CN113160239B - 一种违法用地检测方法及装置 - Google Patents
一种违法用地检测方法及装置 Download PDFInfo
- Publication number
- CN113160239B CN113160239B CN202110252730.0A CN202110252730A CN113160239B CN 113160239 B CN113160239 B CN 113160239B CN 202110252730 A CN202110252730 A CN 202110252730A CN 113160239 B CN113160239 B CN 113160239B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- illegal
- image
- resolution remote
- land
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 80
- 238000003709 image segmentation Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013434 data augmentation Methods 0.000 claims description 7
- 238000012821 model calculation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004091 panning Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种违法用地检测方法及装置，通过对两期中分辨率遥感影像进行粗变化区域提取，并根据粗变化区域提取两期高分辨率遥感影像的变化区域图。对提取后的高分辨率影像的变化区域图进行裁剪并计算差值图，再输入预训练的深度学习模型以实现对待检测区域进行违法用地检测。采用本发明实施例，利用不同尺度的多源遥感影像与深度学习技术，建立深度学习模型并提取违法用地的特征，输出违法用地的区域值。最后，对模型输出结果运用超像素分割，输出更准确的违法用地边界，实现违法用地的自动化识别，提高识别准确率，从而减轻人工工作量。
Description
技术领域
本发明涉及遥感图像识别领域，尤其涉及一种违法用地检测方法及装置。
背景技术
在城镇化快速发展的大背景下，在一部分非法利益驱使之下，违法占用土地的情况屡屡出现且难以被发现。在生态环境保护的方针下，合法利用土地是尊重自然客观规律、推进生态文明建设的体现，而违法用地非法侵占土地资源、破坏耕地和森林资源，严重违背生态文明建设的理念。
以往违法用地查出与监督主要依靠人工排查的方式，但因为人工方式费时、费力、效率低，而难以做到全面的检查，此外，由于时效性低，排查中难以及时地发现违规行为且难以准确划定违法用地的范围。目前，随着遥感技术的成熟与广泛的应用，覆盖范围广、时效性高、成本低的遥感影像提供了不同光谱特征、空间特征、纹理特征，给违法用地自动识别提供了可靠的数据来源。然而，现有遥感分析方法针对违法用地的识别上，仍普遍基于人工的图像判别或机器学习分类器，仍无法解决准确率低与时效问题。
因此，针对违法用地的检测，亟需要一种能自动高效的检测方法，以提高对违法用地的识别准确度，并减轻人工工作量。
发明内容
本发明实施例提出一种违法用地检测方法及装置，能提高对违法用地的识别准确率，并提高识别速度，从而减轻人工工作量，进一步减少在违法用地检测中出现遗漏的情况。
本发明实施例提供一种违法用地检测方法，包括：
通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域；
通过所述候选计算区域，提取待检测用地区域来自一个或多个第二遥感源的若干高分辨率遥感影像的若干候选计算区域图，并根据所述若干候选计算区域图计算所述若干高分辨率遥感影像的差值图；其中，所述高分辨率遥感影像的空间分辨率比所述低分辨率遥感影像的空间分辨率小；
根据预设的图像分割模型，对所述差值图进行特征提取，以算出候选违法用地像素区域；其中，所述预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成；
根据所述候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界，具体为：通过超像素分割算法对所述候选违法用地像素区域进行区域分割，以算出多个分割子区域；根据各所述分割子区域的各类别标签的像素占比，确定各所述分割子区域的标签类别；根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据所述若干候选子区域，确定待检测用地区域的违法用地边界。
进一步的，所述根据所述候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界，具体为：
通过超像素分割算法对所述候选违法用地像素区域进行区域分割，以算出多个分割子区域；
根据各所述分割子区域的各类别标签的像素占比，确定各所述分割子区域的标签类别；
