CN114863190B - 建筑物年份识别方法及装置 - Google Patents
建筑物年份识别方法及装置 Download PDFInfo
- Publication number
- CN114863190B CN114863190B CN202210785714.2A CN202210785714A CN114863190B CN 114863190 B CN114863190 B CN 114863190B CN 202210785714 A CN202210785714 A CN 202210785714A CN 114863190 B CN114863190 B CN 114863190B
- Authority
- CN
- China
- Prior art keywords
- building
- data
- year
- target
- index
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于目标检测技术领域,提供了一种建筑物年份识别方法及装置,该方法包括:获取待处理的建筑物数据,所述建筑物数据包括多个建筑物的遥感数据和所述建筑物对应的轮廓数据;将所述轮廓数据输入至分类模型中,得到所述分类模型输出的目标轮廓信息,基于所述目标轮廓信息,从所述遥感数据中确定目标建筑物数据;其中,所述分类模型为样本建筑物数据和样本标签训练得到;将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份。本发明所述方法能够根据遥感图像中各建筑物的建筑指数自动识别出建筑物的建筑年份信息,提高了对不同时间序列建筑物年份的识别效率。
Description
技术领域
本发明属于目标检测技术领域,尤其涉及一种建筑物年份识别方法及装置。
背景技术
实际生活中,由于老旧建筑存在时间较长,存在安全隐患,且城市老旧建筑空间分布并不均匀,对其进行全面勘测比较困难;相关技术通常是依靠人工走访的方式来调查分散在城市各处的老旧建筑的年份信息,付出成本较大,且部分老旧建筑经过翻修后仍能正常使用,调查人员无法确定该类翻修建筑物的具体年份信息,导致对城市老旧建筑物的建筑年份的识别效率较低。
发明内容
本发明提供的一种建筑物年份识别方法及装置,用以解决现有技术识别城市老旧建筑年份信息时依靠人工调查进行识别而导致识别效率较低的缺陷,提升了对建筑物的建筑年份识别的效率。
本发明提供一种建筑物年份识别方法,该方法包括:
获取待处理的建筑物数据,所述建筑物数据包括多个建筑物的遥感数据和所述建筑物对应的轮廓数据;
将所述轮廓数据输入至分类模型中,得到所述分类模型输出的目标轮廓信息,基于所述目标轮廓信息,从所述遥感数据中确定目标建筑物数据;其中,所述分类模型为样本建筑物数据和样本标签训练得到;
将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份。
根据本发明提供的一种建筑物年份识别方法,所述识别模型包括特征提取层和年份信息提取层,其中,所述特征提取层为建筑指数确定,所述年份信息提取层为时间序列检测算法确定;
所述将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份,包括:
将所述目标建筑物数据输入至所述特征提取层,得到所述特征提取层输出的所述建筑指数;
将所述建筑指数输入至所述年份信息提取层,得到所述年份信息提取层输出的时间序列轨线,并从所述时间序列轨线中提取所述目标建筑物数据的建筑年份。
根据本发明提供的一种建筑物年份识别方法,所述目标建筑物数据包括多个,多个所述目标建筑物数据按年份先后顺序排列,所述将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份,还包括:
当所述目标建筑物数据在长时序区间内不存在扰动位置的情况下,将所述长时序区间以目标间隔划分为多个时间子区间,并将各所述时间子区间内对应的目标建筑物数据分别输入至所述识别模型中,得到各区间目标时间序列轨线,在所述目标时间序列轨线上存在至少一个扰动位置的情况下,将最大扰动位置对应年份作为所述建筑年份。
根据本发明提供的一种建筑物识年份别方法,所述将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份之后,所述方法还包括:
当前时序建筑物数据的建筑年份为所述当前时序的起始端点值时,将下一个时序建筑物数据的建筑年份作为所述当前时序建筑物数据的建筑年份。
根据本发明提供的一种建筑物年份识别方法,所述建筑指数基于归一化差值裸地与建筑用地指数、增强型裸土指数、归一化差值水体指数和植被指数确定。
