CN114708222B - 基于目标面积分布特征的遥感影像变化检测质量评估方法 - Google Patents
基于目标面积分布特征的遥感影像变化检测质量评估方法 Download PDFInfo
- Publication number
- CN114708222B CN114708222B CN202210340416.2A CN202210340416A CN114708222B CN 114708222 B CN114708222 B CN 114708222B CN 202210340416 A CN202210340416 A CN 202210340416A CN 114708222 B CN114708222 B CN 114708222B
- Authority
- CN
- China
- Prior art keywords
- target
- area
- value
- intersection
- ground
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/20112—Image segmentation details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于目标面积分布特征的遥感影像变化检测质量评估方法,属于计算机图像处理评价领域,方法如下,将地表变化真值数据与模型预测结果对象化,将栅格数据转换为面要素类等能表征地物目标的矢量对象,各目标面积的归一化处理,统计地表变化真值集合中的面积分布情况,计算地表变化真值与模型预测值的匹配情况,根据得到的面积分布特征直方图,选定合适的参数,进行各目标权重值分配计算,最后加权计算。通过采用非线性函数与可变参数,弥补惩罚曲线与实际不符的情况,用函数可通过可变参数进行不同业务场景下的惩罚曲线调整,对各种业务场景适应性更高,应用在筛选不同批次的训练成果、根据业务场景挑选最佳模型等多种遥感变化检测场景。
Description
技术领域
本发明涉及计算机图像处理评价领域,尤其涉及基于目标面积分布特征的遥感影像变化检测质量评估方法。
背景技术
遥感变化检测指通过对同一地区但不同时相的遥感影像进行对比分析,通过遥感解译手段发现前后时影像中的地物目标变化,并获取具体变化范围与变化种类的过程。遥感变化检测是诸如耕地保护、森林资源开发情况监测、矿山督查、重大项目批后实施等各类自然资源监测任务当中的关键步骤。
目前,为了应对各类季度、月度自然资源综合监测项目的需要,弥补人工解译费时费力的缺陷,基于机器学习、深度学习等人工智能(AI)技术的智能遥感解译技术已经在变化检测中获得了较为广泛的应用。其中,各类基于监督分类与影像语义分割的深度学习技术又因其针对性强、准确率高、能够获得变化目标完整图斑边界等特点,更适应自然资源综合监测任务中的变化检测环节。由于深度学习算法在训练参数时采用的随机梯度下降(stochastic gradient descent)方法的限制,即使采用相同的损失函数(loss function)与训练样本,不同批次训练所产生的模型在可视化结果上往往具备不同倾向。评价基于语义分割的变化检测效果往往采用交并比(Intersection over Union,IoU)、F1分数(F1Score)、准确率(Precision)、召回率(Recall)等基于像素计算的精度指标,上述精度指标的计算主要依赖逐像素比对地表真值(Ground Truth)与模型预测结果,计算过程中各个像素值权重相等,因此无法反映出遥感变化检测中的地物目标概念,这使得具有相同精度指标值的模型往往在可视化效果上出现不同偏向,导致模型难以适应对某类地物目标有特殊监测需求的遥感监测任务。
例如,在耕地保护项目中,需要检测农田范围内的违建建筑与动土痕迹,这类违法行为相对隐蔽,虽然目标数量多但单个变化目标的面积较小,多个目标累计面积仍然低于道路修建、城市新区开发等大规模工程,在指标计算时,对小目标优势的模型不占优势,因此指标数值表现优秀的模型很可能是偏向大型目标而忽略小目标的模型,导致模型针对性与实际任务的需求不匹配。倘若使用仅基于像素个数计算的各类变化指标来完成评估与选择检测模型的工程,将导致所选用的模型在测试中指标效果优秀,实际使用时却表现不良,无法适应监测需要。
发明内容
本发明的目的在于提供基于目标面积分布特征的遥感影像变化检测质量评估方法,解决基于像素计算的精度指标在面对各地物目标面积差距较大的场景时,无法有效衡量不同面积变化目标的检测质量的技术问题。本方法适用于对各类基于机器学习或深度学习的遥感影像分割算法的影像分割效果进行评估,并可辅助人工判读对深度学习训练模型进行挑选,可服务于各类智能遥感变化检测系统与平台。为在遥感变化监测项目中快速挑选能够有效针对目标任务场景的算法模型提供参考。
