CN109543616B - 一种震后目标实物的损毁评估方法、装置、设备及介质 - Google Patents

Abstract

本发明实施例公开了一种震后目标实物的损毁评估方法、装置、设备及计算机可读存储介质。其中，方法包括提取待评估区域地震前后待评估建筑物的矢量轮廓，根据待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，构成目标特征参数集；将目标特征参数集输入至损毁评估模型，得到待评估建筑物的损毁评估结果。损毁评估模型输出待评估建筑物的损毁等级，损毁等级至少为两种以上的损毁级别中的任意一种；损毁评估模型利用机器学习算法训练多个建筑物样本的特征参数所得，建筑物样本的特征参数类别包含目标特征参数集中的特征参数类别。本申请提供的技术方案提升了震后实物损毁信息的评估效率、精细度和准确度。

Description

一种震后目标实物的损毁评估方法、装置、设备及介质

技术领域

本发明实施例涉及地震灾害评估技术领域，特别是涉及一种震后目标实物的损毁评估方法、装置、设备及计算机可读存储介质。

背景技术

在各类自然灾害中，地震为最严重的自然灾害之一。地震造成的人员伤亡和财产损失通常与房屋建筑的破坏程度密切相关。震后快速准确地识别目标实物(如房屋等建筑物和道路)震害对应急响应和灾民救助具有重要的研究意义和应用价值。

传统的地震灾害评估以现场人工调查为主，需要耗费大量的人力、财力及物力来获取地震灾情信息，而且获取速度较慢、周期较长，很难满足应急救援的需求。鉴于强震的突发性，破坏性大的特点往往引发滑坡、泥石流及堰塞湖等严重地质灾害，致使地面交通阻塞、通讯中断，震后救援人员无法及时抵达现场，极震区的破坏程度及震害分布等重要灾情信息较难实现快速获取。

随着卫星遥感技术的发展和日益成熟，卫星遥感技术能够及时、快速、高效的大范围获取地震灾区的多种信息，不同传感器、不同波段和不同分辨率的卫星遥感数据逐渐成为地震灾情信息获取的重要手段。这些多源的遥感数据能够提供更多的灾情信息，可更全面得了解地震灾情。

一般通过手工选取影像特征，以从遥感影像数据中获得地震灾情信息，但是这种手段不仅费时费力，要求工作人员具备一定的专业知识，且选取有效影像特征在很大程度上依赖经验和运气；此外，震后实物的损毁信息精细程度较低，无法满足实际需求，在实际应用中，目视解译依然为目前基于遥感影像数据进行评估的主要手段。

鉴于此，如何提高震后实物损毁信息的评估精度和准确度，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种震后目标实物的损毁评估方法、装置、设备及计算机可读存储介质，提升了震后建筑物损毁信息的评估精细度、评估效率和评估准确度。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种震后目标实物的损毁评估方法，包括：

获取待评估区域地震前后的遥感影像，并从各遥感影像中提取待评估建筑物的矢量轮廓；

根据所述待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集；

将所述目标特征参数集输入至预先构建的损毁评估模型，得到所述待评估建筑物的损毁评估结果；

其中，所述损毁评估模型输出的损毁评估结果为所述待评估建筑物的损毁等级；所述损毁评估模型为利用机器学习算法训练特征参数集所得，所述特征参数集为由利用特征选择算法从包含至少两种以上不同损毁级别的建筑物样本的样本训练集中选取每个建筑物样本的预设特征参数构成；所述特征参数集中的特征参数的类别包含目标特征参数集中的特征参数类别；所述待评估建筑物的损毁等级为损毁级别中的一种。

可选的，所述损毁评估模型输出的损毁评估结果为完全倒塌、严重损毁、一般损毁及完好中的任意一种。

可选的，在所述从各遥感影像中提取待评估建筑物的矢量轮廓之后，还包括：

利用几何校准和重采样对各遥感影像进行地理配准，以使各遥感影像中的地理坐标与待评估建筑物的矢量轮廓相匹配。

可选的，所述述损毁评估模型为利用机器学习算法训练特征参数集所得包括：

利用最优优先搜索算法选择用于训练所述损毁评估模型的特征参数；

将选择得到的特征参数导入SVM机器学习分类器中进行训练。

可选的，所述根据所述待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集包括：

根据地震前后遥感影像计算梯度相似度；

根据所述待评估建筑物地震前后的矢量轮廓数据计算轮廓匹配度；

根据地震前后的遥感影像计算各自的均值、方差、相关性、对比度、角二阶矩、同质度和熵，并分别计算地震前后的遥感影像的均值、方差、相关性、对比度、角二阶矩、同质度和熵的差异值；

