用来训练特定类型的深度神经网络模型,实现建筑物轮廓提取,由于该方法使用单一开放数据集SpaceNet,其分析主要内容将根据WorldView卫星拍摄的得到的建筑数据集,由于不同时间、不同卫星的拍摄结果在色差、倾角、图像质量等方面都会存在一些不同,这样通过该单一数据集训练得到的模型是无法适用于较复杂的城市建设评估场景。
相似技术二是《一种基于深度学习的遥感图像建筑物变化检测方法》(申请专利号CN201910035907.4),将不同时间的遥感图像进行配准并且仅由人工对建筑物更新的部分进行标注得到的数据集来训练深度神经网络模型从而将该模型进行建筑发生变化的区域识别,由于这类方法为检测发生变化建筑的位置,并不是精确评估建筑轮廓、建筑面积变化情况,因此这类方法也不能实现城市建设评估,最后是由于不同时间不同卫星在不同城市的拍摄结果会有色差、倾角、图像质量、图像位移的差别,该模型无法快速推广运用到新的城市和新的年份。
发明内容
为解决上述问题,提供一种基于深度学习和高分辨率卫星影像的城市建设评估方法,本发明采用了如下技术方案:
本发明提供了一种基于深度学习和高分辨率卫星影像的城市建设评估方法,用于根据输入的基准年卫星影像切片图以及至少一个对比年卫星影像切片图对建筑进行轮廓提取从而进行分析,其特征在于,包括如下步骤:步骤S1-1,将基准年卫星影像切片图以及对比年卫星影像切片图通过训练好的建筑轮廓提取模型得到基准年建筑轮廓结果以及比较年建筑轮廓结果;步骤S1-2,将基准年卫星影像切片图以及对比年卫星影像切片图通过训练好的建筑层高提取模型得到基准年建筑层高结果以及比较年建筑层高结果;步骤S1-3,将基准年建筑轮廓结果以及比较年建筑轮廓结果进行矢量化并通过修正建筑矢量边界得到修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果;步骤S1-4,分别将修正基准年建筑轮廓结果与基准年建筑层高结果、修正比较年建筑轮廓结果以及比较年建筑层高结果进行汇总分析得到基准年建筑面积存量结果以及比较年建筑面积存量结果;步骤S1-5,将修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果通过计算交互比进行分析得到建筑发生变化情况结果;步骤S1-6,按统计单元分别将建筑发生变化情况结果、基准年建筑层高结果以及比较年建筑层高结果进行汇总分析从而得到建筑面积变化汇总分析;步骤S1-7,通过统计建筑矢量边界内的层高总和并乘以单位像元面积从而得到建筑面积存量统计结果;步骤S1-8,输出建筑面积变化汇总分析以及基准年建筑面积存量结果以及比较年建筑面积存量结果。
本发明提供的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,还可以具有这样的技术特征,其中,建筑轮廓提取模型以及建筑层高提取模型通过以下步骤训练得到:
步骤S2-1,根据卫星影像图集以及建筑数据集按照地理位置进行叠加并筛查出建筑数据与卫星影像具有对应的作为已叠加图像储存入图像叠加集中;步骤S2-2,将图像叠加集输入预先构建的提取模型通过根据损失函数的变化情况来调整优化器的方式进行训练;步骤S2-3,提取模型将已叠加图像通过切割并数据增强处理得到已调整图像栅格;步骤S2-4,监控提取模型对已调整图像栅格的训练表现,在稳定状态下训练表现最好时存储提取模型;步骤S2-5,将提取模型作为建筑轮廓提取模型;步骤S2-6,将所述提取模型中的输出层中的激活函数从Sigmoid函数改为Relu函数并保留输入层、特征提取层、裁剪层以及特征融合层得到训练用建筑层高提取模型;步骤S2-7,将所述图像叠加集输入所述训练用建筑层高提取模型中并监测所述层高提取模型对所述已调整图像栅格的训练表现,将在稳定状态下训练表现最好的训练用建筑层高提取模型作为所述建筑层高提取模型。
本发明提供的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,还可以具有这样的技术特征,其中,在步骤S2-3中,通过一个中间包含剪切层的分割深度卷积神经网络架构先将已叠加图像中的卫星影像图切割为1600*1600像素*3通道的切片并从中随机选择一个范围在600-800像素*3通道之间的方形区域缩放到640*640像素*3通道,并提取对应中央区域的512*512像素*1通道的建筑轮廓栅格与已叠加图像中的建筑数据图通过数据增强处理的方式得到已调整图像栅格,数据增强处理包括通过对卫星图切片进行随机旋转、随机添加噪声和模糊、随机修改亮度和饱和度、归一化等处理技术。
