CN110826454B - 一种遥感影像变化检测方法及装置 - Google Patents
一种遥感影像变化检测方法及装置 Download PDFInfo
- Publication number
- CN110826454B CN110826454B CN201911046640.5A CN201911046640A CN110826454B CN 110826454 B CN110826454 B CN 110826454B CN 201911046640 A CN201911046640 A CN 201911046640A CN 110826454 B CN110826454 B CN 110826454B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- data
- grid
- change detection
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 136
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 125000000217 alkyl group Chemical group 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 241001178520 Stomatepia mongo Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V20/13—Satellite images
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种遥感影像变化检测方法及装置，能够减少遥感变化检测中的不确定性，提高遥感影像变化检测的精度。所述方法包括：获取用于检测遥感影像是否变化的多源信息；对每种源信息进行栅格化处理，得到栅格数据；对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；从数据库中获取数据生成训练集，训练遥感影像变化检测模型，其中，训练好的遥感影像变化检测模型用于检测某地是否发生变化。本发明涉及遥感影像变化检测领域。
Description
技术领域
本发明涉及遥感影像变化检测领域，特别是指一种遥感影像变化检测方法及装置。
背景技术
在遥感领域发展初期，变化检测就已成为人们普遍关注的应用领域之一。随着计算机、卫星传感器、信息处理等技术近几十年的发展，遥感影像变化检测从理论体系、技术方法、应用领域等方面均得到大量的研究并取得了显著进步。方法上，包括代数法、变换法、模型法等其他多种方法，这些方法从不同的角度针对不同的信息进行变化检测任务。但是缺少对多源信息的综合利用，例如，往往特别关注于单一的光谱特征，但是由于遥感信息是从传感器记录的图像信号反推真实地表状态的过程，本质是一个动态反演的过程，有不可避免的不确定性存在，这样会导致遥感影像变化检测精度低下。
发明内容
本发明要解决的技术问题是提供一种遥感影像变化检测方法及装置，以解决现有技术所存在的对单一光谱特征的利用，导致遥感影像变化检测精度低下的问题。
为解决上述技术问题，本发明实施例提供一种遥感影像变化检测方法，包括：
获取用于检测遥感影像是否变化的多源信息，其中，所述多源信息包括：地理信息、自动标注的遥感影像中的地类分类结果和遥感影像变化标签、行政区划空间规划信息、人工标注的遥感影像中的地类分类结果和遥感影像变化标签；
对每种源信息进行栅格化处理，得到栅格数据；
对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；
对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；
从数据库中获取数据生成训练集，训练遥感影像变化检测模型，其中，训练好的遥感影像变化检测模型用于检测某地是否发生变化。
进一步地，自动标注的遥感影像中的地类分类结果和遥感影像变化标签包括：
自动标注的原始遥感影像逐像素的地类分类结果；
自动标注的原始遥感影像逐像素的变化与否二分类结果。
进一步地，所述多源信息的存储载体为矢量文件；
所述对每种源信息进行栅格化处理，得到栅格数据包括：
对获取的多源信息进行投影坐标转换处理，使得处理后的多源信息在同一坐标系下；
对同一坐标系下的多源信息进行矢量转栅格操作，得到每种源信息的栅格数据文件。
进一步地，所述对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库包括：
对每个栅格数据，取每个栅格的中心点为信息点，生成点数据；
构建分布式数据库；
以信息点坐标为主键将点数据存入构建的分布式数据库。
进一步地，所述空间邻域特征包括：邻域丰度因子；其中，所述邻域丰度因子表示为：
其中，Fi,k,d表示邻域丰度因子，i表示栅格中心元素位置，k表示某一地类，d表示邻域窗口的范围；nk,d,i表示在i元素为栅格中心元素的d范围内k地类的栅格数；nd,i表示d范围内的栅格总数；Nk及N分别表示研究区域内k地类的栅格总数以及研究区域内的总栅格数。
进一步地，所述空间邻域特征还包括：地类交互因子；其中，所述地类交互因子表示为：
其中，