根据本发明提供的一种建筑物年份识别方法,所述建筑指数的计算式为:
其中,为增强的指数型建筑指数,用于抑制裸土信息;为归一化差
值裸地与建筑用地指数,用于表示经过归一化处理的裸地和建筑用地信息;为增强型
裸土指数,用于表示裸土信息;为植被系数,用于表示植被信息;为归一
化差值水体指数,用于表示经过归一化处理的水体信息。
根据本发明提供的一种建筑物年份识别方法,所述分类模型通过如下步骤训练得到:
将包含目标特征的样本建筑物图像及样本标签输入到预设的有监督模型中进行训练,并将训练后的有监督模型作为所述分类模型;
其中,所述目标特征由所述样本建筑物图像的建筑周长、建筑面积和建筑高度确定。
本发明还提供一种建筑物年份识别装置,包括:
数据获取模块,用于获取待处理的建筑物数据,所述建筑物数据包括多个建筑物的遥感数据和所述建筑物对应的轮廓数据;
分类模块,用于将所述轮廓数据输入至分类模型中,得到所述分类模型输出的目标轮廓信息,基于所述目标轮廓信息,从所述遥感数据中确定目标建筑物数据,其中,所述分类模型为样本建筑物数据和样本标签训练得到;
识别模块,用于将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述建筑物年份识别方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述建筑物年份识别方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述建筑物识别年份方法。
本发明提供一种建筑物年份识别方法及装置,通过将待处理的建筑物数据输入到一个可用的分类模型中,得到目标建筑物的特征信息,并基于该特征信息从建筑物数据中得到目标建筑物数据,最后通过识别模型从目标建筑物数据中获取不同时序的建筑物数据的建筑年份,本发明所述方法能够根据遥感图像中各建筑物的建筑指数自动识别出建筑物的年份信息,提高了对不同时间序列建筑物年份的识别效率。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的建筑物年份识别方法的流程示意图;
图2是本发明实施例提供的建筑物年份识别方法的界面示意图;
图3是本发明实施例提供的建筑物年份识别方法装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
下面结合图1描述本发明实施例提供的建筑物年份识别方法,包括:
步骤110、获取待处理的建筑物数据,建筑物数据包括多个建筑物的遥感数据和所述建筑物对应的轮廓数据。
在该步骤中,待处理的建筑物数据包含了多种类型建筑物的遥感数据,也包含了各建筑物数据的轮廓数据,这些轮廓数据可用于从多种建筑物中确定目标建筑物的轮廓和位置信息,遥感数据是指卫星在一定的周期内对地物进行重复采集而获取的遥感影像,它记录了各种地物电磁波的大小,例如,在1980年的某地区拍摄到的遥感图像。
在该实施例中,待处理的建筑物数据可以是不同时间段的建筑物数据,例如,待处理的建筑物数据包含了某地区在1985年-2005年间对应的20份不同年份的建筑物数据,其中,目标建筑物数据可以是社区、行政区、公园以及棚户区等建筑物对应的遥感数据。
步骤120、将轮廓数据输入至分类模型中,得到分类模型输出的目标轮廓信息,基于所述目标轮廓信息,从遥感数据中确定目标建筑物数据,其中,分类模型为样本建筑物数据和样本标签训练得到。
在该步骤中,分类模型是由样本建筑物数据和其对应的标签训练得到的,这些样本建筑物数据可以是表征各建筑物特征的轮廓数据,例如,建筑物的轮廓信息,建筑物的面积、周长等信息;也可以是表征建筑物其他属性的数据,如建筑物的结构信息、颜色信息以及纹理信息等这些特征信息可以用来区分不同的建筑类型。
在该实施例中,将建筑物的轮廓数据直接输入到训练好的分类模型中,可以分类得到目标建筑物的轮廓信息,例如,当目标建筑物为社区时,其轮廓信息可以是社区的轮廓形状以及位置信息,根据该轮廓信息可以从包含多种类型建筑物的遥感数据中获取社区的遥感数据。在该实施例中,分类模型由预设的有监督模型训练得到,其中,预设的有监督模型可以是支撑向量机(SVM)、随机森林等传统的机器学习模型,也可以是卷积神经网络(CNN)、深度神经网络等深度学习模型;以包含目标建筑物的数据为训练样本,以目标建筑物的轮廓信息和空间位置信息为特征,以训练样本对应的数据标签对预设的有监督模型进行训练得到上述分类模型。
步骤130、将目标建筑物数据输入至识别模型中,得到识别模型输出的目标建筑物数据的建筑年份。
在该步骤中,识别模型用于分析建筑物的时序信息并得到建筑物的最大扰动年份信息,并以最大扰动年份作为该建筑物的建筑年份,最大扰动年份是指时间序列轨线中最大扰动发生位置的年份信息,该时间序列轨线是由基于建筑物指数数据的时序信息所拟合得到的。