为了实现上述目的,本发明采用的技术方案如下:
基于目标面积分布特征的遥感影像变化检测质量评估方法,所述方法包括如下步骤:
步骤1:将地表变化真值数据与模型预测结果对象化,将栅格数据转换为面要素类的能表征地物目标的矢量对象,转换矢量对象的方法采用区域成长法,产生的目标对象为区域内所有数据分类类型均相同,且任一相邻像元中的数据分类类型均与区域内部不同的闭合多边形;
步骤2:进行各目标面积的归一化处理,归一化处理采用最大-最小标准化方法,计算地表真值集合中的每个目标面积与最小面积的差,再取差值与集合内面积最大值最小值之差的比值,即可将所有目标面积归一化;
步骤3:统计地表变化真值集合中的面积分布情况,通过统计地表变化真值中所有地物目标的面积,选定适当的区间长度,统计各个区间中的目标面积频数,并得到对应直方图;
步骤4:计算地表变化真值与模型预测值的匹配情况,并得到交集矢量对象与并集矢量对象,根据地表变化真值中每一个目标与模型预测值之间的空间相交关系,将地表变化真值各目标分为检出与未检出两种情况;
步骤5:根据步骤3得到的面积分布特征直方图,选定合适的参数,进行各目标权重值分配计算;
步骤6:加权计算,根据所计算出的权重,逐目标计算交集和并集比,计算中需对交集、并集像素数量进行分目标加权,通过对比基于同样参数加权计算得到的两个模型推测结果,即可判别两个模型在该测试区域的优劣程度。
进一步地,步骤1中区域成长法的具体过程为:
步骤1.1:选中成长点,算法需要逐个扫描栅格数据中的像素,直到找到第一个分类标签为变化但还没有被矢量化的像素,记其坐标为(x0,y0),将其压入栈中;
步骤1.2:判断该像素周围的四个相邻像素(x0-1,y0),(x0,y0+1),(x0+1,y0),(x0,y0-1),若其中一个像素的分类标签与(x0,y0)相同,则将其压入栈中并作为新一个成长点;
步骤1.3:以新成长点重复操作步骤1.2,直到所有邻接像素都被压入栈内,此时将所有栈内像素矢量化;
步骤1.4:重复步骤1.1的操作,直到找不到下一个成长点,所有像元都被矢量化为止。
进一步地,步骤2中,目标进行归一化处理的具体过程为,对于地表真值目标集合O中的各个目标oi∈O,可通过地理计算得到其对应的面积集合S,对于地表真值中的所有目标面积集合计算得到面积几何中的最大值smax与最小值smin;
对集合内的每个目标面积可由最大-最小标准化方法计算得到其归一化目标面积计算式如下:
通过对目标地物面积的归一化,可以得到包含所有地物变化目标面积的归一化面积集合
进一步地,步骤3中具体过程,对于归一化面积集合Sn,根据区间宽度l,将集合分为个区间,根据Sn中目标落在第i个区间内的数量与总目标个数N,计算每个区间的数量占比即可得到面积变化直方图。
进一步地,步骤3中,通过可选的区间长度,来统计地表真值目标的面积直方图,能够预估业务需求中地物面积情况,为后续给各目标重新分配指标权重提供参考值。
进一步地,步骤4中进行交集计算与并集计算前,需先通过空间关系判断地表真值地物变化目标与模型识别结果目标是否指向同一地物变化,空间关系判别首先判断两者间的相交情况,若两个目标在空间上为相交关系,则计算模型识别结果目标的质心位置,当模型识别结果目标的质心落在地表真值目标的空间范围内时,即可认定两者指向同一真实地物变化目标;
检出与未检出两种情况具体为:未检出目标指的是地表变化真值目标与模型检出目标的质心距离不满足阈值要求,对于未检出目标,交集为空,并集为目标本身大小;已检出目标指的是与地表变化真值目标与模型检出目标的质心距离满足阈值要求,对于已检出目标,交集与并集按照空间位置正常计算。
进一步地,步骤4中在计算交集和并集比精度指标前,需要进行地表变化真值目标与模型预测结果目标的匹配;
对于地表真值集合O与模型预测值集合M,且pi∈P与对应的oi∈O相交,需要从集合P中筛除掉不符合要求的相交情况,利用射线法判断pi∈P的质心是否落在oi∈O范围内的方法进行筛除,具体步骤如下:
(1)对于pi∈P的质心点ci,作从ci出发的平行于X轴射向X轴正方向的射线lc;
(2)当射线lc与多边形oi交点数为奇数时,认定质心点ci位于多边形oi内,此时保留pi,若交点数为偶数,则将pi排除;
(3)最终将符合要求的pi构建符合新集合P′,对于找不到匹配的pi的oi,则将pi设为0,确保集合P同O在数目上相同且一一对应,获得质心位于匹配的多边形内的模型预测矢量集。
