CN111323768B - 建筑物变化的识别方法、装置、终端及存储介质 - Google Patents

建筑物变化的识别方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN111323768B
CN111323768B CN202010119755.9A CN202010119755A CN111323768B CN 111323768 B CN111323768 B CN 111323768B CN 202010119755 A CN202010119755 A CN 202010119755A CN 111323768 B CN111323768 B CN 111323768B
Authority
CN
China
Prior art keywords
building
time
radar data
time sequence
data
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
Application number
CN202010119755.9A
Other languages
English (en)
Other versions
CN111323768A (zh
Inventor
彭珺
勾静
刘哲
张弓
顾竹
宋宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiage Tiandi Technology Co ltd
Original Assignee
Beijing Jiage Tiandi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiage Tiandi Technology Co ltd filed Critical Beijing Jiage Tiandi Technology Co ltd
Priority to CN202010119755.9A priority Critical patent/CN111323768B/zh
Publication of CN111323768A publication Critical patent/CN111323768A/zh
Application granted granted Critical
Publication of CN111323768B publication Critical patent/CN111323768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请属于遥感卫星音影像分析技术领域，具体而言，涉及一种建筑物变化的识别方法、装置、终端及存储介质。其中一种建筑物变化的识别方法，包括：获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据；采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列；基于所述第一时间序列和第二时间序列，获取所述同一地区包含的建筑物的变化结果。由于雷达数据受天气状况以及季节时相影响较小，该建筑物变化的识别方法可以用于不同时间或者不同空间上建筑变化的识别，可以增加建筑物识别方法的适用范围，进而可以满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。

Description

建筑物变化的识别方法、装置、终端及存储介质
技术领域
本申请属于遥感卫星音影像分析技术领域，具体而言，涉及一种建筑物变化的识别方法、装置、终端及存储介质。
背景技术
建筑物作为一种重要的人工地物目标，是基础地理数据库的重要组成要素。随着科学技术的发展，用户可以利用遥感卫星影像技术观测地表建筑物的变化。卫星传感器是可以获取和记录目标物体自身发射或是反射来自自然辐射源(如太阳)的电磁波信息的遥感系统。
目前，用户可以基于卫星传感器采集到的遥感影像分析建筑物的变化。由于卫星传感器获取遥感影像时，会受到云雾等天气状况以及不同季节时相的变化影响，因此不同空间和时间的影像数据存在较大的差别。用户设计的各类算法只能实现在特定的地区和时间下适用，不能满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
发明内容
本申请实施例提供一种建筑物变化的识别方法、装置、终端及存储介质，可以满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
第一方面，本申请实施例提供一种建筑物变化的识别方法，包括：
获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据；
采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列；
基于所述第一时间序列和第二时间序列，获取所述同一地区包含的建筑物的变化结果。
根据一些实施例，所述采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列之前，还包括：
对所述第一雷达数据和所述第二雷达数据进行数值转化处理。
根据一些实施例，所述对所述第一雷达数据和所述第二雷达数据进行数值转化处理之后，还包括：
分别对所述第一时间序列和所述第二时间序列进行抽样提取，得到第一抽样数据和第二抽样数据；
在所述第一抽样数据和所述第二抽样数据的差值超过预设阈值时，确定所述建筑物的高度发生变化；
其中，所述建筑物的高度发生变化包括所述建筑物的高度增高和所述建筑物的高度降低。
根据一些实施例，所述确定所述建筑物的高度发生变化之后，还包括：
对所述建筑物所在区域进行标记。
根据一些实施例，所述基于所述第一时间序列和第二时间序列，获取所述同一地区包含的建筑物的变化结果之后还包括：
采用时间序列滤波算法对第三时间窗口的第三雷达数据进行滤波处理，得到第三时间序列，其中，所述第三时间窗口的起始时间为所述第一时间窗口的起始时间，所述第三时间窗口的终止时间至所述第二时间窗口的终止时间；
计算所述第三时间序列的相关系数；
在所述相关系数高于预设阈值时，确定所述同一地区包含的建筑物的变化结果。
根据一些实施例，所述基于所述第一时间序列，获取所述同一地区包含的建筑物的变化结果之后，还包括：
对所述建筑物所在区域进行空间去噪处理。
根据一些实施例，所述采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列，包括：
采用中值滤波算法对所述第一雷达数据和所述第二雷达数据进行滤波处理。
第二方面，本申请实施例提供一种建筑物变化的识别装置，包括：