本发明提供的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,还可以具有这样的技术特征,其中,在步骤S2-1中,卫星影像图集中包含通过Google Earth或天地图的开放API获取多年份的高分辨率卫星影像,高分辨率卫星影像包含RGB三通道,建筑数据集为包含建筑轮廓信息以及建筑层高信息,建筑数据集的获取渠道为提供实地测绘的建筑数据地方规划局以及互联网开放地图软件。
发明作用与效果
根据本发明的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,首先将基准年卫星影像切片图以及对比年卫星影像切片图通过训练好的建筑轮廓提取模型得到基准年建筑轮廓结果以及比较年建筑轮廓结果,并通过训练好的建筑层高提取模型得到基准年建筑层高结果以及比较年建筑层高结果,再将基准年建筑轮廓结果以及比较年建筑轮廓结果进行矢量化并通过修正建筑矢量边界得到修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果,并分别将修正基准年建筑轮廓结果与基准年建筑层高结果、修正比较年建筑轮廓结果以及比较年建筑层高结果分别进行汇总分析得到基准年建筑面积存量结果以及比较年建筑面积存量结果,然后将修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果通过计算交互比进行分析得到建筑发生变化情况结果并按统计单元分别将建筑发生变化情况结果、基准年建筑层高结果以及比较年建筑层高结果进行汇总分析从而得到建筑面积变化汇总分析,最后将建筑未发生变化情况结果、通过统计建筑矢量边界内的层高总和并乘以单位像元面积从而得到的建筑面积变化汇总分析以及基准年建筑面积存量结果以及比较年建筑面积存量结果。因此根据本发明通过矢量化来简化矢量形状以及修正建筑矢量边界的方式能够使得后续计算建筑矢量边界内的层高总和更加准确从而使得基准年以及对比年的建筑面积存量统计结果更加贴合实际,并且仅统计发生变化的建筑面积能够在评估建筑轮廓面积和建筑面积的总变化情况时更加准确地判断出其中变化情况。
附图说明
图1是本发明实施例中的一种基于深度学习和高分辨率卫星影像的城市建设评估方法的流程图;以及
图2是本发明实施例中一种基于深度学习和高分辨率卫星影像的城市建设评估方法中建筑轮廓提取模型以及建筑层高提取模型的训练过程的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明的一种基于深度学习和高分辨率卫星影像的城市建设评估方法作具体阐述。
<实施例>
图1是本发明实施例中的一种基于深度学习和高分辨率卫星影像的城市建设评估方法的流程图。
如图1所示,一种基于深度学习和高分辨率卫星影像的城市建设评估方法,用于根据输入的基准年卫星影像切片图以及至少一个对比年卫星影像切片图对建筑进行轮廓提取从而进行分析,其特征在于建筑轮廓提取模型以及建筑层高提取模型均包含数据集制作模块、模型训练模块以及城市建设变化分析模块,城市建设变化分析模块所对应的分析流程具体包括步骤S1-1至步骤S1-8。
步骤S1-1,将基准年卫星影像切片图以及对比年卫星影像切片图通过训练好的建筑轮廓提取模型得到基准年建筑轮廓结果以及比较年建筑轮廓结果,然后进入步骤S1-2。
图2是本发明实施例中一种基于深度学习和高分辨率卫星影像的城市建设评估方法中建筑轮廓提取模型以及建筑层高提取模型的训练过程的流程图。
如图2所示为,在本实施例中,建筑轮廓提取模型以及建筑层高提取模型由模型训练模块进行训练,具体的训练过程包含步骤S2-1至步骤S2-6。
建筑轮廓提取模型以及建筑层高提取模型的训练过程中的图像叠加集制作过程由数据集制作模块进行制作,具体的制作过程包含步骤S2-1以及步骤S2-2。
步骤S2-1,根据卫星影像图集以及建筑数据集按照地理位置进行叠加并筛查出建筑数据与卫星影像具有对应的作为已叠加图像储存入图像叠加集中,然后进入步骤S2-2。
在本实施例中,卫星影像图集中包含通过Google Earth或天地图的开放API获取多年份的高分辨率卫星影像,高分辨率卫星影像包含RGB三通道,分辨率一般为0.3-0.6m/像素,建筑数据集为包含建筑轮廓信息以及建筑层高信息,卫星影像图集以及建筑数据集的获取渠道为提供实地测绘的建筑数据地方规划局以及互联网开放地图软件,其中的互联网开放地图软件包括有百度地图、高德地图等,由于公共部门很少也很难及时提供大范围的建筑数据,本实施例中提及的建筑数据集只需要少量的。建筑数据集的数量视所要应用地区的卫星图质量而定,建筑数据集的数量占比只需要卫星图像数据集数量的10%~50%。对建筑数据集的筛查方式为通过辅助软件帮助人工对每一切片中的建筑与卫星图对应一致进行逐一核查。当出现少量建筑错漏或偏移的情况通过辅助软件辅助人工通过鼠标以及键盘进行快速修正;当出现大量错漏或偏移的情况,则跳过该切片。