为地类交互因子，描述了两种地类互相的作用，l表示某一地类；Nl表示研究区域内l地类的栅格总数；∑Fi,k,d表示落入l地类为中心元素的邻域范围内的k地类的丰度之和；L表示属于l地类的栅格集合。
进一步地，所述空间邻域特征还包括：建筑物占比、交通通达度及环境质量指数。
进一步地，所述从数据库中获取数据生成训练集，训练遥感影像变化检测模型包括：
从数据库中获取数据生成原始数据集；
对原始数据集进行预处理，其中，预处理包括数据下采样、缺失值填充；
对填充后的数据集中的数据按照特征重要性进行排序，选取最重要的前N名特征生成训练集；
以XGBoost作为遥感影像变化检测模型，利用训练集训练遥感影像变化检测模型。
进一步地，所述训练好的遥感影像变化检测模型用于检测某地是否发生变化包括：
获取待测试的遥感影像的多源信息生成测试集，利用训练好的遥感影像变化检测模型对测试集进行预测，得到针对于变化检测的二分类结果；
按照矢量转栅格、栅格转点的逆过程，得到变化检测矢量文件，记录某地变化与否。
本发明实施例还提供一种遥感影像变化检测装置，包括：
获取模块，用于获取用于检测遥感影像是否变化的多源信息，其中，所述多源信息包括：地理信息、自动标注的遥感影像中的地类分类结果和遥感影像变化标签、行政区划空间规划信息、人工标注的遥感影像中的地类分类结果和遥感影像变化标签；
处理模块，用于对每种源信息进行栅格化处理，得到栅格数据；
生成模块，用于对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；
分析模块，用于对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；
检测模块，用于从数据库中获取数据生成训练集，训练遥感影像变化检测模型，其中，训练好的遥感影像变化检测模型用于检测某地是否发生变化。
本发明的上述技术方案的有益效果如下：
上述方案中，获取用于检测遥感影像是否变化的多源信息，其中，所述多源信息包括：地理信息、自动标注的遥感影像中的地类分类结果和遥感影像变化标签、行政区划空间规划信息、人工标注的遥感影像中的地类分类结果和遥感影像变化标签；对每种源信息进行栅格化处理，得到栅格数据；对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；从数据库中获取数据生成训练集，训练遥感影像变化检测模型，通过训练好的遥感影像变化检测模型检测某地是否发生变化。这样，采用基于遥感影像多源信息的遥感影像变化检测方法，能够减少遥感变化检测中的不确定性，提高遥感影像变化检测的精度。
附图说明
图1为本发明实施例提供的遥感影像变化检测方法的流程示意图；
图2为本发明实施例提供的某地的地理信息矢量数据示意图；
图3为本发明实施例提供的图2经过矢量转栅格操作后，得到的栅格数据示意图；
图4(a)、4(b)分别为本发明实施例提供的一处2015年、2017年的遥感影像示意图；
图4(c)为本发明实施例提供的针对图4(a)、图4(b)的遥感影像变化检测结果示意图；
图5(a)、5(b)分别为本发明实施例提供的另一处2015年、2017年的遥感影像示意图；
图5(c)为本发明实施例提供的针对图5(a)、图5(b)的遥感影像变化检测结果示意图；
图6为本发明实施例提供的遥感影像变化检测装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的对单一光谱特征的利用，导致遥感影像变化检测精度低下的问题，提供一种遥感影像变化检测方法及装置。
实施例一
如图1所示，本发明实施例提供的遥感影像变化检测方法，包括：
获取用于检测遥感影像是否变化的多源信息，其中，所述多源信息包括：地理信息、自动标注的遥感影像中的地类分类结果和遥感影像变化标签、行政区划空间规划信息、人工标注的遥感影像中的地类分类结果和遥感影像变化标签；
S101，对每种源信息进行栅格化处理，得到栅格数据；
S102，对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；
S103，对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；
S104，从数据库中获取数据生成训练集，训练遥感影像变化检测模型，其中，训练好的遥感影像变化检测模型用于检测某地是否发生变化。
S105，本发明实施例所述的遥感影像变化检测方法，获取用于检测遥感影像是否变化的多源信息，其中，所述多源信息包括：地理信息、自动标注的遥感影像中的地类分类结果和遥感影像变化标签、行政区划空间规划信息、人工标注的遥感影像中的地类分类结果和遥感影像变化标签；对每种源信息进行栅格化处理，得到栅格数据；对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；从数据库中获取数据生成训练集，训练遥感影像变化检测模型，通过训练好的遥感影像变化检测模型检测某地是否发生变化。这样，采用基于遥感影像多源信息的遥感影像变化检测方法，能够减少遥感变化检测中的不确定性，提高遥感影像变化检测的精度。
本实施例中，获取的多源信息包括：
1)地理信息
本实施例中，所述地理信息可以通过地理信息系统(GIS)获得，具体可以包括：明确的地类分界、地类标注及坐标信息，地理信息的存储载体为矢量文件，格式为ShapeFile(简称：shp)。
2)自动标注的遥感影像中的地类分类结果和遥感影像变化标签