进一步地,步骤5中,各目标分配权重所用的计算函数为非线性函数,且在[0,1]区间内单调递减且为凸函数,符合业务场景中常见的目标占比情况,所使用函数式通过参数控制其曲线,能够根据不同应用场景特点,结合测试地图地表真值面积分布直方图来作出调整,具体过程如下:
以重视小目标的业务场景为例,对任意oi∈O,采用的惩罚值Ei可由下式计算得到:
其中k为根据业务需求设置的参数,取值可为大于0的任意值,为与oi匹配的模型预测结果的归一化面积,惩罚值Ei的计算函数为非线性函数,在[0,1]区间内单调递减且为凸函数,对于针对小目标的应用场景而言,目的是减小面积较大的目标的像素权重,而针对小目标的应用场景多为建筑物变化、建设工地变化的人类活动监测为主,受人类活动规律影响,在月度、年度的定长的时间周期内,人类活动导致的地物变化大多规模小且散发,因此小目标数量会远远多于大目标,分布直方图往往呈现倒梯形;
通过将面积分布直方图中各区间的面积累计值乘上区间内目标数目,可以得到各区间面积合计值分布图,此时将函数图形与分布图叠加,根据面积分布情况选定k值进行惩罚值的计算;
常用k值一般在2~6之间,随着k值的增加,大目标与小目标间的面积惩罚差将逐渐减小,当面积分布直方图趋于平缓时,应采用较大的k值,减小对面积较小目标的面积惩罚,当面积分布直方图趋于一极时,应采用较小的k值,增大对面积较小目标的面基惩罚,以避免面积较大目标的影响被过度淡化;
对于需要大目标而非小目标的业务场景,则需要对小目标进行精度惩罚,区域内大目标较多的直方图,业务场景变化时需要调整直方图形式与惩罚值计算的输入,可简单将直方图沿x=0.5翻转,将直方图由原先的从小到大排列更改为从大到小排列,再选定合适的k;
此时惩罚Ei计算式更改为下式:
进一步地,步骤6中,计算得到的加权精度指标为相对指标,其绝对值不代表模型预测结果好坏,某一模型A最终计算得到的加权精度指标需要与其他模型B使用同一地表真值与参数计算得到加权精度指标进行对比,才判断模型A与模型B在这一业务场景中哪一个更占优势。
进一步地,步骤6中,计算交集和并集比时,对于重视小目标的应用场景而言,大目标面积是小目标的数十倍,像素占比多,在计算交集合并集比时会影响总体精度指标,因此,需要利用惩罚值来对大目标进行像素权重调整;
对于地表真值目标oi∈O,可逐个计算其与预测目标p′i∈P的交集与并集,设集合A为交集目标集合,集合B为并集目标集合,则有:
ai=p′i∩oi,ai∈A
bi=p′i∪oi,bi∈B
设ai含有的像素个数为bi含有的像素个数为则对于以下两个集合
A={a1,a2,...,an}
B={b1,b2,...,bn}
未经调整的地表真值目标与模型预测结果间的交并比IoU计算式可表现为下式:
使用惩罚Ei对上式进行逐目标调整,则调整后的交并比AIoU计算式可表示为:
通过对比基于同一测试区计算得到的两个模型的AIoU值,其AIoU越高的一方说明更适合该测试区的地物目标面积分布情况,由于AIoU值为惩罚调整,应用惩罚Ei必定导致交并比IoU下降,IoU下降较不明显的模型相较IoU下降迅速的模型而言预测结果的面积稳定性更好。
本发明由于采用了上述技术方案,具有以下有益效果:
本发明采用非线性函数计算调整值来调整基于像素计算得到的交并比,这种做法相较直接舍去某些偏差值或使用线性函数计算调整值而言,更符合实际业务情况,实际业务中地表变化目标间的面积差往往较大,面积与目标的分布关系也存在多种复杂情况,使用简单的线性函数计算惩罚值,惩罚曲线极易与实际面积分布情况不符,通过采用非线性函数与可变参数,弥补了惩罚曲线与实际不符的情况,且本发明中所用函数可通过可变参数进行不同业务场景下的惩罚曲线调整,对各种业务场景适应性更高。本发明可以应用在筛选不同批次的训练成果、根据业务场景挑选最佳模型等多种遥感变化检测场景。
附图说明
图1为本发明的算法流程图;
图2为本发明中所述地表真值目标、识别结果目标的示意图;
图3为本发明统计得到面积直方图的示意图;
图4为本发明所采用的权重计算方法函数示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
本发明的应用前提是存在现有的测试区域的地表真值,且默认地表真值能够表现实际地面变化情况。本发明的总体实施思路是,挑选一对符合实际应用场景且具有可靠地表真值标注数据的遥感影像,使用区域成长法将地表真值转换为矢量数据,设定区间并统计各区间之间分布的地物目标个数,并得到分布直方图。导入变化检测模型对该对影像进行变化检测,并将模型预测结果同样使用区域成长法转换为矢量数据,通过判断模型预测结果矢量与地表真值矢量的空间关系,计算得到两者间的交集矢量集合与并集矢量集合。设计一套加权计算程序,依据分布直方图并结合应用场景设计参数,对交集矢量集合与并集矢量集合中的各目标加权计算得到基于目标面积加权的交并比指标。在本发明的技术方法中只需输入需要对比评估的地表真值、模型预测结果与设定参数,便可以完成对指定地物目标的指标定制并自动计算指标。本发明通过以下技术方案实现:
