CN101203880A

CN101203880A - 房屋的变动判断方法及房屋的变动判断装置

Info

Publication number: CN101203880A
Application number: CNA2006800224186A
Authority: CN
Inventors: 小泽淳真
Original assignee: Pasco Corp
Current assignee: Pasco Corp
Priority date: 2005-06-21
Filing date: 2006-06-21
Publication date: 2008-06-18
Anticipated expiration: 2026-06-21
Also published as: EP1906354A1; US20090136090A1; WO2006137438A1; US8285050B2; JP4566074B2; CN101203880B; EP1906354A4; JP2007003244A

Abstract

本发明的目的是提供一种变动判断的精度较高、能够完全自动化的房屋变动判断方法及装置。一种基于从上空取得的新旧两个时期的数据判断数据取得区域内的房屋(10)的变动的变动判断方法，构成为，在将新数据内的规定区域通过预先准备的对应于规定区域的房屋多边形数据(3)裁剪，作为判断对象区域(1)提取后，作为评价值而运算对于遍及上述判断对象区域(1)整个区域的彩色图像数据(11)的灰度等级值和标高数据(12)的标高值的新旧两个时期的两种差分值，接着，基于上述评价值，参照预先设定的两种评价基准值的组合的判断表，判断有无判断对象区域(1)内的房屋变动。

Description

房屋的变动判断方法及房屋的变动判断装置

技术领域

本发明涉及房屋的变动判断方法及房屋的变动判断装置。

背景技术

作为利用空中测量技术进行固定资产的变动的判断等的以往例，已知有例如专利文献1所述的技术。

在该以往例中，在变动判断时，首先取得对象区域的航空照片图像，通过与以前取得的航空照片图像比较来判断新建或改建等变动。

专利文献1：日本特开平9-61164号公报。

但是，在以往例中有如下的缺点。首先，在航空照片图像中，摄影时的日照条件的差带来的影子位置的差异、摄影主点的差异带来的建筑物的倾斜度的差异、人、车等移动体的存在都作为画面上的差异表现，仅通过图像上的信息并不能区别这些要素带来的图像变化和建筑物的变动带来的图像变化，结果需要人工操作，有难以完全自动化的问题。

此外，由于通过单纯的颜色差异完全判断房屋的变动，所以在存在颜色差异的判别基准以下的颜色变化或颜色变化以外的变动的情况下完全不能判断，变动判断的精度较低。反之，在降低颜色差异的判别基准的情况下，由于摄影时状态带来的变化等细微的变化也被认为存在变动，所以作为变动的判断疏漏的误判断、以及将不是变动的地方判断为变动的过度判断增加，结果带来精度的降低。

发明内容

本发明是为了解决以上的缺点而做出的，目的是提供一种变动判断的精度较高、能够完全自动化的房屋变动判断方法。

房屋10的变动除了单纯的颜色差异以外，也可以通过亮度及颜色成分的比例来判断，认为通过复合地穿插这些颜色判别来进行多个要素判断，能够提高变动判断的精度。

但是，不论怎样增加颜色判别要素，在同种判断要素中也有界限。所以，在本发明中着眼于房屋10的变动的高度变化。认为通过穿插这些不同种类的判断要素进行变动判断，与以往相比能够显著提高精度。

此外，房屋10的变动判断的自动化在存在变动的地方之中，需要判断是房屋10的变动还是房屋10以外的变动，非常困难。

所以，房屋10的变动判断在从比较的时期到判断对象时期，着眼于判断在房屋10中是否存在变动。发现比较的时期的房屋10的变动可以分为在房屋10内进行的变动和在房屋10外进行的变动，如果将房屋10作为变动判断单位进行两时期的比较，则能够不判断房屋10以外的变动而仅判断房屋10的变动，结果认为能够进行房屋10的自动判断。

本发明是基于上述认识而做出的，是一种房屋的变动判断方法，根据从上空取得的新旧两个时期的数据，判断数据取得区域内的房屋10的变动，其特征在于，将两个时期的数据内的规定区域用预先准备的与规定区域对应的房屋多边形数据裁剪，作为判断对象区域1提取后，关于遍及上述判断对象区域1的整个区域的彩色图像数据11的灰度等级值和标高数据12的标高值，计算新旧两个时期的两种差分值，来作为评价值，接着，基于上述评价值，参照预先设定的两种评价基准值的组合的判断表，对判断对象区域1内有无房屋10变动进行判断。

