CN111539296B - 一种基于遥感影像变化检测的违章建筑识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于遥感影像变化检测的违章建筑识别方法及系统，包括获取地区多时相遥感影像图片及地理信息；根据地理信息对所述多时相遥感影像图片进行位置校正、切割；将校正、切割后的图片转换为灰度图；计算灰度图中每个像素点灰度值的绝对差值，得到差分图像；对所述差分图像进行划分、主成分分析，得到特征向量空间；对所述差分图像再次划分并将划分后的图片映射到特征向量空间中，得到图像变化特征矩阵；根据所述图像变化特征矩阵和k‑Means聚类对像素点进行分类，得到城市违章建筑所在的区域。本发明通过机器学习方法对遥感影像变化进行分析，实现识别城市违章建筑的目的。有效提供城市治理能力。

Description

一种基于遥感影像变化检测的违章建筑识别方法及系统

技术领域

本发明涉及城市违章建筑自动检测的模型，具体涉及一种基于遥感影像变化检测的违章建筑识别方法及系统。

背景技术

随着城乡建设的快速发展，城市现代化进程不断加快，对城市违章建筑管理提出新的要求，大量违章建筑影响城市公共空间，河湖流域的违法圈圩和违法建设严重影响城市防洪排涝，给城市社会经济稳定发展带来较大潜在危害。城市河湖违建整治是城市全面推进河(湖)长制、建设人水和谐生态的重要举措之一，根据国家、省、市等各地对所辖河湖流域各类违法圈圩和违法建筑管控加强，提出不遗漏、全面整治到位的目标。

目前，城市违章建筑检测主要依赖人工对0.3米分辨率遥感影像进行比对排查，为解决人力资源有限、人工比对耗时长的问题，众多学者提出了很多方案。詹金瑞提出了以历年卫星影像为基础，结合实地测绘和规划信息的违章建筑检测总体架构；朱建伟等提出利用无人机低空环拍影像构建三维模型进而识别违章建筑的系统。在遥感影像变化检测领域，Malila最早提出变化矢量分析法(CVA)，利用多波段的遥感影像数据将每个像素描述为一个一维列向量，进而计算前后时期同位置像素之间的向量差值，代表变化的强度；黄维等结合主成分分析(PCA)和变化矢量分析(CVA)，对多波段影像数据提取第一主成分后进行差值运算和阈值划分，降低了图像噪声的影响。近年来，随着计算机运算性能的提高，基于深度学习的监督分类方法往往在实际中取得更好的效果，张晓东等将目标检测领域的主流网络Faster R-CNN应用到高分辨率遥感图像变化检测中去取得了理想的效果。

国内外学者为违章建筑检测贡献了有效的系统架构和技术方法，然而传统的基于像素的变化检测算法容易出现“椒盐”现象，难以满足违章建筑粗筛选的精度需求，而基于深度学习的运算时间高度依赖计算机的性能，难以适用实时的检测系统，因此如何有效快速地实现违章建筑识别工作自动化仍有待于继续不断地研究。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于遥感影像变化检测的违章建筑识别方法及系统，以解决现有技术中存在的识别效率不高的问题。

为解决上述技术问题，本发明采用的技术方案为：

一种违章建筑识别方法，包括以下步骤：

获取地区多时相遥感影像图片及地理信息；

根据地理信息对所述多时相遥感影像图片进行位置校正、切割；

将校正、切割后的图片转换为灰度图；

计算灰度图中每个像素点灰度值的绝对差值，得到差分图像；

对所述差分图像进行划分、主成分分析，得到特征向量空间；

对所述差分图像再次划分并将划分后的图片映射到特征向量空间中，得到全体像素点的图像变化特征矩阵；

根据所述图像变化特征矩阵和k-Means聚类对全体像素点进行分类，得到城市违章建筑所在的区域。

进一步的，所述校正的公式如下：

式中，(x₁,x₂),(y₁,y₂)表示多时相图片上两点的像素坐标，(x′₁,x′₂),(y′₁,y′₂)表示多时相图片上两点对应的地理坐标，α表示遥感影像分辨率。

进一步的，所述差分图像的计算公式为：

X_d＝|X₂-X₁| (2)