根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据所述若干候选子区域，确定待检测用地区域的违法用地边界。
进一步的，在通过所述候选计算区域，提取待检测用地区域的来自第二遥感源的若干高分辨率遥感影像的若干候选计算区域图之前，还包括：
将所述高分辨率遥感影像中的属于后期高分辨率影像与属于前期高分辨影像进行地理位置配准，以输出位置配准后的高分辨率遥感影像。
进一步的，所述计算所述若干高分辨率遥感影像的差值图，具体为：
根据各所述高分辨率遥感影像的像素均值与方差值，以算出所述高分辨率遥感影像中的属于前期高分辨率遥感影像与属于后期高分辨率遥感影像之间的所述差值图。
进一步的，所述通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域，具体为：
利用主成分分析法，分别提取所述若干中分辨率遥感影像的属于前期中分辨率遥感影像的第一主要图像信息与属于后期中分辨率遥感影像的第二主要图像信息。
根据所述第一主要图像信息与第二主要图像信息，计算所述若干中分辨率遥感影像的差值图，并按预设的阈值在所述差值图上划分变化区域；
根据所有所述变化区域组成的包围区域确定所述候选计算区域。
进一步的，所述预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成，具体为：
对获取的来自第三遥感源的第一中分辨率遥感影像数据集和来自第四遥感源的第一高分辨率遥感影像数据集进行影像预处理；其中，所述影像预处理包括对所述第一高分辨率遥感影像数据集的各第一高分辨率遥感影像进行地理位置配准处理；
通过变化检测算法，提取预处理后的所述第一中分辨率遥感影像数据集中，各第一中分辨率遥感影像的第一候选计算区域；
根据各所述第一候选计算区域，提取对应的所述各第一中分辨率遥感影像的第一候选计算区域图，并对所有提取后的所述第一候选计算区域图进行裁剪处理；
根据带有先验违法用地信息的数据与经裁剪处理后的所有第一候选计算区域图，构造标注有违法用地区域的遥感数据训练集；
根据所述遥感数据训练集，对初始化的图像分割模型进行训练，以获取所述图像分割模型。
进一步的，所述对所有提取后的所述第一候选计算区域图进行裁剪处理之后，还包括：
对裁剪后的所有第一候选计算区域图进行数据增广处理；其中，所述数据增广包括：影像的旋转、镜像翻转、放大缩小、平移、添加高斯噪声、进行色彩抖动和对比度变换中的任意一种或组合。
进一步的，所述图像分割模型包括：FCN、SegNet、DenseNet、DeepLab、UNet和PSPNet中任意一种或组合。
相应的，本发明实施例还提供一种违法用地检测装置，包括：变化区域提取模块、差值图计算模块、影像模型计算模块和像素区域划分模块；
其中，所述变化区域提取模块用于通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域；
所述差值图计算模块用于通过所述候选计算区域，提取待检测用地区域来自一个或多个第二遥感源的若干高分辨率遥感影像的若干候选计算区域图，并根据所述若干候选计算区域图计算所述若干高分辨率遥感影像的差值图；其中，所述高分辨率遥感影像的空间分辨率比所述低分辨率遥感影像的空间分辨率小；
所述影像模型计算模块用于根据预设的图像分割模型，对所述差值图进行特征提取，以算出候选违法用地像素区域；其中，所述预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成；
所述像素区域划分模块用于根据所述候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界，具体为：通过超像素分割算法对所述候选违法用地像素区域进行区域分割，以算出多个分割子区域；根据各所述分割子区域的各类别标签的像素占比，确定各所述分割子区域的标签类别；根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据所述若干候选子区域，确定待检测用地区域的违法用地边界。
进一步的，所述像素区域划分模块包括超像素分割模块；
其中，所述超像素分割模块用于通过超像素分割算法对所述候选违法用地像素区域进行区域分割，以算出多个分割子区域；
根据各所述分割子区域的各类别标签的像素占比，确定各所述分割子区域的标签类别；
根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据所述若干候选子区域，确定待检测用地区域的违法用地边界。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种违法用地检测方法及装置，通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域；通过候选计算区域，提取待检测用地区域的来自第二遥感源的若干高分辨率遥感影像的若干候选计算区域图，并根据若干候选计算区域图计算若干高分辨率遥感影像的差值图；其中，高分辨率遥感影像的空间分辨率比低分辨率遥感影像的空间分辨率小；根据预设的图像分割模型，对差值图进行特征提取，以算出候选违法用地像素区域；其中，预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成；根据候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界。采用本发明实施例，利用不同尺度的多源遥感影像与深度学习技术，建立图像分割深度学习模型并提取违法用地的特征，最后输出违法用地的区域范围，实现违法用地的自动化检测，提高违法用地的识别准确率与识别速度，从而减轻人工工作量。