因而，根据本发明，作为房屋10的变动判断要素，能够通过颜色和高度的两种性质完全不同的要素进行房屋10的形状变化，进行更高精度的判断。进而，通过判断要素结果的组合能够以更高的精度进行判断。

此外，将房屋10的变动判断单位捕捉为房屋10内的变动，将已有房屋10的形状(房屋多边形3)作为比较单位。通过使用房屋多边形3，不将房屋10以外的变动作为判断对象，不需要在变动判断后进行是否是房屋10的判断，所以能够实现房屋10的变动判断的完全自动化。

此外，彩色图像的评价基准值也可以通过单纯的判断区域所具有的灰度等级值的差分或适当的差分来求出。但是，如果用Pc(各颜色成分的灰度等级数)/∑Pc(所有颜色要素的灰度等级数的总和)的新旧差分的平均值判断判断区域内的颜色差异，则通过由判断区域所具有的各颜色成分的比例差异进行比较，成为更细致的判断基准，所以能够减少过度判断。此外，除了上述彩色图像的评价基准值以外，通过判断对象区域1整个区域内的颜色成分的灰度等级值的新旧差分比较来比较各个颜色成分的亮度，由此成为更细致的判断基准，能够减少过度判断。

此外，根据另一技术方案，有时在空地上建设房屋10那样的没有房屋多边形3的情况。在此情况下，完全不判断房屋10的变动而仅进行房屋10内的变动判断，只能判断有限的变动的种类断。所以，预先划分所设定的一定区域来判断该区域内的变动。此外，与判断房屋10内的变动不同，判断在空地上建设房屋10那样的高度变化较大的种类的房屋10的变动。

进而，在不能利用房屋多边形数据3的区域中，在划分规定的区域而进行变动判断之前，预先判断在两个时期发生了高度变化的地方，通过从判断区域除去，能够防止过度判断，所以判断精度提高。

作为在两个时期发生了高度的变化的地方，可以考虑到例如植被区域8。通过用适当的方法判断植物体并将其除去，能够防止将植物体的高度变化判断为房屋10的变动。此外，通过由标高数据12等和在同时期中能够从飞机取得的植物特有的波长即红色成分(R)和近红外判断植被区域8，也能够正确地进行植被区域8的判断。

此外，作为其他发生高度变化的地方，考虑有汽车等的临时性的高度变化即移动体9。对于汽车等移动体9，着眼于其几乎都在道路上变动，通过由现有的道路多边形等将道路区域除去，与植被区域同样，不再会判断为房屋10的变动，能够防止过度判断，结果判断精度提高。此外，即使将道路区域从判断对象除去，由于在作为公共物的道路上存在房屋10的变动的情况很少，所以也没有问题。

进而，通过不是由判断的过程进行上述除去，而是作为预处理进行，能够减少判断过程中的负担。

根据本发明，能够使房屋10变动的判断完全自动化，并且能够进行精度较高的正确的判断。

附图说明

图1是表示本发明的图，图1(a)是旧彩色图像数据，图1(b)是新彩色图像数据，图1(c)是在彩色图像数据上将在预处理中删除的部位描绘阴影的图。

图2是表示网格内变动判断的图，图2(a)是在大区域中设定了网格的图，图2(b)是根据新特征点选择最小距离的旧特征点的图，图2(c)是表示根据最小距离选择的特征点的距离的图。

图3是表示房屋多边形内变动判断的图，图3(a)是表示房屋多边形的图，图3(b)是截取房屋多边形内的RGB数据后的图，图3(c)是截取房屋多边形内的标高数据后的图，图3(d)是将网格内变动判断与房屋多边形内变动判断的结果合起来表示的图。