数据获取单元，用于获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据；
数据处理单元，用于采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列；
结果获取单元，用于基于所述第一时间序列和第二时间序列，获取所述同一地区包含的建筑物的变化结果。
第三方面，本申请实施例提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，其中，上述计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
本申请实施例提供一种建筑物变化的识别方法、装置、终端及存储介质，通过获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据，可以采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列，可以基于第一时间序列，获取同一地区包含的建筑物的变化结果。通过对获取到的同一地区不同时间窗口雷达数据的分析处理，可以获取到同一地区建筑物的变化情况，由于雷达数据受天气状况以及季节时相影响较小，本申请实施例的建筑物变化的识别方法可以用于不同时间或者不同空间上建筑变化的识别，可以增加建筑物识别方法的适用范围，进而可以满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示出本申请实施例的建筑物变化的识别方法的流程示意图；
图2示出本申请实施例的时间窗口的选择示意图；
图3示出本申请实施例的终端的界面示意图；
图4示出本申请实施例的建筑物变化的识别方法的流程示意图；
图5示出本申请实施例的建筑物变化的识别方法的流程示意图；
图6示出本申请实施例的建筑物变化的识别方法的场景示意图；
图7示出本申请实施例的建筑物变化的识别方法的场景示意图；
图8示出本申请实施例的建筑物变化的识别装置的结构示意图；
图9示出本申请实施例的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅为本申请实施例的一部分，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
建筑物作为一种重要的人工地物目标，是基础地理数据库的重要组成要素。随着科学技术的发展，通过卫星影像进行地表建筑物变化识别，是卫星影像领域的重要课题。例如用户可以利用遥感卫星影像技术观测地表建筑物的变化。
目前建筑物变化的提取方法的主要思路是基于建筑物识别的提取方法，即通过对不同时间的遥感影像的识别，获取到遥感影像中影像建筑物本身从而得出不同时间的遥感影像中建筑物的变化情况。
在遥感领域，用户可以将光谱指数法用于建筑物等不透水面的提取。光谱指数法的主要机理为利用不透水面与裸地在近红外、短波红外波段光谱的差异，对两者进行区分。当用户基于光谱指数法获取到高分辨率多光谱遥感影像时，可以利用机器学习等算法，通过训练大量建筑物体的标注样本，构建建筑物的算法识别模型，最终实现不同影像中的建筑物变化的识别。由于光谱指数法无法稳定地解决建筑要素和裸地相混淆的问题，尤其是建筑屋顶材质与部分裸地在一定的环境季节里趋于表现一致时，导致光谱指数法用于不同时间和空间维度的建筑提取存在较大的不确定性，因此不能满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
易于理解的是，以上方法是基于被动式遥感影像数据进行建筑物变化的识别，即遥感系统本身不带有辐射源的探测系统。卫星传感器是可以获取和记录目标物体自身发射或是反射来自自然辐射源(如太阳)的电磁波信息的遥感系统。目前，用户可以基于卫星传感器采集到的遥感影像分析建筑物的变化。由于卫星传感器获取遥感影像时，会受到云雾等天气状况以及不同季节时相的变化影响，因此不同空间和不同时间的影像数据存在较大的差别。由于影像数据在不同空间和不同时间的差异性，用户设计的各类算法只能实现在特定的地区和时间下适用，不能满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
本申请实施例技术方案的执行主体不作限定，例如本申请实施例的技术方案可以由终端执行，也可以由服务器执行。下述建筑物变化的识别方法的执行主体以终端为例进行介绍。
图1示出本申请实施例的建筑物变化的识别方法的流程示意图。
如图1所示，该建筑物变化的识别方法包括：
S101，获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据。
根据一些实施例，图2示出本申请实施例的时间窗口的选择示意图。如图2所示，第一时间窗口是指终端选择的一段时间范围。第一时间窗口并不特指某一时间范围，例如第一时间窗口可以是2019年2月1日至2019年3月1日，还可以是2019年2月28日至2019年3月28日。第二时间窗口是指终端选择不同于第一时间窗口的一段时间范围。例如第一时间窗口是2019年2月1日至2019年3月1日时，第二时间窗口可以是2019年3月1日至2019年4月1日。
易于理解的是，本申请实施例的雷达数据可以是合成孔径雷达数据。合成孔径雷达数据是由合成孔径雷达(synthetic aperture radar，SAR)采集的雷达数据。合成孔径雷达属于一种微波成像雷达，也是一种可以产生高分辨率图像的(航空)机载雷达或(太空)星载雷达，可安装在飞机、卫星、宇宙飞船等飞行平台上，可以全天时、全天候对地实施观测、并具有一定的地表穿透能力。合成孔径雷达具有不受光照和气候条件等限制实现全天时、全天候对地观测的特点，因此合成孔径雷达可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。
可选的，合成孔径雷达数据的波段包括“VV”，“VH”等波段，本申请实施例的雷达数据可以选择任意波段或者波段计算组合数据。例如本申请实施例的雷达数据可以选择Sentinel-1A/B的接地范围的检测(GRD)数据。
根据一些实施例，当终端接收到建筑物变化的识别指令时，终端可以获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据。例如，用户获取A地区进行建筑物变化情况时，可以点击终端上建筑物变化的识别控件，此时终端的显示界面如图3所示。当终端检测到在用户点击建筑物变化的识别控件时，终端可以获取A地区2019年2月1日至2019年3月1日的第一雷达数据和2019年3月1日至2019年4月1日的第二雷达数据。
易于理解的是，当终端获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据之前，终端可以统计地表平面区域的雷达数据，并基于雷达数据确定平面区域和建筑楼房区域的分别对应数值大小。例如终端可以确定数值小于-10的区域为近平地区域，数值大于-5的区域为建筑楼房区域。