进一步的，还通过超像素分割算法对候选违法用地像素区域进行区域分割，以算出多个分割子区域；根据各分割子区域的各类别标签的像素占比，确定各分割子区域的标签类别；根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据若干候选子区域，确定待检测用地区域的违法用地边界。通过采用本实施例，可以更为细致准确的输出违法用地的边界，提高识别准确度，以使更精准的定位到违法用地区域，减少误判情形发生。
附图说明
图1是本发明提供的违法用地检测方法的一种实施例的流程示意图；
图2是本发明提供的违法用地检测装置的一种实施例的装置示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1是本发明提供的违法用地检测方法的一种实施例的流程示意图；如图1所示，违法用地检测方法的具体步骤包括步骤101至步骤104：
步骤101：通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域；
在本实施例中，遥感图像为卫星的成像仪收集的图像数据。不同成像仪生成的各遥感图像表示各遥感图像来自不同的遥感源，其中，中分辨率遥感图像来自一个空间分辨率在中分辨率标准的遥感成像仪。若干中分辨率遥感影像优选为两期中分辨率遥感影像。两期中分辨率遥感影像由前期中分辨率遥感影像和后期中分辨率遥感影像组成，两期获取时间上较为相近。待检测用地区域为即将需要进行自动检测的当前研究区域。在获取遥感影像后可对影像进行预处理，包括从数据的DN值、投影坐标系、辐射定标、辐射校正、镶嵌、裁剪、直方图匹配等方面，对每一份图像数据进行调整，以使得遥感图像的信息更为准确，提高后续的深度学习模型的计算准确度。对调整后的两期中分辨率图像，通过变换检测算法，检测图像中的变化区域，变化区域即为潜在可能是违法用地的区域。根据变化区域，即可确定后续需要重点关注提取特征的候选计算区域。
作为本实施例的一种举例，通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域，具体为：利用主成分分析法，分别提取若干中分辨率遥感影像的属于前期中分辨率遥感影像的第一主要图像信息与属于后期中分辨率遥感影像的第二主要图像信息。根据第一主要图像信息与第二主要图像信息，计算若干中分辨率遥感影像的差值图，并按预设的阈值在差值图上划分变化区域；根据所有变化区域组成的包围区域确定候选计算区域。
在本实施例中，利用主成分分析算法，对两期中分辨率影像进行变化检测。首先利用主成分分析法，提取出两期影像中第一主成分并进行差值运算得到变化图，差值图的计算公式为：
D＝X1Y1-X2Y2
X1＝[x1,x2,...,xn]T
X2＝[x1,x2,...,xm]T
其中，D为两期影像进行主成分变换后用第一主成分相减得到的差值向量，Y1和Y2分别为X1和X2的第一主成分变换矩阵，X1和X2为前后两期影像，n和m为前后两期影像的波段数，x为像元矢量。根据差值图D选取适当的分割阈值得到变化和未变化区域，并通过形态学操作的开闭运算消除低于一定条件阈值大小的细小区域，并填充区域内部空洞，得到粗变化区域。以粗变化区域作为候选计算区域。
步骤102：通过候选计算区域，提取待检测用地区域的来自第二遥感源的若干高分辨率遥感影像的若干候选计算区域图，并根据若干候选计算区域图计算若干高分辨率遥感影像的差值图；其中，高分辨率遥感影像的空间分辨率比低分辨率遥感影像的空间分辨率小；
在本实施例中，计算若干高分辨率遥感影像的差值图，具体为：根据各高分辨率遥感影像的像素均值与方差值，以算出高分辨率遥感影像中的属于前期高分辨率遥感影像与属于后期高分辨率遥感影像之间的差值图。
在本实施例中，高分辨率遥感图像来自一个或多个空间分辨率在高分辨率标准的遥感成像仪。若干高分辨率遥感影像优选为两期高分辨率遥感影像。两期高分辨率遥感影像由前期高分辨率遥感影像和后期高分辨率遥感影像组成，两期获取时间上较为相近。考虑到两期影可能出自不同遥感源，可检查两期影像在空间特征、光谱特征、纹理特征、分辨率和投影上是否有差异，可适当采取空间滤波、直方图匹配、直方图归一化等图像增强操作进行预处理。若获取的图像数据过大，亦可将两期高分辨率遥感影像裁剪为一定尺寸大小。根据两期各期影像的均值与方差对对应各期影像进行归一化后相减，得到两期影像的差值图作为模型的输入，其中差值图的计算方法：
D＝Cnorm2-Cnorm1