需要说明的是,建筑物对应的时间序列轨线反映了建筑物建造或翻新的时间信息,建筑物在一段时间内没有翻新时,对应的轨线为一条平滑的曲线,当建筑物翻新时,对应时间内的轨线会发生变化,振幅改变较为明显。
在该步骤中,建筑物在不同时间内的状态可能经过多次变化,例如,对建筑物的施工、建成竣工以及再建等,会有多段振幅发生变化的轨线,取振幅变化最大时对应的时间作为建筑物的最大扰动年份。
在该实施例中,在1985年-2020年某市的社区建筑物图像对应的时间序列轨线中,某个社区建筑物的扰动位置存在多个,其中,轨线幅度变化最大的位置对应年份为2012年时,则将2012年作为该社区建筑物的建筑年份;该扰动位置为轨线幅度发生变化的位置。
根据本申请实施例提供的建筑年份识别方法,通过将待处理的建筑物数据输入到一个可用的分类模型中,得到目标建筑物数据,并通过识别模型从目标建筑物数据中获取目标建筑物的建筑年份,本发明所述方法能够根据遥感图像中各建筑物的建筑指数自动识别出建筑物的年份信息,提高了对不同时间序列建筑物年份的识别效率。
在一些实施例中,识别模型包括特征提取层和年份信息提取层,其中,特征提取层为建筑指数确定,年份信息提取层为时间序列检测算法确定;将目标建筑物数据输入至识别模型中,得到识别模型输出的目标建筑物数据的建筑年份,包括:将目标建筑物数据输入至特征提取层,得到特征提取层输出的建筑指数;将建筑指数输入至年份信息提取层,得到年份信息提取层输出的时间序列轨线,并从时间序列轨迹中提取目标建筑物数据的建筑年份。
在该实施例中,建筑指数为根据建筑物图像中的像素值信息而确定的建筑物检测指数,它可以是用于抑制裸土信息的建筑指数,也可以用于表示经过归一化处理的裸地和建筑用地信息的建筑指数,当然,该建筑指数还可以是上述建筑指数的组合形式,本实施例不作限制。
在该实施例中,时间序列检测算法能够提取建筑物图像中像素值随时间变化的轨线,然后根据轨线的变化幅度确定该建筑的不同扰动位置的年份信息;在一段连续的时间范围内,目标建筑物可能存在多个扰动位置,将最大扰动位置对应的年份作为该目标建筑物的建筑年份。
在该实施例中,时间序列检测算法可以是基于陆地卫星检测干扰和恢复的趋势算法(Landsat-based Detection of Trends in Disturbance and Recovery,LandTrendr),LandTrendr算法可以使用来自单个光谱波段或光谱指数的像素值信息提取每个像素随时间变化的时间序列轨线,该算法是根据时间将像素历史记录拆分成几个线段这一想法建立的,当时间轨线在很长一段时间内变化很小,可以用一条小坡度直线表示,当发生干扰时,像素的值将发生变化,轨线则由一条陡峭的短线段表示;时间序列检测算法也可以是CCDC(Continuous change detection and classification)算法,还可以是BFAST(Breaks ForAdditive Season and Trend)算法。
在该实施例中,计算某市建筑物数据中各社区建筑物的建筑指数,然后将建筑指数输入到LandTrendr模型中进行时间序列检测,分别得到不同建筑物在1985年-2020年的时间段内的时间序列轨线,再根据该时间段内的时间序列轨线上最大扰动位置对应的年份信息,确定各建筑物在不同时间段内的建筑年份,某社区建筑物在时间序列轨线上的最大扰动位置对应的年份为2012年,则该对社区建筑物的建筑年份为2012年。
根据本申请实施例提供的建筑物年份识别方法,通过特征提取层从建筑物图像中计算建筑物的建筑指数,通过LandTrendr算法基于建筑指数拟合该建筑物图像中各像素的变化轨线,由此可以直观的显示该建筑物在不同年份的变化情况,为确定各建筑物的年份信息提供方便。
在一些实施例中,目标建筑物数据包括多个,多个目标建筑物数据按年份先后顺序排列,将目标建筑物数据输入至识别模型中,得到识别模型输出的目标建筑物数据的建筑年份,还包括:当目标建筑物数据在长时序区间内不存在扰动位置的情况下,将长时序区间以目标间隔划分为多个时间子区间,并将各时间子区间内对应的目标建筑物数据分别输入至识别模型中,得到各区间目标时间序列轨线,在目标时间序列轨线上存在至少一个扰动位置的情况下,将最大扰动位置对应年份作为建筑年份。
需要说明的是,由于建筑物在初始建造时在其时间序列轨线上会出现扰动位置,而当该建筑物在其他时间内翻新时也会在时间序列轨线上会出现扰动位置;当目标建筑物在较长时间段内没有经过翻新或重建时,该目标建筑物在对应时间范围的时间序列轨线上为一条平滑的曲线,此时,无法根据轨线上的扰动位置来确定其建筑年份。