步骤S2-2,将图像叠加集输入预先构建的提取模型通过根据损失函数的变化情况来调整优化器的方式进行训练,然后进入步骤S2-3。
在本实施例中,本实施例采用二分类交叉熵(Binary crossentropy)作为损失函数(Losses function)。首先采用随机梯度(SGD)下降优化器和较小的学习率对提取模型进行训练,当损失函数下降稳定后,改为由Adam优化器对提取模型进行训练。
步骤S2-3,提取模型将已叠加图像通过切割处理并数据增强处理得到已调整图像栅格,然后进入步骤S2-4。
在本实施例中,对已叠加图像的切割处理通过一个中间包含剪切层的分割深度卷积神经网络架构基于Tensorflow框架或Pytorch框架,分割深度卷积神经网络架构可以为预训练过的PSPnet、Refinenet、Deep lab V3+架构,切割过程为先将已叠加图像中的卫星影像图切割为1600*1600像素*3通道的切片并从中随机选择一个范围在600-800像素之间的方形区域缩放到640*640像素,并提取对应中央区域的512*512像素*1通道的建筑轮廓栅格与已叠加图像中的建筑数据图通过数据增强处理的方式得到已调整图像栅格。其中提取模型中输出层的激活函数为判断输出每个像素为建筑的概率的Sigmoid函数,概率范围为0-100%。数据增强处理包括通过对卫星图切片进行随机旋转、随机添加噪声和模糊、随机修改亮度和饱和度、归一化等处理技术。
步骤S2-4,监测提取模型对已调整图像栅格的训练表现,在稳定状态下的训练表现最好时存储提取模型,然后进入步骤S2-5。
步骤S2-5,将提取模型作为建筑轮廓提取模型,然后进入步骤S2-6。
步骤S2-6,将所述提取模型中的输出层中的激活函数从Sigmoid函数改为Relu函数并保留输入层、特征提取层、裁剪层以及特征融合层得到训练用建筑层高提取模型,然后进入步骤S2-7。
步骤S2-7,将所述图像叠加集输入所述训练用建筑层高提取模型中并监测所述层高提取模型对所述已调整图像栅格的训练表现,将在稳定状态下训练表现最好的训练用建筑层高提取模型作为所述建筑层高提取模型,然后进入结束状态。
在本实施例中,在步骤S2-6以及步骤S2-7中,当采用的建筑数据中不存在建筑层高数据,则需要将包含层高数据的建筑数据作为建筑数据集,并仅对此建筑数据集进行训练从而得到建筑层高提取模型。
步骤S1-2,将基准年卫星影像切片图以及对比年卫星影像切片图通过训练好的建筑层高提取模型得到基准年建筑层高结果以及比较年建筑层高结果,然后进入步骤S1-3。
步骤S1-3,将基准年建筑轮廓结果以及比较年建筑轮廓结果进行矢量化并通过修正建筑矢量边界得到修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果,然后进入步骤S1-4。
在本实施例中,对基准年建筑轮廓结果以及比较年建筑轮廓结果的建筑矢量边界修正方法为通过ArcGIS平台“简化面”、“简化建筑物”等算法计算得到的。基准年建筑轮廓结果以及比较年建筑轮廓结果包含每个像素值仅为0或1的二值图像。
步骤S1-4,分别将修正基准年建筑轮廓结果与基准年建筑层高结果、修正比较年建筑轮廓结果以及比较年建筑层高结果进行汇总分析得到基准年建筑面积存量结果以及比较年建筑面积存量结果,然后进入步骤S1-5。
步骤S1-5,将修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果通过计算交互比进行分析得到建筑发生变化情况结果,然后进入步骤S1-6。
在本实施例中,通过将修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果通过将计算得到的交互比与预先设定的阈值进行对比分析得到的不仅只有建筑发生变化情况结果还有建筑未发生变化情况结果。
步骤S1-6,按统计单元分别将建筑发生变化情况结果、基准年建筑层高结果以及比较年建筑层高结果进行汇总分析从而得到建筑面积变化汇总分析,然后进入步骤S1-7。
在本实施例中,按统计单元(如网格、街道乡镇单元、行政区等)分别汇总的建筑发生变化情况结果、基准年建筑层高结果通过将面积进行相减处理后得到建筑面积变化汇总分析。
步骤S1-7,通过统计建筑矢量边界内的层高总和并乘以单位像元面积从而得到建筑面积存量统计结果,然后进入步骤S1-8。
步骤S1-8,输出建筑未发生变化情况结果、建筑面积变化汇总分析以及建筑面积存量,结束流程。