根据地震前遥感影像计算待评估区域的面积；

将计算得到的各个特征参数值构成目标特征参数集。

可选的，所述根据地震前后遥感影像计算梯度相似度包括：

根据下述公式计算地震前后遥感影像的梯度相似度：

式中，s(x,y)为地震前后遥感影像的梯度相似度，g_x为震前遥感影像对应的梯度图像；g_y为震后遥感影像对应的梯度图像；C₄为非零常数。

可选的，所述根据所述待评估建筑物地震前后的矢量轮廓数据计算轮廓匹配度包括：

根据下述公式计算所述待评估建筑物在地震前后的轮廓匹配度：

式中，N为所述待评估建筑物轮廓对应像素数，d为地震前后所述待评估建筑物中每个相对应像素间的Hausdorff距离，ρ为代价函数，所述代价函数定义为：

式中，r为用于剔除出格点的阈值。

本发明实施例另一方面提供了一种震后目标实物的损毁评估装置，包括：

矢量轮廓提取模块，用于获取待评估区域地震前后的遥感影像，并从各遥感影像中提取待评估建筑物的矢量轮廓；

目标特征参数集生成模块，用于根据所述待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集；

损毁评估结果输出模块，用于将所述目标特征参数集输入至预先构建的损毁评估模型，得到所述待评估建筑物的损毁评估结果；

其中，所述损毁评估模型输出的损毁评估结果为所述待评估建筑物的损毁等级；所述损毁评估模型为利用机器学习算法训练特征参数集所得，所述特征参数集为由利用特征选择算法从至少两种以上不同损毁级别的建筑物样本的样本训练集中选取每个建筑物样本的预设特征参数构成；所述特征参数集中的特征参数的类别包含目标特征参数集中的特征参数类别；所述待评估建筑物的损毁等级为损毁级别中的一种。

本发明实施例还提供了一种震后目标实物的损毁评估设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述震后目标实物的损毁评估方法的步骤。

本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有震后目标实物的损毁评估程序，所述震后目标实物的损毁评估程序被处理器执行时实现如前任一项所述震后目标实物的损毁评估方法的步骤。

本发明实施例提供了一种震后目标实物的损毁评估方法，提取待评估区域地震前后待评估建筑物的矢量轮廓，根据待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，构成目标特征参数集；将目标特征参数集输入至损毁评估模型，得到待评估建筑物的损毁评估结果。损毁评估模型输出待评估建筑物的损毁等级，损毁等级至少为两种以上的损毁级别中的任意一种；损毁评估模型利用机器学习算法训练多个建筑物样本的特征参数所得，建筑物样本的特征参数类别包含目标特征参数集中的特征参数类别。

本申请提供的技术方案的优点在于，通过机器学习算法对不同损毁程度的建筑物样本的特征参数进行分类训练，得到至少两级以上损毁评估结果的模型，利用损毁评估模型基于计算得到的待评估建筑物地震前后的特征参数。对建筑物进行损毁等级评估。不仅避免人工选择特征的偶然性和不确定性，提升了特征提取的准确度和效率，从而有利于提升建筑物等级评估的准确度和评估效率；通过对建筑物至少两类以上损毁标准进行评估，提升了建筑物损毁评估的精细度，满足了建筑物损毁信息精细度的现实需求。

此外，本发明实施例还针对震后目标实物的损毁评估方法提供了相应的实现装置、设备及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置、设备及计算机可读存储介质具有相应的优点。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的一种震后目标实物的损毁评估方法的流程示意图；

图2为本发明实施例提供的另一种震后目标实物的损毁评估方法的流程示意图；

图3为本发明实施例提供的震后目标实物的损毁评估装置的一种具体实施方式结构图；

图4为本发明实施例提供的震后目标实物的损毁评估装置的另一种具体实施方式结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。