本实施例中，例如，针对遥感影像的语义分割算法输出的，与原始遥感影像大小相同，标注了原始遥感影像逐像素的地类分类结果，存储载体为矢量文件，格式为shp。
本实施例中，变化标签包括：变化和不变。
本实施例中，例如，变化矢量分析法输出的，标注了原始遥感影像逐像素的变化与否二分类结果，存储载体为矢量文件，格式为shp；这样输出的变化检测结果为单一方法输出，准确性较低，作为多源数据的一类与其他数据融合，能够得到可靠性更高的最终变化检测输出结果。
3)行政区划空间规划信息
本实施例中，行政区划空间规划信息记录了区、县分界，以及空间规划等信息，存储载体为矢量文件，格式为shp。
4)人工标注的遥感影像中的地类分类结果和遥感影像变化标签
本实施例中，原始遥感影像人工标注结果的存储载体为矢量文件，格式为shp。
在前述遥感影像变化检测方法的具体实施方式中，进一步地，所述多源信息的存储载体为矢量文件；
所述对每种源信息进行栅格化处理，得到栅格数据包括：
对获取的多源信息进行投影坐标转换处理，使得处理后的多源信息在同一坐标系下；
对同一坐标系下的多源信息进行矢量转栅格操作，得到每种源信息的栅格数据文件。
本实施例中，由于多源数据格式上存在差异，要进行融合，先要对格式进行统一，且需要保证同一坐标下的不同来源数据能够准确对齐，不会产生偏移。因此选取格式为shp矢量文件的数据源，将坐标系统一为高斯克吕格投影坐标系(GaussKruger-CGCS2000-105E)，在高斯克吕格投影坐标系下，对获取的多源信息进行投影坐标转换处理，使得处理后的多源信息在同一坐标系下；并以5米大小栅格为例，把范围定位到整数且被5整除，然后，对同一坐标系下的多源信息进行矢量转栅格操作，得到每种源信息的栅格数据文件，如图2、图3所示。
本实施例中，投影坐标转换处理、栅格操作主要是为了保证不同来源数据转换栅格后，能根据坐标位置对齐。
在前述遥感影像变化检测方法的具体实施方式中，进一步地，所述对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库包括：
对每个栅格数据，取每个栅格的中心点为信息点，生成点数据；
构建分布式数据库；
以信息点坐标为主键将点数据存入构建的分布式数据库。
本实施例中，栅格数据无法进行数据库存储，因此需要转为点数据，生成点数据属性表，从而进行统一的数据存储操作。转换点数据的方法为：取每个栅格的中心点作为信息点，将所属栅格属性添加至信息点，并逐个信息点添加横纵坐标作为点数据属性表的主键，得到点数据/点数据属性表，其中，点数据属性表中的每行数据表示一个点数据。
本实施例中，由于矢量数据结构处理复杂，模拟困难，难以发挥作用，因此，对不同种类的多源信息需要做统一的栅格化转化，进一步生成点数据属性表，并引入数据库进行存储，使多源数据具有了同源性，可以通过数据库查询的方式自动化处理。
本实施例中，由于多源数据具有极大的数据量规模，以银川市多源数据为例，包含的数据可达到千万级及亿级规模，对于数据库的运算性能及可靠性都提出了很高的要求。且因此经常需要进行数据列的扩展。综合以上因素，本实施例选取MongoDB进行分布式架构的搭建，搭建分布式数据库用以存储多源数据。
如表1所示，以三台服务器(编号75、84、86)为例，搭建三个节点的分布式数据库，每个服务器包含一个mongos提供对外访问，一个配置服务器(Config Server)存储集群节点信息，以及三个分片(shard server)存储多源数据。
表1服务器信息
| 服务器75 | 服务器84 | 服务器86 |
| mongos | mongos | mongos |
| Config server | Config server | Config server |
| Shard server1主节点 | Shard server1副节点 | Shard server1仲裁 |
| Shard server2仲裁 | Shard server2主节点 | Shard server2副节点 |
| Shard server3副节点 | Shard server3仲裁 | Shard server3主节点 |
本实施例中，服务器搭建完成后，通过连接mongos，将所有点数据属性表按行存入数据库中。
本实施例中，将所有点数据属性表按行存入数据库之后，对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；其中，所述空间邻域特征包括：邻域丰度因子、地类交互因子、建筑物占比、交通通达度及环境质量指数等。
本实施例中，邻域分析对于分析空间关系有着重要的意义，特别是对于栅格数据来说，天然有规整的邻域窗口，适合于进行邻域的分析与计算。一般邻域窗口有矩形窗口、圆形窗口、十字型窗口等。本实施例选取矩形窗口，范围为9格，统计邻域丰度因子与地类交互因子；其中，邻域丰度因子表示为：
其中，Fi,k,d表示邻域丰度因子，i表示栅格中心元素位置，k表示某一地类，d表示邻域窗口的范围；nk,d,i表示在i元素为栅格中心元素的d范围内k地类的栅格数；nd,i表示d范围内的栅格总数；Nk及N分别表示研究区域内k地类的栅格总数以及研究区域内的总栅格数。
本实施例中，邻域丰度因子反映了邻域中k地类的丰富度与研究区域总体的丰富度对比情况。
本实施例中，地类交互因子表示为：
其中，
