CN112085778A - 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 - Google Patents

Abstract

本发明公开了基于超像素和形态学的倾斜摄影违法建筑检测方法、系统，方法包括：获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据；计算目标区域的高度变化影像数据；对高度变化影像数据进行超像素分割处理，得到超像素单元；利用建筑形态学指数对超像素单元进行对象聚类与过滤分析，得到目标区域的矢量数据。本发明基于不同时间段的地表高度影像数据获取高度变化影像数据，通过超像素分割和建筑形态学分析对高度变化影像数据进行后期处理，解决了识别精度和算法效率问题，进而实现了对城市建筑变化的精确检测。

Description

基于超像素和形态学的倾斜摄影违法建筑检测方法及系统

技术领域

本发明涉及建筑检测领域，尤其涉及基于超像素和形态学的倾斜摄影违法建筑检测方法、系统。

背景技术

目前我国的城镇化建设正在高速发展，各类建筑在短时间内集中营建，与之伴随而来的是经由自搭自建、违规修建形成的大量违法建筑，严重影响了建筑普查和城市规划。传统的建筑变化检测提取方法主要通过人工排查和解译遥感影像来实现；但是这两种方法都有其各自的弊端，比如，人工排查需要执法人员实地推进，排查周期长、人力消耗大，涉及地方或区域保护，对于后期违法建筑的数据收集也存在很大难度；而解译遥感影像则受限于遥感影像自身的时效性不强、空间分辨率不高、易受天气影响等缺点，难以满足监测要求。

无人机倾斜摄影作为一项能够实时获取地表真实信息的高新技术，近些年颇受城市规划工作者的关注，并已初步应用在城市建筑变化监测中。倾斜摄影技术通过在飞行平台上搭载多种传感器，可以快速地从多个角度采集到丰富的地面真实信息，进一步处理转化生成DSM(地表正射影像数据)、DOM(地表正射影像数据)，在时间分辨率、空间分辨率、高度分辨率上均满足当前城镇建筑变化监测的需求。目前已有的方法侧向于实景三维建模，通过图斑变化判断违法建筑，但其仅能在小面积的应用上呈现直观且有效的表征；也有直接分析前后DSM高度变化差的方法进行建筑变化检测，但这种分析方法也存在已提取建筑变化区域在形态上精度不高的缺点。

发明内容

为至少解决现有技术中存在的技术问题之一，本发明的目的在于提供基于超像素和形态学的倾斜摄影违法建筑检测方法、系统。

根据本发明实施例的第一方面，基于超像素和形态学的倾斜摄影违法建筑检测方法，包括以下步骤：

获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据；

根据所述第一地表高度影像数据、所述第一地表正射影像数据、所述第二地表高度影像数据和所述第二地表正射影像数据计算所述目标区域的高度变化影像数据；

对所述高度变化影像数据进行超像素分割处理，得到超像素单元；

利用建筑形态学指数对所述超像素单元进行对象聚类与过滤分析，得到所述目标区域的矢量数据。

进一步，所述获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据这一步骤，包括：

获取所述目标区域第一时间段的第一倾斜影像数据和第二时间段的第二倾斜影像数据；

根据所述第一倾斜影像数据生成所述第一地表高度影像数据和所述第一地表正射影像数据；

根据所述第二倾斜影像数据生成所述第二地表高度影像数据和所述第二地表正射影像数据。

进一步，所述根据所述第一地表高度影像数据、所述第一地表正射影像数据、所述第二地表高度影像数据和所述第二地表正射影像数据计算所述目标区域的高度变化影像数据这一步骤，包括：