在本实施例中,输出的不仅只有建筑未发生变化情况结果、建筑面积变化汇总分析以及建筑面积存量,还包括建筑未发生变化情况结果。此外,输可以根据将建筑未发生变化情况结果、建筑面积变化汇总分析以及建筑面积存量与各类规划政策区进行叠加分析,即可评价规划实施情况。
实施例作用与效果
根据本发明的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,首先将基准年卫星影像切片图以及对比年卫星影像切片图通过训练好的建筑轮廓提取模型得到基准年建筑轮廓结果以及比较年建筑轮廓结果,并通过训练好的建筑层高提取模型得到基准年建筑层高结果以及比较年建筑层高结果,再将基准年建筑轮廓结果以及比较年建筑轮廓结果进行矢量化并通过修正建筑矢量边界得到修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果,并分别将修正基准年建筑轮廓结果与基准年建筑层高结果、修正比较年建筑轮廓结果以及比较年建筑层高结果分别进行汇总分析得到基准年建筑面积存量结果以及比较年建筑面积存量结果,然后将修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果通过计算交互比进行分析得到建筑发生变化情况结果并按统计单元分别将建筑发生变化情况结果、基准年建筑层高结果以及比较年建筑层高结果进行汇总分析从而得到建筑面积变化汇总分析,最后将建筑未发生变化情况结果、通过统计建筑矢量边界内的层高总和并乘以单位像元面积从而得到的建筑面积变化汇总分析以及基准年建筑面积存量结果以及比较年建筑面积存量结果。因此根据本发明通过矢量化来简化矢量形状以及修正建筑矢量边界的方式能够使得后续计算建筑矢量边界内的层高总和更加准确从而使得基准年以及对比年的建筑面积存量统计结果更加贴合实际,并且仅统计发生变化的建筑面积能够在评估建筑轮廓面积和建筑面积的总变化情况时更加准确地判断出其中变化情况。
根据本实施例提供的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,在构建图像叠加集的过程中,由于建筑数据集的数量占比最少只需要叠加集覆盖研究范围的约10%以上,因此不会出现所需要识别的城市由于建筑数据集较少的原因而无法计算的情况,并能通过将获取得到的卫星影像图集以及建筑数据集进行快速分析叠加得到图像叠加集,然后根据损失函数的变化情况来调整优化器的方式,并且在提取模型的基础上构建建筑轮廓提取模型以及建筑层高提取模型,因此,避免了对两个模型进行训练的复杂过程从而能够快速、灵活地制作出大量建筑轮廓和建筑层高的数据集并且在减少了训练时间的同时能够提高对城市建设进行评估的过程中提高模型对不同时间、不同地区的卫星影像的适应性。
根据本实施例提供的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,不同于传统对已叠加图像的处理方式本实施例中通过将对已叠加图像中的卫星影像图切割为更大的尺寸并进行尺寸调节,这样的方法避免了部分高层建筑的阴影由于偏移建筑主体较远而导致对层高的判定有所偏差,这样通过根据建筑周边情况能够更精确的预测建筑层高从而大幅提高模型对不同尺寸的建筑物的识别能力,而其中才用数据增强技术能够避免由于不同年份拍摄的卫星影像可能存色差、倾角、图像质量、图像位移等误差导致的针对不同年份的预测结果存在误差,从而减少在建筑物本身没有发生变化的情况下由于提取网络的细微误差导致检测结果与实际不相符的情况。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
Claims (4)
1.一种基于深度学习和高分辨率卫星影像的城市建设评估方法,用于根据输入的基准年卫星影像切片图以及至少一个对比年卫星影像切片图对建筑进行轮廓提取从而进行分析,其特征在于,包括如下步骤:
步骤S1-1,将所述基准年卫星影像切片图以及所述对比年卫星影像切片图通过训练好的建筑轮廓提取模型得到基准年建筑轮廓结果以及比较年建筑轮廓结果;
步骤S1-2,将所述基准年卫星影像切片图以及所述对比年卫星影像切片图通过训练好的建筑层高提取模型得到基准年建筑层高结果以及比较年建筑层高结果;
步骤S1-3,将所述基准年建筑轮廓结果以及所述比较年建筑轮廓结果进行矢量化并通过修正建筑矢量边界得到修正基准年建筑轮廓结果以及修正比较年建筑轮廓结果;
步骤S1-4,分别将所述修正基准年建筑轮廓结果与所述基准年建筑层高结果、所述修正比较年建筑轮廓结果以及所述比较年建筑层高结果进行汇总分析得到基准年建筑面积存量结果以及比较年建筑面积存量结果;
步骤S1-5,将所述修正基准年建筑轮廓结果以及所述修正比较年建筑轮廓结果通过计算交互比进行分析得到建筑发生变化情况结果;