为地类交互因子，描述了两种地类互相的作用，l表示某一地类；Nl表示研究区域内l地类的栅格总数；∑Fi,k,d表示落入l地类为中心元素的邻域范围内的k地类的丰度之和；L表示属于l地类的栅格集合。
本实施例中，地类交互因子描述了两种地类互相的作用，如果k地类在l地类邻域范围内随机分布，也就是两种地类无聚集效应，也没有互斥的效应，地类交互因子为1。如果一种地类相对于另一种有富集，则地类交互因子大于1，反之小于1体现了两种地类的互斥作用。
本实施例中，对栅格进行地类的统计，得到：
其中，li代表不同地类，下标1至9分别表示草地、道路、人工堆掘地、林地、房屋建筑、耕地、构筑物、水域、园地。
本实施例中，通过引入邻域分析，引入了空间邻域特征，相比于像素级变化检测，对于噪声的控制以及伪变化的识别都有更强的能力。
在前述遥感影像变化检测方法的具体实施方式中，进一步地，所述从数据库中获取数据生成训练集，训练遥感影像变化检测模型包括：
从数据库中获取数据生成原始数据集；
对原始数据集进行预处理，其中，预处理包括数据下采样、缺失值填充；
对填充后的数据集中的数据按照特征重要性进行排序，选取最重要的前N名特征生成训练集；
以XGBoost作为遥感影像变化检测模型，利用训练集训练遥感影像变化检测模型。
本实施例中，根据实际应用场景从数据库中获取数据生成原始数据集，由于原始数据集包含多源信息，数据规模较大，特征维度较高，存在缺失值及类别不平衡问题，对于遥感影像变化检测模型的训练不利，因此要对原始数据集进行预处理与特征选择，其中，预处理包括数据下采样、缺失值填充。
本实施例中，对于遥感影像变化检测来说，由于变化区域的规模往往远远小于研究区域的规模，所以数据集存在严重的类别不平衡问题，且由于数据规模较大，对于遥感影像变化检测模型训练有足够的样本，因此本实施例中，采用了采样方法中的下采样方法。
本实施例中，多源数据有小概率出现某个信息点的信息缺失问题，考虑到遥感影像的完整性和近邻相似性，对缺失值填充近邻数据的值。
本实施例中，利用随机森林方法进行数据源和特征选择，具体的：经过预处理的数据集，进行随机森林模型的模型训练，训练过程得到特征的重要性排序。假设，在本实施例中，得到的重要性排序前五分别为：语义分割输出的地类分类结果、地理信息、环境质量指数、建筑物占比和邻域丰度因子。
本实施例中，选取最重要的前N名(例如，前5名，即：上文的语义分割输出的地类分类结果、地理信息、环境质量指数、建筑物占比和邻域丰度因子)的特征生成训练集。
本实施例中，训练遥感影像变化检测模型时，初始学习率设置为0.1，最大深度设置为5，基于树模型的决策树节点分裂所需最小损失函数下降值(gamma)为0，正则化向权重值(lambda)为0.5，采用5折交叉验证法进行训练，得到训练好的遥感影像变化检测模型。其中，遥感影像变化检测模型的超参数设置主要有网格搜索和手动调优两种方法。网格搜索将不同取值交叉形成多维网格空间，举例说明，假设模型有两类参数，分别有m种和n种取值，则网络搜索方法的搜索空间大小为m×n，即要进行m×n次模型训练得到最优参数。对于XGBoost来说，参数范围较大且较为复杂，因此选取手动调优的方法。
在前述遥感影像变化检测方法的具体实施方式中，进一步地，所述训练好的遥感影像变化检测模型用于检测某地是否发生变化包括：
获取待测试的遥感影像的多源信息生成测试集，利用训练好的遥感影像变化检测模型对测试集进行预测，得到针对于变化检测的二分类结果；
按照矢量转栅格、栅格转点的逆过程，得到变化检测矢量文件，记录某地变化与否。
本实施例中，对于待测试的遥感影像的多源信息，通过栅格化处理、生成点数据、存储点数据、邻域分析、存储空间邻域特征、数据预处理、特征重要性排序生成测试集，然后，利用训练好的遥感影像变化检测模型对测试集进行预测，得到针对于变化检测的二分类结果，在按照矢量转栅格、栅格转点的逆过程，得到变化检测矢量文件，记录某地变化与否。
本实施例中，测试集通过遥感影像变化检测模型得到了针对于变化检测的二分类结果，即对于测试集的每一个样本，遥感影像变化检测模型输出相应像素点变化与否，变化标记为1，未变化标记为0的结果。将所有测试集样本逐个经遥感影像变化检测模型预测，得到测试集的二分类结果集合。通过数据库信息查询可得到每个样本的坐标信息，将坐标信息与预测结果组合形成点数据，以文本文件的形式存储；再通过矢量转栅格、栅格转点的过程的逆过程，最终输出变化检测矢量文件，表示待测试的遥感影像的逐像素变化检测结果。
本实施例中，图4(a)及图4(b)分别为15年及17年一处遥感影像示意图，图(c)为本发明提出的遥感影像变化检测方法的输出结果，体现出的变化有建筑物的扩建及道路的修筑。
本实施例中，图5(a)及图5(b)分别为15年及17年另一处遥感影像示意图，图5(c)为本发明提出的遥感影像变化检测方法的输出结果，体现出的变化有道路扩建及荒地向人工堆掘地。
综上，本实施例提供的遥感影像变化检测方法，具有以下优点：
1)对于重点关注地物的检测能力较强，特别是建筑物等地类，能够有效发现变化；
2)对于地物内部由季节变化及辐射角度发生的变化，能够有效地滤除，即对于伪变化的过滤能力较强；
3)整体变化检测的噪点较少；
4)结合多源信息融合的遥感影像变化检测方法具有良好的适用性和准确性。
实施例二