图4是表示本发明的框图。

图5是表示整体的处理流程的流程图。

图6是表示网格内变动判断的流程图。

图7是表示房屋多边形截取及房屋多边形内变动判断的流程图。

具体实施方式

图5表示本发明的流程图，图4表示用来实现它的判断装置。

首先，在变动判断时，在保存部21中准备彩色图像数据11、标高数据12、近红外数据、道路多边形数据20以及房屋多边形数据3。以根据调查年度与前年度的新旧时期的差异判断房屋变动的本方法为例进行说明。上述彩色图像数据11、标高数据12及近红外数据准备上述两个时期的数据，道路多边形数据20及房屋多边形数据3准备前年度的数据，保存在保存部21中。

数据取得区域为包括调查对象房屋10的适当区域(在本说明书中，将后述的与上述房屋多边形数据3的重合区域设为“判断对象区域1”、将包括该判断对象区域1的较大区域的区域设为“大区域判断区域”，摄像范围大致与大范围判断区域一致。此外，调查年度及前年度的数据可以按照规定的坐标确定方法重叠在平面上)。

上述彩色图像数据11被定义为RGB3色的彩色平面上的m×n的点矩阵数据，各像素定义为RGB彩色平面上的灰度等级值(以下将颜色成分c的m行n列的像素值表示为Pc(m，n)、例如表示为R(红)平面Pr(m，n))。

此外，标高数据12作为DSM(Digital Surface Model：地表面模型)给出的，能够与彩色图像数据11重叠在平面上。以后，将标高数据12称作DSM数据12。各种多边形数据能够利用从公共团体等提供的数据，通过规定的坐标变换方法能够确定上述彩色图像空间中的位置。

在变动判断时，如图1(c)所示，为了除去植被区域8及汽车等移动体9的噪声部分，在噪声除去部22执行预处理。噪声除去部22具有植被区域计算部23、植被区域除去部24以及道路区域除去部25，首先，在植被区域计算部23与植被区域除去部24中执行植被区域除去步骤(步骤S1)。该植被区域除去步骤利用植物具有颜色的特性，比较像素内的颜色的值与设定的阈值来判断植被区域8，并从在判断中使用的区域内除去对应于植被区域8的部分。在植被区域除去部24中，使用从保存部21取出的判断部位的像素中的R值与近红外值，计算NDVI(NormalizedDifference Vegetation Index：标准化植被指标)。下面示出具体的计算式。

[式1]

NDVI＝(NIR-R)/(NIR+R)

其中，NIR是像素内的近红外值。

接着，在计算出的NDVI值为在植被区域除去部24中预先设定的阈值以上的情况下，判断为植被区域，并从判断对象中除去。例如，通过将DSM数据值变更为负的值，从运算对象中除去植被区域的除去部位。结果，在新旧数据间除去部位不同的情况下，例如在原本是植被区域的地方建设了房屋等的情况下也能够进行房屋的变动判断。此外，在新旧的除去部位重合(新数据：负，旧数据：负)时，仅通过包括如通常那样不进行运算处理等的处理，不进行无用的判断也可以。

接着，在道路区域除去部25执行道路区域除去步骤(步骤S2)。该道路区域除去步骤S2为了将汽车等移动体除去，通过从判断对象除去移动提存在的道路区域自身来进行移动体的除去。在道路区域除去部25中，将保存在保存部21中的道路多边形数据20取出，将其重叠在除去了植被区域8后的DSM数据上，从判断对象除去叠合位置的DSM数据。除去的方法是例如与植被区域同样通过变更为负的值来进行。此外，与植被不同，由于道路没有较大的变化，所以也可以进行将已除去的部分从运算对象除外的处理。

在执行上述预处理后，在网格内移动判断部26中，通过后述的网格确定判断对象区域1，并执行根据该区域内的DSM数据12进行变动判断的网格内变动判断(步骤S5)。网格内移动判断部26具有网格设定部27、网格内数据提取部28、网格内数据运算部29以及房屋变动判断部32，首先，在网格设定部27中执行网格设定步骤(步骤S3)。在该步骤S3中，如图2(a)所示，由网格设定部27将适合于房屋变动的判断的一定大小的多个网格4设定在DSM数据12上。本实施方式的网格的大小设定为5m×5m。接着，由网格内数据提取部28执行网格内数据提取步骤(步骤S4)。该网格内数据提取步骤S4是在判断对象网格4中截取网格4内的DSM数据12来执行的。