步骤S1-6,按统计单元分别将所述建筑发生变化情况结果、所述基准年建筑层高结果以及所述比较年建筑层高结果进行汇总分析从而得到建筑面积变化汇总分析;
步骤S1-7,通过统计建筑矢量边界内的层高总和并乘以单位像元面积从而得到建筑面积存量统计结果;
步骤S1-8,输出所述建筑面积变化汇总分析以及所述基准年建筑面积存量结果以及所述比较年建筑面积存量结果。
2.根据权利要求1所述的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,其特征在于:
其中,所述建筑轮廓提取模型以及所述建筑层高提取模型通过以下步骤训练得到:
步骤S2-1,根据卫星影像图集以及建筑数据集按照地理位置进行叠加并筛查出建筑数据与卫星影像具有对应的作为已叠加图像储存入图像叠加集中;
步骤S2-2,将所述图像叠加集输入预先构建的提取模型通过根据损失函数的变化情况来调整优化器的方式进行训练;
步骤S2-3,所述提取模型将所述已叠加图像通过切割并数据增强处理得到已调整图像栅格;
步骤S2-4,监测所述提取模型对所述已调整图像栅格的训练表现,在稳定状态下训练表现最好时存储提取模型;
步骤S2-5,将所述提取模型作为所述建筑轮廓提取模型;
步骤S2-6,将所述提取模型中的输出层中的激活函数从Sigmoid函数改为Relu函数并保留输入层、特征提取层、裁剪层以及特征融合层得到训练用建筑层高提取模型;
步骤S2-7,将所述图像叠加集输入所述训练用建筑层高提取模型中并监测所述层高提取模型对所述已调整图像栅格的训练表现,将在稳定状态下训练表现最好的所述训练用建筑层高提取模型作为所述建筑层高提取模型。
3.根据权利要求2所述的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,其特征在于:
其中,在所述步骤S2-3中,通过一个中间包含剪切层的分割深度卷积神经网络架构先将所述已叠加图像中的卫星影像图切割为1600*1600像素*3通道的切片并从中随机选择一个范围在600-800像素*3通道之间的方形区域缩放到640*640像素*3通道,并提取对应中央区域的512*512像素*1通道的建筑轮廓栅格与所述已叠加图像中的建筑数据图通过数据增强处理的方式得到所述已调整图像栅格,
所述数据增强处理包括通过对卫星图切片进行随机旋转、随机添加噪声和模糊、随机修改亮度和饱和度、归一化等处理技术。
4.根据权利要求1所述的一种基于深度学习和高分辨率卫星影像的城市建设评估方法,其特征在于:
其中,在所述步骤S2-1中,所述卫星影像图集中包含通过GoogleEarth或天地图的开放API获取某地区多年份的高分辨率卫星影像,所述高分辨率卫星影像包含RGB三通道,
所述建筑数据集为包含建筑轮廓信息以及建筑层高信息,
所述建筑数据集的获取渠道为提供实地测绘的建筑数据地方规划局以及互联网开放地图软件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011047252.1A CN112149594B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习和高分辨率卫星影像的城市建设评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011047252.1A CN112149594B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习和高分辨率卫星影像的城市建设评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149594A true CN112149594A (zh) | 2020-12-29 |
CN112149594B CN112149594B (zh) | 2022-08-09 |
Family
ID=73894432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011047252.1A Active CN112149594B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习和高分辨率卫星影像的城市建设评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149594B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096114A (zh) * | 2021-04-28 | 2021-07-09 | 成都理工大学 | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 |