S102，采用时间序列滤波算法分别对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列。
根据一些实施例，本申请实施例的时间序列滤波算法包括但不限于最大值滤波算法、最小值滤波算法、中值滤波算法、均值滤波算法、移动平均滤波算法、移动中值滤波算法、高斯滤波算法等。
易于理解的是，当终端获取到同一地区在第一时间窗口的第一雷达数据和第二时间窗口的第二雷达数据时，可以采用时间序列滤波算法分别对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列。
可选的，本申请实施例的时间序列滤波算法例如可以是中值滤波算法。终端获取到同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据时，可以采用中值滤波算法分别对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列。本申请实施例采用中值滤波算法对第一雷达数据和第二雷达数据进行滤波处理时，还可以辅助采用移动中值算法对第一雷达数据和第二雷达数据进行处理，可以有效消除第一时间序列中的极大值和极小值项，可以消除极值噪声误差对同一地区包含的建筑物的变化结果的影响，还可以保留其他数据的原始数据值。
根据一些实施例，中值滤波算法为在对目标时间窗口里的雷达数据取中值，输出目标时间窗口的雷达数据中值。终端获取到的第一雷达数据例如可以是-10、-15、-12、-13和第二雷达数据例如可以是-4、-8、-3、-2，终端采用中值滤波算法对第一雷达数据进行滤波处理得到第一时间序列，得到的第一时间序列例如可以是{-12，-13}。终端采用中值滤波算法对第二雷达数据进行滤波处理得到的第二时间序列例如可以是{-4，-3}。
S103，基于第一时间序列和第二时间序列，获取同一地区包含的建筑物的变化结果。
根据一些实施例，当终端采用时间序列滤波算法分别对第一雷达数据和第二雷达数据进行滤波处理，可以得到第一时间序列和第二时间序列。终端获取到第一时间序列和第二时间序列时，终端可以基于第一时间序列和第二时间序列中数值的变化情况，确定同一地区包含的建筑物的变化结果。
易于理解的是，终端获取到的第一时间序列例如可以是{-12，-13}和第二时间序列例如可以是{-4，-3}。终端可以计算第一时间序列的第一均值和第二时间序列的第二均值，当第一均值和第二均值的差值超过预设阈值时，确定建筑物的高度发生变化。例如终端计算的第一均值为-12.5和第二均值为-3.5。终端设置的预设阈值例如可以是5。终端确定到第一均值-12.5和第二均值-3.5的差值9大于预设阈值5，终端确定A地区的建筑的高度发生变化。
可选的，终端还可以基于第一时间序列获取到第一时间窗口的建筑物的第一情况，和基于第二时间序列获取到第二时间窗口的建筑物的第二情况。终端可以根据第一情况和第二情况，获取到同一地区包含的建筑物的变化结果。例如终端获取到的第一情况为A地区为平地区域和第二情况为A地区为建筑楼房区域。终端可以基于第一情况和第二情况，确定A地区的建筑物的高度增高。
本申请实施例提供一种建筑物变化的识别方法，通过获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据，可以采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列，可以基于第一时间序列，获取同一地区包含的建筑物的变化结果。终端获取到的雷达数据受天气状况以及季节时相影响较小，因此终端可以在能见度极低的情况下获取到高分辨的雷达数据，可以提高雷达数据获取的精度，因此本申请实施例的技术方案可以用于不同空间上建筑物变化的识别。另外终端采用时间序列滤波算法对获取到的同一地区不同时间窗口雷达数据的分析处理，可以获取到同一地区不用时间建筑物的变化情况，因此本申请实施例的技术方案可以用于不同时间或者不同空间上建筑变化的识别，可以增加建筑物识别方法的适用范围，进而可以满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
图4示出本申请实施例的建筑物变化的识别方法的流程示意图。
如图4所示，该建筑物变化的识别方法包括：
S201，获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据。
根据一些实施例，终端检测到用户发送的建筑物变化的识别指令时，终端可以获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据。该建筑物变化的识别指令包括但不限于控件点击指令、语音识别指令等。
具体过程如上所述，此处不再赘述。
S202，对第一雷达数据和第二雷达数据进行数值转化处理。
根据一些实施例，本申请实施例的雷达数据例如可以是合成空间雷达数据。终端根据终端的统计识别结果可以确定：对于近平地，由于反射特性的存在造成其接受的后向散射值较低，因此合成空间雷达数据的数值会在低值区间；而对于建筑等立体结构，存在二次散射效应造成其接受的后向散射值相对较高，因此合成空间雷达数据的数值会在高值区间。
易于理解的是，当终端获取到同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据时，可以对第一雷达数据和第二雷达数据进行数值转化处理，提高建筑物变化的识别的准确性。例如终端获取的雷达数据可以是VV波段的雷达数据。终端例如可以选择近平地区域的相对高值t1，t1满足雷达数据<＝t1为近平地区域或非建筑区域，选择一个建筑楼房的相对低值t2，t2满足雷达数据>＝t2为建筑楼房或非近平地区域。其中，t1和t2的选择可以根据建筑物变化的识别方法的适用范围而定。本申请实施例的t1例如可以选择-10，t2例如可以选择0，终端可以确定雷达数据中数值低于-10的区域一定为近平地区域或非建筑区域，而高于t2即0的区域一定为建筑楼房或者非近平地区域。中间值可以是近平地区域和非近平地区域的交叉区域。因此终端获取到同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据时，终端可以按照公式(1)和公式(2)，将第一雷达数据和第二雷达数据中低于-10的全部转化为-10，高于0的全部转化为0。
value(where value<-10)＝-10 (1)
value(where value>＝0)＝0 (2)
S203，分别对第一时间序列和第二时间序列进行抽样提取，得到第一抽样数据和第二抽样数据。