本发明还提供一种遥感影像变化检测装置的具体实施方式，由于本发明提供的遥感影像变化检测装置与前述遥感影像变化检测方法的具体实施方式相对应，该遥感影像变化检测装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述遥感影像变化检测方法具体实施方式中的解释说明，也适用于本发明提供的遥感影像变化检测装置的具体实施方式，在本发明以下的具体实施方式中将不再赘述。
如图6所示，本发明实施例还提供一种遥感影像变化检测装置，包括：
获取模块11，用于获取用于检测遥感影像是否变化的多源信息，其中，所述多源信息包括：地理信息、自动标注的遥感影像中的地类分类结果和遥感影像变化标签、行政区划空间规划信息、人工标注的遥感影像中的地类分类结果和遥感影像变化标签；
处理模块12，用于对每种源信息进行栅格化处理，得到栅格数据；
生成模块13，用于对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；
分析模块14，用于对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；
检测模块15，用于从数据库中获取数据生成训练集，训练遥感影像变化检测模型，其中，训练好的遥感影像变化检测模型用于检测某地是否发生变化。
本发明实施例所述的遥感影像变化检测装置，获取用于检测遥感影像是否变化的多源信息，其中，所述多源信息包括：地理信息、自动标注的遥感影像中的地类分类结果和遥感影像变化标签、行政区划空间规划信息、人工标注的遥感影像中的地类分类结果和遥感影像变化标签；对每种源信息进行栅格化处理，得到栅格数据；对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；从数据库中获取数据生成训练集，训练遥感影像变化检测模型，通过训练好的遥感影像变化检测模型检测某地是否发生变化。这样，采用基于遥感影像多源信息的遥感影像变化检测方法，能够减少遥感变化检测中的不确定性，提高遥感影像变化检测的精度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种遥感影像变化检测方法，其特征在于，包括：
获取用于检测遥感影像是否变化的多源信息，其中，所述多源信息包括：地理信息、自动标注的遥感影像中的地类分类结果和遥感影像变化标签、行政区划空间规划信息、人工标注的遥感影像中的地类分类结果和遥感影像变化标签；
对每种源信息进行栅格化处理，得到栅格数据；
对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库；
对数据库中的信息进行邻域分析，得到空间邻域特征并将其存入数据库；
从数据库中获取数据生成训练集，训练遥感影像变化检测模型，其中，训练好的遥感影像变化检测模型用于检测某地是否发生变化；
其中，所述空间邻域特征包括：邻域丰度因子；其中，所述邻域丰度因子表示为：
其中，Fi,k,d表示邻域丰度因子，i表示栅格中心元素位置，k表示某一地类，d表示邻域窗口的范围；nk,d,i表示在i元素为栅格中心元素的d范围内k地类的栅格数；nd,i表示d范围内的栅格总数；Nk及N分别表示研究区域内k地类的栅格总数以及研究区域内的总栅格数。
2.根据权利要求1所述的遥感影像变化检测方法，其特征在于，自动标注的遥感影像中的地类分类结果和遥感影像变化标签包括：
自动标注的原始遥感影像逐像素的地类分类结果；
自动标注的原始遥感影像逐像素的变化与否二分类结果。
3.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述多源信息的存储载体为矢量文件；
所述对每种源信息进行栅格化处理，得到栅格数据包括：
对获取的多源信息进行投影坐标转换处理，使得处理后的多源信息在同一坐标系下；
对同一坐标系下的多源信息进行矢量转栅格操作，得到每种源信息的栅格数据文件。
4.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述对每个栅格数据，取每个栅格的中心点为信息点，生成点数据，以信息点坐标为主键将点数据存入数据库包括：
对每个栅格数据，取每个栅格的中心点为信息点，生成点数据；
构建分布式数据库；
以信息点坐标为主键将点数据存入构建的分布式数据库。
5.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述空间邻域特征还包括：地类交互因子；其中，所述地类交互因子表示为：
其中，
为地类交互因子，描述了两种地类互相的作用，l表示某一地类；Nl表示研究区域内l地类的栅格总数；∑Fi,k,d表示落入l地类为中心元素的邻域范围内的k地类的丰度之和；L表示属于l地类的栅格集合。
6.根据权利要求5所述的遥感影像变化检测方法，其特征在于，所述空间邻域特征还包括：建筑物占比、交通通达度及环境质量指数。
7.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述从数据库中获取数据生成训练集，训练遥感影像变化检测模型包括：
从数据库中获取数据生成原始数据集；
对原始数据集进行预处理，其中，预处理包括数据下采样、缺失值填充；
对填充后的数据集中的数据按照特征重要性进行排序，选取最重要的前N名特征生成训练集；
以XGBoost作为遥感影像变化检测模型，利用训练集训练遥感影像变化检测模型。
8.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述训练好的遥感影像变化检测模型用于检测某地是否发生变化包括：
