CN116310802A - 一种基于多尺度融合模型的宅基地变化监测方法和装置 - Google Patents

一种基于多尺度融合模型的宅基地变化监测方法和装置 Download PDF

Info

Publication number
CN116310802A
CN116310802A CN202310141167.9A CN202310141167A CN116310802A CN 116310802 A CN116310802 A CN 116310802A CN 202310141167 A CN202310141167 A CN 202310141167A CN 116310802 A CN116310802 A CN 116310802A
Authority
CN
China
Prior art keywords
building
sample set
remote sensing
training
residence
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.)
Pending
Application number
CN202310141167.9A
Other languages
English (en)
Inventor
史云
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Zhongnong Shuzhi Technology Co ltd
Original Assignee
Suzhou Zhongnong Shuzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Zhongnong Shuzhi Technology Co ltd filed Critical Suzhou Zhongnong Shuzhi Technology Co ltd
Priority to CN202310141167.9A priority Critical patent/CN116310802A/zh
Publication of CN116310802A publication Critical patent/CN116310802A/zh
Pending legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多尺度融合模型的宅基地变化监测方法和装置，所述方法包括步骤：A、基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型；B、基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑；C、通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图。本发明的基于多尺度融合模型的宅基地变化监测方法和装置，能够有效解决农村宅基地遥感变化监测过程中投入大，效率低下等问题，快速、准确地获取农村宅基地建筑物的基础和演变信息。

Description

一种基于多尺度融合模型的宅基地变化监测方法和装置
技术领域
本发明涉及数字图像处理技术，特别是涉及到一种基于多尺度融合模型的宅基地变化监测方法和装置。
背景技术
农村宅基地的识别与监测主要是通过对多期高分辨率遥感图像进行人工目测标注与比较，这种传统的对高分辨率遥感图像的人工目测比较与标注存在人力物力财力资源投入大、效率低下、费时费力等问题。近些年，伴随着计算机视觉与深度学习方法在遥感提取与图像识别领域的发展与进步，新的农村宅基地遥感变化监测技术孕育而生。例如中国专利CN114359702A公开了一种基于多源影像数据的建筑物变化识别方法，首先根据遥感卫星影像利用深度学习算法进行识别并依据辅助性的参照数据获取目标建筑物的准确地理位置、实际占地面积、地物轮廓等信息。然后将识别出来的建筑物图斑数据与备案信息或基准图斑数据相对比进行变化识别。该专利实现了自动化获得建筑物变化信息，减少巡检的人工成本，并且能够与备案库内的备案信息进行通讯对比，提高了建筑物变化识别准确性。
但是，该技术方案虽然可以应用于建筑物变化监测识别中，但是这种基于像素特征的统计学习或者机器学习方法存在过程复杂，容易因为输入照片特征的变化而出现精度低下的问题，并且由于诸多原因，很多地区尤其是偏远乡村地区往往缺乏宅基地建筑物备案信息或基准图斑数据，由于该方法并未提出可行的替代解决方案，因此会导致无法进行精准合理的动态对比监测。
另一方面，传统的航摄方式(卫星遥感、航空遥感)数据获取周期较长，价格高昂，不适于短期高频的城市与乡村建筑物监测研究，尤其对于大部分山区的农村地区而言，高分辨率遥感图像覆盖率极低。因此需要一种可行性的替代方法。中国专利CN110243354A公开了一种利用地势高点对建筑物进行动态监测方法。改发明充分考虑到测区的地势地形特征，利用地势高点(人工高塔、自然山头)地面平台完成长期监测，首先利用地势高点遥感器倾斜摄影测量获得建筑物立体像对并对其进行立体像对增强等预处理，由立体像对生成测区DSM，并基于三维增量分析监测发生变化的建筑物，运用GIS对建筑物周变化区域的多边形进行统计分析。然后参照该地区建筑物的规划审批数据取得标准对照信息，进行地类分析对比从而提取出建筑物变化的数量及面积等信息。该方法显著减轻了人工监测的工作量，提高了建筑物动态监测的效率，提高了建筑物监测的实效性。