在网格内数据运算部29中，进行根据通过上述截取得到的DSM数据生成在判断中所使用的评价值的运算；具有平均标高差分数据生成部30和特征点距离差分数据生成部31，执行网格内变动判断步骤S5。根据图6说明网格内变动判断步骤。首先，在平均标高差分数据生成部30中，执行平均标高差分数据生成步骤(步骤S5-1)。在平均标高差分数据生成步骤S5-1中，取在网格内数据提取步骤S4中截取的DSM数据12的平均值，生成新旧间的差分数据。以下示出具体的运算。

[式2]

平均标高差分＝|∑i∑jPn(i，j)/N-∑i∑jPo(i，j)/N|

其中，Pn是网格内的新DSM数据12的各像素值，Po是网格内的旧DSM数据12的各像素值，N是网格内的像素总数。

接着，由特征点距离差分数据生成部31执行特征点距离差分数据生成步骤(步骤S5-2)。如图2(b)、图2(c)所示，在特征点距离差分数据生成步骤S5-2，从网格4内数据提取步骤中截取的新旧DSM数据(标高数据)12分别选择标高较高的高位数点(这里设为3点)的标高高位点7(以下设为“特征点”)(旧数据7A1、7A2、7A3、新数据7B1、7B2、7B3)。接着，求出这些网格4内的距离、即平面上的距离，在新旧间选择相对于某个特征点7距离为最小的另一个特征点7。关于距离最小的特征点7的选择，例如可以根据网格内的像素的坐标(X坐标，Y坐标；在图中将左上作为原点，取右方向为X坐标、向下方向为Y坐标)计算，如图2(b)所示，依次比较特征点7B1(1，4)、特征点7B2(2，2)、特征点7B3(4，1)分别相对于特征点7A1(1，1)的坐标间距离，选择距离最短的特征点7B2(2，2)。对于新数据的其他特征点7A2、7A3也同样地选择。通过对3点(7A1、7A2、7A3)合计离如上那样选择的距离最短的特征点7B的距离，生成特征点距离差分值。

接着，在网格内变动判断部32中，执行网格内变动判断步骤(步骤S5-3)。网格内变动判断步骤S5-3将在步骤5-1和步骤5-2生成的数据用作评价值，根据评价基准，进行房屋10的变动判断。首先，在步骤5-1生成的平均标高差分值超过1m的情况下，进行后述的特征点距离差分数据的判断。此外，如图6所示，在平均标高差分值为1m以下的情况下，判断为没有变动并结束处理(步骤S5-3a)。接着，关于平均标高差分值超过1m的值，在对乘以系数(在本实施方式中系数是0.5)后的平均标高差分值加上再乘以系数(在本实施方式中系数是0.5)后的特征点距离差分值而得出的值，超过阈值(在本实施例中阈值是1)的情况下，判断为有变动(步骤S5-3b)。此时，判断为有变动的房屋属于新建5、增建6或减建、全毁的房屋。此外，在上述值不超过阈值的情况下，判断为没有变动。另外，适当地决定对平均标高差分值和特征点距离差分值分别相乘的系数和阈值，以便能够基于实际的计算值与变动的结果正确进行房屋10的变动判断。具体而言，表示为系数×平均标高差分值+系数×特征点距离差分值的分别乘以适当的系数的线性结合式。

接着，执行房屋多边形截取步骤S6及房屋多边形内变动判断步骤S7。以下，利用图5及图7对房屋多边形截取步骤S6及房屋多边形内变动判断步骤S7进行说明。首先，在房屋多边形截取部33中，执行房屋多边形截取步骤(步骤S6)。在房屋多边形截取步骤S6中，首先将保存在房屋多边形数据保存部21中的图3(a)所示的房屋多边形数据3重叠在新旧DSM数据12和RGB数据上。接着，如图3(b)、图3(c)所示，截取重叠的部位的数据。

接着，由于从通过上述截取得到的各数据生成用于判断的数据，所以在房屋多边形内数据运算部34中执行运算。房屋多边形内数据运算部34具有高度差分平均数据生成部35、彩色绝对差分数据生成部36、和彩色比例差分数据生成部37，首先，在高度差分平均数据生成部35中，执行高度差分平均数据生成步骤(步骤S6-1)。在高度差分平均数据生成步骤S6-1中，对于房屋多边形数据3内的各像素的新旧DSM数据12取差分，生成作为其差分的房屋多边形数据3内的平均绝对值的高度差分平均值。具体运算表示如下。