如图1-4所示,基于目标面积分布特征的遥感影像变化检测质量评估方法,所述方法包括如下:
步骤1:首先需要进行人工数据准备。内容为根据具体变化检测业务应用场景,选择合适的测试区域与配套的地表真值数据。测试区域应尽可能包含目标应用场景中需要检测的各类地物变化,且变化地物面积尺度应与目标应用场景相似。地表真值数据为试验区域中目标地物变化的范围与类别的人工标注数据,标注边缘应与实际地物变化边缘尽量套合,误差建议不超过2-3个像素。地表真值数据的可靠性直接关系到交并比指标计算精度。
除准备栅格数据外,还需采用区域成长法对栅格数据进行矢量化,以向数据中引入地物变化目标的概念。区域成长法为贪心算法,应用流程如下:
(1)选中成长点。算法需要逐个扫描栅格数据中的像素,直到找到第一个分类标签为变化但还没有被矢量化的像素,记其坐标为(x0,y0),将其压入栈中。
(2)判断该像素周围的四个相邻像素(x0-1,y0),(x0,y0+1),(x0+1,y0),(x0,y0-1),若其中一个像素的分类标签与(x0,y0)相同,则将其压入栈中并作为新一个成长点。
(3)以新成长点重复操作(2),直到所有邻接像素都被压入栈内,此时将所有栈内像素矢量化。
(4)重复(1)的操作,直到找不到下一个成长点,所有像元都被矢量化为止。
步骤2:进行测试区内各目标面积的归一化处理。为方便进行直方图统计与权重计算,需对测试区内地物变化目标进行归一化处理。
对于地表真值目标集合O中的各个目标oi∈O,可通过地理计算得到其对应的面积集合S。对于地表真值中的所有目标面积集合我们可以计算得到面积几何中的最大值smax与最小值smin。
之后对集合内的每个目标面积可由最大-最小标准化方法计算得到其归一化目标面积计算式如下:
通过对目标地物面积的归一化,我们可以得到包含所有地物变化目标面积的归一化面积集合
步骤3:统计地表变化真值集合中的面积分布情况。为确定权重分配规则中的各项参数,需要选定适当的区间长度,统计各个区间中的目标面积频数,并得到对应直方图。
对于归一化面积集合Sn,可以根据区间宽度l,将集合分为个区间。根据Sn中目标落在第i个区间内的数量与总目标个数N,计算每个区间的数量占比即可得到面积变化直方图。
计算得到的直方图示例如附图3所示。
步骤4:计算地表变化真值与模型预测值的匹配情况,并得到交集矢量对象与并集矢量对象。在进行交集计算与并集计算之前,需先通过空间关系判断地表真值地物变化目标与模型识别结果目标是否指向同一地物变化。
常见的地物目标与模型目标空间关系如附图2中的A与附图2中的B所示,附图2中的A表示存在正确识别的区域的情况,附图2中的B表示的是未能正确检出并产生伪变化的情况。在实际业务场景中,对于变化较为复杂的区域,模型推理结果的变化矢量往往以较为破碎的形态显现,与地表真值矢量相交情况复杂,如附图2中的C所示。对这些矢量开展人工后处理时,人往往通过修边、合并的方法来进行简化。因此,模型检测结果矢量图斑的破碎情况直接关系到人工后处理的工时与工作量,比起正确像素更多但矢量破碎的模型(如图2中的C所示),对每一个地物目标仅产生一个推理结果矢量的模型(如图2中的D所示),即使精度偏低,但开展人工后处理会更简单、更省人工。因此本模型在计算交并比精度指标前,需要进行地表变化真值目标与模型预测结果目标的匹配。
对于地表真值集合O与模型预测值集合M,且pi∈P与对应的oi∈O相交。由于前文所述原因,需要从集合P中筛除掉不符合要求的相交情况。本发明利用射线法判断pi∈P的质心是否落在oi∈O范围内的方法进行筛除,具体步骤如下。
对于pi∈P的质心点ci,作从ci出发的平行于X轴射向X轴正方向的射线lc。
当射线lc与多边形oi交点数为奇数时,可以认定质心点ci位于多边形oi内,此时保留pi。若交点数为偶数,则将pi排除。
最终将符合要求的pi构建符合新集合P′,对于找不到匹配的pi的oi,则将pi设为0,确保集合P同O在数目上相同且一一对应。经本步操作即可获得质心位于匹配的多边形内的模型预测矢量集。
步骤5:根据步骤3得到的面积分布特征直方图,选定合适的参数,进行各目标权重值分配计算。权重分配规则根据应用场景不同,需要对计算方式作出一定调整,但是其大体流程是不变的。