但是，该技术方案虽然解决了基于传统航摄方式(卫星遥感、航空遥感)进行建筑物变化监测时往往面临的限制性问题，但是基于地势高点地面平台遥感对建筑物进行动态监测的方法存在过多的地理局限性，例如地势平坦的乡村地区很难寻找到地势高点，并且该方法仍然依托于人工进行操作，并未完全实现建筑物变化监测的自动识别，相较于基于算法模型的变化监测方法效率稍低。
发明内容
为了解决现有技术中基于像素特征的统计学习或者机器学习方法存在过程复杂，容易因为输入照片特征的变化而出现精度低下的问题、以及基于地势高点地面平台遥感对建筑物进行动态监测的方法存在过多的地理局限性的技术问题，本发明提出了一种基于多尺度融合模型的农村宅基地变化监测方法和装置，基于高分辨率遥感图像，依托深度学习多尺度融合监测模型，实现影像输入--基于输入影像的样本集构建与训练--宅基地动态变化监测综合式一体化的流程，简化了监测的工程化流程。首先实现基于一种面向宅基地图像的标注及训练方法，以外部输入的典型性样本为基础，通过算法实现大批量的样本选取与标注，实现样本集的构建与样本训练，实现样本动态化训练及管理。其次基于多尺度融合监测模型，对多期原始影像进行智能识别，提取出宅基地图斑，并将首期宅基地图斑作为动态变化监测的对比监测底图，建立历史数据库。最后，利用模型对比多期宅基地图斑，运行叠加分析，自动提取出宅基地新增与拆除的变化图斑，以此实现农村宅基地的动态变化监测，确定宅基地变化的过程与特征。本发明能够有效解决农村宅基地遥感变化监测过程中人力、物力、财力资源投入大，效率低下，费时费力等问题，快速、准确地获取农村宅基地的基础与演变信息。
为了实现这一目标，本发明采取了如下的技术方案。
一种基于多尺度融合模型的宅基地变化监测方法，所述方法包括步骤：
A、基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型；
B、基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑；
C、通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图。
另外，本发明的基于多尺度融合模型的宅基地变化监测方法中，基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型包括：
A1、针对遥感图像及宅基地矢量数据，接收部分遥感图像的标注结果，构建宅基地训练样本集；
A2、将未标注遥感图像随机分为多个未标注样本集，每一未标注样本集中包括多个未标注遥感图像，基于宅基地训练样本集和一个未标注样本集进行宅基地建筑物识别模型训练；
A3、依次将上一次训练后的宅基地建筑物识别模型和下一个候选未标注样本集一起进行模型的迭代训练，遍历所有未标注样本集。
另外，本发明的基于多尺度融合模型的宅基地变化监测方法中，步骤A1中，针对遥感图像及宅基地矢量数据，按照预定大小的格网进行分幅，从分幅后的遥感图像中选择预定比例的图像作为宅基地训练样本集；步骤A2中，对于其他未标注遥感图像也按照预定大小的格网进行分幅，基于分幅后的遥感图像进行宅基地建筑物识别模型训练。
另外，本发明的基于多尺度融合模型的宅基地变化监测方法中，在宅基地建筑物识别模型训练中，对宅基地训练样本集和未标注样本集中的遥感图像按照像素值和波段值进行归一化处理，通过读取宅基地遥感图像，对遥感图像进行灰度化处理，并对灰度化图片进行标准化处理。
另外，本发明的基于多尺度融合模型的宅基地变化监测方法中，在宅基地建筑物识别模型训练中，对宅基地训练样本集和未标注样本集中的遥感图像进行数据增强处理，数据增强处理包括对宅基地训练样本集和未标注样本集中的遥感图像进行随机位置的裁切或随机翻转，或者对于宅基地训练样本集和未标注样本集中的遥感图像进行随机亮度调整，用于增加样本数量，提高宅基地建筑物识别模型的泛化能力。
另外，本发明的基于多尺度融合模型的宅基地变化监测方法中，基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑包括：
当待识别区域基准期影像存在基准期图像时，基于待识别区域基准期图像进行宅基地建筑物的识别与提取，提取基准宅基地图斑；对于基准宅基地图斑进行矢量化，得到初始的矢量提取结果，对识别结果进行数据转换、破碎处理，并对宅基地建筑物矢量轮廓进行处理，得到初期建筑物历史数据集；
当待识别区域基准期影像缺乏基准期图像时，利用先期遥感图像提取出的宅基地图斑作为基准图斑，形成初期建筑物历史数据集对后期遥感图像提取出的宅基地图斑进行监测对比。