首先参见图1，图1为本发明实施例提供的一种震后目标实物的损毁评估方法的流程示意图，本发明实施例可包括以下内容：

S101：获取待评估区域地震前后的遥感影像，并从各遥感影像中提取待评估建筑物的矢量轮廓。

S102：根据待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集。

S103：将目标特征参数集输入至预先构建的损毁评估模型，得到待评估建筑物的损毁评估结果。

在对获取的遥感图像中建筑物的矢量轮廓进行提取时，可利用人工勾绘，也可利用现有技术中任何一种自动提取的算法，本申请对建筑物矢量轮廓提取的方法不做限定，本领域技术人员可根据具体的应用场景进行选择。

待评估建筑物在遥感图像中可为某个区域中所有的建筑物，也可为遥感影像中某个特定的建筑物，这均不影响本申请的实现。

不同的建筑物提取的特征参数可不同，相同的建筑物提取的特征参数也可不同，当然，也可对所有的建筑物提取相同类别的特征参数，本领域技术人员可根据实际需求进行选择要提取的特征参数，本申请对此不做任何限定。为了反映建筑物震前震后的损毁程度，可多提取一些可表征外观变化情况的特征参数，例如计算震前震后A特征的差异性。

在提取待评估建筑物的特征参数时，可根据现有技术中的特征计算公式进行自动提取，可将提取的待评估建筑物震前震后的特征参数构成目标参数集。当然也可计算得到一个特征便输入至损毁评估模型中，这均不影响本申请的实现。

待评估建筑物的损毁等级至少为两种以上的损毁级别中的任意一种，例如待评估建筑物可为严重损毁、一般损毁、完好中的任意一种，也可为完全倒塌、严重损毁、一般损毁及完好中的任意一种。

损毁评估模型为利用机器学习算法训练特征参数集所得，特征参数集为由利用特征选择算法从包含多个不同损毁程度的建筑物样本的样本训练集中选取每个建筑物样本的预设特征参数构成。例如可利用最优优先搜索算法选择用于训练损毁评估模型的特征参数；然后将选择得到的特征参数导入SVM机器学习分类器中进行训练。当然，也可选择其他特征选择算法，本申请对此不做任何限定。至于对损毁评估模型的训练分类算法的选择，可选择现有任何一种机器学习中的分类算法，例如神经网络学习算法等等，这均不影响本申请的实现。

损毁评估模型训练的样本多种不同损毁程度(至少两种以上的损毁程度)的建筑物样本，每个样本有其对应的标签类型，标签类型即为(损毁程度或是损毁级别，如完全倒塌、严重损毁、一般损毁及完好)。也即是说，每个建筑物样本均事先设置对应一个标签，一类标签包含多个建筑物样本(例如100个以上建筑物样本)。对每类标签中的每个建筑物样本提取其矢量轮廓后，在计算各自的特征参数，利用多个样本的特征参数进行训练损毁评估模型。将待评估建筑物的特征参数输入至损毁评估模型中，损毁评估模型会自动匹配相对应的标签类型，即实现对待评估建筑物损毁程度的定级评估。

考虑到损毁评估模型识别效果，提高损毁评估模型的分类准确度，特征参数集中的特征参数的类别包含目标特征参数集中的特征参数类别。也即是说，在损毁评估模型训练时提取的建筑物样本的特征参数的类别要多于但必须包含待评估建筑物的特征参数的类型。举例来说，建筑物样本提取的特征参数为A特征、B特征和C特征，那么待评估建筑物提取特征参数时，只能提取A特征、B特征和C特征中的任意一个或任意组合，而不可提取D特征。

需要说明的是，本申请提供的技术方案可应用于地震后任何目标实物的损毁程度的评价，待评价目标与模型训练的样本类别相同，举例来说，当对道路的损毁程度进行评价时，进行模型训练时，选取的样本为不同损毁程度的道路的图像。

在本发明实施例提供的技术方案中，通过机器学习算法对不同损毁程度的建筑物样本的特征参数进行分类训练，得到至少两级以上损毁评估结果的模型，利用损毁评估模型基于计算得到的待评估建筑物地震前后的特征参数。对建筑物进行损毁等级评估。不仅避免人工选择特征的偶然性和不确定性，提升了特征提取的准确度和效率，从而有利于提升建筑物等级评估的准确度和评估效率；通过对建筑物至少两类以上损毁标准进行评估，提升了建筑物损毁评估的精细度，满足了建筑物损毁信息精细度的现实需求。