Dnorm为用最大最小值归一化后的差值图，D为中心化后的两期影像相减得到的差值图，Cnorm1与Cnorm2分为进行中心化操作后的两期影像，M1和S1为前期影像的平均值和标准差。高分辨率遥感影像的空间分辨率比低分辨率遥感影像的空间分辨率小，即优选的，高、低分辨率遥感图像以空间分辨率的相对大小确定，在实验中所择优采用的高分辨率影像的空间分辨率为2m，低分辨率影像的空间分辨率为10m，即表明高分辨率遥感影像的分辨最小尺寸物件的尺寸要比中分辨率遥感影像小。采用本实施例，计算差值图作为后续的模型输入，可充分考虑两期影像的特征，提高后续的模型识别率。
作为本实施例的一种举例，在通过候选计算区域，提取待检测用地区域来自一个或多个第二遥感源的若干高分辨率遥感影像的若干候选计算区域图之前，还包括：将高分辨率遥感影像中的属于后期高分辨率影像与属于前期高分辨影像进行地理位置配准，以输出位置配准后的高分辨率遥感影像。
在本实施例中，利用无人机摄影技术或历史影像得到研究区内的两期高分辨率影像，考虑到两期影像可能出自不同遥感源，需要检查两期影像在空间特征、光谱特征、纹理特征、分辨率和投影上是否有差异。后期高分辨率影像由于是用多幅影像拼接而成，数据源与成像时间上与前期高分辨率影像有差异，纹理上相对前期影像较为模糊、在后期影像的拼接处与前期影像的地理偏移较大、两期影像直方图分布不一致，故利用大小为3×3拉普拉斯算子滤波提高纹理以保持两期影像一致，利用前期影像对后期影像进行直方图匹配操作减小辐射差异，并采用基于样条函数的地理配准方法，将后期影像配准至前期影像，完成两期高分辨率遥感影像的配准。采用本实施例，可以进一步提高输入数据的质量，提高后续违法用地区域识别的准确度。
步骤103：根据预设的图像分割模型，对差值图进行特征提取，以算出候选违法用地像素区域；其中，预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成；
在本实施例中，图像分割模型包括：FCN、SegNet、DenseNet、DeepLab、UNet和PSPNet中任意一种或组合。
在本实施例中，以上述步骤计算的差值图作为训练好的深度学习模型的输入，以进行违法用地的识别。其中，因需要像素级别的分类效果，优选使用深度学习中的语义分割模型。分析近年来有关语义分割模型在大型数据集上，如：Cityscapes、PASCAL VOC、CamVid、COCO等数据集上的性能表现，选取合适的网络模型结构，如：FCN、SegNet、DenseNet、DeepLab、UNet、PSPNet。对待选取的网络从网络参数、训练时长、是否有在大型数据集上预训练权重等方面进行考虑，优选择DeepLab V3+深度学习模型。同时，在训练阶段，图像分割模型需要使用与上述输入步骤相同的大量数据组成的数据集，作为训练集，以训练图像分割模型，并使其达到预测效果最优。这些数据集带有标注有违法用地区域的真实标签。通过本实施例，可以精确的输出违法用地的像素区域。
作为本实施例的一种举例，预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成，具体为：对获取的来自第三遥感源的第一中分辨率遥感影像数据集和来自第四遥感源的第一高分辨率遥感影像数据集进行影像预处理；其中，影像预处理包括对第一高分辨率遥感影像数据集的各第一高分辨率遥感影像进行地理位置配准处理；通过变化检测算法，提取预处理后的第一中分辨率遥感影像数据集中，各第一中分辨率遥感影像的第一候选计算区域；根据各第一候选计算区域，提取对应的各第一中分辨率遥感影像的第一候选计算区域图，并对所有提取后的第一候选计算区域图进行裁剪处理；根据带有先验违法用地信息的数据与经裁剪处理后的所有第一候选计算区域图，构造标注有违法用地区域的遥感数据训练集；根据遥感数据训练集，对初始化的图像分割模型进行训练，以获取图像分割模型。
在本实施例中，图像分割模型需要使用与上述输入步骤101、102数据处理方式相同的大量数据组成的数据集，以作为训练集，因此，可进一步参照上述步骤关于如何生成差值图的实施步骤。首先获取对大量的影像数据包括高、中分辨率影像并进行预处理。其中，预处理主要是根据同一分辨率下两幅不同时期影像所表现出来差异进行预处理，由于两幅影像在纹理特征与辐射特征有差异，所以预处理包括对影像进行拉普拉斯算子滤波操作、直方图匹配操作，还包括对所有的两期高分辨率影像进行地理位置配准。提取中分辨率遥感影像数据集中所有的第一中分辨率遥感影像的第一候选计算区域，即对所有中分辨率遥感影像进行统一的候选计算区域提取。根据所有候选计算区域对对应的所有高分辨率遥感影像进行区域图提取，划分出区域图集合。对每一张区域图进行按照0.5的重叠率裁剪，并根据实际的每一张图对应的真实区域的违法用地位置范围标签，构造训练集。在训练前，同样也需要将所有训练集进行差值图的计算，然后输入到初始化的图像分割模型进行训练，以获取预测效果最佳的图像分割模型。其中，通过调整模型参数和训练参数，在尽量保证不过拟合的前提下，选择评估指标中较好的模型。从以下几方面进行调整模型参数：考虑模型中不同网络参数，如：dropout rate、激活层类型(Relu、Selu等)等对评估指标精度的影响；考虑模型训练参数，如：初始学习率设置、学习率表类型、正则化大小等对评估指标精度的影响；考虑不同的损失函数类型(Lovasz-Softmax损失函数、Binary cross entropy损失函数、Dice loss损失函数、Focal Loss损失函数)对评估指标精度的影响；考虑不同的优化器类型(SGD、Adagrad、RMSprop、Adam、Adadelta)对评估指标精度收敛速度的影响；考虑不同后端特征提取网络(VGG、ResNet、Dilated ResNet、MobileNet、Xception、)对评估指标精度的影响，选取在评估指标上表现能力较优的模型作为最终模型。