另外，本发明的基于多尺度融合模型的宅基地变化监测方法中，通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图包括：
对于两幅不同时期的遥感图像，分别进行识别得到宅基地建筑图斑，并分别与基准宅基地图斑进行地理空间叠置分析，各自得到矢量数据图；
利用两幅不同时期的遥感图像的矢量数据图语义分割结果，经模型点乘运算，从而得到详细的变化区域的最终监测信息，在变化区域的图斑中提取具体新增和拆除图斑，并生成宅基地变化图斑数据。
本发明还包括一种基于多尺度融合模型的宅基地变化监测装置，该装置包括宅基地建筑物识别模型单元，宅基地图斑提取单元，宅基地图斑对比单元，其中，
宅基地建筑物识别模型单元用于基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型；
宅基地图斑提取单元用于基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑；
宅基地图斑对比单元用于通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图。
另外，本发明的基于多尺度融合模型的宅基地变化监测装置中，宅基地建筑物识别模型单元中包括宅基地训练样本集构建单元、未标注样本集构建单元和宅基地建筑物识别模型训练单元，其中，
宅基地训练样本集构建单元用于针对遥感图像及宅基地矢量数据，接收部分遥感图像的标注结果，构建宅基地训练样本集；
未标注样本集构建单元用于将未标注遥感图像随机分为多个未标注样本集，每一未标注样本集中包括多个未标注遥感图像；
宅基地建筑物识别模型训练单元用于依次基于宅基地训练样本集和一个未标注样本集进行宅基地建筑物识别模型训练，直至遍历所有未标注样本集。
另外，本发明的基于多尺度融合模型的宅基地变化监测装置中，宅基地建筑物识别模型单元还包括样本集增强单元，样本集增强单元用于分别对宅基地训练样本集和未标注样本集中的遥感图像进行数据增强处理，数据增强处理包括对宅基地训练样本集和未标注样本集中的遥感图像进行随机位置的裁切或随机翻转，或者对于宅基地训练样本集和未标注样本集中的遥感图像进行随机亮度调整，样本集增强单元用于增加样本数量，提高宅基地建筑物识别模型的泛化能力。
本发明技术方案的技术效果包括如下。
首先，本发明的基于多尺度融合模型的宅基地变化监测方法和装置，利用深度学习多尺度融合监测模型对高分辨率遥感图像中的宅基地进行提取，识别且提取后的宅基地建筑物，房屋的边缘区域相对优化，图斑与实际建筑物十分吻合，几何、形状及位置特征都得到了良好的呈现，没有出现明显的漏分与误圈现象，识别结果完整，十分接近宅基地建筑物的实际形态模型。本发明提高了识别的精准度与监测识别的效率，避免识别结果受到遥感图像尺度与监测目标大小变化的影响，尤其适用于农房宅基地的精确识别，在效果上则成功提取出多期宅基地建筑物的精确轮廓。
其次，本发明的基于多尺度融合模型的宅基地变化监测方法和装置，基于模型的影像对比分析对于多期宅基地图斑的自动对比监测效果明显，通过参照多源辅助数据进行，排除了非监测区域的无效变化图斑后，输出的两个研究区宅基地动态变化对比监测结果有效标识出了监测时段内的宅基地的疑似变化图斑，可明确观察出宅基地的变化特征，其中宅基地建筑物图斑叠加拟合度较好，无明显图斑偏移与错误拟合现象，并且清晰有效标识出了发生变化的宅基地数量、面积、形态特征。为农村宅基地的变化监测提供了一种新的技术手段。
附图说明
图1为根据本发明具体实施方式中宅基地变化监测方法的流程示意图。
图2(a)～2(c)为根据本发明具体实施方式中宅基地变化监测方法中语义分割结果示意图。
图3(a)～3(c)为根据本发明具体实施方式中宅基地变化监测方法中不同语义分割模型提取结果示意图。
图4(a)～图4(b)为根据本发明具体实施方式中宅基地变化监测方法中使用的第一地原始遥感图像图。
图5(a)～(b)为根据本发明具体实施方式中宅基地变化监测方法中使用的第二地原始遥感图像图。
图6(a)～(b)为根据本发明具体实施方式中宅基地变化监测方法中对第一地和第二地部分区域宅基地图斑智能提取效果图。
图7(a)～(b)为根据本发明具体实施方式中宅基地变化监测方法中对第一地和第二地两期宅基地矢量图斑叠加结果示意图。
图8(a)～(b)为根据本发明具体实施方式中宅基地变化监测方法中对第一地和第二地宅基地动态变化监测结果示意图。
具体实施方式
下面结合附图，对本发明作详细说明。
此处公开的具体结构和功能细节仅仅是出于描述示范实施例的目的。
本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元件。
参阅附图，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的位置限定用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