获取待测试的遥感影像的多源信息生成测试集，利用训练好的遥感影像变化检测模型对测试集进行预测，得到针对于变化检测的二分类结果；
按照矢量转栅格、栅格转点的逆过程，得到变化检测矢量文件，记录某地变化与否。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046640.5A CN110826454B (zh) | 2019-10-30 | 2019-10-30 | 一种遥感影像变化检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046640.5A CN110826454B (zh) | 2019-10-30 | 2019-10-30 | 一种遥感影像变化检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110826454A CN110826454A (zh) | 2020-02-21 |
| CN110826454B true CN110826454B (zh) | 2022-06-28 |
Family
ID=69551579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911046640.5A Active CN110826454B (zh) | 2019-10-30 | 2019-10-30 | 一种遥感影像变化检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826454B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112945352A (zh) * | 2021-02-03 | 2021-06-11 | 成都鼎安华智慧物联网股份有限公司 | 基于遥感数据水位异常信息的提取方法 |
| CN112800992A (zh) * | 2021-02-03 | 2021-05-14 | 成都鼎安华智慧物联网股份有限公司 | 基于遥感数据高温异常信息的提取方法 |
| CN115620148B (zh) * | 2022-11-30 | 2023-03-28 | 航天宏图信息技术股份有限公司 | 一体化像素级变化样本标注和模型优化方法及装置 |
| CN118012833A (zh) * | 2024-01-04 | 2024-05-10 | 北京师范大学 | 耕地资源空间数据处理方法和装置 |
| CN118230186B (zh) * | 2024-04-09 | 2024-07-26 | 长江水利委员会长江科学院 | 一种可见光遥感影像水体变化检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015042772A1 (zh) * | 2013-09-24 | 2015-04-02 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
| CN108446293A (zh) * | 2018-01-22 | 2018-08-24 | 中电海康集团有限公司 | 一种基于城市多源异构数据构建城市画像的方法 |
| CN108846832A (zh) * | 2018-05-30 | 2018-11-20 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 |
| CN109934154A (zh) * | 2019-03-08 | 2019-06-25 | 北京科技大学 | 一种遥感影像变化检测方法及检测装置 |
-
2019
- 2019-10-30 CN CN201911046640.5A patent/CN110826454B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015042772A1 (zh) * | 2013-09-24 | 2015-04-02 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
| CN108446293A (zh) * | 2018-01-22 | 2018-08-24 | 中电海康集团有限公司 | 一种基于城市多源异构数据构建城市画像的方法 |
| CN108846832A (zh) * | 2018-05-30 | 2018-11-20 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 |
| CN109934154A (zh) * | 2019-03-08 | 2019-06-25 | 北京科技大学 | 一种遥感影像变化检测方法及检测装置 |
Non-Patent Citations (2)
| Title |
|---|
| 多时相遥感影像变化检测方法综述;眭海刚等;《武汉大学学报》;20181231;第43卷(第12期);全文 * |
| 遥感影像变化检测算法综述;佟国峰等;《中国图象图形学报》;20151231;第20卷(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110826454A (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826454B (zh) | 一种遥感影像变化检测方法及装置 | |