根据评估指标与参数选择，经过调整和训练后，优选模型参数为：dropout rate为0.5、激活层类型为Relu、损失函数选择Binary cross entropy、优化器选择Adam、后端特征提取网络选择ResNet101并且使用在ImageNet数据集上预训练好的权重以加速模型收敛；训练参数为：初始学习率设置为0.0001，学习率选择等间隔下降(即每5个训练轮次下降学习率的0.8)、训练轮次(即epoch)为50轮、训练批次(batch-size)大小为8。通过采用本实施例，可以实习高精度的分割模型的训练生成，用于后续步骤的违法区域的自动检测。
作为本实施例的一种举例，对所有提取后的第一候选计算区域图进行裁剪处理之后，还包括：对裁剪后的所有第一候选计算区域图进行数据增广处理；其中，数据增广包括：影像的旋转、镜像翻转、放大缩小、平移、添加高斯噪声、进行色彩抖动和对比度变换中的任意一种或组合。
在本实施例中，考虑到标签数据有限，按照0.5的重叠率裁剪后数据集有限，不能让模型拥有更好的泛化能力。因此利用对裁剪后的数据集进行数据增广，选择的方法包括：影像的旋转、镜像翻转、放大缩小、平移、添加高斯噪声、进行色彩抖动和对比度变换等方法。每种数据增强方法随机进行，优选设置0.75的随机率，每种数据增强方法有0.75概率进行，并且对每张影像进行三次的数据增强组合操作，即每张图像可生成三张各不相同的增强图片，多次增强操作可提升模型的精度。通过采用本实施例方法，可以进一步丰富数据量，提高模型泛化能力。
步骤104：根据候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界。
在本实施例中，根据候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界，具体为：通过超像素分割算法对候选违法用地像素区域进行区域分割，以算出多个分割子区域；根据各分割子区域的各类别标签的像素占比，确定各分割子区域的标签类别；根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据若干候选子区域，确定待检测用地区域的违法用地边界。
在本实施例中，用步骤103中训练好的深度学习模型进行违法用地的自动识别后输出初步结果，并结合超像素分割优化提取更完整的边界。超像素分割是将图像上具有一系列相似特征的像素元组合起来，形成一个具有代表性的图像区域。通过超像素分割将图像划分区域可以得到更合理的边界，超像素分割重新划分区域的规则如下：
对候选违法用地像素区域进行超像素分割，对于每个超像素分割后的子区域A做以下判断:
(1)若子区域A中的C大于80％，则A全部重新划分为违法用地标签；
(2)若子区域A中的C比小于80％，但C-N大于20％，则A全部重新划分为违法用地标签；
若不满足(1)、(2)，则A全部重新划分为非违法用地标签。
其中C为子区域A中属于违法用地标签像素的占比，N为子区域A中属于非违法用地标签像素的占比。
最后通过形态学操作的开闭运算消除不满足区域面积大小要求的细小区域，并填充区域内部空洞后得到最终的违法用地边界。
图2是本发明提供的违法用地检测装置的一种实施例的装置示意图；违法用地检测装置包括：变化区域提取模块201、差值图计算模块202、影像模型计算模块203和像素区域划分模块204；本实施例更详细的步骤说明可以但不限于参见上述违法用地检测方法实施例所记载的步骤说明；
其中，变化区域提取模块201用于通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域；
差值图计算模块202用于通过候选计算区域，提取待检测用地区域来自一个或多个第二遥感源的若干高分辨率遥感影像的若干候选计算区域图，并根据若干候选计算区域图计算若干高分辨率遥感影像的差值图；其中，高分辨率遥感影像的空间分辨率比低分辨率遥感影像的空间分辨率小；
影像模型计算模块203用于根据预设的图像分割模型，对差值图进行特征提取，以算出候选违法用地像素区域；其中，预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成；
像素区域划分模块204用于根据候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界。
作为本实施例的另一种举例，像素区域划分模块204包括超像素分割模块；其中，超像素分割模块用于通过超像素分割算法对候选违法用地像素区域进行区域分割，以算出多个分割子区域；根据各分割子区域的各类别标签的像素占比，确定各分割子区域的标签类别；根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据若干候选子区域，确定待检测用地区域的违法用地边界。