以重视小目标的业务场景为例,对任意oi∈O,本发明采用的惩罚值Ei可由下式计算得到,其图像如附图4所示:
其中k为根据业务需求设置的参数,取值可为大于0的任意值。为与oi匹配的模型预测结果的归一化面积。惩罚值Ei的计算函数为非线性函数,在[0,1]区间内单调递减且为凸函数。对于针对小目标的应用场景而言,主要目的是减小面积较大的目标的像素权重。而针对小目标的应用场景多为建筑物变化、建设工地变化等人类活动监测为主。受人类活动规律影响,在月度、年度等定长的时间周期内,人类活动导致的地物变化大多规模小且散发,因此小目标数量会远远多于大目标,分布直方图往往呈现倒梯形,如图3所示。
通过将面积分布直方图中各区间的面积累计值乘上区间内目标数目,可以得到各区间面积合计值分布图,此时将函数图形与此分布图叠加,根据面积分布情况选定合适的k值进行惩罚值的计算。
不同的k值对函数形态影响如附图4所示,图4中曲线A~F分别对应k值为1~6时的函数曲线,常用k值一般在2~6之间。随着k值的增加,大目标与小目标间的面积惩罚差将逐渐减小。当面积分布直方图趋于平缓时,应采用较大的k值,减小对面积较小目标的面积惩罚。当面积分布直方图趋于一极时,应采用较小的k值,增大对面积较小目标的面基惩罚,以避免面积较大目标的影响被过度淡化。
对于需要大目标而非小目标的业务场景,则需要对小目标进行精度惩罚,区域内大目标较多的直方图如图3所示。业务场景变化时需要调整直方图形式与惩罚值计算的输入。可简单将直方图沿x=0.5翻转,将直方图由原先的从小到大排列更改为从大到小排列,再选定合适的k,k值的选定规则与上述相同。
此时惩罚Ei计算式更改为下式:
步骤5:加权计算。本步骤需根据所计算出的权重,逐目标计算交并比。计算中需对交集、并集像素数量进行分目标加权。对于重视小目标的应用场景而言,大目标面积往往是小目标的数十倍,像素占比多,在计算交并比时极大会影响总体精度指标。因此,需要利用惩罚值来对大目标进行像素权重调整。
对于地表真值目标oi∈O,可逐个计算其与预测目标p′i∈P的交集与并集。设集合A为交集目标集合,集合B为并集目标集合,则有:
ai=p′i∩oi,ai∈A
bi=p′i∪oi,bi∈B
设ai含有的像素个数为bi含有的像素个数为则对于以下两个集合
A={a1,a2,...,an}
B={b1,b2,..,bn}
未经调整的地表真值目标与模型预测结果间的交并比IoU计算式可表现为下式:
使用惩罚Ei对上式进行逐目标调整,则调整后的交并比AIoU计算式可表示为:
通过对比基于同一测试区计算得到的两个模型的AIoU值,其AIoU越高的一方说明其更适合该测试区的地物目标面积分布情况。由于AIoU值为惩罚调整,应用惩罚Ei必定导致交并比IoU下降,IoU下降较不明显的模型相较IoU下降迅速的模型而言预测结果的面积稳定性更好。
如下表为权重分配方法函数对应参数值表:
表1权重分配方法函数对应参数值表
曲线编号 | 参数k值 |
A | 1 |
B | 2 |
C | 3 |
D | 4 |
E | 5 |
F | 6 |
图2为地表真值目标、识别结果目标的示意图,其中,虚线为模型预测结果范围,实线为地表真值范围,图(A)表示的是模型预测结果同地表真值有相交,可以认为两者指向同一个真实变化,图(B)表示模型预测结果与地表真值完全无相交,模型预测结果为误检,图(C)、图(D)分别表示不同模型对同一目标预测效果,尽管图(C)中有着更高的检出率,但因为识别结果破碎,人工后处理较为困难。图(D)中尽管检出部分较小,但易于继续人工后处理。
图3为面积统计直方图示意图,其中:图(A)表示针对小目标的测试区域的地表真值面积分布,图(B)表示针对大目标的测试区域的地表真值面积分布。
以上所述仅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,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于目标面积分布特征的遥感影像变化检测质量评估方法,其特征在于,所述方法包括如下步骤:
步骤1:将地表变化真值数据与模型预测结果对象化,将栅格数据转换为面要素类的能表征地物目标的矢量对象,转换矢量对象的方法采用区域成长法,产生的目标对象为区域内所有数据分类类型均相同,且任一相邻像元中的数据分类类型均与区域内部不同的闭合多边形;
步骤2:进行各目标面积的归一化处理,归一化处理采用最大-最小标准化方法,计算地表真值集合中的每个目标面积与最小面积的差,再取差值与集合内面积最大值最小值之差的比值,即可将所有目标面积归一化;