在该实施例中,建筑物的长时序区间包含了建筑物不同年份间的遥感数据,该长时序区间可以根据需求设定,长时序区间可以是1985年-2020年,也可以是年份差值在20年-50年之内的其他年份区间;社区建筑物数据在长时序区间的各个年份都对应一个建筑物数据。
在该实施例中,目标间隔是指将长时序区间划分为多个的时间子区间的间隔,目标间隔不超过长时序区间的最大年份差值,例如,当长时序区间的最大年份差值为30年时,目标间隔可以是10年或20年等。
在该实施例中,目标时间序列轨线包含了各区间内所对应的目标建筑物数据在各区间内的扰动信息,该扰动信息具体表现形式为:当目标时间序列轨线上存在扰动位置时,对应轨线的振幅会发生变化,该扰动位置对应的年份可能为目标建筑物的建筑年份。
在一些实施例中,当目标建筑物数据在长时序区间内不存在扰动位置时,可自定义将根据目标建筑物的长时序区间设置多个时间子区间,以得到各时间子区间对应的目标建筑物数据。
在该实施例中,社区建筑物的长时序区间为1985年-2020年,则共有连续35个不同年份对应的社区建筑物数据,当基于LandTrendr算法获取这些社区数据对应的时间序列轨线为一条光滑曲线时,以目标间隔为20年,将1985年-2020的社区建筑物数据划分为四组:1985年-2005年的社区数据、1990年-2010年的社区数据、1995年-2015年的社区数据以及2000年-2020年的社区数据;利用LandTrendr算法分别对上述四组社区数据进行年份识别提取,当上述四组社区数据对应的时间序列轨线上存在一个扰动位置时,将该扰动位置对应的年份作为社区建筑物的建筑年份;当时间序列轨线上存在多个扰动位置时,以最大扰动位置对应的年份为社区的建筑年份。
根据本申请实施例提供的建筑物年份识别方法,通过对长时序的目标建筑物数据按照不同年份区间进行分组,并将各组目标建筑物数据进行年份识别,既能够减少因年份相隔较远对年份识别带来的干扰,又能够提高对各建筑物年份识别的准确性。
在一些实施例中,将目标建筑物数据输入至识别模型中,得到识别模型输出的目标建筑物数据的建筑年份之后,该方法还包括:当前时序建筑物数据的建筑年份为当前时序的起始端点值时,将下一个时序建筑物数据的建筑年份作为当前时序建筑物数据的建筑年份。
需要说明的是,当建筑物的实际建造时间不在设定的时间段内或者建筑物在该时间段内没有翻新导致在对应的时间序列轨线上没有产生最大扰动位置时,获取的各建筑物对应的时间序列轨线拟合为一条平滑曲线,此时,可能导致在一个或多个时间段内,建筑物的建筑年份为对应时间段的起始端点值。
在该实施例中,当确认建筑物数据在当前时间段内的建筑年份为该时间段的起始端点值时,将下一个时间段内该建筑物数据的建筑年份作为该建筑物数据的建筑年份。
在该实施例中,当某社区建筑物数据在1985-2005年时间段获取的建筑年份为1985年时,根据1990-2010年时间段获取的建筑年份确认该社区建筑物数据的建筑年份。
在其他实施例中,当连续多个时间段内建筑物数据的建筑年份均为对应时间段的起始端点值时,将下一个时间段内建筑物数据的建筑年份不在对应时间段的起始端点值的建筑年份作为该建筑物数据的建筑年份。
在图2所示实施例中,当某建筑物数据在1985年-2005年时间段获取的建筑年份为1985年时,根据1990年-2010年时间段获取的建筑年份确认该建筑数据的建筑年份;当1985年-2005年时间段获取的建筑年份为1985年、1990年-2010年时间段获取的建筑年份为1990年时,根据1995年-2015年时间段获取的建筑年份确认该建筑物的建筑年份;当1985年-2005年时间段获取的建筑年份为1985年、1990年-2010年时间段获取的建筑年份为1990年、1995年-2015年获取的建筑年份为1995年时,根据2000年-2020年时间段获取的建筑年份确认该建筑的建筑年份,最终确认建筑年份小于2000年的建筑物。
根据本申请实施例提供的建筑物年份识别方法,通过将建筑物的建筑年份不在对应时间段的起始端点处对应的建筑年份作为该建筑物的建筑年份,来减少建筑物时间序列轨线的拟合效果较差带来的影响。
在一些实施例中,建筑指数基于归一化差值裸地与建筑用地指数、增强型裸土指数、归一化差值水体指数和植被指数确定。
在该实施例中,归一化差值裸地与建筑用地指数用于剔除遥感图像中
的水体信息和植被信息,并提取出含裸地的建筑用地信息,且在指数的图像上,裸
地的亮度更接近建筑用地;增强型裸土指数用于增强遥感图像中的裸土信息;植被
系数用于增强遥感图像中植被信息。
其中,BSI是一种裸土指数,用于表示遥感图像中的裸土信息;MNDWI是一种水体指数,用于表示遥感图像中的水体信息;BSI的表达式如下所示:
MNDWI的表达式如下所示:
该实施例中,将建筑指数设计成归一化差值裸地与建筑用地指数、增强型裸土指数、归一化差值水体指数和植被指数的组合形式。
根据本申请实施例提供的建筑物识别方法,通过将建筑指数设计成归一化差值裸地与建筑用地指数、增强型裸土指数、归一化差值水体指数和植被指数的组合形式,提高了建筑物光谱信息的提取精度。
在一些实施例中,建筑指数的计算式为:
其中,为增强的指数型建筑指数,用于抑制裸土信息;为归一化差
值裸地与建筑用地指数,用于表示经过归一化处理的裸地和建筑用地信息;为增强
型裸土指数,用于表示裸土信息;为植被系数,用于表示植被信息;为
归一化差值水体指数,用于表示经过归一化处理的水体信息。
在该实施例中,根据增强的指数型建筑指数的计算式设计目标提取模型的
特征提取层,当多时序建筑物图像输入该特征提取层后,基于上述的计算式计算各建
筑物的建筑指数,并将计算得到的建筑指数作为LandTrendr算法的输入,最后通过
LandTrendr算法获取各建筑物对应的建筑年份信息。
根据本申请实施例提供的建筑物识别方法,通过由归一化差值裸地与建筑用地指
数、增强型裸土指数、归一化差值水体指数和植被指数共同确定增强的指数型建筑指数,能够有效的抑制遥感图像中的裸地信息,进而提高提取建筑物光谱信息的精度。
在一些实施例中,分类模型通过如下步骤训练得到:
将包含目标特征的样本建筑物图像及样本标签输入到预设的有监督模型中进行训练,并将训练后的有监督模型作为分类模型;
其中,目标特征由样本建筑物图像的建筑周长、建筑面积和建筑高度确定。
在该实施例中,目标特征用于训练有监督模型,该目标特征可以由待提取建筑物的物理系数确定,如待提取建筑物的周长、面积以及高度等。
在该实施例中,有监督模型可以是支撑向量机(SVM)、随机森林等传统的机器及学习模型,也可以是卷积神经网络(CNN)、深度神经网络等深度学习模型;以包含目标特征的数据为训练样本,以目标特征为该有监督模型的输入特征,以训练样本对应的数据标签对预设的有监督模型得到分类模型,该分类模型用于对输入的待处理的遥感图像进行分类,以得到包含目标建筑物的分类图像。
在该实施例中,随机森林是一种有监督学习模型,随机森林由多个决策树构成,其中,每棵决策树都是一个分类器,对于一个输入样本,N(N>1)棵树会得到N种分类结果,而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出。
在该实施例中,结合遥感影像对已有的建筑轮廓数据按结构功能分类出社区建筑轮廓数据,并提取该社区建筑数据的三维属性特征,包括:建筑面积、建筑周长、建筑高度等构建样本建筑物数据库,再利用样本建筑物轮廓数据及对应的数据标签训练、测试随机森林模型,得到可用的分类模型;最后,利用该随机森林模型分类出某市社区建筑分布图。
根据本申请实施例提供的建筑物年份识别方法,通过有监督学习的思想训练分类模型,并利用该模型分类出社区建筑物的分类图像,为后续过程基于社区建筑物分类图像提取各建筑物建筑年份提供了方便。
结合图3对本发明实施例提供的建筑物年份识别装置进行描述,下文描述的一种建筑物年份识别装置与上文描述的一种建筑物年份识别方法可相互对应参照。
本发明提供的一种建筑物年份识别装置,该装置包括:
数据获取模块310,用于获取待处理的建筑物数据,建筑物数据包括多个建筑物的遥感数据和建筑物对应的轮廓数据;
分类模块320,用于将轮廓数据输入至分类模型中,得到分类模型输出的目标轮廓信息,基于目标轮廓信息,从遥感数据中确定目标建筑物数据,其中,分类模型为样本建筑物数据和样本标签训练得到;
识别模块330,用于将目标建筑物数据输入至识别模型中,得到识别模型输出的目标建筑物数据的建筑年份。
根据本申请实施例提供的建筑物年份识别装置,通过将待处理的建筑物数据输入到一个可用的分类模型中,得到目标建筑物的特征信息,并基于该特征信息从建筑物数据中得到目标建筑物数据,最后通过识别模型从建筑物数据中获取不同时序建筑物数据的建筑年份,本发明所述方法能够根据遥感图像中各建筑物的建筑指数自动识别出建筑物的年份信息,提高了对不同时间序列建筑物年份的识别效率。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)630和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行一种建筑物年份识别方法,该方法包括:获取待处理的建筑物数据,建筑物数据包括多个建筑物的遥感数据和建筑物对应的轮廓数据;将轮廓数据输入至分类模型中,得到分类模型输出的目标轮廓信息,基于目标轮廓信息,从遥感数据中确定目标建筑物数据,其中,分类模型为样本建筑物数据和样本标签训练得到;将目标建筑物数据输入至识别模型中,得到识别模型输出的目标建筑物数据的建筑年份。