同时应该理解，如在此所用的术语“和/或”包括一个或多个相关的列出项的任意和所有组合。另外应该理解，当部件或单元被称为“连接”或“耦接”到另一部件或单元时，它可以直接连接或耦接到其他部件或单元，或者也可以存在中间部件或单元。此外，用来描述部件或单元之间关系的其他词语应该按照相同的方式理解(例如，“之间”对“直接之间”、“相邻”对“直接相邻”等)。
图1为根据本发明具体实施方式中宅基地变化监测方法的流程示意图，如图所示，本发明具体实施方式中，包括如下步骤。
步骤一：宅基地训练样本集的智能标注与模型训练。
深度学习需要依赖巨量的训练样本，样本标注状况是制约模型精度及速度等性能的重要因素。与普通的视觉识别不同，遥感图像的样本训练集标注专业性强、可靠性和精度要求高、总体难度大，更是无法实现以在线众筹的方式进行收集，必须依靠专业的影像判读人员，由此势必导致成本高昂、效率较低，样本库难以做到开源共享。通用的自动样本训练模型往往为了保证泛化能力，需要监测识别多个类，需要对多监测特征进行训练，从而导致样本训练类型比较泛化，具有泛而不精的缺点，在进行特定类的样本训练时，标注效果差，精度较低。因此监测或识别某一个特定的类。本发明具体实施方式中提出的融合监测模型针对于宅基地这一单一类别，优化了特征提取能力，提高了训练集精度。
更具体地，宅基地训练样本集的智能标注与模型训练的流程包括样本集构建、样本标绘、数据集制作、模型训练。
(一)首先准备训练数据，通过挑选高分辨率的遥感图像及宅基地矢量数据，然后根据农村宅基地的特点将建筑物分成对应的几类进行标注，并选取每类的部分数据进行标注，构建用于模型的标注与训练样本集，并将样本集归于宅基地样本库中。
(二)其次是对样本进行标绘，对要进行宅基地提取的影像按照一定的尺寸，例如1千米×1千米的格网进行自动分幅，从分幅后的影像数据中选取预定比例，例如20％的影像作为初始样本进行标绘，并用该模型识别其余影像，并从识别较差的影像中选取补充样本进行标绘，继续优化模型。准确标绘出每一幢房屋的轮廓，避免漏标，错标等情况，在具体的应用中，标绘的数据使用数据文档存储，每幅图像对应1个文件。所有样本都标绘完成后，对标绘数据进行矢量转栅格，转换后的栅格数据和原始影像数据范围一致，转换后的图像为二值灰度图像，0代表背景区域、1代表房屋覆盖区域。
(三)然后是制作数据集，将未标注样本集随机切分生成n份(n为大于1的自然数)候选未标注样本集，将首个候选未标注样本集和宅基地训练样本集送入系统模块，然后依次将上一次训练后的模型和下一个候选未标注样本集一起送入系统模块进行模型的迭代训练，如此往复遍历所有候选未标注样本集，实现样本集的提取与制作，在制作数据集过程中由于模型运算量较大，并且都是在利用神经网络机器自动进行计算，因此神经网络的输入图片尺寸不能过大，影像中较大区域均为农用地，因此也可以先对影像进行切割，减少非目标地物干扰，例如对于0.2m的影像，根据模型输入要求，本具体实施方式中输入尺寸大小设定为第一预定尺寸，为了在一定程度上保证样本的数量和质量，在裁剪图片的过程中滑动步长设定为第一预定步长，例如300像素，房屋像素最低占比设定为5％，并按照此要求进行制作。
(四)最后将标注及制作完成的样本送入已经搭建好的模型进行训练，通过选用训练好的样本对模型进行训练，对训练结果进行重复核验，然后将候选的未标注样本集和完成核验的样本数据一起送入系统模块进行模型的迭代训练，往复遍历所有候选的未标注样本集。
在本发明具体实施方式中，模型的样本训练使用PyTorch深度学习框架，由于宅基地动态变化监测识别模型数据集运行量巨大，且数据集指标具有不同的量纲和量纲单位，例如宅基地影像波段数、宅基地数量、周长、面积、形状特征等，为方便后面的数据处理，及保证模型运行时收敛加快及消除指标之间的量纲影响，模型需要对宅基地数据集进行标准化处理，模型中的深度学习网络采用Min-max normalization算法，即(xi-min(xi))/(max(xi)-min(xi))对宅基地影像数据集进行数据归一化，最小-最大归一化适用于图像及影像处理，因为宅基地遥感图像数据像素值范围通常为[0,255]，波段值为[1，8]，像素值归一化处理将像素值除以255或者波段值除以8，使得样本全部落在0到1范围内，以使指标处于同一量级。宅基地数据集的标准化处理是将将数据变换成均值为0，标准差为1的分布，通过读取宅基地遥感图像图片，对图像进行灰度化处理，利用transforms.Normalize标准化函数对灰度化图片进行标准化处理，标准化会更改遥感图像的观感，使得数据的分布更加均匀，将数据通过去均值实现中心化的处理，吻合数据分布规律，提升模型的泛化能力。