本发明实施例提供的一种违法用地检测方法及装置，通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域；通过候选计算区域，提取待检测用地区域的来自第二遥感源的若干高分辨率遥感影像的若干候选计算区域图，并根据若干候选计算区域图计算若干高分辨率遥感影像的差值图；其中，高分辨率遥感影像的空间分辨率比低分辨率遥感影像的空间分辨率小；根据预设的图像分割模型，对差值图进行特征提取，以算出候选违法用地像素区域；其中，预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成；根据候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界。采用本发明实施例，利用不同尺度的多源遥感影像与深度学习技术，建立图像分割深度学习模型并提取违法用地的特征，最后输出违法用地的区域范围，实现违法用地的自动化检测，提高违法用地的识别准确率与识别速度，从而减轻人工工作量。
进一步的，还通过超像素分割算法对候选违法用地像素区域进行区域分割，以算出多个分割子区域；根据各分割子区域的各类别标签的像素占比，确定各分割子区域的标签类别；根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据若干候选子区域，确定待检测用地区域的违法用地边界。通过采用本实施例，可以更为细致准确的输出违法用地的边界，提高识别准确度，以使更精准的定位到违法用地区域，减少误判情形发生。
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，这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种违法用地检测方法，其特征在于，包括：
通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域，具体为：利用主成分分析法，分别提取所述若干中分辨率遥感影像的属于前期中分辨率遥感影像的第一主要图像信息与属于后期中分辨率遥感影像的第二主要图像信息；根据所述第一主要图像信息与第二主要图像信息，计算所述若干中分辨率遥感影像的差值图，并按预设的阈值在所述差值图上划分变化区域；根据所有所述变化区域组成的包围区域确定所述候选计算区域；
通过所述候选计算区域，提取待检测用地区域来自一个或多个第二遥感源的若干高分辨率遥感影像的若干候选计算区域图，并根据所述若干候选计算区域图计算所述若干高分辨率遥感影像的差值图；其中，所述高分辨率遥感影像的空间分辨率比低分辨率遥感影像的空间分辨率小；
根据预设的图像分割模型，对所述差值图进行特征提取，以算出候选违法用地像素区域；其中，所述预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成；
根据所述候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界，具体为：通过超像素分割算法对所述候选违法用地像素区域进行区域分割，以算出多个分割子区域；根据各所述分割子区域的各类别标签的像素占比，确定各所述分割子区域的标签类别，具体为：若子区域中的违法用地标签像素的占比大于80％，或者，子区域中的违法用地标签像素的占比小于80％，但违法用地标签像素的占比减去非违法用地标签像素的占比大于20％，则所述子区域全部重新划分为违法用地标签，否则所述子区域全部重新划分为非违法用地标签；根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据所述若干候选子区域，确定待检测用地区域的违法用地边界。
2.根据权利要求1所述的违法用地检测方法，其特征在于，在通过所述候选计算区域，提取待检测用地区域的来自第二遥感源的若干高分辨率遥感影像的若干候选计算区域图之前，还包括：
将所述高分辨率遥感影像中的属于后期高分辨率影像与属于前期高分辨影像进行地理位置配准，以输出位置配准后的高分辨率遥感影像。
3.根据权利要求1所述的违法用地检测方法，其特征在于，所述计算所述若干高分辨率遥感影像的差值图，具体为：
根据各所述高分辨率遥感影像的像素均值与方差值，以算出所述高分辨率遥感影像中的属于前期高分辨率遥感影像与属于后期高分辨率遥感影像之间的所述差值图。
4.根据权利要求1所述的违法用地检测方法，其特征在于，所述预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成，具体为：
对获取的来自第三遥感源的第一中分辨率遥感影像数据集和来自第四遥感源的第一高分辨率遥感影像数据集进行影像预处理；其中，所述影像预处理包括对所述第一高分辨率遥感影像数据集的各第一高分辨率遥感影像进行地理位置配准处理；
通过变化检测算法，提取预处理后的所述第一中分辨率遥感影像数据集中，各第一中分辨率遥感影像的第一候选计算区域；
根据各所述第一候选计算区域，提取对应的所述各第一中分辨率遥感影像的第一候选计算区域图，并对所有提取后的所述第一候选计算区域图进行裁剪处理；
根据带有先验违法用地信息的数据与经裁剪处理后的所有第一候选计算区域图，构造标注有违法用地区域的遥感数据训练集；