其中，X_d为差分图像，X₁、X₂分别表示某地区时期1和时期2的遥感影像图片。

进一步的，所述特征向量空间的获取方法包括：

将差分图像划分成像素块；

依据行列顺序将所述像素块展开为向量；

根据所述向量的向量集合计算得到平均向量；

计算每个向量距离平均向量的距离；

根据所述距离计算得到协方差矩阵；

计算所述协方差矩阵的特征向量与特征值；

按照特征值递减顺序对特征向量排列；

选取特征向量组成特征向量空间。

进一步的，所述差分图像划分公式为：

X_d＝{x_d(m,n)|m×h＝W,n×h＝H},

其中，X_d为差分图像，x_d(m,n)表示位于m行n列的像素块，h为像素块大小，W为图像的横向像素个数，H为图像的纵向像素个数；

所述平均向量的计算公式为：

其中，Ψ为平均向量，K为划分像素块的个数；

为第k个像素块；

所述距离的计算公式为：

其中，Δ_k为向量距离平均向量的距离；

所述协方差矩阵的计算公式为：

c_ij＝Cov(Δ_i,Δ_j),i,j＝1,2,…,h² (4)

其中，C为协方差矩阵，c_ij为变量Δ_i和Δ_j的协方差，Δ_i为Δ_k的第i个变量，Δ_j为Δ_k的第j个变量；

所述特征向量空间为：

EVS＝[e₁,e₂,…,e_N]^T,N≤h²；

其中，EVS为特征向量空间，e_N为第N个特征向量。

进一步的，所述图像变化特征矩阵的获取方法如下：

通过重叠的方式将所述差分图像再次划分成像素块；

依据行列顺序将再次划分得到的像素块展开为向量；

将再次划分得到的向量映射到特征向量空间中，得到图像变化特征矩阵。

进一步的，所述差分图像再次划分的公式为：

X_d＝{x_d(m,n)|m+h＝W,n+h＝H},

其中，X_d为差分图像，x_d(m,n)表示位于m行n列的像素块，h为像素块大小，W为图像的横向像素个数，H为图像的纵向像素个数；

所述映射的公式为：

其中，v^(k)为第k个点对应的图像变化特征矩阵，

为v^(k)的第i个主成分，

为v^(k)的第N个主成分，

为第i个主成分对应的特征向量，

为第k个像素块，Ψ为平均向量。

进一步的，所述地理信息包括地理经纬度坐标、像素分辨率和旋转系数。

进一步的，所述k-Means聚类的中心概率计算公式为：

其中，P表示概率，X表示数据集，D(x)表示每个样本到与之最近的一个聚类中心的距离。

一种违章建筑识别系统，所述系统包括：

获取模块：用于获取地区多时相遥感影像图片及地理信息；；

校正、切割模块：用于根据地理信息对所述多时相遥感影像图片进行位置校正、切割；

转换模块：用于将校正、切割后的图片转换为灰度图；

计算模块：用于计算灰度图中每个像素点灰度值的绝对差值，得到差分图像；

特征向量空间获取模块：用于对所述差分图像进行划分、主成分分析，得到特征向量空间；

图像变化特征矩阵获取模块：用于对所述差分图像再次划分并将划分后的图片映射到特征向量空间中，得到全体像素点的图像变化特征矩阵；

分类模块：用于根据所述图像变化特征矩阵和k-Means聚类对全体像素点进行分类，得到城市违章建筑所在的区域。

一种违章建筑识别系统，所述系统包括处理器和存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据上述所述方法的步骤。

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所述方法的步骤。

与现有技术相比，本发明所达到的有益效果是：

本发明基于遥感影像变化检测算法，实现了城市违章建筑区域的粗筛选，通过k-Means聚类算法，在抑制噪声，减小为变化出现的同时，保证一定召回率，减少了人工比对检测的时间，有效提高违章建筑识别效率。