[式3]

高度差分平均值＝∑i∑j|Pn(i，j)-Po(i，j)|/N

其中，Pn是房屋多边形内的新DSM数据12的各像素值，

Po是房屋多边形内的旧DSM数据12的各像素值，

N是房屋多边形内的像素总数。

接着，在彩色绝对差分数据生成部36中，执行彩色绝对差分数据生成步骤(步骤S6-2)。在彩色绝对差分数据生成步骤S6-3中，取新旧的像素的各颜色成分(以下称作各颜色要素)的平均，生成将该各颜色成分的每种的新旧数据的差分的绝对值合计后的彩色绝对差分。具体运算表示如下。

[式4]

DAred(红色波长绝对差分)＝

|∑i∑j Pnred(i，j)/N-∑i∑j Pored(i，j)/N|

[式5]

DAgreen(绿色波长绝对差分)＝

|∑i∑j Pngreen(i，j)/N-∑i∑j Pogreen(i，j)/N|

[式6]

DAblue(蓝色波长绝对差分)＝

|∑i∑j Pnblue(i，j)/N-∑i∑j Poblue(i，j)/N|

DAred+DAgreen+DAblue＝彩色绝对差分

其中，Pn(red，green，blue)(i，j)是新RGB数据的房屋多边形内的(红色波长、绿色波长、蓝色波长)的各像素值，

Po(red，green，blue)(i，j)是旧RGB数据的房屋多边形内的(红色波长、绿色波长、蓝色波长)的各像素值，

N是房屋多边形内的像素总数。

接着，在彩色比例差分数据生成部37中，执行彩色比例差分数据生成步骤(步骤S6-3)。在彩色比例差分数据生成步骤S6-3中，取图3(b)所示的房屋多边形3内的各颜色成分(RGB)的平均值，求出所有颜色成分的比例。并且，取求出的新旧的各颜色成分比例的每个颜色成分的差分的绝对值，生成将其每个颜色成分的绝对差分合计后的彩色比例数据。此时，因影子而变暗的部分由于不表示本来的颜色，所以通过从生成对象中去除而使精度提高(设从生成对象排除的影子部分是各颜色成分的各值都为阈值以下的部分。另外，在本实施方式中，将阈值设为50)。以下表示具体的运算。

[式7]

DRred(红色波长比例差分)＝

|∑i∑j Pnred(i，j)/∑i∑j Pn(red，green，blue)(i，j)

-|∑i∑j Pored(i，j)/∑i∑j Po(red，green，blue)(i，j)|

[式8]

DRgreen(绿色波长比例差分)＝

|∑i∑j Pngreen(i，j)/∑i∑j Pn(red，green，blue)(i，j)

-|∑i∑j Pogreen(i，j)/∑i∑j Po(red，green，blue)(i，j)|

[式9]

DRblue(蓝色波长比例差分)＝

|∑i∑j Pnblue(i，j)/∑i∑j Pn(red，green，blue)(i，j)

-|∑i∑j Poblue(i，j)/∑i∑j Po(red，green，blue)(i，j)|

DRred+DRgreen+DRblue＝彩色比例差分

N是房屋多边形内的像素总数。

接着，在房屋多边形内变动判断部39中，执行房屋多边形内变动判断步骤(步骤S6-5)。在房屋多边形内变动判断步骤S7中，将在从S6-1到S6-3的步骤中生成的数据作为评价值，参照判断表2，基于评价基准进行房屋10的变动判断。进而，在颜色成分合计数据生成部中，执行颜色成分合计数据生成步骤(步骤S7-1)。在颜色成分合计数据生成步骤S7-1中，生成作为新旧各自的颜色成分的总合计即颜色成分合计数据。

在判断之前，对在步骤S7-1中生成的新旧的颜色成分合计数据进行情况划分。作为情况划分，是新旧的颜色成分合计数据都为设定的阈值(在本实施例中阈值是300)以上或以下的情况、和新旧的颜色成分合计数据以阈值为界而不同的情况(新数据为300以上而旧数据不到300，或者新数据不到300而旧数据为300以上)的两种，基于该情况划分利用以下的评价基准进行判断(步骤S7-2)。