获取所述第一地表高度影像数据、所述第一地表正射影像数据、所述第二地表高度影像数据和所述第二地表正射影像数据；

对所述第一地表正射影像数据和所述第二地表正射影像数据进行地理位置配准，得到配准调整参数；

根据所述配准调整参数对所述第一地表高度影像数据和所述第二地表高度影像数据进行配准；

根据经过配准后的所述第一地表高度影像数据和所述第二地表高度影像数据计算得到所述目标区域的所述高度变化影像数据。

进一步，所述对所述高度变化影像数据进行超像素分割处理，得到超像素单元这一步骤，包括：

获取所述高度变化影像数据、类别数据；

计算分割间距，并根据所述分割间距对所述高度变化影像数据进行分割，形成超像素种子点；

以所述超像素种子点为中心分析周围的像素点，并将所述像素点分配至所述超像素种子点；

根据所述类别数据分配所述超像素种子点，进而形成所述超像素单元。

进一步，所述分割间距通过以下公式计算得到：

其中，S代表分割间距，N代表所述高度变化影像数据的总像素数，K代表超像素种子点的大小。

进一步，所述利用建筑形态学指数对所述超像素单元进行对象聚类与过滤分析，得到所述目标区域的矢量数据这一步骤，包括：

获取所述超像素单元；

计算单一的所述超像素单元的基础属性；

根据所述基础属性计算不同的所述超像素单元间的合并属性，进而根据所述合并属性计算衡量参数；

对所述衡量参数进行阈值判定，并根据判定结果执行合并操作，得到聚类单元；

根据所述聚类单元得到所述目标区域的所述矢量数据。

进一步，所述基础属性包括高度变化平均值、面积、形态指数、超像素单元合并次数。

根据本发明实施例的第二方面，基于超像素和形态学的倾斜摄影违法建筑检测系统，包括以下模块：

数据获取模块，用于获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据；

高度变化分析模块，用于根据所述第一地表高度影像数据、所述第一地表正射影像数据、所述第二地表高度影像数据和所述第二地表正射影像数据计算所述目标区域的高度变化影像数据；

超像素分割分析模块，用于对所述高度变化影像数据进行超像素分割处理，得到超像素单元；

建筑形态学分析模块，用于利用建筑形态学指数对所述超像素单元进行对象聚类与过滤分析，得到所述目标区域的矢量数据。

根据本发明实施例的第三方面，基于超像素和形态学的倾斜摄影违法建筑检测系统，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第一方面所述的方法。

根据本发明实施例的第四方面，一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的方法。

本发明的有益效果是：基于不同时间段的地表高度影像数据获取高度变化影像数据，通过超像素分割进行像素聚元，然后以超像素单元进行数据过滤和属性分析，可以极大的降低处理时间，相比于直接进行聚类分析提高了算法效率，后期利用建筑形态学聚类分析，解决了识别精度问题，进而实现了对城市建筑变化的精确检测。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本方明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1是本发明实施例提供的步骤流程图；

图2是本发明实施例提供的模块连接图；

图3是本发明实施例提供的设备连接图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明实施例提供了一种基于超像素和形态学的倾斜摄影违法建筑检测方法，该方法可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软体，例如具有图像颜色恒常性处理功能的应用程序等。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。参照图1，该方法包括以下步骤S100～S400：

S100、获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据；

可选地，S100可以通过以下步骤实现：

S101、获取目标区域第一时间段的第一倾斜影像数据和第二时间段的第二倾斜影像数据；

S102、根据第一倾斜影像数据生成第一地表高度影像数据和第一地表正射影像数据；

S103、根据第二倾斜影像数据生成第二地表高度影像数据和第二地表正射影像数据；

S200、根据第一地表高度影像数据、第一地表正射影像数据、第二地表高度影像数据和第二地表正射影像数据计算目标区域的高度变化影像数据；

可选的，S200可以通过以下步骤实现：

S201、获取第一地表高度影像数据、第一地表正射影像数据、第二地表高度影像数据和第二地表正射影像数据；

S202、对第一地表正射影像数据和第二地表正射影像数据进行地理位置配准，得到配准调整参数；

S203、根据配准调整参数对第一地表高度影像数据和第二地表高度影像数据进行配准；

S204、根据经过配准后的第一地表高度影像数据和第二地表高度影像数据计算得到目标区域的高度变化影像数据；

在部分优选实施例中，通过在两张不同时间段的地表正射影像的RGB波段上进行控制点标记，使控制点分布尽量均匀有效；依据控制点和两张影像的具体情况，采取多项式纠正方法进行空间配准，根据配准的修改参数配准两张相对应不同时间段的地表高度影像并输出三次卷积内插的配准影像；根据如下公式计算高度变化影像数据：

DSMChange＝DSM2-DSM1，

其中DSM2代表最新采集的地表高度影像，DSM1代表之前采集的地表高度影像，得到同一位置的高度变化影像DSMChange；当像素值为正时，代表高度增加，反之代表高度减少；

S300、对高度变化影像数据进行超像素分割处理，得到超像素单元；

可选的，S300可以通过以下步骤实现：

S301、获取高度变化影像数据、类别数据；

S302、计算分割间距，并根据分割间距对高度变化影像数据进行分割，形成超像素种子点；

S303、以超像素种子点为中心分析周围的像素点，并将像素点分配至超像素种子点；

S304、根据类别数据分配超像素种子点，进而形成超像素单元；

在部分优选实施例中，分割间距通过以下公式计算得到：

其中，S代表分割间距，N代表高度变化影像数据的总像素数，K代表超像素种子点的大小；

在行列方向S初始化超像素种子点；移动超像素种子点至3*3范围内的梯度最低点，并将超像素种子点的label和distance(D)分别初始化；以超像素种子点为中心，向四周计算可访问范围2S*2S内的所有像素点p_j到超像素种子点p_i的距离D_j，D_j通过以下公式计算得到：