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的建筑物年份识别方法,该方法包括:获取待处理的建筑物数据,建筑物数据包括建筑物的遥感数据和多个建筑物对应的轮廓数据;将轮廓数据输入至分类模型中,得到分类模型输出的目标轮廓信息,基于所述目标轮廓信息,从所述遥感数据中确定目标建筑物数据,其中,分类模型为样本建筑物数据和样本标签训练得到;将目标建筑物数据输入至识别模型中,得到识别模型输出的目标建筑物数据的建筑年份。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的一种建筑物年份识别方法,该方法包括:获取待处理的建筑物数据,建筑物数据包括多个建筑物的遥感数据和建筑物对应的轮廓数据;将轮廓数据输入至分类模型中,得到分类模型输出的目标轮廓信息,基于所述目标轮廓信息,从遥感数据中确定目标建筑物数据,其中,分类模型为样本建筑物数据和样本标签训练得到;将目标建筑物数据输入至识别模型中,得到识别模型输出的目标建筑物数据的建筑年份。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种建筑物年份识别方法,其特征在于,所述方法包括:
获取待处理的建筑物数据,所述建筑物数据包括多个建筑物的遥感数据和所述建筑物对应的轮廓数据;
将所述轮廓数据输入至分类模型中,得到所述分类模型输出的目标轮廓信息,基于所述目标轮廓信息,从所述遥感数据中确定目标建筑物数据;其中,所述分类模型为样本建筑物数据和样本标签训练得到;
所述分类模型通过如下步骤训练得到:
将包含目标特征的样本建筑物数据及样本标签输入到预设的有监督模型中进行训练,并将训练后的有监督模型作为所述分类模型;
其中,所述目标特征由所述样本建筑物图像的建筑周长、建筑面积和建筑高度确定;
将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份;
所述识别模型包括特征提取层和年份信息提取层,其中,所述特征提取层为建筑指数确定,所述年份信息提取层为时间序列检测算法确定,所述将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份,具体包括:
将所述目标建筑物数据输入至所述特征提取层,得到所述特征提取层输出的所述建筑指数;
将所述建筑指数输入至所述年份信息提取层,得到所述年份信息提取层输出的时间序列轨线,并从所述时间序列轨线中提取所述目标建筑物数据的建筑年份。
2.根据权利要求1所述的建筑物年份识别方法,其特征在于,所述目标建筑物数据包括多个,多个所述目标建筑物数据按年份先后顺序排列,所述将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份,还包括:
当所述目标建筑物数据在长时序区间内不存在扰动位置的情况下,将所述长时序区间以目标间隔划分为多个时间子区间,并将各所述时间子区间内对应的目标建筑物数据分别输入至所述识别模型中,得到目标时间序列轨线,在所述目标时间序列轨线上存在至少一个扰动位置的情况下,将最大扰动位置对应年份作为所述建筑年份。
3.根据权利要求1所述的建筑物年份识别方法,其特征在于,所述将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份之后,所述方法还包括:
当前时序建筑物数据的建筑年份为所述当前时序的起始端点值时,将下一个时序建筑物数据的建筑年份作为所述当前时序建筑物数据的建筑年份。
4.根据权利要求1所述的建筑物年份识别方法,其特征在于,所述建筑指数基于归一化差值裸地与建筑用地指数、增强型裸土指数、归一化差值水体指数和植被指数确定。
6.一种建筑物年份识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取待处理的建筑物数据,所述建筑物数据包括多个建筑物的遥感数据和所述建筑物对应的轮廓数据;
分类模块,用于将所述轮廓数据输入至分类模型中,得到所述分类模型输出的目标轮廓信息,基于所述目标轮廓信息,从所述遥感数据中确定目标建筑物数据;其中,所述分类模型为样本建筑物数据和样本标签训练得到;
所述分类模型通过如下步骤训练得到:
将包含目标特征的样本建筑物数据及样本标签输入到预设的有监督模型中进行训练,并将训练后的有监督模型作为所述分类模型;
其中,所述目标特征由所述样本建筑物图像的建筑周长、建筑面积和建筑高度确定;