首先，在新旧的颜色成分合计数据都为设定的阈值(在本实施例中阈值是300)以上或以下的情况下，将高度差分平均值与彩色比例差分值用作评价基准，在房屋变动判断部39中，通过下述的判断表2进行判断。仅在高度差分平均值超过设定的阈值(在本实施例中阈值是1)(步骤S7-3)、并且彩色比例差分值超过了设定的阈值(在本实施例中，阈值是9)(步骤S7-4)的情况下，判断为有变动。另一方面，在任一个判断基准为设定的阈值以下的情况下，判断为无变动。

相对于此，在新旧的颜色成分合计值以阈值为界而不同的情况下，通过下述的判断表2进行判断，对上述评价基准再加上彩色绝对差分，作为评价基准。仅在其他评价基准超过阈值(步骤S7-5、步骤S7-6)、并且彩色绝对差分值超过了设定的阈值(在本实施例中阈值是100)(步骤S7-7)的情况下，判断为有变动。此外，同样在任一个判断基准为设定的阈值以下的情况下，判断为无变动。

上述判断的结果是，在房屋多边形内变动判断中判断为有变动的房屋是房屋内的改建新建或工程中的房屋、增改建房屋。

此外，也可以在网格内变动判断之前执行进行房屋内的变动判断的房屋多边形内变动判断，将判断为变动的部分从网格内变动判断的判断对象除去，或者使用房屋多边形数据3与噪声处理同样地将房屋多边形数据3事先从网格内变动判断对象除去，只要仅进行对房屋部分以外的网格的判断就可以，判断对象减少，所以处理变快。

接着，基于上述判断结果，在显示部40执行显示步骤(步骤S8)。显示步骤S8如图3(d)所示，根据判断结果进行预先设定的显示。例如，通过仅显示判断为有变动的部位、或者改变变动部位的颜色来强调显示等来进行。

另外，也可以在进行了网格4内的变动判断时进行显示。此外，也可以在对例如进行了变动判断的部位进行网格内变动判断及房屋多边形内变动判断的两者时，优先显示房屋多边形内变动判断。此外，上述这些判断方法可以通过依次执行上述S1步骤以后的步骤的程序执行的计算机来实现。