根据一些实施例，当终端采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列时，终端可以分别对第一时间序列和第二时间序列进行抽样提取，得到第一抽样数据和第二抽样数据。终端获取到的第一时间序列例如可以是{-10、-5、-8、-7}和第二时间序列例如可以是{2、3、5、8}。终端对第一时间序列进行抽样提取得到的第一抽样数据例如可以是-5，终端对第二时间序列进行抽样提取得到的第二抽样数据例如可以是5。
S204，在第一抽样数据和第二抽样数据的差值超过预设阈值时，确定建筑物的高度发生变化。
根据一些实施例，当终端分别对第一时间序列和第二时间序列进行抽样提取，得到第一抽样数据和第二抽样数据后，终端可以判断第一抽样数据和第二抽样数据的差值是否超过预设阈值。当终端判断到第一抽样数据和第二抽样数据的差值超过预设阈值，确定建筑物的高度发生变化。当终端判断到第一抽样数据和第二抽样数据的差值没有超过预设阈值，确定建筑物的高度没有发生变化。其中，建筑物的高度发生变化包括建筑物的高度增高和建筑物的高度降低。
易于理解的是，终端对第一时间序列进行抽样提取得到的第一抽样数据例如可以是-5，终端对第二时间序列进行抽样提取得到的第二抽样数据例如可以是5。终端设置的预设阈值例如可以是5。当终端检测第一抽样数据-5和第二抽样数据5的差值10超过预设阈值5时，确定建筑物的高度增加。
可选的，终端获取的第一时间窗口例如还可以为2019年10月1日至2019年10月15日，第二时间窗口为2019年9月1日至2019年9月15日。终端对第一时间序列进行抽样提取得到的第一抽样数据例如可以是-5，终端对第二时间序列进行抽样提取得到的第二抽样数据例如可以是5。终端设置的预设阈值例如可以是5。当终端检测第一抽样数据-5和第二抽样数据5的差值10超过预设阈值5时，确定建筑物的高度降低。
S205，对建筑物所在区域进行标记。
根据一些实施例，当终端确定建筑的高度发生变化时，终端可以对建筑物所在区域进行标记。终端对建筑物所在区域进行标记可以使用户直观的看到建筑物的变换情况。其中终端对建筑物所在区域进行的标记包括但不限于数字，颜色，图形等标记。
易于理解的是，当终端确定建筑的高度发生变化时，终端可以将建筑物所在区域的颜色可以由绿色变为棕褐色。
S206，对建筑物所在区域进行空间去噪处理。
根据一些实施例，终端显示的建筑物呈现面状分布的特性，当终端确定建筑物的高度发生变化时，终端可以对建筑变化区域进行空间去噪处理。由于单一或者单条类雷达数据对应数据源的空间分辨率能力的基限，终端对建筑物所在区域进行空间去噪处理可以消除单一雷达数据和单条状的线性雷达数据对建筑物变化识别结果的影响。
易于理解的是，当终端获取到建筑物变化的识别结果时，终端可以对时间窗口进行滑动，以便终端可以对不同时间窗口的雷达数据进行处理，得到不同时间窗口对应的建筑物变化的识别结果。
根据一些实施例，图5示出本申请实施例的建筑物变化的识别方法的流程示意图。如图5所示，该建筑物变化的识别方法包括：S301，采用时间序列滤波算法对第三时间窗口的第三雷达数据进行滤波处理，得到第三时间序列；S302，计算第三时间序列的相关系数；S303，在相关系数高于预设阈值时，确定同一地区包含的建筑物的变化结果。
根据一些实施例，第三时间窗口的起始时间为第一时间窗口的起始时间，第三时间窗口的终止时间至第二时间窗口的终止时间。当第一时间窗口和第二时间窗口为连续时间窗口时，第三时间窗口包括第一时间窗口和第二时间窗口，此时第三时间窗口的示意图可以如图6所示。当第一时间窗口和第二时间窗口不为连续时间窗口时，第三时间窗口包括第一时间窗口和第二时间窗口以及第一时间窗口和第二时间窗口之间的间隔窗口，此时第三时间窗口的示意图可以如图7所示。
根据一些实施例，终端可以采用移动滤波算法对第三时间窗口的第三雷达数据进行滤波处理，得到第三时间序列。当终端获取到同一地区在第三时间窗口的第三时间序列，可以采用公式(3)计算第三时间序列的相关系数。
其中，k、a、b为常数。当终端判断到第三时间序列的相关系数高于预设阈值时，可以确定同一地区包含的建筑物的变化结果。本申请实施例对第三时间序列的相关系数的计算可以提高终端对同一地区包含的建筑物的变化结果确定的准确度。
易于理解的是，例如终端获取到的B地区的2019年10月1日至2019年10月15日的第一雷达数据和2019年11月1日至2019年11月15日的第二雷达数据，终端基于第一雷达数据和第二雷达数据可以获取到B地区的建筑物的高度增加。此时终端可以获取的B地区从2019年10月1日至2019年11月15日的第三雷达数据，并采用移动滤波算法得到第三时间序列。当终端得到第三时间序列时，计算得到第三时间序列的相关系数例如可以是0.85。终端设置的预设阈值例如可以是0.75。当终端判断到0.85高于0.75时，可以确定终端B地区的建筑物的高度增加。
本申请实施例提供一种建筑物变化的识别方法，通过获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据，对第一雷达数据和第二雷达数据进行数值转化处理，得到第一时间序列和第二时间序列，并分别对第一时间序列和第二时间序列进行抽样提取，得到第一抽样数据和第二抽样数据，在第一抽样数据和第二抽样数据的差值超过预设阈值时，确定建筑物的高度发生变化。终端通过对获取到的同一地区不同时间窗口雷达数据的分析处理，可以获取到同一地区建筑物的变化情况。由于雷达数据受天气状况以及季节时相影响较小，本申请的技术方案可以用于不同时间或者不同空间上建筑变化的识别，可以增加建筑物识别方法的适用范围，进而可以满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
图8示出本申请实施例的建筑物变化的识别装置的结构示意图。
如图8所示，该建筑物变化的识别装置500，包括数据获取单元501、数据处理单元502和结果获取单元503，其中：
数据获取单元501，用于获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据；
数据处理单元502，用于采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列；
结果获取单元503，用于基于第一时间序列，获取同一地区包含的建筑物的变化结果。
根据一些实施例，该建筑物变化的识别装置还包括数值转化单元504，用于采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列之前，对第一雷达数据和第二雷达数据进行数值转化处理。
根据一些实施例，该建筑物变化的识别装置还包括数据提取单元505，用于对第一时间序列进行抽样提取，得到第一抽样数据和第二抽样数据；
在第一抽样数据和第二抽样数据的差值超过预设阈值时，确定建筑物的高度发生变化；
其中，建筑物的高度发生变化包括建筑物的高度增高和建筑物的高度降低。