CN113203399A (zh) * | 2021-04-16 | 2021-08-03 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种地下空间资源量分析方法 |
CN113516060A (zh) * | 2021-06-23 | 2021-10-19 | 北京市城市规划设计研究院 | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 |
CN113538172A (zh) * | 2021-07-12 | 2021-10-22 | 中建西部建设贵州有限公司 | 一种智能获取混凝土针状石块含量的方法和装置 |
CN114567402A (zh) * | 2022-04-25 | 2022-05-31 | 阿里巴巴达摩院(杭州)科技有限公司 | 卫星星地信道预测方法、装置、设备和存储介质 |
CN114863190A (zh) * | 2022-07-06 | 2022-08-05 | 北京市城市规划设计研究院 | 建筑物年份识别方法及装置 |
CN117541928A (zh) * | 2024-01-09 | 2024-02-09 | 南京信息工程大学 | 一种基于卷积神经网络的城市建筑物质存量估算方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110293153A1 (en) * | 2008-11-14 | 2011-12-01 | Optricon Gmbh | Appliance and method for evaluation and assessment of a test strip |
CN104463970A (zh) * | 2014-12-24 | 2015-03-25 | 中国科学院地理科学与资源研究所 | 一种基于遥感影像确定城市三维重心的方法及其应用 |
CN106296648A (zh) * | 2016-07-21 | 2017-01-04 | 中国科学院力学研究所 | 评价激光改性时等离子体与最终改性效果之间关系的方法 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN107352447A (zh) * | 2017-07-05 | 2017-11-17 | 安徽新兴翼凌机电发展有限公司 | 一种建筑工地用吊运机 |
US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
CN108287872A (zh) * | 2017-12-28 | 2018-07-17 | 百度在线网络技术(北京)有限公司 | 一种建筑物变化检测方法、装置、服务器和存储介质 |
CN108320324A (zh) * | 2017-12-29 | 2018-07-24 | 泰瑞数创科技(北京)有限公司 | 一种城市变化监测方法及系统 |
CN108385911A (zh) * | 2018-05-05 | 2018-08-10 | 常熟梁方智能技术有限公司 | 一种建筑用的阳台护栏装置 |
CN108765488A (zh) * | 2018-03-29 | 2018-11-06 | 武汉大学 | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
CN109918851A (zh) * | 2019-04-03 | 2019-06-21 | 长安大学 | 一种深埋隧道岩爆灾害规模的现场快速估算模型及方法 |
CN110222586A (zh) * | 2019-05-15 | 2019-09-10 | 清华大学 | 一种建筑物高度的计算及城市形态参数数据库的建立方法 |
CN110502977A (zh) * | 2019-07-10 | 2019-11-26 | 广东国地规划科技股份有限公司 | 一种建筑物变化分类检测方法、系统、装置及存储介质 |
CN111695440A (zh) * | 2020-05-21 | 2020-09-22 | 河海大学 | 基于雷达高度计的ga-svr湖泊水位测量与预测方法 |
-
2020
- 2020-09-29 CN CN202011047252.1A patent/CN112149594B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110293153A1 (en) * | 2008-11-14 | 2011-12-01 | Optricon Gmbh | Appliance and method for evaluation and assessment of a test strip |
