CN113627571A - 单类分类框架下的高分辨率遥感影像建筑物变化检测系统 - Google Patents

Abstract

本发明公开了单类分类框架下的高分辨率遥感影像建筑物变化检测系统，涉及建筑物变化检测技术领域，包括特征提取模块、单分类信息提取模块以及变化修正模块；所述特征提取模块与数据库相连接，用于获取两期原始影像，对原始影像进行形态学建筑物指数特征提取；所述单分类信息提取模块用于提取高分辨率遥感影像的形态学建筑物指数特征与光谱特征，对其进行多特征融合，并利用一种正样本单分类器，从面向对象的角度出发，得到对象级建筑物变化检测结果；所述变化修正模块用于对单分类信息提取模块得到的对象级建筑物的变化检测结果进行修正；本发明具有一定的鲁棒性，且相比于现有建筑物变化检测算法具有更优的检测效果。

Description

单类分类框架下的高分辨率遥感影像建筑物变化检测系统

技术领域

本发明涉及建筑物变化检测技术领域，具体是单类分类框架下的高分辨率遥感影像建筑物变化检测系统。

背景技术

建筑物作为城市的基本空间结构组成之一，其空间变化分布对于城市规划、违规违建监测等方面具有非常重要的意义。传统的建筑物变化检测需要大量的人工实地调查，费时费力且难以快速获取大范围建筑物变化。基于高分辨率遥感影像的建筑物变化检测能够快速识别其准确的大范围空间分布变化，节省了大量人力物力投入，因此研究基于高分辨率遥感影像的建筑物变化检测具有重要的研究意义；

目前，随着机器学习方法在高分辨率遥感影像变化检测中的应用不断加强，其取得了较传统方法更优的实验结果，精度得到了大大的提升。但该种方式通常需要同时标注正负样本。加以改进后，利用一种单分类器，仅使用一类正样本进行训练预测，并将其成功应用到Landsat8中等分辨率遥感影像土地变化调查中，取得了较好的实验结果，突破了需要正负样本同时参与训练的多类分类问题，但是其特征组合方式仍然通过矢量叠加的方式进行，高维特征有可能产生Huge现象，即随着特征数目的增加，分类精度反而降低；为此，我们提出单类分类框架下的高分辨率遥感影像建筑物变化检测系统。

发明内容

为了解决上述方案存在的问题，本发明提供了单类分类框架下的高分辨率遥感影像建筑物变化检测系统。本发明中单类分类建筑物变化检测方法基于一类样本，无需负样本参与，有效提高建筑物变化检测的精度。

本发明的目的可以通过以下技术方案实现：

单类分类框架下的高分辨率遥感影像建筑物变化检测系统，包括影像采集模块、数据库、特征提取模块、单分类信息提取模块以及变化修正模块；

所述影像采集模块用于采集原始影像并将采集的原始影像存储入数据库；所述特征提取模块与数据库相连接，用于获取两期原始影像，对原始影像进行形态学建筑物指数特征提取；

所述单分类信息提取模块接收到特征提取模块提取的形态学建筑物指数特征后，利用一种正样本单分类器基于Kernel多特征融合的方式对变化区域进行判定，并以众数规则的方式完成对象级建筑物的变化检测，得到对象级建筑物的变化检测结果；

所述变化修正模块用于对单分类信息提取模块得到的对象级建筑物的变化检测结果进行修正。

进一步地，所述特征提取模块的具体工作步骤为：

S1：首先对两期影像进行严格的几何配准预处理；

S2：采用一种针对建筑物的空间特征—形态学建筑物指数，作为建筑物的空间特征描述。

进一步地，所述单分类信息提取模块的具体步骤为：

V1：引入Kernel集成的方式来对形态学建筑物指数特征与光谱特征进行融合；

V2：利用一种正样本单分类器根据融合后的形态学建筑物指数特征和光谱特征对变化区域进行判定；并以众数规则的方式完成对象级建筑物的变化检测，得到对象级建筑物的变化检测结果，其中变化检测结果携带有建筑物变化区域。