具体的，可计算待评估建筑物的下述特征参数：

根据地震前后遥感影像计算梯度相似度。

根据待评估建筑物地震前后的矢量轮廓数据计算轮廓匹配度。

根据地震前后的遥感影像计算各自的均值、方差、相关性、对比度、角二阶矩、同质度和熵，并分别计算地震前后的遥感影像的均值、方差、相关性、对比度、角二阶矩、同质度和熵的差异值。

其中，对比度可用来度量遥感影像中对比的强烈程度，主要监测图像反差边缘及其边缘效应。角二阶矩为灰度共生矩阵各元素的平方和又称能量，为影像纹理灰度变化均一性的度量，反映了影像灰度分布均匀程度和纹理粗细度。熵主要用于检测遥感图像空间的复杂性和混乱程度。同质度可用来度量遥感影像均质程度。相关性可某种灰度值沿某方向的延伸长度，若延伸的越长，则相关性越大，反之，则越小，它是灰度线性关系的度量。

根据地震前遥感影像计算待评估区域的面积。

将计算得到的各个特征参数值构成目标特征参数集。

其中，可根据下述公式计算地震前后遥感影像的梯度相似度：

式中，s(x,y)为地震前后遥感影像的梯度相似度，g_x为震前遥感影像对应的梯度图像；g_y为震后遥感影像对应的梯度图像；C₄为非零常数，一般为某个非零的极小常量，用于防止公式中分母为0，例如可以取为0.000001。

可根据下述公式计算待评估建筑物在地震前后的轮廓匹配度：

式中，N为待评估建筑物轮廓对应像素数，d为地震前后待评估建筑物中每个相对应像素间的Hausdorff距离，ρ为代价函数，代价函数定义为：

式中，r为用于剔除出格点的阈值，只要能恰当地选择r，出格点均能被删除。

当然，建筑物样本的特征参数也可按照上述方式进行提取。至于待评估建筑物是否要提取上述所有的这24维特征参数，可根据实际情况进行选取，本申请对此不做任何限定。

在一种具体的实施方式中，根据上述方法得到目标特征参数集之后，还可根据实际应用场景从目标特征参数集中选择一些优选的特征作为输入损毁评估模型的识别特征参数，有利于提升损毁评估模型识别的效率，进而提升建筑物评估效率。

请参见图2，本发明实施例还提供了另外一个实施例，具体的可包括以下内容：

S201：获取待评估区域地震前后的遥感影像，并从各遥感影像中提取待评估建筑物的矢量轮廓。

S202：利用几何校准和重采样对各遥感影像进行地理配准，以使各遥感影像中的地理坐标与待评估建筑物的矢量轮廓相匹配。

S203：根据待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数。

S204：将计算得到的各个特征参数输入至预先构建的损毁评估模型，得到待评估建筑物的损毁评估结果。

其中，在利用几何校准和重采样对各遥感影像进行地理配准时，可先利用几何校准算法，也可先利用重采样，这均不影响本申请的实现。

由上可知，本发明实施例提升了震后建筑物损毁信息的评估精细度、评估效率和评估准确度。

本发明实施例还针对震后目标实物的损毁评估方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的震后目标实物的损毁评估装置进行介绍，下文描述的震后目标实物的损毁评估装置与上文描述的震后目标实物的损毁评估方法可相互对应参照。

参见图3，图3为本发明实施例提供的震后目标实物的损毁评估装置在一种具体实施方式下的结构图，该装置可包括：

矢量轮廓提取模块301，用于获取待评估区域地震前后的遥感影像，并从各遥感影像中提取待评估建筑物的矢量轮廓；

目标特征参数集生成模块302，用于根据待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集；

损毁评估结果输出模块303，用于将目标特征参数集输入至预先构建的损毁评估模型，得到待评估建筑物的损毁评估结果；

其中，损毁评估模型输出的损毁评估结果为待评估建筑物的损毁等级；损毁评估模型为利用机器学习算法训练特征参数集所得，特征参数集为由利用特征选择算法从至少两种以上不同损毁级别的建筑物样本的样本训练集中选取每个建筑物样本的预设特征参数构成；特征参数集中的特征参数的类别包含目标特征参数集中的特征参数类别；待评估建筑物的损毁等级为损毁级别中的一种。

可选的，在本实施例的一些实施方式中，请参阅图4，所述装置例如还可以包括：

地理校准模块304，用于利用几何校准和重采样对各遥感影像进行地理配准，以使各遥感影像中的地理坐标与待评估建筑物的矢量轮廓相匹配。

在本实施例的另一些实施方式中，所述损毁评估结果输出模块303可包括：

特征参数优选子模块，用于利用最优优先搜索算法选择用于训练损毁评估模型的特征参数；

模型训练子模块，用于将选择得到的特征参数导入SVM机器学习分类器中进行训练。

此外，所述目标特征参数集生成模块302例如可包括：

梯度相似度计算子模块，用于根据地震前后遥感影像计算梯度相似度；

轮廓匹配度计算子模块，用于根据待评估建筑物地震前后的矢量轮廓数据计算轮廓匹配度；

特征参数计算子模块，用于根据地震前后的遥感影像计算各自的均值、方差、相关性、对比度、角二阶矩、同质度和熵，并分别计算地震前后的遥感影像的均值、方差、相关性、对比度、角二阶矩、同质度和熵的差异值；

面积特征计算子模块，用于根据地震前遥感影像计算待评估区域的面积；

特征组合子模块，用于将计算得到的各个特征参数值构成目标特征参数集。

具体的，所述梯度相似度计算子模块可为根据下述公式计算地震前后遥感影像的梯度相似度的模块：

式中，s(x,y)为地震前后遥感影像的梯度相似度，g_x为震前遥感影像对应的梯度图像；g_y为震后遥感影像对应的梯度图像；C₄为非零常数。

所述轮廓匹配度计算子模块可为根据下述公式计算待评估建筑物在地震前后的轮廓匹配度的模块：

式中，N为待评估建筑物轮廓对应像素数，d为地震前后待评估建筑物中每个相对应像素间的Hausdorff距离，ρ为代价函数，代价函数定义为：

式中，r为用于剔除出格点的阈值。

本发明实施例所述震后目标实物的损毁评估装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例提升了震后建筑物损毁信息的评估精细度、评估效率和评估准确度。

本发明实施例还提供了一种震后目标实物的损毁评估设备，具体可包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序以实现如上任意一实施例所述震后目标实物的损毁评估方法的步骤。

本发明实施例所述震后目标实物的损毁评估设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例提升了震后建筑物损毁信息的评估精细度、评估效率和评估准确度。

本发明实施例还提供了一种计算机可读存储介质，存储有震后目标实物的损毁评估程序，所述震后目标实物的损毁评估程序被处理器执行时如上任意一实施例所述震后目标实物的损毁评估方法的步骤。

本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例提升了震后建筑物损毁信息的评估精细度、评估效率和评估准确度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种震后目标实物的损毁评估方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (7)

1.一种震后目标实物的损毁评估方法，其特征在于，包括：

获取待评估区域地震前后的遥感影像，并从各遥感影像中提取待评估建筑物的矢量轮廓；

根据所述待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集；

将所述目标特征参数集输入至预先构建的损毁评估模型，得到所述待评估建筑物的损毁评估结果；

其中，所述损毁评估模型输出的损毁评估结果为所述待评估建筑物的损毁等级；所述损毁评估模型为利用机器学习算法训练特征参数集所得，所述特征参数集为由利用特征选择算法从包含至少两种以上不同损毁级别的建筑物样本的样本训练集中选取每个建筑物样本的预设特征参数构成；所述特征参数集中的特征参数的类别包含目标特征参数集中的特征参数类别；所述待评估建筑物的损毁等级为损毁级别中的一种；

在所述从各遥感影像中提取待评估建筑物的矢量轮廓之后，还包括：

利用几何校准和重采样对各遥感影像进行地理配准，以使各遥感影像中的地理坐标与待评估建筑物的矢量轮廓相匹配；

所述根据所述待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集包括：

根据地震前后遥感影像计算梯度相似度；

根据所述待评估建筑物地震前后的矢量轮廓数据计算轮廓匹配度；

根据地震前后的遥感影像计算各自的均值、方差、相关性、对比度、角二阶矩、同质度和熵，并分别计算地震前后的遥感影像的均值、方差、相关性、对比度、角二阶矩、同质度和熵的差异值；