根据一些实施例，该建筑物变化的识别装置还包括去噪处理单元506，用于确定建筑物的高度发生变化之后，对建筑物所在区域进行标记。
根据一些实施例，数据处理单元502，用于在执行获取同一地区包含的建筑物的变化结果之后，具体用于：
采用时间序列滤波算法对第三时间窗口的第三雷达数据进行滤波处理，得到第三时间序列，其中，第三时间窗口的起始时间为第一时间窗口的起始时间，第三时间窗口的终止时间至第二时间窗口的终止时间；
计算第三时间序列的相关系数；
在相关系数高于预设阈值时，确定同一地区包含的建筑物的变化结果。
根据一些实施例，该建筑物变化的识别装置还包括区域标记单元507，用于基于第一时间序列，获取同一地区包含的建筑物的变化结果之后，对建筑物所在区域进行空间去噪处理。
根据一些实施例，数据处理单元502，用于采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列时，具体用于：
采用中值滤波算法对第一雷达数据和第二雷达数据进行滤波处理。
本申请实施例提供一种建筑物变化的识别装置，通过数据获取单元获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据，数据处理单元采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列，结果获取单元基于第一时间序列，获取同一地区包含的建筑物的变化结果。建筑物变化的识别装置可以获取到受天气状况以及季节时相影响较小的雷达数据，因此该装置通过对同一地区不同时间窗口雷达数据的分析处理，可以获取到同一地区建筑物的变化情况，因此该装置可以用于不同时间或者不同空间上建筑变化的识别，可以增加建筑物识别装置的适用范围，进而可以满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
请参见图9，为本申请实施例提供的一种终端的结构示意图。如图9所示，所述终端600可以包括：至少一个处理器601，至少一个网络接口604，用户接口603，存储器605，至少一个通信总线602。
其中，通信总线602用于实现这些组件之间的连接通信。
其中，用户接口603可以包括显示屏(Display)和GPS，可选用户接口603还可以包括标准的有线接口、无线接口。
其中，网络接口604可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器601可以包括一个或者多个处理核心。处理器601利用各种借口和线路连接整个终端600内的各个部分，通过运行或执行存储在存储器605内的指令、程序、代码集或指令集，以及调用存储在存储器605内的数据，执行终端600的各种功能和处理数据。可选的，处理器601可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable GateArray，FPGA)、可编程逻辑阵列(ProgrammableLogicArray，PLA)中的至少一种硬件形式来实现。处理器601可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器601中，单独通过一块芯片进行实现。
其中，存储器605可以包括随机存储器(RandomAccess Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器905包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。如图9所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及用于建筑物变化的识别的应用程序。
在图9所示的终端600中，用户接口603主要用于为用户提供输入的接口，获取用户输入的数据；而处理器601可以用于调用存储器605中存储的建筑物变化的识别方法的应用程序，并具体执行以下操作：
获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据；
采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列；
基于第一时间序列，获取同一地区包含的建筑物的变化结果。
根据一些实施例，处理器在执行采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列之前，还用于执行以下操作：
对第一雷达数据和第二雷达数据进行数值转化处理。
根据一些实施例，处理器在执行对第一雷达数据和第二雷达数据进行数值转化处理之后，还用于执行以下操作：
对第一时间序列进行抽样提取，得到第一抽样数据和第二抽样数据；
在第一抽样数据和第二抽样数据的差值超过预设阈值时，确定建筑物的高度发生变化；
其中，建筑物的高度发生变化包括建筑物的高度增高和建筑物的高度降低。
根据一些实施例，处理器在执行确定建筑物的高度发生变化之后，还用于执行以下操作：
对建筑物所在区域进行标记。
根据一些实施例，处理器在执行获取同一地区包含的建筑物的变化结果之后，还具体用于执行以下操作：
采用时间序列滤波算法对第三时间窗口的第三雷达数据进行滤波处理，得到第三时间序列，其中，第三时间窗口的起始时间为第一时间窗口的起始时间，第三时间窗口的终止时间至第二时间窗口的终止时间；
计算第三时间序列的相关系数；
在相关系数高于预设阈值时，确定同一地区包含的建筑物的变化结果。
根据一些实施例，处理器在执行基于第一时间序列，获取同一地区包含的建筑物的变化结果之后，还用于执行以下操作：
对建筑物所在区域进行空间去噪处理。
根据一些实施例，处理器在执行采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列时，具体用于执行以下操作：
采用中值滤波算法对第一雷达数据和第二雷达数据进行滤波处理。
本申请实施例提供一种终端，通过获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据，可以采用时间序列滤波算法对第一雷达数据和第二雷达数据进行滤波处理，得到第一时间序列，可以基于第一时间序列，获取同一地区包含的建筑物的变化结果。终端获取到的雷达数据受天气状况以及季节时相影响较小，因此终端可以在能见度极低的情况下获取到高分辨的雷达数据，可以提高数据获取的精度，因此本申请实施例的技术方案可以用于不同空间上建筑物变化的识别。另外终端采用时间序列滤波算法对获取到的同一地区不同时间窗口雷达数据的分析处理，可以获取到同一地区不用时间建筑物的变化情况，因此本申请实施例的技术方案可以用于不同时间或者不同空间上建筑变化的识别，可以增加建筑物识别方法的适用范围，进而可以满足不同时间或者不同空间上建筑变化识别任务的泛化性需求。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种建筑物变化的识别方法的部分或全部步骤。