Claims

1.一种房屋的变动判断方法，根据从上空取得的新旧两个时期的数据，判断数据取得区域内的房屋的变动，其特征在于，

将两个时期的数据内的规定区域用预先准备的与规定区域对应的房屋多边形数据裁剪，作为判断对象区域提取后，

关于遍及上述判断对象区域的整个区域的彩色图像数据的灰度等级值和标高数据的标高值，计算新旧两个时期的两种差分值，来作为评价值，

接着，基于上述评价值，参照预先设定的两种评价基准值的组合的判断表，对判断对象区域内有无房屋变动进行判断。

2.如权利要求1所述的房屋的变动判断方法，其特征在于，

由Pc/∑Pc的新旧差分的平均值给出对上述彩色图像数据的评价值，

其中，Pc是颜色要素(c)的灰度等级数，

∑Pc是所有颜色要素的灰度等级数的总和。

3.如权利要求1所述的房屋的变动判断方法，其特征在于，

由判断对象区域的整个区域内的颜色成分的灰度等级值的新旧差分，给出对上述彩色图像数据的评价值。

4.如权利要求1所述的房屋的变动判断方法，其特征在于，

在基于上述判断表判断之前，

对新旧图像数据计算评价用亮度值，该评价用亮度值是基于各颜色成分的灰度等级值合计来定义的，用于决定由规定的边界值划分的亮度区域；

在新旧图像数据属于同一个亮度区域的情况下，对于彩色图像数据，使用由

Pc/∑Pc

的新旧差分的平均值给出的第1评价值，

并且，在属于不同的亮度区域的情况下，对于彩色图像数据，使用上述第1评价值和由判断对象区域的整个区域内的颜色成分的灰度等级值的新旧差分给出的第2评价值两者，

其中，Pc是颜色要素(c)的灰度等级数，

∑Pc是所有颜色要素的灰度等级数的总和。

5.如权利要求1～4中任一项所述的房屋的变动判断方法，其特征在于，

在包括上述判断对象区域的大区域判断区域内设定规定的网格后，

对各网格设定以标高值差分为基准的网格标高判断值，

利用该网格标高判断值判断大区域判断区域内有无房屋变动，

利用上述判断对象区域内的判断结果和上述大区域判断区域内的判断结果的逻辑和，进行变动判断。

6.一种房屋的变动判断方法，根据从上空取得的新旧两个时期的数据，判断数据取得区域内的房屋的变动，其特征在于，

在两个时期的数据内的判断对象区域内设定规定的网格后，

对各网格设定以标高值差分为基准的网格标高判断值，

利用该网格标高判断值对判断区域内有无房屋变动进行判断。

7.如权利要求6所述的房屋的变动判断方法，其特征在于，

上述网格标高判断值是作为网格内的标高平均的新旧间差分和评价值的线性结合值给出的，

所述评价值基于新旧同一网格内提取的适当数量的标高高位点的新旧间距离差分。

8.如权利要求1～7中任一项所述的房屋的变动判断方法，其特征在于，在上述判断对象区域内的判断或上述大区域判断区域内的判断之前，预先从运算对象中除去植被区域。

9.如权利要求1～8中任一项所述的房屋的变动判断方法，其特征在于，在上述判断对象区域内的判断或上述大区域判断区域内的判断之前，预先从运算对象中除去移动体。

10.一种房屋的变动判断装置，根据从上空取得的新旧两个时期的数据，判断数据取得区域内的房屋的变动，其特征在于，具备：

判断对象区域提取单元，将两个时期的数据内的规定区域用预先准备的与规定区域对应的房屋多边形数据裁剪，作为判断对象区域提取；

评价值运算单元，关于遍及上述判断对象区域的整个区域的彩色图像数据的灰度等级值和标高数据的标高值，计算新旧两个时期的两种差分值，来作为评价值；以及

判断单元，基于上述评价值，参照预先设定的两种评价基准值的组合的判断表，对判断对象区域内有无房屋变动进行判断。

11.如权利要求10所述的房屋的变动判断装置，其特征在于，

其中，Pc是颜色要素(c)的灰度等级数，

∑Pc是所有颜色要素的灰度等级数的总和。

12.如权利要求10所述的房屋的变动判断装置，其特征在于，

13.如权利要求10所述的房屋的变动判断装置，其特征在于，

具备评价用亮度值运算单元，该评价用亮度值运算单元对新旧图像数据计算评价用亮度值，该评价用亮度值是基于各颜色成分的灰度等级值合计来定义的，用于决定由规定的边界值划分的亮度区域；

上述判断单元在新旧图像数据属于同一个亮度区域的情况下，对于彩色图像数据，使用由

Pc/∑Pc

的新旧差分的平均值给出的第1评价值，

其中，Pc是颜色要素(c)的灰度等级数，

∑Pc是所有颜色要素的灰度等级数的总和。

14.如权利要求10～13中任一项所述的房屋的变动判断装置，其特征在于，

具备：

网格设定单元，在包括上述判断对象区域的大区域判断区域内设定规定的网格；

网格标高判断值设定单元，对各网格设定以标高值差分为基准的网格标高判断值；以及

大区域判断单元，利用该网格标高判断值判断大区域判断区域内有无房屋变动；

上述判断单元利用上述判断对象区域内的判断结果和上述大区域判断区域内的判断结果的逻辑和，进行变动判断。

15.一种房屋的变动判断装置，根据从上空取得的新旧两个时期的数据，判断数据取得区域内的房屋的变动，其特征在于，具备：

网格设定单元，在两个时期的数据内的判断对象区域内设定规定的网格；

判断单元，利用该网格标高判断值对判断区域内有无房屋变动进行判断。

16.如权利要求13或14所述的房屋的变动判断装置，其特征在于，

17.如权利要求10～16中任一项所述的房屋的变动判断装置，其特征在于，在上述判断之前，预先使计算机执行从运算对象中除去植被区域的步骤。

18.如权利要求10～17中任一项所述的房屋的变动判断装置，其特征在于，在上述判断之前，预先使计算机执行从运算对象中除去移动体的步骤。