CN104463970A (zh) * | 2014-12-24 | 2015-03-25 | 中国科学院地理科学与资源研究所 | 一种基于遥感影像确定城市三维重心的方法及其应用 |
US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
CN106296648A (zh) * | 2016-07-21 | 2017-01-04 | 中国科学院力学研究所 | 评价激光改性时等离子体与最终改性效果之间关系的方法 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN107352447A (zh) * | 2017-07-05 | 2017-11-17 | 安徽新兴翼凌机电发展有限公司 | 一种建筑工地用吊运机 |
CN108287872A (zh) * | 2017-12-28 | 2018-07-17 | 百度在线网络技术(北京)有限公司 | 一种建筑物变化检测方法、装置、服务器和存储介质 |
CN108320324A (zh) * | 2017-12-29 | 2018-07-24 | 泰瑞数创科技(北京)有限公司 | 一种城市变化监测方法及系统 |
CN108765488A (zh) * | 2018-03-29 | 2018-11-06 | 武汉大学 | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 |
CN108385911A (zh) * | 2018-05-05 | 2018-08-10 | 常熟梁方智能技术有限公司 | 一种建筑用的阳台护栏装置 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
CN109918851A (zh) * | 2019-04-03 | 2019-06-21 | 长安大学 | 一种深埋隧道岩爆灾害规模的现场快速估算模型及方法 |
CN110222586A (zh) * | 2019-05-15 | 2019-09-10 | 清华大学 | 一种建筑物高度的计算及城市形态参数数据库的建立方法 |
CN110502977A (zh) * | 2019-07-10 | 2019-11-26 | 广东国地规划科技股份有限公司 | 一种建筑物变化分类检测方法、系统、装置及存储介质 |
CN111695440A (zh) * | 2020-05-21 | 2020-09-22 | 河海大学 | 基于雷达高度计的ga-svr湖泊水位测量与预测方法 |
Non-Patent Citations (4)
Title |
---|
PUTU AGUS ADITYA PRAMANA: "Evaluation of transmission line parameter for non horizontal earth contour", 《2016 INTERNATIONAL CONFERENCE ON SMART GREEN TECHNOLOGY IN ELECTRICAL AND INFORMATION SYSTEMS》 * |
李杰: "基于近低空遥感技术的国家公园功能分区边界识别—以钱江源国家公园体制试点区为例", 《生物多样性》 * |
殷振轩: "重庆市中心城区生活中心的识别与评估", 《规划师》 * |
胡东生: "罗布泊核试验区自然环境变化的地球卫星观测分析", 《中国工程科学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113203399A (zh) * | 2021-04-16 | 2021-08-03 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种地下空间资源量分析方法 |
CN113203399B (zh) * | 2021-04-16 | 2022-02-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种地下空间资源量分析方法 |
CN113096114A (zh) * | 2021-04-28 | 2021-07-09 | 成都理工大学 | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 |