识别模块,用于将所述目标建筑物数据输入至识别模型中,得到所述识别模型输出的所述目标建筑物数据的建筑年份;
所述识别模型包括特征提取层和年份信息提取层,其中,所述特征提取层为建筑指数确定,所述年份信息提取层为时间序列检测算法确定,所述识别模块,具体用于:
将所述目标建筑物数据输入至所述特征提取层,得到所述特征提取层输出的所述建筑指数;
将所述建筑指数输入至所述年份信息提取层,得到所述年份信息提取层输出的时间序列轨线,并从所述时间序列轨线中提取所述目标建筑物数据的建筑年份。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述建筑物年份识别方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述建筑物年份识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210785714.2A CN114863190B (zh) | 2022-07-06 | 2022-07-06 | 建筑物年份识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210785714.2A CN114863190B (zh) | 2022-07-06 | 2022-07-06 | 建筑物年份识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863190A CN114863190A (zh) | 2022-08-05 |
CN114863190B true CN114863190B (zh) | 2022-09-16 |
Family
ID=82626726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210785714.2A Active CN114863190B (zh) | 2022-07-06 | 2022-07-06 | 建筑物年份识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863190B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021342A (zh) * | 2016-05-09 | 2016-10-12 | 东南大学 | 城市空间年轮地图制作和分析方法 |
CN109614942A (zh) * | 2018-12-14 | 2019-04-12 | 中国科学院遥感与数字地球研究所 | 一种基于云计算平台的森林扰动长时间序列监测方法 |
CN112149594A (zh) * | 2020-09-29 | 2020-12-29 | 同济大学 | 基于深度学习和高分辨率卫星影像的城市建设评估方法 |
CN113516060A (zh) * | 2021-06-23 | 2021-10-19 | 北京市城市规划设计研究院 | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9946931B2 (en) * | 2015-04-20 | 2018-04-17 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
US11907819B2 (en) * | 2019-11-20 | 2024-02-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
-
2022
- 2022-07-06 CN CN202210785714.2A patent/CN114863190B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021342A (zh) * | 2016-05-09 | 2016-10-12 | 东南大学 | 城市空间年轮地图制作和分析方法 |
CN109614942A (zh) * | 2018-12-14 | 2019-04-12 | 中国科学院遥感与数字地球研究所 | 一种基于云计算平台的森林扰动长时间序列监测方法 |
CN112149594A (zh) * | 2020-09-29 | 2020-12-29 | 同济大学 | 基于深度学习和高分辨率卫星影像的城市建设评估方法 |
CN113516060A (zh) * | 2021-06-23 | 2021-10-19 | 北京市城市规划设计研究院 | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 |