进一步地，步骤V1中具体融合步骤为：

分别提取两期影像的形态学建筑物指数特征和光谱特征；

以变化向量分析的方式分别对两种特征进行单波段合成，具体地合成公式如下所示：

式中，Band_s表示合成后的形态学建筑物指数特征，Band_m表示合成后的光谱特征，B_ai表示其中一期影像的第i种形态学建筑物指数特征，B_fi表示另一期影像的第i种形态学建筑物指数特征；MB_a表示其中一期影像的光谱特征，MB_f表示另一期影像的光谱特征。

进一步地，在特征提取的同时，采用联合分割的手段完成地物的对象表达。

进一步地，其中联合分割的波段选择是指两期影像叠加，然后同时进行分割，分割后对象一致。

进一步地，所述变化修正模块的具体修正方法为：

步骤一：获取单分类信息提取模块得到的对象级建筑物的变化检测结果，选取多尺度分割方法进行处理，改善其容易产生的“椒盐”现象；

步骤二：获取变化检测结果中的建筑物变化区域，基于填充度特征对建筑物变化区域进行非建筑物区域去除。

进一步地，该系统的建筑物变化检测方法包括：

第一步、形态学建筑物指数特征提取：输入两期原始影像，进行形态学建筑物指数特征提取，在特征提取的同时，采用联合分割的手段完成地物的对象表达；

第二步、单分类框架下建筑物变化信息提取：接收到第一步提取的形态学建筑物指数特征后，利用一种正样本单分类器基于Kernel多特征融合的方式对变化区域进行判定，并以众数规则的方式完成对象级建筑物的变化检测；

第三步、面向对象建筑物变化检测：针对第二步得到的变化检测结果，选取多尺度分割算法改善其容易产生的“椒盐”现象；

第四步、基于填充度特征的建筑物变化区域精化：针对第二步得到的建筑物变化区域，基于填充度特征进行非建筑物区域去除，得到最终变化检测结果。

与现有技术相比，本发明的有益效果是：

本发明首先从建筑物的特征挖掘角度出发，引入一种形态学建筑物指数进行特征描述，同时采用联合分割的手段完成地物的对象表达，值得提出的是，联合分割的波段选择是指两期影像叠加，然后同时进行分割，该种方式使分割后对象一致；然后提取高分辨率遥感影像的形态学建筑物指数特征与光谱特征，对其进行多特征融合，并利用一种正样本单分类器，从面向对象的角度出发，得到对象级建筑物变化检测结果；最后利用本文构建的一种新的形状特征进行精化，得到最终的建筑物变化检测结果；通过对两组不同传感器、不同分辨率的高分辨率遥感影像开展相关实验，并将实验结果与现有高分辨率遥感影像建筑物变化检测算法进行对比，验证了本文算法具有一定的鲁棒性，且相比于现有建筑物变化检测算法具有更优的检测效果。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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为本发明的系统框图。

图2为本发明中建筑物变化检测方法的流程图。

具体实施方式

下面将结合实施例对本发明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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，单类分类框架下的高分辨率遥感影像建筑物变化检测系统，包括影像采集模块、数据库、特征提取模块、单分类信息提取模块以及变化修正模块；

影像采集模块用于采集原始影像并将采集的原始影像存储入数据库；特征提取模块与数据库相连接，用于获取两期原始影像，对原始影像进行形态学建筑物指数特征提取；其中两期原始影像分别为时期T1影像和时期T2影像，T1、T2均为预设值；具体包括：

S1：首先对两期影像进行严格的几何配准预处理；

S2：采用一种针对建筑物的空间特征—形态学建筑物指数，作为建筑物的空间特征描述；

其中，在特征提取的同时，采用联合分割的手段完成地物的对象表达；其中联合分割的波段选择是指两期影像叠加，然后同时进行分割，该种方式使分割后对象一致；

在本实施例中，对原始影像进行形态学建筑物指数特征提取，增加了建筑物与其他地物的区分度，但是同时也包含了部分非建筑物区域；故需要在单分类框架下进行建筑物变化信息提取；