附图说明

图1为本发明实施的遥感影像变化检测算法结构图；

图2为本发明应用于常州市某区域的检测结果总图；

图3为本发明结果中可能发生违章建筑区域的解释图。

具体实施方式

下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种违章建筑识别方法，包括以下步骤：

获取地区多时相遥感影像图片及地理信息；

根据地理信息对所述多时相遥感影像图片进行位置校正、切割；

将校正、切割后的图片转换为灰度图；

计算灰度图中每个像素点灰度值的绝对差值，得到差分图像；

对所述差分图像进行划分、主成分分析，得到特征向量空间；

对所述差分图像再次划分并将划分后的图片映射到特征向量空间中，得到全体像素点的图像变化特征矩阵；

根据所述图像变化特征矩阵和k-Means聚类对全体像素点进行分类，得到城市违章建筑所在的区域。

如图1所示，为了解决识别违章建筑工作中人力资源有限、人工比对耗时长的问题，本发明公开了一种基于遥感影像变化检测的违章建筑识别方法及系统，按如下步骤进行：

(1)获取某地区多时相遥感影像图片及地理信息，地理信息包括地理经纬度坐标、像素分辨率和旋转系数。收集的遥感影像图片为8000像素×7000像素，图片格式为TIFF，地理信息格式为TFW。

(2)对输入图片进行位置校正、切割，并转为灰度图

若A点、B点的像素坐标分别为(x₁,x₂),(y₁,y₂)，地理坐标分别为(x′₁,x′₂),(y′₁,y′₂)，两图像素分辨率都是α，那么A、B像素坐标及地理信息满足式(1)：

根据公式(1)对多时相遥感影像图片进行位置校正；

分别对两时期遥感影像图片剪裁出地理位置上的公共区域，切割成长宽像素都为1000的矩形，将R、G、B三通道图像转换为单通道灰度图

(3)计算差分图像，差分图像X_d表示图像X₁和X₂每个像素点灰度值的绝对差值；差分图像的计算公式为：

X_d＝|X₂-X₁| (2)

其中，X_d为差分图像，X₁、X₂分别表示某地区时期1和时期2的遥感影像图片。

(4)构造图像变化特征矩阵。

将差分图像X_d划分成大小为h×h的像素块，X_d＝{x_d(m,n)|m×h＝W,n×h＝H},x_d(m,n)表示位于m行n列的像素块，W为图像的横向像素个数，H为图像的纵向像素个数；将h×h大小的像素块依据行列顺序展开为h²×1的向量，x_d(m,n)简化写作

表示第k个像素块；向量集合

每一个维度的平均值构成的平均向量Ψ定义为式(3)

其中

每个向量距离平均向量Ψ的距离

K为划分像素块的个数。

主成分分析(PCA)试图寻找一组N(N≤h²)个线性无关的综合指标代替原来的h²个指标，对集合Δ_k使用PCA，首先计算协方差矩阵

其中

c_ij＝Cov(Δ_i,Δ_j),i,j＝1,2,…,h² (4)

其中，c_ij为变量Δ_i和Δ_j的协方差，Δ_i为Δ_k的第i个变量，Δ_j为Δ_k的第j个变量。

然后计算协方差矩阵C的特征向量与特征值，由于矩阵

所以共有h²个特征向量e_s与特征值λ_s，按照特征值递减顺序排列，选取前N(N≤h²)个特征向量组成特征向量空间EVS＝[e₁,e₂,…,e_N]^T,N≤h²。

最后重新将差分图像X_d划分成大小为h×h(h≥2)的像素块，这次划分采用重叠的方式，每个stride为一个像素，划分后X_d＝{x_d(m,n)|m+h＝W,n+h＝H},x_d(m,n)表示位于m行n列的像素块，每个像素块用来表示其中心位置的像素点的变化特征，同样按行列展开为h²×1的向量，记作

1≤k≤(W-h)(H-h)，按下式将

映射到特征向量空间EVS中去：

其中，v^(k)为第k个点对应的图像变化特征矩阵，

为v^(k)的第i个主成分，

为v^(k)的第N个主成分，

为第i个主成分对应的特征向量，

为第k个像素块，Ψ为平均向量。

最终通过主成分分析，将差分图像大部分区域像素的变化特征转化为了维度间线性无关的N维向量，称为图像变化特征矩阵。

(5)对像素点信息二分类得到可能发生违建区域

使用聚类中心数为4的k-Means聚类对像素点进行二分类，将包含像素点最少的一类作为发生改变的一类，得到城市违章建筑可能的区域，对该区域进行重点人共排查。优化k-Means聚类方法，聚类中心的选择概率依据式(4)确定，