步骤3:统计地表变化真值集合中的面积分布情况,通过统计地表变化真值中所有地物目标的面积,选定适当的区间长度,统计各个区间中的目标面积频数,并得到对应直方图;
步骤4:计算地表变化真值与模型预测值的匹配情况,并得到交集矢量对象与并集矢量对象,根据地表变化真值中每一个目标与模型预测值之间的空间相交关系,将地表变化真值各目标分为检出与未检出两种情况;
步骤5:根据步骤3得到的面积分布特征直方图,选定合适的参数,进行各目标权重值分配计算;
步骤6:加权计算,根据所计算出的权重,逐目标计算交集和并集比,计算中需对交集、并集像素数量进行分目标加权,通过对比基于同样参数加权计算得到的两个模型推测结果,即可判别两个模型在区域的优劣程度;
步骤4中在计算交集和并集比精度指标前,需要进行地表变化真值目标与模型预测结果目标的匹配;
对于地表真值集合O与模型预测值集合M,且pi∈P与对应的oi∈O相交,需要从集合P中筛除掉不符合要求的相交情况,利用射线法判断pi∈P的质心是否落在oi∈O范围内的方法进行筛除,具体步骤如下:
(1)对于pi∈P的质心点ci,作从ci出发的平行于X轴射向X轴正方向的射线lc;
(2)当射线lc与多边形oi交点数为奇数时,认定质心点ci位于多边形oi内,此时保留pi,若交点数为偶数,则将pi排除;
(3)最终将符合要求的pi构建符合新集合P′,对于找不到匹配的pi的oi,则将pi设为0,确保集合P同O在数目上相同且一一对应,获得质心位于匹配的多边形内的模型预测矢量集;
步骤5中,各目标分配权重所用的计算函数为非线性函数,且在[0,1]区间内单调递减且为凸函数,符合业务场景中常见的目标占比情况,所使用函数式通过参数控制其曲线,能够根据不同应用场景特点,结合测试地图地表真值面积分布直方图来作出调整,具体过程如下:
重视小目标的业务场景,对任意oi∈O,采用的惩罚值Ei可由下式计算得到:
其中k为根据业务需求设置的参数,k值在2~6之间,为与oi匹配的模型预测结果的归一化面积,惩罚值Ei的计算函数为非线性函数,在[0,1]区间内单调递减且为凸函数,对于针对小目标的应用场景而言,目的是减小面积较大的目标的像素权重,而针对小目标的应用场景多为建筑物变化、建设工地变化的人类活动监测为主,受人类活动规律影响,在月度、年度的定长的时间周期内,人类活动导致的地物变化大多规模小且散发,因此小目标数量会远远多于大目标,分布直方图往往呈现倒梯形;
通过将面积分布直方图中各区间的面积累计值乘上区间内目标数目,可以得到各区间面积合计值分布图,此时将函数图形与分布图叠加,根据面积分布情况选定k值进行惩罚值的计算;
k值在2~6之间,随着k值的增加,大目标与小目标间的面积惩罚差将逐渐减小,当面积分布直方图趋于平缓时,应采用较大的k值,减小对面积较小目标的面积惩罚,当面积分布直方图趋于一极时,应采用较小的k值,增大对面积较小目标的面积惩罚,以避免面积较大目标的影响被过度淡化;
对于需要大目标而非小目标的业务场景,则需要对小目标进行精度惩罚,区域内大目标较多的直方图,业务场景变化时需要调整直方图形式与惩罚值计算的输入,可简单将直方图沿x=0.5翻转,将直方图由原先的从小到大排列更改为从大到小排列,再选定合适的k;
此时惩罚Ei计算式更改为下式:
步骤6中,计算得到的加权精度指标为相对指标,其绝对值不代表模型预测结果好坏,某一模型A最终计算得到的加权精度指标需要与其他模型B使用同一地表真值与参数计算得到加权精度指标进行对比,才判断模型A与模型B在这一业务场景中哪一个更占优势;
步骤6中,计算交集和并集比时,对于重视小目标的应用场景而言,大目标面积是小目标的数十倍,像素占比多,在计算交集合并集比时会影响总体精度指标,因此,需要利用惩罚值来对大目标进行像素权重调整;
对于地表真值目标oi∈O,可逐个计算其与预测目标p′i∈P的交集与并集,设集合A为交集目标集合,集合B为并集目标集合,则有:
ai=p′i∩oi,ai∈A
bi=p′i∪oi,bi∈B
设ai含有的像素个数为bi含有的像素个数为则对于以下两个集合
A={a1,a2,..,an}
B={b1,b2,..,bn}
未经调整的地表真值目标与模型预测结果间的交并比IoU计算式可表现为下式:
使用惩罚Ei对上式进行逐目标调整,则调整后的交并比AIoU计算式可表示为:
通过对比基于同一测试区计算得到的两个模型的AIoU值,其AIoU越高的一方说明更适合该测试区的地物目标面积分布情况,由于AIoU值为惩罚调整,应用惩罚Ei必定导致交并比IoU下降,IoU下降较不明显的模型相较IoU下降迅速的模型而言预测结果的面积稳定性更好。
2.根据权利要求1所述的基于目标面积分布特征的遥感影像变化检测质量评估方法,其特征在于,步骤1中区域成长法的具体过程为:
步骤1.1:选中成长点,算法需要逐个扫描栅格数据中的像素,直到找到第一个分类标签为变化但还没有被矢量化的像素,记其坐标为(x0,y0),将其压入栈中;
步骤1.2:判断该像素周围的四个相邻像素(x0-1,y0),(x0,y0+1),(x0+1,y0),(x0,y0-1),若其中一个像素的分类标签与(x0,y0)相同,则将其压入栈中并作为新一个成长点;
步骤1.3:以新成长点重复操作步骤1.2,直到所有邻接像素都被压入栈内,此时将所有栈内像素矢量化;
步骤1.4:重复步骤1.1的操作,直到找不到下一个成长点,所有像元都被矢量化为止。
3.根据权利要求1所述的基于目标面积分布特征的遥感影像变化检测质量评估方法,其特征在于:步骤2中,目标进行归一化处理的具体过程为,对于地表真值目标集合O中的各个目标oi∈O,可通过地理计算得到其对应的面积集合S,对于地表真值中的所有目标面积集合计算得到面积几何中的最大值smax与最小值smin;
对集合内的每个目标面积可由最大-最小标准化方法计算得到其归一化目标面积计算式如下:
通过对目标地物面积的归一化,可以得到包含所有地物变化目标面积的归一化面积集合
4.根据权利要求1所述的基于目标面积分布特征的遥感影像变化检测质量评估方法,其特征在于:步骤3中具体过程,对于归一化面积集合Sn,根据区间宽度l,将集合分为个区间,根据Sn中目标落在第i个区间内的数量与总目标个数N,计算每个区间的数量占比即可得到面积变化直方图。
5.根据权利要求4所述的基于目标面积分布特征的遥感影像变化检测质量评估方法,其特征在于:步骤3中,通过可选的区间长度,来统计地表真值目标的面积直方图,能够预估业务需求中地物面积情况,为后续给各目标重新分配指标权重提供参考值。
6.根据权利要求1所述的基于目标面积分布特征的遥感影像变化检测质量评估方法,其特征在于:步骤4中进行交集计算与并集计算前,需先通过空间关系判断地表真值地物变化目标与模型识别结果目标是否指向同一地物变化,空间关系判别首先判断两者间的相交情况,若两个目标在空间上为相交关系,则计算模型识别结果目标的质心位置,当模型识别结果目标的质心落在地表真值目标的空间范围内时,即可认定两者指向同一真实地物变化目标;
检出与未检出两种情况具体为:未检出目标指的是地表变化真值目标与模型检出目标的质心距离不满足阈值要求,对于未检出目标,交集为空,并集为目标本身大小;已检出目标指的是与地表变化真值目标与模型检出目标的质心距离满足阈值要求,对于已检出目标,交集与并集按照空间位置正常计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210340416.2A CN114708222B (zh) | 2022-04-02 | 2022-04-02 | 基于目标面积分布特征的遥感影像变化检测质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210340416.2A CN114708222B (zh) | 2022-04-02 | 2022-04-02 | 基于目标面积分布特征的遥感影像变化检测质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708222A CN114708222A (zh) | 2022-07-05 |
CN114708222B true CN114708222B (zh) | 2023-04-18 |
Family
ID=82172883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210340416.2A Active CN114708222B (zh) | 2022-04-02 | 2022-04-02 | 基于目标面积分布特征的遥感影像变化检测质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708222B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI509560B (zh) * | 2012-08-31 | 2015-11-21 | Egalax Empia Technology Inc | 影像分割的方法與裝置 |
CN108985238B (zh) * | 2018-07-23 | 2021-10-22 | 武汉大学 | 联合深度学习和语义概率的不透水面提取方法及系统 |