单分类信息提取模块接收到特征提取模块提取的形态学建筑物指数特征后，利用一种正样本单分类器基于Kernel多特征融合的方式对变化区域进行判定，并以众数规则的方式完成对象级建筑物的变化检测，得到对象级建筑物的变化检测结果；其中变化检测结果携带有建筑物变化区域；具体步骤为：

V1：引入Kernel集成的方式来对形态学建筑物指数特征与光谱特征进行融合；具体为：

分别提取两期影像的形态学建筑物指数特征和光谱特征；

以变化向量分析的方式分别对两种特征进行单波段合成，具体地合成公式如下所示：

式中，Band_s表示合成后的形态学建筑物指数特征，Band_m表示合成后的光谱特征，B_ai表示其中一期影像的第i种形态学建筑物指数特征，B_fi表示另一期影像的第i种形态学建筑物指数特征；MB_a表示其中一期影像的光谱特征，MB_f表示另一期影像的光谱特征；

V2：利用一种正样本单分类器根据合成后的形态学建筑物指数特征和光谱特征对变化区域进行判定；并以众数规则的方式完成对象级建筑物的变化检测，得到对象级建筑物的变化检测结果；

在本实施例中，利用一种正样本单分类器基于Kernel多特征融合方式得到的建筑物变化区域，操作仍有部分非建筑物地物的现象，且以众数规则的方式完成对象级建筑物的变化检测，容易产生“椒盐”现象；故需要对得到的对象级建筑物的变化检测结果进行修正；

变化修正模块用于对单分类信息提取模块得到的对象级建筑物的变化检测结果进行修正，得到更优的精化结果；具体为：

步骤一：获取单分类信息提取模块得到的对象级建筑物的变化检测结果，选取多尺度分割方法进行处理，改善其容易产生的“椒盐”现象；

步骤二：获取变化检测结果中的建筑物变化区域，基于填充度特征对建筑物变化区域进行非建筑物区域去除，能够得到更优的精化结果；

如图2所示，该系统的建筑物变化检测方法包括如下步骤：

第一步、形态学建筑物指数特征提取：输入两期原始影像，进行形态学建筑物指数特征提取，在特征提取的同时，采用联合分割的手段完成地物的对象表达；

第二步、单分类框架下建筑物变化信息提取：接收到第一步提取的形态学建筑物指数特征后，利用一种正样本单分类器基于Kernel多特征融合的方式对变化区域进行判定，并以众数规则的方式完成对象级建筑物的变化检测；

第三步、面向对象建筑物变化检测：针对第二步得到的变化检测结果，选取多尺度分割算法改善其容易产生的“椒盐”现象；

第四步、基于填充度特征的建筑物变化区域精化：针对第二步得到的建筑物变化区域，基于填充度特征进行非建筑物区域去除，得到最终变化检测结果，使检测结果精度更高；

对比例

通过选取两组不同空间分辨率的遥感影像进行实验，验证本发明的有效性与鲁棒性；在影像预处理阶段，前后时相的影像均经过严格的几何校正与直方图匹配，以保证两期影像处理需求；

由于本发明只需一类样本，为了验证本发明的有效性，分别从以下三个角度进行了对比分析：1）与传统的多类分类监督方法进行对比，即同时选择正负样本，验证单分类框架下建筑物变化检测的可行性，因此本发明选择较为通用的SVM多类分类方法进行对比，值得提出的是，多类SVM方法建筑物变化样本与本发明一类样本保持一致，其目的也是为了更好地对比方法结果；2）此处与利用了光谱与形态学建筑物指数特征进行建筑物变化检测的方法进行对比，具有较高可比性；3）与其他多特征融合变化检测方法进行对比，验证本发明多特征融合方法的有效性。此处将一种基于卡方变换的建筑物多特征融合方法，与本发明的基于Kernel的多特征融合方法对比。上述三种对比方法的实验参数见表1所示；

表1 对比方法与参数确定

根据上述实验参数，不同方法的建筑物变化检测结果的精度定量对比结果如下表所示：

表2 实验一中不同方法的精度定量对比结果

其中正确率是指正确检测出的变化建筑物像元个数与所有建筑物变化像元个数的比值；虚检率是指错误检测的建筑物像元个数与所有建筑物变化像元个数的比值；漏检率是指遗漏的建筑物像元个数与所有建筑物变化像元个数的比值；平均误差是指虚检率与漏检率的平均值；