本领域的技术人员可以清楚地了解到本申请的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(Field－ProgrammaBLEGateArray，FPGA)、集成电路(Integrated Circuit，IC)等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccessMemory，RAM)、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (9)

1.一种建筑物变化的识别方法，其特征在于，包括：
获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据；
采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列；
基于所述第一时间序列和第二时间序列，获取所述同一地区包含的建筑物的变化结果；
采用时间序列滤波算法对第三时间窗口的第三雷达数据进行滤波处理，得到第三时间序列，其中，所述第三时间窗口的起始时间为所述第一时间窗口的起始时间，所述第三时间窗口的终止时间至所述第二时间窗口的终止时间；
计算所述第三时间序列的相关系数；
在所述相关系数高于预设阈值时，确定所述同一地区包含的建筑物的变化结果。
2.如权利要求1所述的建筑物变化的识别方法，其特征在于，所述采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列之前，还包括：
对所述第一雷达数据和所述第二雷达数据进行数值转化处理。
3.如权利要求2所述的建筑物变化的识别方法，其特征在于，所述对所述第一雷达数据和所述第二雷达数据进行数值转化处理之后，还包括：
分别对所述第一时间序列和所述第二时间序列进行抽样提取，得到第一抽样数据和第二抽样数据；
在所述第一抽样数据和所述第二抽样数据的差值超过预设阈值时，确定所述建筑物的高度发生变化；
其中，所述建筑物的高度发生变化包括所述建筑物的高度增高和所述建筑物的高度降低。
4.如权利要求3所述的建筑物变化的识别方法，其特征在于，所述确定所述建筑物的高度发生变化之后，还包括：
对所述建筑物所在区域进行标记。
5.如权利要求1所述的建筑物变化的识别方法，其特征在于，所述基于所述第一时间序列，获取所述同一地区包含的建筑物的变化结果之后，还包括：
对所述建筑物所在区域进行空间去噪处理。
6.如权利要求1所述的建筑物变化的识别方法，其特征在于，所述采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列，包括：
采用中值滤波算法对所述第一雷达数据和所述第二雷达数据进行滤波处理。
7.一种建筑物变化的识别装置，其特征在于，包括：
数据获取单元，用于获取同一地区在第一时间窗口的第一雷达数据和在第二时间窗口的第二雷达数据；
数据处理单元，用于采用时间序列滤波算法分别对所述第一雷达数据和所述第二雷达数据进行滤波处理，得到第一时间序列和第二时间序列；
结果获取单元，用于基于所述第一时间序列和第二时间序列，获取所述同一地区包含的建筑物的变化结果；
所述数据处理单元，还用于采用时间序列滤波算法对第三时间窗口的第三雷达数据进行滤波处理，得到第三时间序列，其中，所述第三时间窗口的起始时间为所述第一时间窗口的起始时间，所述第三时间窗口的终止时间至所述第二时间窗口的终止时间；
所述数据处理单元，还用于计算所述第三时间序列的相关系数；
所述数据处理单元，还用于在所述相关系数高于预设阈值时，确定所述同一地区包含的建筑物的变化结果。
8.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-6中任一项所述的建筑物变化的识别方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述权利要求1-6中任一项所述的建筑物变化的识别方法。
CN202010119755.9A 2020-02-26 2020-02-26 建筑物变化的识别方法、装置、终端及存储介质 Active CN111323768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010119755.9A CN111323768B (zh) 2020-02-26 2020-02-26 建筑物变化的识别方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010119755.9A CN111323768B (zh) 2020-02-26 2020-02-26 建筑物变化的识别方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN111323768A CN111323768A (zh) 2020-06-23
CN111323768B true CN111323768B (zh) 2023-12-12

Family

ID=71167293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010119755.9A Active CN111323768B (zh) 2020-02-26 2020-02-26 建筑物变化的识别方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN111323768B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114792398B (zh) * 2022-06-23 2022-09-27 阿里巴巴（中国）有限公司 图像分类的方法、存储介质、处理器及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323848A (zh) * 2013-06-19 2013-09-25 中国测绘科学研究院 一种提取地面人工建/构筑物高度的方法及装置
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
CN105719341A (zh) * 2016-01-18 2016-06-29 中科宇图科技股份有限公司 基于rpc模型从航天遥感影像上提取建筑物高度的方法
CN106772377A (zh) * 2017-01-18 2017-05-31 深圳市路桥建设集团有限公司 一种基于InSAR的建筑物变形监测方法