其中，X表示数据集，D(x)表示每个样本到与之最近的一个聚类中心的距离。

如图2、图3所示，本发明的技术方案应用于某市某地区违章建筑检测工作，具体的实施方式以该工作为例验证了基于遥感影像变化检测的违章建筑识别方法及系统的有效性。依据某市测绘局提供的0.3米像素分辨率高清遥感影像数据，进行几何校正、转换、特征空间提取、信息映射以及构造图像变化特征矩阵，然后通过改进k-Means方法定位变化区域，给出城市违章建筑可能的区域，供人工进一步排查。解决了识别违章建筑工作中人力资源有限、人工比对耗时长的问题，有效提供城市治理能力。图2为应用于某市某区域的检测结果总图，根据图2、图3的对比处理，可以发现图3(a)中池塘新修了小道，图3(b)中池塘变为了建筑用地，图3(c)池塘变为了农田。

一种违章建筑识别系统，所述系统包括：

获取模块：用于获取地区多时相遥感影像图片及地理信息；；

校正、切割模块：用于根据地理信息对所述多时相遥感影像图片进行位置校正、切割；

转换模块：用于将校正、切割后的图片转换为灰度图；

计算模块：用于计算灰度图中每个像素点灰度值的绝对差值，得到差分图像；

特征向量空间获取模块：用于对所述差分图像进行划分、主成分分析，得到特征向量空间；

图像变化特征矩阵获取模块：用于对所述差分图像再次划分并将划分后的图片映射到特征向量空间中，得到全体像素点的图像变化特征矩阵；

分类模块：用于根据所述图像变化特征矩阵和k-Means聚类对全体像素点进行分类，得到城市违章建筑所在的区域。

一种违章建筑识别系统，所述系统包括处理器和存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据上述所述方法的步骤。

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所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种违章建筑识别方法，其特征在于，包括以下步骤：

获取地区多时相遥感影像图片及地理信息；

根据地理信息对所述多时相遥感影像图片进行位置校正、切割；

将校正、切割后的图片转换为灰度图；

计算灰度图中每个像素点灰度值的绝对差值，得到差分图像；

对所述差分图像进行划分、主成分分析，得到特征向量空间；

对所述差分图像再次划分并将划分后的图片映射到特征向量空间中，得到全体像素点的图像变化特征矩阵；

根据所述图像变化特征矩阵和k-Means聚类对全体像素点进行分类，得到城市违章建筑所在的区域；

所述特征向量空间的获取方法包括：

将差分图像划分成像素块；

依据行列顺序将所述像素块展开为向量；

根据所述向量的向量集合计算得到平均向量；

计算每个向量距离平均向量的距离；

根据所述距离计算得到协方差矩阵；

计算所述协方差矩阵的特征向量与特征值；

按照特征值递减顺序对特征向量排列；

选取特征向量组成特征向量空间；

所述差分图像划分公式为：

X_d＝{x_d(m，n)|m×h＝W，n×h＝H)，

其中，X_d为差分图像，x_d(m,n)表示位于m行n列的像素块，h为像素块大小，W为图像的横向像素个数，H为图像的纵向像素个数；

所述平均向量的计算公式为：

其中，Ψ为平均向量，K为划分像素块的个数；

为第k个像素块；

所述距离的计算公式为：

其中，Δ_k为向量距离平均向量的距离；

所述协方差矩阵的计算公式为：

c_ij＝Cov(Δ_i,Δ_j),i,j＝1,2,…,h² (4)

其中，C为协方差矩阵，c_ij为变量Δ_i和Δ_j的协方差，Δ_i为Δ_k的第i个变量，Δ_j为Δ_k的第j个变量；

所述特征向量空间为：

EVS＝[e₁,e₂,…,e_N]^T,N≤h²；

其中，EVS为特征向量空间，e_N为第N个特征向量。

2.根据权利要求1所述的一种违章建筑识别方法，其特征在于，所述校正的公式如下：

式中，(x₁,x₂),(y₁,y₂)表示多时相图片上两点的像素坐标，(x′₁,x′₂),(y′₁,y′₂)表示多时相图片上两点对应的地理坐标，α表示遥感影像分辨率。