根据所述遥感数据训练集，对初始化的图像分割模型进行训练，以获取所述图像分割模型。
5.根据权利要求4所述的违法用地检测方法，其特征在于，所述对所有提取后的所述第一候选计算区域图进行裁剪处理之后，还包括：
对裁剪后的所有第一候选计算区域图进行数据增广处理；其中，所述数据增广包括：影像的旋转、镜像翻转、放大缩小、平移、添加高斯噪声、进行色彩抖动和对比度变换中的任意一种或组合。
6.根据权利要求1所述的违法用地检测方法，其特征在于，所述图像分割模型包括：FCN、SegNet、DenseNet、DeepLab、UNet和PSPNet中任意一种或组合。
7.一种违法用地检测装置，其特征在于，包括：变化区域提取模块、差值图计算模块、影像模型计算模块和像素区域划分模块；
其中，所述变化区域提取模块用于通过变化检测算法，提取待检测用地区域来自第一遥感源的若干中分辨率遥感影像的候选计算区域，具体为：利用主成分分析法，分别提取所述若干中分辨率遥感影像的属于前期中分辨率遥感影像的第一主要图像信息与属于后期中分辨率遥感影像的第二主要图像信息；根据所述第一主要图像信息与第二主要图像信息，计算所述若干中分辨率遥感影像的差值图，并按预设的阈值在所述差值图上划分变化区域；根据所有所述变化区域组成的包围区域确定所述候选计算区域；
所述差值图计算模块用于通过所述候选计算区域，提取待检测用地区域来自一个或多个第二遥感源的若干高分辨率遥感影像的若干候选计算区域图，并根据所述若干候选计算区域图计算所述若干高分辨率遥感影像的差值图；其中，所述高分辨率遥感影像的空间分辨率比低分辨率遥感影像的空间分辨率小；
所述影像模型计算模块用于根据预设的图像分割模型，对所述差值图进行特征提取，以算出候选违法用地像素区域；其中，所述预设的图像分割模型为使用标注有违法用地区域的遥感数据训练而成；
所述像素区域划分模块用于根据所述候选违法用地像素区域各分割子区域的各类别标签的像素占比，以确定待检测用地区域的违法用地边界，具体为：通过超像素分割算法对所述候选违法用地像素区域进行区域分割，以算出多个分割子区域；根据各所述分割子区域的各类别标签的像素占比，确定各所述分割子区域的标签类别，具体为：若子区域中的违法用地标签像素的占比大于80％，或者，子区域中的违法用地标签像素的占比小于80％，但违法用地标签像素的占比减去非违法用地标签像素的占比大于20％，则所述子区域全部重新划分为违法用地标签，否则所述子区域全部重新划分为非违法用地标签；根据所有属于违法用地标签类别的子区域的大小筛选出若干候选子区域，并根据所述若干候选子区域，确定待检测用地区域的违法用地边界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110252730.0A CN113160239B (zh) | 2021-03-08 | 2021-03-08 | 一种违法用地检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110252730.0A CN113160239B (zh) | 2021-03-08 | 2021-03-08 | 一种违法用地检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160239A CN113160239A (zh) | 2021-07-23 |
| CN113160239B true CN113160239B (zh) | 2023-09-22 |
Family
ID=76884552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110252730.0A Active CN113160239B (zh) | 2021-03-08 | 2021-03-08 | 一种违法用地检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160239B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004443A (zh) * | 2021-09-13 | 2022-02-01 | 广东省国土资源测绘院 | 一种非法建房数据的检测方法及装置 |
| CN113935369A (zh) * | 2021-10-20 | 2022-01-14 | 华南农业大学 | 一种山地果茶园道路识别语义分割模型构建方法 |
| CN116612391B (zh) * | 2023-07-21 | 2023-09-19 | 四川发展环境科学技术研究院有限公司 | 基于光谱遥感和多特征融合的土地非法侵占检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839256A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 基于小波分解的多尺度水平集的sar图像变化检测方法 |
| WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN110458198A (zh) * | 2019-07-10 | 2019-11-15 | 哈尔滨工业大学（深圳） | 多分辨率目标识别方法及装置 |