CN113516060A (zh) * | 2021-06-23 | 2021-10-19 | 北京市城市规划设计研究院 | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 |
CN113538172A (zh) * | 2021-07-12 | 2021-10-22 | 中建西部建设贵州有限公司 | 一种智能获取混凝土针状石块含量的方法和装置 |
CN114567402A (zh) * | 2022-04-25 | 2022-05-31 | 阿里巴巴达摩院(杭州)科技有限公司 | 卫星星地信道预测方法、装置、设备和存储介质 |
CN114863190A (zh) * | 2022-07-06 | 2022-08-05 | 北京市城市规划设计研究院 | 建筑物年份识别方法及装置 |
CN114863190B (zh) * | 2022-07-06 | 2022-09-16 | 北京市城市规划设计研究院 | 建筑物年份识别方法及装置 |
CN117541928A (zh) * | 2024-01-09 | 2024-02-09 | 南京信息工程大学 | 一种基于卷积神经网络的城市建筑物质存量估算方法及系统 |
CN117541928B (zh) * | 2024-01-09 | 2024-04-19 | 南京信息工程大学 | 一种基于卷积神经网络的城市建筑物质存量估算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112149594B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149594B (zh) | 基于深度学习和高分辨率卫星影像的城市建设评估方法 | |
US10719641B2 (en) | Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN107735794B (zh) | 使用图像处理的状况检测 | |
US9942440B2 (en) | Image-based field boundary detection and identification | |
CN109241913B (zh) | 结合显著性检测和深度学习的船只检测方法及系统 | |
CN107835997B (zh) | 使用计算机视觉的用于电力线走廊监测的植被管理 | |
CN110705457A (zh) | 一种遥感影像建筑物变化检测方法 | |
US7983474B2 (en) | Geospatial modeling system and related method using multiple sources of geographic information | |
CN110287826B (zh) | 一种基于注意力机制的视频目标检测方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
AU2016315938A1 (en) | Systems and methods for analyzing remote sensing imagery | |
CN110675408A (zh) | 基于深度学习的高分辨率影像建筑物提取方法及系统 | |
CN110443862B (zh) | 基于无人机的岩性填图方法及系统、电子设备 | |
CN106910202B (zh) | 一种遥感图像地物的图像分割方法及系统 | |
CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
CN108376247A (zh) | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 | |
CN113191213B (zh) | 一种高分辨率遥感影像新增建筑物检测方法 | |
CN113920436A (zh) | 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法 | |
CN115471467A (zh) | 一种高分辨率光学遥感影像建筑物变化检测方法 | |
CN115512222A (zh) | 一种线下训练-线上学习的灾害场景地物损毁评估方法 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN112767244B (zh) | 一种高分辨率地表要素无缝感知方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |