CN110502977A - 一种建筑物变化分类检测方法、系统、装置及存储介质 - Google Patents
一种建筑物变化分类检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN110502977A CN110502977A CN201910621580.9A CN201910621580A CN110502977A CN 110502977 A CN110502977 A CN 110502977A CN 201910621580 A CN201910621580 A CN 201910621580A CN 110502977 A CN110502977 A CN 110502977A
- Authority
- CN
- China
- Prior art keywords
- building
- striograph
- phase
- contour
- benchmark
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000008859 change Effects 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 23
- 239000002131 composite material Substances 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种建筑物变化分类检测方法、系统、装置及存储介质，方法包括：对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓；分别计算每个建筑物轮廓的SIFT特征值；根据每个建筑物轮廓的SIFT特征值，计算叠加图层中各个对应的建筑物轮廓之间的匹配度；根据匹配度，得出建筑物变化分类结果。本发明根据计算的匹配度得出建筑物变化分类结果，使得本发明能够在大尺度大范围内高效地工作，而且检测精度较高，能有效提高检测准确率，并大幅提高工作效率，大大减轻了人力负担。本发明可广泛应用于建筑物变化检测中。
Description
技术领域
本发明涉及分类检测技术领域，尤其涉及一种建筑物变化分类检测方法、系统、装置及存储介质。
背景技术
随着城市建设的快速发展，国土监察业务中，很重要的一项任务是监管地上建筑物的建、拆、改、扩。如果完全靠人力，既耗费大量的人力、物力以及财力，又无法做到全方位实时监管国土资源利用现状。近年来，一般都是采用遥感技术进行检测建筑物的变化情况，但是目前的检测方法精度较低，准确率较低，导致工作效率低下。
发明内容
为了解决上述技术问题，本发明的目的是提供一种能提高检测准确率的建筑物变化分类检测方法、系统、装置及存储介质。
本发明所采取的技术方案是：
一种建筑物变化分类检测方法，包括以下步骤：
获取基准时相影像图和对比时相影像图；
对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓；
根据基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，分别计算每个建筑物轮廓的SIFT特征值；
将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层；
根据每个建筑物轮廓的SIFT特征值，计算叠加图层中各个对应的建筑物轮廓之间的匹配度；
根据匹配度，得出建筑物变化分类结果。
作为所述的一种建筑物变化分类检测方法的进一步改进，所述对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，这一步骤具体包括：
通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果；
根据建筑物预测结果，提取得到每个建筑物的建筑物轮廓。
作为所述的一种建筑物变化分类检测方法的进一步改进，还包括建筑物预测模型建立步骤，所述建筑物预测模型建立步骤包括：
获取建筑物影像图；
对建筑物影像图进行标注，得到标注后的建筑物影像图；
对标注后的建筑物影像图进行数据增强处理，得到数据训练集；
通过数据训练集进行模型训练，得到建筑物预测模型。
作为所述的一种建筑物变化分类检测方法的进一步改进，所述的数据增强处理的具体方式包括随机平移、随机旋转、镜像水平垂直翻转、不同尺度缩放、高斯模糊和添加椒盐噪声中的至少一种。
作为所述的一种建筑物变化分类检测方法的进一步改进，所述的建筑物预测模型集成有n个预测模型，n为正整数，所述的通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果，这一步骤具体包括：
通过建筑物预测模型中的多个预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得出每个像素的多个预测结果；
将同一像素的多个预测结果进行叠加求和，得到该像素的预测值；
对所有像素的预测值进行检测判断，若预测值大于等于n/2，则将该预测值对应的像素识别为建筑物；反之则将该预测值对应的像素识别为非建筑物；
根据检测判断的结果，得出建筑物预测结果。
作为所述的一种建筑物变化分类检测方法的进一步改进，所述的将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层，这一步骤具体包括：
将基准时相影像图和对比时相影像图进行空间叠加，得到初始图像；
对初始图像进行开闭运算去除碎图斑处理，叠加图层。
本发明所采用的另一个技术方案是：
一种建筑物变化分类检测系统，包括：
图像获取单元，用于获取基准时相影像图和对比时相影像图；
提取单元，用于对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓；
特征计算单元，用于根据基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，分别计算每个建筑物轮廓的SIFT特征值；
叠加单元，用于将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层；
匹配计算单元，用于根据每个建筑物轮廓的SIFT特征值，计算叠加图层中各个对应的建筑物轮廓之间的匹配度；
分类单元，用于根据匹配度，得出建筑物变化分类结果。
作为所述的一种建筑物变化分类检测系统的进一步改进，所述提取单元具体包括：
预测单元，用于通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果；
轮廓提取单元，用于根据建筑物预测结果，提取得到每个建筑物的建筑物轮廓。
本发明所采用的再一个技术方案是：
一种建筑物变化分类检测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的建筑物变化分类检测方法。
本发明所采用的再一个技术方案是：
一种计算机可读存储介质，包括计算机程序，当所述计算机程序在计算机上运行时，使得所述的建筑物变化分类检测方法被执行。
本发明的有益效果是：
本发明一种建筑物变化分类检测方法、系统、装置及存储介质通过对基准时相影像图和对比时相影像图进行建筑物轮廓提取，并根据计算的匹配度得出建筑物变化分类结果，使得本发明能够在大尺度大范围内高效地工作，能适应各种尺度、不同分辨率卫星图像，而且检测精度较高，能有效提高检测准确率，并大幅提高工作效率，大大减轻了人力负担。
附图说明
图1是本发明一种建筑物变化分类检测方法的步骤流程图；
图2是本发明一种建筑物变化分类检测系统的模块方框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
参考图1，本发明实施例提供了一种建筑物变化分类检测方法，包括以下步骤：
S1、获取基准时相影像图和对比时相影像图；
本实施例中主要针对某一区域的建筑物变化情况进行检测，所述基准时相影像图为目标检测区域前一年拍摄的卫星影像图，所述对比时相影像图则当前时间拍摄的卫星影像图。
S2、对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓；
本实施例中对采用DeepLabV3+模型进行建筑物轮廓提取，DeepLabv3+引入语义分割常用的encoder-decoder架构。在encoder-decoder架构中，引入可任意控制编码器提取特征的分辨率，通过空洞卷积平衡精度和耗时，采用改良Xception模型，在ASPP和解码模块使用Depthwise Separable Convolution，提高编码器-解码器网络的运行速率和健壮性。
S3、根据基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，分别计算每个建筑物轮廓的SIFT特征值；
本实施例中特征值的计算采用SIFT算法实现，SIFT算法是一种计算机视觉算法，用来检测和描述图像局部特征，在间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。SIFT算法具有如下特点：不变性：SIFT描述图像的局部特征，对图像的旋转和尺度变化具有不变性，视角变化和光照变化具有很强的适应性，在遮挡和场景杂乱时仍保持不变性；辨别能力强：特征之间相互区分的能力强，能够在海量的特征中进行快速、准确地匹配；特征点数量较多：即使是一幅较小的图片也能够产生足够多的特征点。
S4、将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层；
本实施例将基准时相影像图和对比时相影像图进行空间叠加后可以从叠加图层中得出基准时相影像图独有的部分区域是前一年独有的建筑，对比时相影像图独有的部分区域是当前独有的建筑，还有一些交集的部分区域是共有的建筑。
S5、根据每个建筑物轮廓的SIFT特征值，计算叠加图层中各个对应的建筑物轮廓之间的匹配度；
S6、根据匹配度，得出建筑物变化分类结果。
为了排除因图像遮挡和背景混乱而产生的无匹配关系的关键点，本实施例采用比较最近邻距离与次近邻距离的SIFT匹配方式：即图像中的一个SIFT关键点，并找出其与另一幅图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率ratio少于预设阈值T，则接受这一对匹配点。因为对于错误匹配，由于特征空间的高维性，相似的距离可能有大量其他的错误匹配，从而它的ratio值比较高。显然降低这个比例阈值T，SIFT匹配点数目会减少，但更加稳定，反之亦然。本实施例中采用ratio为0.5，并算出匹配成功的关键点数量的占比，即建筑物前后的匹配度。
当检测到基准时相影像图独有的部分区域中建筑物轮廓与对比时相影像图中的建筑物轮廓的匹配度较低时，则表示该基准时相影像图独有的部分区域中的建筑物轮廓为消失建筑；当检测到基准时相影像图独有的部分区域中建筑物轮廓与对比时相影像图中的某建筑物轮廓的匹配度较高时，则表示该基准时相影像图独有的部分区域中的建筑物轮廓为模型误报。
当检测到基准时相影像图与对比时相影像图交集的建筑物轮廓之间的匹配度较低时，则表示该对应的建筑物为改建建筑；当检测到基准时相影像图与对比时相影像图交集的建筑物轮廓之间的匹配度较高时，则表示该对应的建筑物为原有建筑。
当检测到对比时相影像图独有的部分区域中建筑物轮廓与基准时相影像图中的建筑物轮廓的匹配度较低时，则表示该对比时相影像图独有的部分区域中的建筑物轮廓为新增建筑；当检测到对比时相影像图独有的部分区域中建筑物轮廓与基准时相影像图中的建筑物轮廓的匹配度为中等时，则表示该对比时相影像图独有的部分区域中的建筑物轮廓为改扩建建筑；当检测到对比时相影像图独有的部分区域中建筑物轮廓与基准时相影像图中的建筑物轮廓的匹配度为高时，则表示该对比时相影像图独有的部分区域中的建筑物轮廓为模型误报。
本实施例通过用GIS进行空间分析得到建筑物的增减分类，再利用SIFT算法得到建筑物前后变化情况，最终得到建筑物变动的详细分类，能有效提高检测准确率，并大幅提高工作效率，大大减轻了人力负担。。
进一步作为优先的实施方式，本实施例中的所述对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，这一步骤具体包括：
S21、通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果；
S22、根据建筑物预测结果，提取得到每个建筑物的建筑物轮廓。
本实施例中在对每个建筑物的建筑物轮廓进行提取前，需要对基准时相影像图和对比时相影像图中的建筑物进行预测识别，本实施例中采用的建筑物预测模型采用多个预测模型集成而成，并采用多数表决法，当多个预测模型对图像中的某个像素进行预测时，只有当超过半数的预测模型的预测结果为建筑物时，才将该像素预测为建筑物，否则预测为非建筑物。
进一步作为优先的实施方式，本实施例中还包括建筑物预测模型建立步骤，所述建筑物预测模型建立步骤包括：
获取建筑物影像图；
对建筑物影像图进行标注，得到标注后的建筑物影像图；
对标注后的建筑物影像图进行数据增强处理，得到数据训练集；
本实施例中所述的数据增强处理的具体方式包括随机平移、随机旋转、镜像水平垂直翻转、不同尺度缩放、高斯模糊和添加椒盐噪声中的至少一种。
通过数据训练集进行模型训练，得到建筑物预测模型。
本实施例在获取建筑物影像图后会对该建筑物影像图进行预处理，具体是将该建筑物影像图调整为RGB3波段且像素深度为8位的图像。然后对建筑物影像图进行标注，将有建筑的区域标注为白色区域，将没有建筑的区域标注为黑色区域。之后对标注后的建筑物影像图进行数据增强处理，得到数据训练集，并将数据训练集随机划分成训练集、验证集、测试集三部分。其中训练集占70％，验证集占20％，测试集占10％。
最后使用增强后的数据训练集，训练模型。为了提高最终的预测效果，本实施例分别采用三种不同的损失函数和Adam(Adaptive Gradient自适应梯度)优化器，得到三个不同的最优的预测模型。三种损失函数如下：
均方误差：
二分类交叉熵：
KL散度：
其中，ti为真值，pi为预测值，m为图片像素总数，三个模型如下表1：
| 模型名称 | 模型架构 | 优化器 | 损失函数 |
| Model1 | DeeplabV3+ | Adam | 均方误差 |
| Model 2 | DeeplabV3+ | Adam | 二分类交叉熵 |
| Model 3 | DeeplabV3+ | Adam | KL散度 |
表1
进一步作为优先的实施方式，本实施例中的所述的建筑物预测模型集成有n个预测模型，n为正整数，所述的通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果，这一步骤具体包括：
S211、通过建筑物预测模型中的多个预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得出每个像素的多个预测结果；
S212、将同一像素的多个预测结果进行叠加求和，得到该像素的预测值；
S213、对所有像素的预测值进行检测判断，若预测值大于等于n/2，则将该预测值对应的像素识别为建筑物；反之则将该预测值对应的像素识别为非建筑物；
S214、根据检测判断的结果，得出建筑物预测结果。
本实施例中的建筑物预测模型中集成了3个预测模型，因此当对三个预测模型的对应的预测结果进行叠加求和，得到的预测值大于等于2的像素则预测识别为建筑，小于2的像素则预测识别为非建筑。
进一步作为优先的实施方式，本实施例中的所述的将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层，这一步骤具体包括：
将基准时相影像图和对比时相影像图进行空间叠加，得到初始图像；
对初始图像进行开闭运算去除碎图斑处理，叠加图层。
本实施例中对初始图像进行处理后的叠加图层中可以得出基准时相影像图和对比时相影像图的交集和差集，从而可以求出每个图斑的最小外接矩形。
参考图2，本实施例还提供了一种建筑物变化分类检测系统，包括：
图像获取单元，用于获取基准时相影像图和对比时相影像图；
提取单元，用于对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓；
特征计算单元，用于根据基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，分别计算每个建筑物轮廓的SIFT特征值；
叠加单元，用于将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层；
匹配计算单元，用于根据每个建筑物轮廓的SIFT特征值，计算叠加图层中各个对应的建筑物轮廓之间的匹配度；
分类单元，用于根据匹配度，得出建筑物变化分类结果。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
进一步作为优先的实施方式，本实施例中的所述提取单元具体包括：
预测单元，用于通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果；
轮廓提取单元，用于根据建筑物预测结果，提取得到每个建筑物的建筑物轮廓。
本实施例还提供了一种建筑物变化分类检测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的建筑物变化分类检测方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本实施例还提供了一种计算机可读存储介质，包括计算机程序，当所述计算机程序在计算机上运行时，使得所述的建筑物变化分类检测方法被执行。
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
综上所述，本发明一种建筑物变化分类检测方法、系统、装置及存储介质通过对基准时相影像图和对比时相影像图进行建筑物轮廓提取，并根据计算的匹配度得出建筑物变化分类结果，使得本发明能够在大尺度大范围内高效地工作，能适应各种尺度、不同分辨率卫星图像，而且检测精度较高，能有效提高检测准确率，并大幅提高工作效率，大大减轻了人力负担。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种建筑物变化分类检测方法，其特征在于，包括以下步骤：
获取基准时相影像图和对比时相影像图；
对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓；
根据基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，分别计算每个建筑物轮廓的SIFT特征值；
将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层；
根据每个建筑物轮廓的SIFT特征值，计算叠加图层中各个对应的建筑物轮廓之间的匹配度；
根据匹配度，得出建筑物变化分类结果。
2.根据权利要求1所述的一种建筑物变化分类检测方法，其特征在于：所述对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，这一步骤具体包括：
通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果；
根据建筑物预测结果，提取得到每个建筑物的建筑物轮廓。
3.根据权利要求2所述的一种建筑物变化分类检测方法，其特征在于：还包括建筑物预测模型建立步骤，所述建筑物预测模型建立步骤包括：
获取建筑物影像图；
对建筑物影像图进行标注，得到标注后的建筑物影像图；
对标注后的建筑物影像图进行数据增强处理，得到数据训练集；
通过数据训练集进行模型训练，得到建筑物预测模型。
4.根据权利要求3所述的一种建筑物变化分类检测方法，其特征在于：所述的数据增强处理的具体方式包括随机平移、随机旋转、镜像水平垂直翻转、不同尺度缩放、高斯模糊和添加椒盐噪声中的至少一种。
5.根据权利要求2所述的一种建筑物变化分类检测方法，其特征在于：所述的建筑物预测模型集成有n个预测模型，n为正整数，所述的通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果，这一步骤具体包括：
通过建筑物预测模型中的多个预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得出每个像素的多个预测结果；
将同一像素的多个预测结果进行叠加求和，得到该像素的预测值；
对所有像素的预测值进行检测判断，若预测值大于等于n/2，则将该预测值对应的像素识别为建筑物；反之则将该预测值对应的像素识别为非建筑物；根据检测判断的结果，得出建筑物预测结果。
6.根据权利要求1所述的一种建筑物变化分类检测方法，其特征在于：所述的将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层，这一步骤具体包括：
将基准时相影像图和对比时相影像图进行空间叠加，得到初始图像；
对初始图像进行开闭运算去除碎图斑处理，叠加图层。
7.一种建筑物变化分类检测系统，其特征在于，包括：
图像获取单元，用于获取基准时相影像图和对比时相影像图；
提取单元，用于对基准时相影像图和对比时相影像图进行建筑物轮廓提取，得出基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓；
特征计算单元，用于根据基准时相影像图中的建筑物轮廓和对比时相影像图的建筑物轮廓，分别计算每个建筑物轮廓的SIFT特征值；
叠加单元，用于将基准时相影像图和对比时相影像图进行空间叠加处理，得到叠加图层；
匹配计算单元，用于根据每个建筑物轮廓的SIFT特征值，计算叠加图层中各个对应的建筑物轮廓之间的匹配度；
分类单元，用于根据匹配度，得出建筑物变化分类结果。
8.根据权利要求7所述的一种建筑物变化分类检测系统，其特征在于：所述提取单元具体包括：
预测单元，用于通过建筑物预测模型对基准时相影像图和对比时相影像图进行建筑物预测，得到建筑物预测结果；
轮廓提取单元，用于根据建筑物预测结果，提取得到每个建筑物的建筑物轮廓。
9.一种建筑物变化分类检测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项所述的建筑物变化分类检测方法。
10.一种计算机可读存储介质，其特征在于，包括计算机程序，当所述计算机程序在计算机上运行时，使得如权利要求1～6任一项所述的建筑物变化分类检测方法被执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910621580.9A CN110502977B (zh) | 2019-07-10 | 2019-07-10 | 一种建筑物变化分类检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910621580.9A CN110502977B (zh) | 2019-07-10 | 2019-07-10 | 一种建筑物变化分类检测方法、系统、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110502977A true CN110502977A (zh) | 2019-11-26 |
| CN110502977B CN110502977B (zh) | 2022-03-15 |
Family
ID=68585624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910621580.9A Active CN110502977B (zh) | 2019-07-10 | 2019-07-10 | 一种建筑物变化分类检测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110502977B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582043A (zh) * | 2020-04-15 | 2020-08-25 | 电子科技大学 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
| CN112149594A (zh) * | 2020-09-29 | 2020-12-29 | 同济大学 | 基于深度学习和高分辨率卫星影像的城市建设评估方法 |
| CN112200769A (zh) * | 2020-09-08 | 2021-01-08 | 东南大学 | 一种用于违建检测的定点监控新旧时相图像变化检测方法 |
| CN112989086A (zh) * | 2021-05-20 | 2021-06-18 | 苏州希格玛科技有限公司 | 一种城市管理图像智能识别分类系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
| CN103034860A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于sift特征的违章建筑检测方法 |
| US20130191082A1 (en) * | 2011-07-22 | 2013-07-25 | Thales | Method of Modelling Buildings on the Basis of a Georeferenced Image |
| US20140064554A1 (en) * | 2011-11-14 | 2014-03-06 | San Diego State University Research Foundation | Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery |
| CN104049245A (zh) * | 2014-06-13 | 2014-09-17 | 中原智慧城市设计研究院有限公司 | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 |
| US20160012277A1 (en) * | 2014-07-11 | 2016-01-14 | Canon Kabushiki Kaisha | Image recognizing apparatus, image recognizing method, and storage medium |
| CN106773820A (zh) * | 2016-12-02 | 2017-05-31 | 北京奇虎科技有限公司 | 机器人互动方法、装置及机器人 |
-
2019
- 2019-07-10 CN CN201910621580.9A patent/CN110502977B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130191082A1 (en) * | 2011-07-22 | 2013-07-25 | Thales | Method of Modelling Buildings on the Basis of a Georeferenced Image |
| US20140064554A1 (en) * | 2011-11-14 | 2014-03-06 | San Diego State University Research Foundation | Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery |
| CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
| CN103034860A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于sift特征的违章建筑检测方法 |
| CN104049245A (zh) * | 2014-06-13 | 2014-09-17 | 中原智慧城市设计研究院有限公司 | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 |
| US20160012277A1 (en) * | 2014-07-11 | 2016-01-14 | Canon Kabushiki Kaisha | Image recognizing apparatus, image recognizing method, and storage medium |
| CN106773820A (zh) * | 2016-12-02 | 2017-05-31 | 北京奇虎科技有限公司 | 机器人互动方法、装置及机器人 |
Non-Patent Citations (2)
| Title |
|---|
| LIN ZHU; HIDEKI SHIMAMURA; KIKUO TACHIBANA; ZHEN LIU; PENG GONG: "《Building change detection using aerial images and existing 3D data》", 《2009 JOINT URBAN REMOTE SENSING EVENT》 * |