其中，d_c代表像素点距离，公式为d_c＝(v_j-v_i)V；d_s代表空间距离，公式为

m代表固定常数，取值范围一般为[1,40]，用于权衡像素相似性与空间邻近度的相对重要关系；判断像素p_j是否归属于超像素种子点p_i，D_j少于超像素种子点类的最大距离则可归属此种子点类，如果被多个种子点访问则归属于距离最小的超像素种子点类；更新所有的类别数据，将超像素种子点移动到所属类别的形态中心；重复上述步骤循环10次可以得到比较理想的结果；

S400、利用建筑形态学指数对超像素单元进行对象聚类与过滤分析，得到目标区域的矢量数据；

可选的，S400可以通过以下步骤实现：

S401、获取超像素单元；

S402、计算单一的超像素单元的基础属性；基础属性包括高度变化平均值、面积、形态指数、超像素单元合并次数；过滤掉未发生高度变化的超像素单元。

S403、根据基础属性计算不同的超像素单元间的合并属性，进而根据合并属性计算衡量参数；

S404、对衡量参数进行阈值判定，并根据判定结果执行合并操作，得到聚类单元；

S405、根据聚类单元得到目标区域的矢量数据。

在部分实施例中，我们以超像素单元为准计算各自的属性，包括：高度变化平均值mean，超像素的总面积area,形态指数shaperatio，超像素进行合并的次数n,去除mean<2.5的超像素可以去除车辆的变化的影响，因为建筑违建的高度一般3m左右以上，并统计超像素SP_i的邻接超像素集合

计算超像素SP_i分别与其所有邻接超像素SP_j合并后的属性mean_ij、area_ij、shaperatio_ij、n_ij；并进一步计算衡量参数measure_ij；超像素SP_i选取合并指数值最大为measure1的邻接超像素SP_j,如果SP_j的最大合并指数measure2也是SP_i，或者measure1>measure2则满足合并要求,继续执行下一步，如果不一致且measure1<measure2，则SP_i停止合并，考虑下一个超像素单元，即重新执行前一步；对满足合并要求的超像素单元进一步进行阈值threshold判断，大于阈值的进行合并，合并以后更新合并的属性及其邻接超像素集合，继续执行上一步；小于阈值则停止合并判断，考虑下一个超像素单元；将所有的超像素单元遍历执行后进行阈值更新，统计此次总共合并的次数merge_times；连续出现3次merge_times＝＝0,则停止迭代；聚类单元依据合并的次数，面积和形态指数过滤出建筑变化区域；需要说明的是，对衡量参数measure的计算公式如下：

其中，m1、m2、m3取值为正，表征各参数之间的重要程度；

mean_ij、的计算公式为，

选取指数函数,使得超像素i,j在面积接近时,参数变动少并接近于1,而随着面积比差异增大,参数呈指数型下降，area_ij的计算公式为，

shaperatio_ij的计算公式为，

此值范围为[0,1],描述形态是否趋近于最小包围矩阵，其中shaperatio_ij＝area_ij/length_ij,而rectshaperatio_ij是指超像素ij合并后的最小包围矩阵的shaperatio。

n_ij的计算公式为，

n_j是代表超像素SP_i的邻居j的合并次数,所以

代表超像素SP_i所有邻居的合并次数。

而对于阈值的更新，我们通过以下公式实现，

threshold＝max(0.65,threshold-0.02*Iterate/step)，

其中Iterate代表算法循环的总次数，step代表经过step次循环就更新一次阈值。

基于不同时间段的地表高度影像数据获取高度变化影像数据，通过超像素分割和建筑形态学分析对高度变化影像数据进行后期处理，我们可以解决现有方案中的识别精度问题，进而实现了对城市建筑变化的精确检测。

参照图2，本发明提供一种基于超像素和形态学的倾斜摄影违法建筑检测系统，包括以下模块：

数据获取模块201，用于获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据；

高度变化分析模块202，与数据获取模块201连接实现交互，用于根据第一地表高度影像数据、第一地表正射影像数据、第二地表高度影像数据和第二地表正射影像数据计算目标区域的高度变化影像数据；

超像素分割分析模块203，与高度变化分析模块202连接实现交互，用于对高度变化影像数据进行超像素分割处理，得到超像素单元；

建筑形态学分析模块204，与超像素分割分析模块203连接实现交互，用于利用建筑形态学指数对超像素单元进行对象聚类与过滤分析，得到目标区域的矢量数据。

参照图3，本发明提供一种基于超像素和形态学的倾斜摄影违法建筑检测系统，包括：

至少一个处理器301；

至少一个存储器302，用于存储至少一个程序；

当至少一个程序被至少一个处理器301执行，使得至少一个处理器301实现如图1所示的方法。

图1所示的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图1所示的方法实施例相同，并且达到的有益效果与图1所示的方法实施例所达到的有益效果也相同。