当选取的研究区域由于实际原因缺乏图像数据集，难以保证高精度完成变化监测识别任务，为了增强模型的适用性，需要运用数据增强技术以有限数据生成更多高质量数据以满足任务需求。其中数据增强能够让有限的图像生成更多的数据，以此增加训练样本的数量以及多样性，并且提升模型的鲁棒性，因此模型对宅基地样本集进行了数据增强处理，即对训练数据集进行随机裁剪与随机翻转，让宅基地物体以不同的实例及结构出现在图像的不同位置，降低模型对目标位置的敏感性；随机亮度调整，调整宅基地图斑亮度、对比度、饱和度和色调等因素来降低模型对色彩的敏感度。其技术原理为随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力，即通过保留原有数据集目标的根本属性，而只进行一些微小性的形态改变，使得网络将其认定识别为新的图片及数据集，不实质性的增加数据，让有限的数据产生等价于更多数据的价值。模型的数据增强方法其效果展现为当需要添加更多数据时，模型便无法对所有样本进行过度拟合，而不得不进行概括，以此生成许多相似的宅基地图斑图像，增加宅基地数据集的数量大小，丰富宅基地的数据集，从而减少过度拟合。
为了更好实现宅基地样本数据集的训练，对深度学习网络的超参数进行了调整与设置，首先调整自适应优化方法，常见优化器有SGD，Adagrad，Adadelta，RMSprop，Adam等。其中SGD和Adam优化器是最为常用的两种优化器，宅基地动态变化监测模型选用了Adam优化器，Adam优化器结合了Adagrad善于处理稀疏梯度和RMSprop善于处理非平稳目标的优点，能够自动调整学习速率，收敛速度更快，在复杂网络中表现更优。batch_size批处理参数，在数据量比较少时，可以将batch_size值设置为全数据集，由于宅基地动态变化监测识别模型中的深度学习网络所涉及到的数据比较多，只合适采用小批量的数据处理，经过模型多次测试，batch_size值增大到超过4时，和全数据集训练就会表现出相近的症候；资源占有率增加，执行一次epoch(全数据集)所需的迭代次数减少，达到相同的精度所耗损的时间开始增加，从而对参数的修正也就显得更加缓慢，因此针对训练结果，模型将batch_size批处理参数设定为了4，这样更好平衡了资源占有率与训练网络的速度。学习速率决定了每次步进的大小，学习速率太大会导致不收敛，速率太小收敛速度慢。对于学习速率超参数，整个实验过程先将模型初始学习速率设定为0.0001，即先设定最低的学习速率，并将epoch总数设定为30进行训练，发现模型运行表现为每隔10个epoch，学习速率下降50％，之后采用动态调整学习速率策略，每隔一个epoch，根据损失的变化动态调整学习速率，来进行学习速率值域的修改，之后每次迭代都对模型在训练数据集和验证数据集上的损失率、准确率、召回率和交并比进行记录，并将学习速率(log)与损失(loss)进行划分，随着学习速率的增加，在0.0075这个数值点上，损失停止下降并开始增加，由此确定了模型最佳学习速率。并依次选用FCN、DeepLabV3、PSPNet等语义分割模型进行训练，根据训练结果选择的适用语义分割模型，完成训练部分模型的构建。
宅基地建筑物识别模型搭建完成后，在后期其它区域的宅基地建筑物识别过程中，即可根据待测的基准遥感图像，快速准确进行针对性与适配性的样本提取与样本训练，实现一期新影像提取一期新训练数据集的目标。
步骤二：宅基地智能提取与动态变化监测。
具体流程包括宅基地建筑物智能提取与宅基地建筑物动态变化监测。
(一)宅基地建筑物智能提取。使用训练好的宅基地建筑物识别，基于研究区基准期影像进行宅基地建筑物的识别与提取，并提取基准宅基地图斑。即基准期高精度遥感图像为基础，自动识别并提取研究区域范围内农村宅基地精准的宅基地图斑，然后在宅基地图斑的矢量提取过程中，先对分割图进行矢量化，得到初始的矢量提取结果，然后利用算法对识别结果进行数据转换、破碎处理，并对建筑物矢量轮廓进行处理，使得到的建筑物矢量轮廓与建筑物本身边界更贴合，提高提取的精度，合理去除伪变化，并对模型提取结果进行精度验证，满足高质量精度规范与要求后，生成并导出初期遥感变化监测建房历史数据集。在缺乏基准遥感数据的区域，便可基于先期遥感图像提取出的高精度遥感变化监测建房历史数据集对后期影像提取出的宅基地遥感变化图斑进行监测对比。
在完成对先期影像的提取与基准宅基地图斑历史数据集的制作后，依次提取后几期遥感图像的宅基地图斑数据。在智能提取过程中，为了保证识别结果的连续性并兼顾运行系统内存的占用率，使用1000*1000的窗口进行识别，滑动步长设定为1000，对影像遍历完成后，将所有结果进行拼接。
(二)宅基地建筑物动态变化监测。
1.宅基地现状信息提取整合。对多源数据进行整合和标准化处理是实现农村宅基地快速变化监测的基础，智能对比监测首要步骤是对现状信息进行提取整合，收集整理核实区域的资料成果，通过数据监查、数据转换、数据清洗，将已有数据梳理汇总入库。变化监测的辅助对比数据包含土地利用现状、村庄规划、永久基本农田划定或国土调查结果的耕地图斑等规划数据和最新的高分辨率卫星影像数据。以基础地理信息数据为基础，提取与整合研究区宅基地现状，主要内容包括宅基地建设用地信息提取，宅基地建设用地数据整合，宅基地建设用地分布分析。