表3 实验二中不同方法的精度定量对比结果

从表2和表3数据可以看出，本发明的建筑物变化检测方法的四个指标均取得了较优结果，验证了在有偏数据下，本发明的单分类方法是可行的，且具有较高的精度。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.单类分类框架下的高分辨率遥感影像建筑物变化检测系统，其特征在于，包括影像采集模块、数据库、特征提取模块、单分类信息提取模块以及变化修正模块；

所述影像采集模块用于采集原始影像并将采集的原始影像存储入数据库；所述特征提取模块与数据库相连接，用于获取两期原始影像，对原始影像进行形态学建筑物指数特征提取，具体提取步骤为：

S1：首先对两期影像进行严格的几何配准预处理；

S2：采用一种针对建筑物的空间特征—形态学建筑物指数，作为建筑物的空间特征描述；

所述单分类信息提取模块接收到特征提取模块提取的形态学建筑物指数特征后，利用一种正样本单分类器基于Kernel多特征融合的方式对变化区域进行判定，并以众数规则的方式完成对象级建筑物的变化检测，得到对象级建筑物的变化检测结果，具体步骤为：

V1：引入Kernel集成的方式来对形态学建筑物指数特征与光谱特征进行融合；

V2：利用一种正样本单分类器根据融合后的形态学建筑物指数特征和光谱特征对变化区域进行判定；并以众数规则的方式完成对象级建筑物的变化检测，得到对象级建筑物的变化检测结果，其中变化检测结果携带有建筑物变化区域；

所述变化修正模块用于对单分类信息提取模块得到的对象级建筑物的变化检测结果进行修正，具体修正方法为：

步骤一：获取单分类信息提取模块得到的对象级建筑物的变化检测结果，选取多尺度分割方法进行处理，改善其容易产生的“椒盐”现象；

步骤二：获取变化检测结果中的建筑物变化区域，基于填充度特征对建筑物变化区域进行非建筑物区域去除。

2.根据权利要求1所述的单类分类框架下的高分辨率遥感影像建筑物变化检测系统，其特征在于，步骤V1中具体融合步骤为：

分别提取两期影像的形态学建筑物指数特征和光谱特征；

以变化向量分析的方式分别对两种特征进行单波段合成，具体地合成公式如下所示：

式中，Band_s表示合成后的形态学建筑物指数特征，Band_m表示合成后的光谱特征，B_ai表示其中一期影像的第i种形态学建筑物指数特征，B_fi表示另一期影像的第i种形态学建筑物指数特征；MB_a表示其中一期影像的光谱特征，MB_f表示另一期影像的光谱特征。

3.根据权利要求1所述的单类分类框架下的高分辨率遥感影像建筑物变化检测系统，其特征在于，在特征提取的同时，采用联合分割的手段完成地物的对象表达。

4.根据权利要求3所述的单类分类框架下的高分辨率遥感影像建筑物变化检测系统，其特征在于，其中联合分割的波段选择是指两期影像叠加，然后同时进行分割，分割后对象一致。

5.根据权利要求1所述的单类分类框架下的高分辨率遥感影像建筑物变化检测系统，其特征在于，该系统的建筑物变化检测方法包括：

第一步、形态学建筑物指数特征提取：输入两期原始影像，进行形态学建筑物指数特征提取，在特征提取的同时，采用联合分割的手段完成地物的对象表达；

第二步、单分类框架下建筑物变化信息提取：接收到第一步提取的形态学建筑物指数特征后，利用一种正样本单分类器基于Kernel多特征融合的方式对变化区域进行判定，并以众数规则的方式完成对象级建筑物的变化检测；

第三步、面向对象建筑物变化检测：针对第二步得到的变化检测结果，选取多尺度分割算法改善其容易产生的“椒盐”现象；

第四步、基于填充度特征的建筑物变化区域精化：针对第二步得到的建筑物变化区域，基于填充度特征进行非建筑物区域去除，得到最终变化检测结果。

Images