本发明还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现如图1所示的方法。

图1所示的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图1所示的方法实施例相同，并且达到的有益效果与图1所示的方法实施例所达到的有益效果也相同。

可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.基于超像素和形态学的倾斜摄影违法建筑检测方法，其特征在于，包括以下步骤：

获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据；

根据所述第一地表高度影像数据、所述第一地表正射影像数据、所述第二地表高度影像数据和所述第二地表正射影像数据计算所述目标区域的高度变化影像数据；

对所述高度变化影像数据进行超像素分割处理，得到超像素单元；

利用建筑形态学指数对所述超像素单元进行对象聚类与过滤分析，得到所述目标区域的矢量数据。

2.根据权利要求1所述的基于超像素和形态学的倾斜摄影违法建筑检测方法，其特征在于，所述获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据这一步骤，包括：

获取所述目标区域第一时间段的第一倾斜影像数据和第二时间段的第二倾斜影像数据；

根据所述第一倾斜影像数据生成所述第一地表高度影像数据和所述第一地表正射影像数据；

根据所述第二倾斜影像数据生成所述第二地表高度影像数据和所述第二地表正射影像数据。

3.根据权利要求1所述的基于超像素和形态学的倾斜摄影违法建筑检测方法，其特征在于，所述根据所述第一地表高度影像数据、所述第一地表正射影像数据、所述第二地表高度影像数据和所述第二地表正射影像数据计算所述目标区域的高度变化影像数据这一步骤，包括：

获取所述第一地表高度影像数据、所述第一地表正射影像数据、所述第二地表高度影像数据和所述第二地表正射影像数据；

对所述第一地表正射影像数据和所述第二地表正射影像数据进行地理位置配准，得到配准调整参数；

根据所述配准调整参数对所述第一地表高度影像数据和所述第二地表高度影像数据进行配准；

根据经过配准后的所述第一地表高度影像数据和所述第二地表高度影像数据计算得到所述目标区域的所述高度变化影像数据。

4.根据权利要求1所述的基于超像素和形态学的倾斜摄影违法建筑检测方法，其特征在于，所述对所述高度变化影像数据进行超像素分割处理，得到超像素单元这一步骤，包括：

获取所述高度变化影像数据、类别数据；

计算分割间距，并根据所述分割间距对所述高度变化影像数据进行分割，形成超像素种子点；

以所述超像素种子点为中心分析周围的像素点，并将所述像素点分配至所述超像素种子点；

根据所述类别数据分配所述超像素种子点，进而形成所述超像素单元。

5.根据权利要求4所述的基于超像素和形态学的倾斜摄影违法建筑检测方法，其特征在于，所述分割间距通过以下公式计算得到：

其中，S代表分割间距，N代表所述高度变化影像数据的总像素数，K代表超像素种子点的大小。

6.根据权利要求1所述的基于超像素和形态学的倾斜摄影违法建筑检测方法，其特征在于，所述利用建筑形态学指数对所述超像素单元进行对象聚类与过滤分析，得到所述目标区域的矢量数据这一步骤，包括：

获取所述超像素单元；

计算单一的所述超像素单元的基础属性；

根据所述基础属性计算不同的所述超像素单元间的合并属性，进而根据所述合并属性计算衡量参数；

对所述衡量参数进行阈值判定，并根据判定结果执行合并操作，得到聚类单元；

根据所述聚类单元得到所述目标区域的所述矢量数据。

7.根据权利要求6所述的基于超像素和形态学的倾斜摄影违法建筑检测方法，其特征在于，所述基础属性包括高度变化平均值、面积、形态指数、超像素单元合并次数。

8.基于超像素和形态学的倾斜摄影违法建筑检测系统，其特征在于，包括以下模块：

数据获取模块，用于获取目标区域第一时间段的第一地表高度影像数据、第一地表正射影像数据和第二时间段的第二地表高度影像数据、第二地表正射影像数据；

高度变化分析模块，用于根据所述第一地表高度影像数据、所述第一地表正射影像数据、所述第二地表高度影像数据和所述第二地表正射影像数据计算所述目标区域的高度变化影像数据；

超像素分割分析模块，用于对所述高度变化影像数据进行超像素分割处理，得到超像素单元；

建筑形态学分析模块，用于利用建筑形态学指数对所述超像素单元进行对象聚类与过滤分析，得到所述目标区域的矢量数据。

9.基于超像素和形态学的倾斜摄影违法建筑检测系统，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1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的方法。

Images