| R.J.RADKE; S.ANDRA; O.AL-KOFAHI; B.ROYSAM: "《Image change detection algorithms: a systematic survey》", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582043A (zh) * | 2020-04-15 | 2020-08-25 | 电子科技大学 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
| CN111582043B (zh) * | 2020-04-15 | 2022-03-15 | 电子科技大学 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
| CN112200769A (zh) * | 2020-09-08 | 2021-01-08 | 东南大学 | 一种用于违建检测的定点监控新旧时相图像变化检测方法 |
| CN112200769B (zh) * | 2020-09-08 | 2024-02-23 | 东南大学 | 一种用于违建检测的定点监控新旧时相图像变化检测方法 |
| CN112149594A (zh) * | 2020-09-29 | 2020-12-29 | 同济大学 | 基于深度学习和高分辨率卫星影像的城市建设评估方法 |
| CN112989086A (zh) * | 2021-05-20 | 2021-06-18 | 苏州希格玛科技有限公司 | 一种城市管理图像智能识别分类系统及方法 |
| CN112989086B (zh) * | 2021-05-20 | 2022-04-15 | 苏州元澄科技股份有限公司 | 一种城市管理图像智能识别分类系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110502977B (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110502977A (zh) | 一种建筑物变化分类检测方法、系统、装置及存储介质 | |
| CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
| CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
| JP2019514123A (ja) | 地理的領域におけるコンテナ内に格納された量の遠隔決定 | |
| 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 | |
| CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
| CN106845341B (zh) | 一种基于虚拟号牌的无牌车辆识别方法 | |
| CN110738125A (zh) | 利用Mask R-CNN选择检测框的方法、装置及存储介质 | |
| CN109711416B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| CN110991444B (zh) | 面向复杂场景的车牌识别方法及装置 | |
| US20210158549A1 (en) | Computer Vision Systems and Methods for Unsupervised Learning for Progressively Aligning Noisy Contours | |
| CN104680542A (zh) | 基于在线学习的遥感影像变化检测方法 | |
| CN113468968B (zh) | 一种基于无锚框的遥感图像旋转目标检测方法 | |
| CN106952274A (zh) | 基于立体视觉的行人检测与测距方法 | |
| CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
| CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
| CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
| Burochin et al. | Detecting blind building façades from highly overlapping wide angle aerial imagery | |
| CN113378912B (zh) | 一种基于深度学习目标检测的林区非法开垦地块检测方法 | |
| CN114332602A (zh) | 一种智能货柜的商品识别方法 | |
| CN113095316B (zh) | 基于多级融合和角点偏移的图像旋转目标检测方法 | |
| CN112738725B (zh) | 半封闭区域目标人群的实时识别方法、装置、设备和介质 | |
| CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
| CN110363101A (zh) | 一种基于cnn特征融合框架的花卉识别方法 | |
| CN115147726A (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
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 |