| CN112115198B (zh) | 一种城市遥感智能服务平台 | |
| CN111932036B (zh) | 基于位置大数据的精细时空尺度动态人口预测方法及系统 | |
| Klein et al. | PAIRS: A scalable geo-spatial data analytics platform | |
| Pijanowski et al. | Modelling urbanization patterns in two diverse regions of the world | |
| Can et al. | Semantic segmentation on Swiss3DCities: A benchmark study on aerial photogrammetric 3D pointcloud dataset | |
| CN113222316B (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
| CN107133900A (zh) | 城市土地混合利用特征格网计算方法及装置 | |
| Nurkarim et al. | Building footprint extraction and counting on very high-resolution satellite imagery using object detection deep learning framework | |
| CN114049462B (zh) | 一种三维模型单体化方法及装置 | |
| CN111210483A (zh) | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 | |
| CN112528508A (zh) | 电磁可视化方法和装置 | |
| CN116127327B (zh) | 森林地上生物量反演方法、装置、设备以及存储介质 | |
| 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 | |
| Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
| Kuma et al. | Machine learning of cloud types in satellite observations and climate models | |
| CN115032720A (zh) | 基于随机森林的多模式集成预报在地面气温预报中的应用 | |
| CN114118511B (zh) | 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 | |
| Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
| Minghini et al. | An open source approach for the intrinsic assessment of the temporal accuracy, up-to-dateness and lineage of openstreetmap | |
| Kuma et al. | Machine learning of cloud types shows higher climate sensitivity is associated with lower cloud biases | |
| CN115858713B (zh) | 一种农情地理信息的数据管理方法与数据管理系统 | |
| CN116611725A (zh) | 一种基于绿色生态指标的土地类型识别方法及装置 | |
| Osei et al. | Long term monitoring of Ghana’s forest reserves Using Google Earth Engine | |
| Yi et al. | Towards equitable access to information and opportunity for all: mapping schools with high-resolution Satellite Imagery and Machine Learning |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Dezheng Inventor after: He Zheyu Inventor after: Zhang Xuefeng Inventor after: Yin Xinyu Inventor after: Li Peng Inventor before: Zhang Dezheng Inventor before: He Zheyu Inventor before: Yin Xinyu Inventor before: Li Peng |
|
| CB03 | Change of inventor or designer information |