Non-Patent Citations (3)
Title |
---|
A framework for radiometric sensitivity evaluation of medium resolution remote sensing time series data to built-up land cover change;J.H.Uhl等;《2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20171204;第1908-1911页 * |
基于随机森林模型的景观格局动态研究――以合肥市包河区为例;王铭恺等;《工业经济论坛》;20180325;第5卷(第2期);第83-90页 * |
高潜水位煤矿区开采扰动的长时序过程遥感监测与影响评价;肖武等;《煤炭学报》;20220120;第47卷(第2期);第922-933页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114863190A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414891B (zh) | 基于激光雷达与光学遥感的输电线路通道树高反演方法 | |
CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
US9064151B2 (en) | Device and method for detecting plantation rows | |
Zheng et al. | Research on tomato detection in natural environment based on RC-YOLOv4 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
CN114398948A (zh) | 一种基于空-谱联合注意力网络的多光谱影像变化检测方法 | |
CN110866547B (zh) | 基于多特征和随机森林的中药饮片自动分类系统及方法 | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
CN116543316A (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 | |
CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
CN114266979A (zh) | 茶树病虫害智能识别方法、装置、设备及存储介质 | |
Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
CN114863190B (zh) | 建筑物年份识别方法及装置 | |
CN116385271A (zh) | 一种遥感图像耕地撂荒识别方法 | |
CN111582035A (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
CN111898681A (zh) | 一种基于遥感云平台与决策树的火烧迹地精细提取方法 | |
Sari et al. | Effect of Feature Engineering Technique for Determining Vegetation Density | |
CN115115943A (zh) | 一种基于单期遥感影像的地物信息提取方法 | |
CN109697411B (zh) | 一种基于统计标准差的地物信息提取方法 | |
CN113570542A (zh) | 一种基于机器视觉的遮挡情况下煤矸石检测方法 | |
Dahiya et al. | An Effective Detection of Litchi Disease using Deep Learning | |
Reddy et al. | Geospatial Approach for the Analysis of Forest Cover Change Detection using Machine Learning | |
Chen et al. | Application of Machine Vision and Convolutional Neural Networks in Distinguishing of Tobacco Leaf Maturity by Mobile Devices |
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 |