| CN112017178A (zh) * | 2020-09-08 | 2020-12-01 | 重庆市地理信息和遥感应用中心 | 一种基于双时相差值图像法的遥感图像区域变化检测方法 |
-
2021
- 2021-03-08 CN CN202110252730.0A patent/CN113160239B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839256A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 基于小波分解的多尺度水平集的sar图像变化检测方法 |
| WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN110458198A (zh) * | 2019-07-10 | 2019-11-15 | 哈尔滨工业大学（深圳） | 多分辨率目标识别方法及装置 |
| CN112017178A (zh) * | 2020-09-08 | 2020-12-01 | 重庆市地理信息和遥感应用中心 | 一种基于双时相差值图像法的遥感图像区域变化检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 面向高分辨率遥感图像的变化检测方法研究;薛丁华;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190915(第09期);第C028-95页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160239A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160239B (zh) | 一种违法用地检测方法及装置 | |
| CN111046880B (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
| CN109086668B (zh) | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 | |
| 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 | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| CN111738055B (zh) | 多类别文本检测系统和基于该系统的票据表单检测方法 | |
| CN105426861A (zh) | 车道线确定方法及装置 | |
| CN112906638A (zh) | 一种基于多层次监督和深度度量学习的遥感变化检测方法 | |
| CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
| CN106203454A (zh) | 证件版式分析的方法及装置 | |
| CN109657538B (zh) | 基于上下文信息指导的场景分割方法和系统 | |
| CN113052170A (zh) | 一种无约束场景下的小目标车牌识别方法 | |
| CN114331946A (zh) | 一种图像数据处理方法、设备以及介质 | |
| Jiang et al. | Arbitrary-shaped building boundary-aware detection with pixel aggregation network | |
| CN115393698A (zh) | 一种基于改进dpn网络的数字图像篡改检测方法 | |
| CN111563462A (zh) | 图像元素的检测方法及装置 | |
| CN118097450A (zh) | 一种卫星遥感数据海洋涡旋实时检测方法、装置及介质 | |
| CN111832508B (zh) | 基于die_ga的低照度目标检测方法 | |
| CN117975133A (zh) | 高光谱图像分类方法、系统、计算机程序产品 | |
| CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
| Ji et al. | No-reference image quality assessment for dehazed images | |
| CN107230201B (zh) | 基于样本自标定elm的在轨sar图像变化检测方法 | |
| Lyu | Research on subway pedestrian detection algorithm based on big data cleaning technology | |
| CN112036246B (zh) | 遥感影像分类模型的构建方法，遥感影像分类方法及系统 | |
| CN115270841A (zh) | 条码检测方法、装置、存储介质及计算机设备 |
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 |