2.宅基地动态变化监测。宅基地动态变化监测包含了对宅基地的变化识别及对比监测，变化识别是对智能提取出的多期宅基地图斑数据进行叠置分析的过程，通过对比智能提取的前后时相的宅基地图斑，利用地理空间叠置分析方法实现两个或两个以上矢量数据的叠置计算，并得到新的矢量数据图。在识别阶段模型自动标注出矢量数据图斑中宅基地建筑物的更新变动部分，在此基础上利用两幅不同时相的遥感图像的语义分割结果，经模型点乘运算，从而得到详细的变化区域的最终监测信息，在变化区域的图斑中提取具体新增和拆除图斑，并生成宅基地疑似变化图斑数据。对比监测就是监测不同时期农村宅基地的变化发展，监测新增或减少的宅基地形态、数量、面积等。通过监测数据分析研究自然村建设变化与演化规律,以及在此基础上对自然村未来发展进行预测。
宅基地建筑物识别模型在宅基地变化监测模块的基础上集成辅助数据库，通过预下载及联网自定义访问下载的方式收录国家基础地理信息中心提供的基础地理信息数据、分辨率优于1m的高分辨率影像集、国土调查成果(村庄规划与耕地图斑)及历史宅基地数据等或自选参照性数据，并经过模型搭载的GIS端影像数据处理模块进行标准化处理，矫正影像、掩膜裁剪、统一坐标系、统一分辨率等，矢量化待监测区域的行政范围，提取宅基地单类别图斑，最终生成标准化辅助对比图斑。
宅基地变化监测模块对同一地区不同时相的两幅图像进行智能对比，根据空间叠置分析算法自动监测出发生变化的宅基地图斑，并生成宅基地初步变化图斑，为提升识别精度与排除影像硬件误差及精确化监测范围提高模型对比识别效率，模型将标准化辅助对比图斑导入，读取图斑属性，建立样本，并对识别出的宅基地初步变化图斑进行对比，划定监测范围并排除非监测区域，标记疑似变化图斑，修正错误变化图斑，及对变化区域进行定性和定量分析，监测研究区范围内的宅基地图斑在空间分布、形态类别等方面的变化情况，从而反映出宅基地的改建、扩建、毁坏等情况。
综上所述，本发明具体实施方式中包括一种基于多尺度融合模型的宅基地变化监测方法，所述方法包括步骤：
A、基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型；
B、基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑；
C、通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图。
另外，本发明具体实施方式的基于多尺度融合模型的宅基地变化监测方法中，基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型包括：
A1、针对遥感图像及宅基地矢量数据，接收部分遥感图像的标注结果，构建宅基地训练样本集；
A2、将未标注遥感图像随机分为多个未标注样本集，每一未标注样本集中包括多个未标注遥感图像，基于宅基地训练样本集和一个未标注样本集进行宅基地建筑物识别模型训练；
A3、依次将上一次训练后的宅基地建筑物识别模型和下一个候选未标注样本集一起进行模型的迭代训练，遍历所有未标注样本集。
另外，本发明具体实施方式的基于多尺度融合模型的宅基地变化监测方法中，步骤A1中，针对遥感图像及宅基地矢量数据，按照预定大小的格网进行分幅，从分幅后的遥感图像中选择预定比例的图像作为宅基地训练样本集；步骤A2中，对于其他未标注遥感图像也按照预定大小的格网进行分幅，基于分幅后的遥感图像进行宅基地建筑物识别模型训练。
另外，本发明具体实施方式的基于多尺度融合模型的宅基地变化监测方法中，在宅基地建筑物识别模型训练中，对宅基地训练样本集和未标注样本集中的遥感图像按照像素值和波段值进行归一化处理，通过读取宅基地遥感图像，对遥感图像进行灰度化处理，并对灰度化图片进行标准化处理。
另外，本发明具体实施方式的基于多尺度融合模型的宅基地变化监测方法中，在宅基地建筑物识别模型训练中，对宅基地训练样本集和未标注样本集中的遥感图像进行数据增强处理，数据增强处理包括对宅基地训练样本集和未标注样本集中的遥感图像进行随机位置的裁切或随机翻转，或者对于宅基地训练样本集和未标注样本集中的遥感图像进行随机亮度调整，用于增加样本数量，提高宅基地建筑物识别模型的泛化能力。
另外，本发明具体实施方式的基于多尺度融合模型的宅基地变化监测方法中，基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑包括：
当待识别区域基准期影像存在基准期图像时，基于待识别区域基准期图像进行宅基地建筑物的识别与提取，提取基准宅基地图斑；对于基准宅基地图斑进行矢量化，得到初始的矢量提取结果，对识别结果进行数据转换、破碎处理，并对宅基地建筑物矢量轮廓进行处理，得到初期建筑物历史数据集；
当待识别区域基准期影像缺乏基准期图像时，利用先期遥感图像提取出的宅基地图斑作为基准图斑，形成初期建筑物历史数据集对后期遥感图像提取出的宅基地图斑进行监测对比。
宅基地变化监测通常是通过对比前后期影像进行分析，但是部分现有技术都未解决数据缺乏的问题，即一个待分析区缺乏基准宅基地的规划图斑，就无法进行精准的监测对比，则现有技术的适用具有很大局限性，本发明具体实施考虑了数据缺失情景，可通过监测模型智能化生成合理规范的高精度基准宅基地规划图斑，在缺乏宅基地数据的研究区域，可基于先期影像提取出高精度的遥感变化监测宅基地历史数据集，以此作为基准数据对后期影像提取出的宅基地遥感变化图斑进行监测对比，实现在数据缺乏情景下对宅基地的动态变化监测。