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
CN111339947A (zh) * | 2020-02-26 | 2020-06-26 | 苏州中科天启遥感科技有限公司 | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 |
CN113052180A (zh) * | 2021-03-23 | 2021-06-29 | 中国人民解放军战略支援部队信息工程大学 | 融合语义流场的编解码网络港口影像分割方法 |
CN113449594B (zh) * | 2021-05-25 | 2022-11-11 | 湖南省国土资源规划院 | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 |
CN113870281A (zh) * | 2021-09-17 | 2021-12-31 | 海南大学 | 一种基于金字塔机制的遥感影像海洋与非海区域分割方法 |
CN114120141A (zh) * | 2021-11-23 | 2022-03-01 | 深圳航天智慧城市系统技术研究院有限公司 | 一种可全天候遥感监测自动分析方法及其系统 |
-
2022
- 2022-04-02 CN CN202210340416.2A patent/CN114708222B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114708222A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN104751166A (zh) | 基于光谱角和欧氏距离的遥感影像分类方法 | |
CN104134080A (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
CN111783516A (zh) | 一种基于深度学习的耕地质量自然等级评价方法 | |
Ayhan et al. | Analysis of image classification methods for remote sensing | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN113033401A (zh) | 一种面向生态保护红线的人类活动变化识别监管方法 | |
CN109508867A (zh) | 基于模糊c均值聚类的空中交通区域划分方法 | |
CN109035223A (zh) | 一种用于卫星遥感图像可用度的智能评估方法 | |
CN114882306B (zh) | 地形图比例尺鉴别方法、装置、存储介质及电子设备 | |
CN116129202A (zh) | 存量用地分析方法、装置和存储介质 | |
CN107403004B (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
CN114708222B (zh) | 基于目标面积分布特征的遥感影像变化检测质量评估方法 | |
CN116628519B (zh) | 一种生态脆弱区识别方法及系统 | |
CN116757632B (zh) | 一种工程项目进度信息监测方法 | |
Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
CN114119575B (zh) | 一种空间信息变化检测方法及系统 | |
CN103778413B (zh) | 一种遥感影像欠分割对象自动识别方法 | |
CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 | |
CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN114266138B (zh) | 一种利用云端数据进行城市边缘区识别与验证方法 | |
CN115439287A (zh) | 一种基于机器学习的地质灾害危险性评价方法 | |
CN113361968B (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
AU2021100350A4 (en) | Method for Predicting Reclamation Potential of Homestead |
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 |