3.根据权利要求1所述的一种违章建筑识别方法，其特征在于，所述差分图像的计算公式为：

X_d＝|X₂-X₁| (2)

其中，X_d为差分图像，X₁、X₂分别表示某地区时期1和时期2的遥感影像图片。

4.根据权利要求1所述的一种违章建筑识别方法，其特征在于，所述图像变化特征矩阵的获取方法如下：

通过重叠的方式将所述差分图像再次划分成像素块；

依据行列顺序将再次划分得到的像素块展开为向量；

将再次划分得到的向量映射到特征向量空间中，得到图像变化特征矩阵。

5.根据权利要求4所述的一种违章建筑识别方法，其特征在于，所述差分图像再次划分的公式为：

X_d＝{x_d(m,n)|m+h＝W,n+h＝H},

其中，X_d为差分图像，x_d(m,n)表示位于m行n列的像素块，h为像素块大小，W为图像的横向像素个数，H为图像的纵向像素个数；

所述映射的公式为：

其中，v^(k)为第k个点对应的图像变化特征矩阵，

为v^(k)的第i个主成分，

为v^(k)的第N个主成分，

为第i个主成分对应的特征向量，

为第k个像素块，Ψ为平均向量。

6.根据权利要求1所述的一种违章建筑识别方法，其特征在于，所述地理信息包括地理经纬度坐标、像素分辨率和旋转系数。

7.根据权利要求1所述的一种违章建筑识别方法，其特征在于，所述k-Means聚类的中心概率计算公式为：

其中，P表示概率，X表示数据集，D(x)表示每个样本到与之最近的一个聚类中心的距离。

8.一种违章建筑识别系统，其特征在于，所述系统包括：

获取模块：用于获取地区多时相遥感影像图片及地理信息；

校正、切割模块：用于根据地理信息对所述多时相遥感影像图片进行位置校正、切割；

转换模块：用于将校正、切割后的图片转换为灰度图；

计算模块：用于计算灰度图中每个像素点灰度值的绝对差值，得到差分图像；

特征向量空间获取模块：用于对所述差分图像进行划分、主成分分析，得到特征向量空间；

图像变化特征矩阵获取模块：用于对所述差分图像再次划分并将划分后的图片映射到特征向量空间中，得到全体像素点的图像变化特征矩阵；

分类模块：用于根据所述图像变化特征矩阵和k-Means聚类对全体像素点进行分类，得到城市违章建筑所在的区域；

其中，所述特征向量空间的获取方法包括：

将差分图像划分成像素块；

依据行列顺序将所述像素块展开为向量；

根据所述向量的向量集合计算得到平均向量；

计算每个向量距离平均向量的距离；

根据所述距离计算得到协方差矩阵；

计算所述协方差矩阵的特征向量与特征值；

按照特征值递减顺序对特征向量排列；

选取特征向量组成特征向量空间；

所述差分图像划分公式为：

X_d＝{x_d(m，n)|m×h＝W，n×h＝H}，

其中，X_d为差分图像，x_d(m,n)表示位于m行n列的像素块，h为像素块大小，W为图像的横向像素个数，H为图像的纵向像素个数；

所述平均向量的计算公式为：

其中，Ψ为平均向量，K为划分像素块的个数；

为第k个像素块；

所述距离的计算公式为：

其中，Δ_k为向量距离平均向量的距离；

所述协方差矩阵的计算公式为：

c_ij＝Cov(Δ_i,Δ_j),i,j＝1,2,…,h² (4)

其中，C为协方差矩阵，c_ij为变量Δ_i和Δ_j的协方差，Δ_i为Δ_k的第i个变量，Δ_j为Δ_k的第j个变量；

所述特征向量空间为：

EVS＝[e₁,e₂,…,e_N]^T,N≤h²；

其中，EVS为特征向量空间，e_N为第N个特征向量。

Images