另外，本发明具体实施方式的基于多尺度融合模型的宅基地变化监测方法中，通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图包括：
对于两幅不同时期的遥感图像，分别进行识别得到宅基地建筑图斑，并分别与基准宅基地图斑进行地理空间叠置分析，各自得到矢量数据图；
利用两幅不同时期的遥感图像的矢量数据图语义分割结果，经模型点乘运算，从而得到详细的变化区域的最终监测信息，在变化区域的图斑中提取具体新增和拆除图斑，并生成宅基地变化图斑数据。
与本发明具体实施方式的基于多尺度融合模型的宅基地变化监测方法向对应，本发明具体实施方式中还包括一种基于多尺度融合模型的宅基地变化监测装置，该装置包括宅基地建筑物识别模型单元，宅基地图斑提取单元，宅基地图斑对比单元，其中，
宅基地建筑物识别模型单元用于基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型；
宅基地图斑提取单元用于基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑；
宅基地图斑对比单元用于通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图。
另外，本发明的基于多尺度融合模型的宅基地变化监测装置中，宅基地建筑物识别模型单元中包括宅基地训练样本集构建单元、未标注样本集构建单元和宅基地建筑物识别模型训练单元，其中，
宅基地训练样本集构建单元用于针对遥感图像及宅基地矢量数据，接收部分遥感图像的标注结果，构建宅基地训练样本集；
未标注样本集构建单元用于将未标注遥感图像随机分为多个未标注样本集，每一未标注样本集中包括多个未标注遥感图像；
宅基地建筑物识别模型训练单元用于依次基于宅基地训练样本集和一个未标注样本集进行宅基地建筑物识别模型训练，直至遍历所有未标注样本集。
另外，本发明的基于多尺度融合模型的宅基地变化监测装置中，宅基地建筑物识别模型单元还包括样本集增强单元，样本集增强单元用于分别对宅基地训练样本集和未标注样本集中的遥感图像进行数据增强处理，数据增强处理包括对宅基地训练样本集和未标注样本集中的遥感图像进行随机位置的裁切或随机翻转，或者对于宅基地训练样本集和未标注样本集中的遥感图像进行随机亮度调整，样本集增强单元用于增加样本数量，提高宅基地建筑物识别模型的泛化能力。
以下通过具体的应用例来说明本发明具体实施方式的技术效果。
图2(a)～2(c)为根据本发明具体实施方式中宅基地变化监测方法中语义分割结果示意图。图3(a)～3(c)为根据本发明具体实施方式中宅基地变化监测方法中不同语义分割模型提取结果示意图。从图2(a)～2(c)和3(a)～3(c)可以看出，经综合对比后，PSPNet+ResNet50的语义分割模型在验证样本集上的分类结果均优于其它语义分割模型，另外损失率在训练样本集和验证样本集上的曲线比较接近，没有提早出现过拟合的现象，模型训练经过2-3次迭代后，训练完的模型可以达到很好的分类效果。
本发明具体实施方式中，在显化研究区域建筑特征的基础上，利用深度学习融合监测模型算法对农村宅基地建筑物图像进行提取。共选取了两个自然村(称为第一地和第二地)作为实验研究区，图4(a)～图4(b)为根据本发明具体实施方式中宅基地变化监测方法中使用的第一地原始遥感图像图。图5(a)～(b)为根据本发明具体实施方式中宅基地变化监测方法中使用的第二地原始遥感图像图。图6(a)～(b)为根据本发明具体实施方式中宅基地变化监测方法中对第一地和第二地部分区域宅基地图斑智能提取效果图。从图4(a)～图4(b)、图5(a)～(b)和图6(a)～(b)中，可以看出本发明的宅基地建筑物识别模型对于遥感图像识别提取后的宅基地建筑物，房屋的边缘区域相对优化，几何及形状特性和位置特征都得到了良好的呈现，没有出现明显的漏分现象，识别结果完整，十分接近宅基地建筑物的实际形态模型。
进一步地，图7(a)～(b)为根据本发明具体实施方式中宅基地变化监测方法中对第一地和第二地两期宅基地矢量图斑叠加结果示意图。图中以不同的色块划分变化及未变化的区域，直观反映出两个研究区2010-2022年宅基地图斑的分布及整体变化情况，结果显示图斑叠加拟合度较好，无明显图斑偏移与错误拟合现象，满足模型叠加分析运算及宅基地动态变化监测的精度要求。
图8(a)～(b)为根据本发明具体实施方式中宅基地变化监测方法中对第一地和第二地宅基地动态变化监测结果示意图。宅基地建筑物模型通过空间叠置分析，并参照多源数据辅助对比处理后输出的两个研究区宅基地动态变化对比监测结果，排除了非监测区域的无效变化图斑，有效标识出监测时段内的宅基地的疑似变化图斑，可明确观察出宅基地的变化特征。
本发明技术方案的技术效果包括如下。