根据地震前遥感影像计算待评估区域的面积；

将计算得到的各个特征参数值构成目标特征参数集；

所述根据所述待评估建筑物地震前后的矢量轮廓数据计算轮廓匹配度包括：

根据下述公式计算所述待评估建筑物在地震前后的轮廓匹配度：

式中，N为所述待评估建筑物轮廓对应像素数，d为地震前后所述待评估建筑物中每个相对应像素间的Hausdorff距离，ρ为代价函数，所述代价函数定义为：

式中，r为用于剔除出格点的阈值。

2.根据权利要求1所述的震后目标实物的损毁评估方法，其特征在于，所述损毁评估模型输出的损毁评估结果为完全倒塌、严重损毁、一般损毁及完好中的任意一种。

3.根据权利要求2所述的震后目标实物的损毁评估方法，其特征在于，所述损毁评估模型为利用机器学习算法训练特征参数集所得包括：

利用最优优先搜索算法选择用于训练所述损毁评估模型的特征参数；

将选择得到的特征参数导入SVM机器学习分类器中进行训练。

4.根据权利要求1所述的震后目标实物的损毁评估方法，其特征在于，所述根据地震前后遥感影像计算梯度相似度包括：

根据下述公式计算地震前后遥感影像的梯度相似度：

式中，s(x,y)为地震前后遥感影像的梯度相似度，g_x为震前遥感影像对应的梯度图像；g_y为震后遥感影像对应的梯度图像；C₄为非零常数。

5.一种震后目标实物的损毁评估装置，其特征在于，包括：

矢量轮廓提取模块，用于获取待评估区域地震前后的遥感影像，并从各遥感影像中提取待评估建筑物的矢量轮廓，在所述从各遥感影像中提取待评估建筑物的矢量轮廓之后，还包括：

利用几何校准和重采样对各遥感影像进行地理配准，以使各遥感影像中的地理坐标与待评估建筑物的矢量轮廓相匹配；

目标特征参数集生成模块，用于根据所述待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集；

损毁评估结果输出模块，用于将所述目标特征参数集输入至预先构建的损毁评估模型，得到所述待评估建筑物的损毁评估结果；

其中，所述损毁评估模型输出的损毁评估结果为所述待评估建筑物的损毁等级；所述损毁评估模型为利用机器学习算法训练特征参数集所得，所述特征参数集为由利用特征选择算法从包含至少两种以上不同损毁级别的建筑物样本的样本训练集中选取每个建筑物样本的预设特征参数构成；所述特征参数集中的特征参数的类别包含目标特征参数集中的特征参数类别；所述待评估建筑物的损毁等级为损毁级别中的一种；

所述根据所述待评估建筑物地震前后的矢量轮廓数据和各自对应的遥感影像计算各自的预设特征参数，以构成目标特征参数集包括：

根据地震前后遥感影像计算梯度相似度；

根据所述待评估建筑物地震前后的矢量轮廓数据计算轮廓匹配度；

根据地震前后的遥感影像计算各自的均值、方差、相关性、对比度、角二阶矩、同质度和熵，并分别计算地震前后的遥感影像的均值、方差、相关性、对比度、角二阶矩、同质度和熵的差异值；

根据地震前遥感影像计算待评估区域的面积；

将计算得到的各个特征参数值构成目标特征参数集；

所述根据所述待评估建筑物地震前后的矢量轮廓数据计算轮廓匹配度包括：

根据下述公式计算所述待评估建筑物在地震前后的轮廓匹配度：

式中，N为所述待评估建筑物轮廓对应像素数，d为地震前后所述待评估建筑物中每个相对应像素间的Hausdorff距离，ρ为代价函数，所述代价函数定义为：

式中，r为用于剔除出格点的阈值。

6.一种震后目标实物的损毁评估设备，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至4任一项所述震后目标实物的损毁评估方法的步骤。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有震后目标实物的损毁评估程序，所述震后目标实物的损毁评估程序被处理器执行时实现如权利要求1至4任一项所述震后目标实物的损毁评估方法的步骤。

Images