CN107064932A (zh) * 2017-02-28 2017-08-18 华南农业大学 一种基于时间序列sar遥感影像的建设用地变化检测方法
KR20170116610A (ko) * 2016-04-11 2017-10-20 주식회사 로브아이 레이더와 반사체를 이용한 구조물 변형 감지 시스템
CN107657246A (zh) * 2017-10-19 2018-02-02 武汉大学 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法
CN107730496A (zh) * 2017-10-26 2018-02-23 武汉大学 一种基于影像块的多时相遥感影像建筑物变化检测方法
CN107977992A (zh) * 2017-12-05 2018-05-01 深圳大学 一种基于无人机激光雷达的建筑物变化检测方法及装置
KR20180081026A (ko) * 2018-07-04 2018-07-13 주식회사 비트센싱 레이더와 반사체를 이용한 구조물 변형 감지 시스템
CN108446636A (zh) * 2018-03-20 2018-08-24 中国科学院地理科学与资源研究所 地物识别方法及系统
US10121241B1 (en) * 2015-10-22 2018-11-06 State Farm Mutual Automobile Insurance Company System and method for assessing a building structure
CN109583284A (zh) * 2017-09-29 2019-04-05 中国科学院遥感与数字地球研究所 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置
CN110082763A (zh) * 2019-03-07 2019-08-02 天津滨海国际机场 基于gis和sar的建筑物高度反演方法和装置
CN110456345A (zh) * 2019-06-28 2019-11-15 深圳市水务规划设计院股份有限公司 一种基于InSAR技术的建筑物倾斜监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4174559B2 (ja) * 2001-10-26 2008-11-05 独立行政法人 宇宙航空研究開発機構 衛星画像を利用した高度視界情報提供システムとその方法及び飛行障害認識システムとその方法
US7705768B2 (en) * 2007-05-07 2010-04-27 Pasco Corporation Radar image processor and method of radar image processing
TW201022708A (en) * 2008-12-11 2010-06-16 Univ Nat Central Method of change detection for building models

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323848A (zh) * 2013-06-19 2013-09-25 中国测绘科学研究院 一种提取地面人工建/构筑物高度的方法及装置
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
US10121241B1 (en) * 2015-10-22 2018-11-06 State Farm Mutual Automobile Insurance Company System and method for assessing a building structure
CN105719341A (zh) * 2016-01-18 2016-06-29 中科宇图科技股份有限公司 基于rpc模型从航天遥感影像上提取建筑物高度的方法
KR20170116610A (ko) * 2016-04-11 2017-10-20 주식회사 로브아이 레이더와 반사체를 이용한 구조물 변형 감지 시스템
CN106772377A (zh) * 2017-01-18 2017-05-31 深圳市路桥建设集团有限公司 一种基于InSAR的建筑物变形监测方法
CN107064932A (zh) * 2017-02-28 2017-08-18 华南农业大学 一种基于时间序列sar遥感影像的建设用地变化检测方法
CN109583284A (zh) * 2017-09-29 2019-04-05 中国科学院遥感与数字地球研究所 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置
CN107657246A (zh) * 2017-10-19 2018-02-02 武汉大学 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法
CN107730496A (zh) * 2017-10-26 2018-02-23 武汉大学 一种基于影像块的多时相遥感影像建筑物变化检测方法
CN107977992A (zh) * 2017-12-05 2018-05-01 深圳大学 一种基于无人机激光雷达的建筑物变化检测方法及装置
CN108446636A (zh) * 2018-03-20 2018-08-24 中国科学院地理科学与资源研究所 地物识别方法及系统
KR20180081026A (ko) * 2018-07-04 2018-07-13 주식회사 비트센싱 레이더와 반사체를 이용한 구조물 변형 감지 시스템
CN110082763A (zh) * 2019-03-07 2019-08-02 天津滨海国际机场 基于gis和sar的建筑物高度反演方法和装置
CN110456345A (zh) * 2019-06-28 2019-11-15 深圳市水务规划设计院股份有限公司 一种基于InSAR技术的建筑物倾斜监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梅洋 ; 陆苗 ; .基于遥感影像的变化检测研究动态.地理信息世界.2009,(第02期),第42-47页. *

Also Published As

Publication number Publication date
CN111323768A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
Ajayi et al. Generation of accurate digital elevation models from UAV acquired low percentage overlapping images
Nikolakopoulos et al. SRTM vs ASTER elevation products. Comparison for two regions in Crete, Greece
Goldbergs et al. Hierarchical integration of individual tree and area-based approaches for savanna biomass uncertainty estimation from airborne LiDAR
Lu et al. Estimating urban vegetation fraction across 25 cities in pan-Pacific using Landsat time series data
Wagner et al. 3D vegetation mapping using small‐footprint full‐waveform airborne laser scanners
Naidoo et al. Savannah woody structure modelling and mapping using multi-frequency (X-, C-and L-band) Synthetic Aperture Radar data
Lucas et al. Retrieving forest biomass through integration of CASI and LiDAR data
Shamsoddini et al. Pine plantation structure mapping using WorldView-2 multispectral image
Marcinkowska-Ochtyra et al. Subalpine and alpine vegetation classification based on hyperspectral APEX and simulated EnMAP images
Mohapatra et al. Remote sensing of alpine treeline ecotone dynamics and phenology in Arunachal Pradesh Himalaya
Hermosilla et al. Deriving pseudo-vertical waveforms from small-footprint full-waveform LiDAR data
US20190286875A1 (en) Cloud detection in aerial imagery
US20100182316A1 (en) Geospatial modeling system for 3d clutter data and related methods
Li et al. A geostatistical temporal mixture analysis approach to address endmember variability for estimating regional impervious surface distributions
Byerlay et al. Measurement of land surface temperature from oblique angle airborne thermal camera observations
CN111323768B (zh) 建筑物变化的识别方法、装置、终端及存储介质
Kumar et al. Digital image processing of remotely sensed satellite images for information extraction
Román et al. High-spatial resolution UAV multispectral data complementing satellite imagery to characterize a chinstrap penguin colony ecosystem on Deception Island (Antarctica)
Zhang et al. A stepwise cloud shadow detection approach combining geometry determination and SVM classification for MODIS data
Aksoy et al. Tropical cyclone data assimilation with Coyote uncrewed aircraft system observations, very frequent cycling, and a new online quality control technique
Karasov et al. Mapping the extent of land cover colour harmony based on satellite Earth observation data
Rumora et al. Quality assessment of fusing Sentinel-2 and WorldView-4 imagery on Sentinel-2 spectral band values: a case study of Zagreb, Croatia
Liu et al. Estimation of sea ice thickness in the Bohai Sea using a combination of VIS/NIR and SAR images
Xu et al. A comparative study on the applicability and effectiveness of NSVI and NDVI for estimating fractional vegetation cover based on multi-source remote sensing image
Vlachopoulos et al. Delineation of bare soil field areas from unmanned aircraft system imagery with the mean shift unsupervised clustering and the random forest supervised classification

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