首先，本发明的基于多尺度融合模型的宅基地变化监测方法和装置，利用深度学习多尺度融合监测模型对高分辨率遥感图像中的宅基地进行提取，识别且提取后的宅基地建筑物，房屋的边缘区域相对优化，图斑与实际建筑物十分吻合，几何、形状及位置特征都得到了良好的呈现，没有出现明显的漏分与误圈现象，识别结果完整，十分接近宅基地建筑物的实际形态模型。本发明提高了识别的精准度与监测识别的效率，避免识别结果受到遥感图像尺度与监测目标大小变化的影响，尤其适用于农房宅基地的精确识别，在效果上则成功提取出多期宅基地建筑物的精确轮廓。
其次，本发明的基于多尺度融合模型的宅基地变化监测方法和装置，基于模型的影像对比分析对于多期宅基地图斑的自动对比监测效果明显，通过参照多源辅助数据进行，排除了非监测区域的无效变化图斑后，输出的两个研究区宅基地动态变化对比监测结果有效标识出了监测时段内的宅基地的疑似变化图斑，可明确观察出宅基地的变化特征，其中宅基地建筑物图斑叠加拟合度较好，无明显图斑偏移与错误拟合现象，并且清晰有效标识出了发生变化的宅基地数量、面积、形态特征。为农村宅基地的变化监测提供了一种新的技术手段。
上述说明示出并描述了本发明的若干优选实施例，本发明实施方式中所述只是在目前技术条件下本发明的技术流程的典型样例，在不脱离本发明的技术原理、步骤、功能、应用和实施框架的前提下，还有很大的优化提升空间，这些改进、优化等也视为本专利的保护范围。因此，如前所述，应当理解本发明并非局限于本说明书所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本说明书所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种基于多尺度融合模型的宅基地变化监测方法，其特征在于，所述方法包括步骤：
A、基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型；
B、基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑；
C、通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图。
2.根据权利要求1中所述的基于多尺度融合模型的宅基地变化监测方法，其特征在于，基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型包括：
A1、针对遥感图像及宅基地矢量数据，接收部分遥感图像的标注结果，构建宅基地训练样本集；
A2、将未标注遥感图像随机分为多个未标注样本集，每一未标注样本集中包括多个未标注遥感图像，基于宅基地训练样本集和一个未标注样本集进行宅基地建筑物识别模型训练；
A3、依次将上一次训练后的宅基地建筑物识别模型和下一个候选未标注样本集一起进行模型的迭代训练，遍历所有未标注样本集。
3.根据权利要求2中所述的基于多尺度融合模型的宅基地变化监测方法，其特征在于，步骤A1中，针对遥感图像及宅基地矢量数据，按照预定大小的格网进行分幅，从分幅后的遥感图像中选择预定比例的图像作为宅基地训练样本集；步骤A2中，对于其他未标注遥感图像也按照预定大小的格网进行分幅，基于分幅后的遥感图像进行宅基地建筑物识别模型训练。
4.根据权利要求2中所述的基于多尺度融合模型的宅基地变化监测方法，其特征在于，在宅基地建筑物识别模型训练中，对宅基地训练样本集和未标注样本集中的遥感图像按照像素值和波段值进行归一化处理，通过读取宅基地遥感图像，对遥感图像进行灰度化处理，并对灰度化图片进行标准化处理。
5.根据权利要求2中所述的基于多尺度融合模型的宅基地变化监测方法，其特征在于，在宅基地建筑物识别模型训练中，对宅基地训练样本集和未标注样本集中的遥感图像进行数据增强处理，数据增强处理包括对宅基地训练样本集和未标注样本集中的遥感图像进行随机位置的裁切或随机翻转，或者对于宅基地训练样本集和未标注样本集中的遥感图像进行随机亮度调整，用于增加样本数量，提高宅基地建筑物识别模型的泛化能力。
6.根据权利要求1中所述的基于多尺度融合模型的宅基地变化监测方法，其特征在于，基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑包括：
当待识别区域基准期影像存在基准期图像时，基于待识别区域基准期图像进行宅基地建筑物的识别与提取，提取基准宅基地图斑；对于基准宅基地图斑进行矢量化，得到初始的矢量提取结果，对识别结果进行数据转换、破碎处理，并对宅基地建筑物矢量轮廓进行处理，得到初期建筑物历史数据集；
当待识别区域基准期影像缺乏基准期图像时，利用先期遥感图像提取出的宅基地图斑作为基准图斑，形成初期建筑物历史数据集对后期遥感图像提取出的宅基地图斑进行监测对比。
7.根据权利要求6中所述的基于多尺度融合模型的宅基地变化监测方法，其特征在于，通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图包括：
对于两幅不同时期的遥感图像，分别进行识别得到宅基地建筑图斑，并分别与基准宅基地图斑进行地理空间叠置分析，各自得到矢量数据图；
利用两幅不同时期的遥感图像的矢量数据图语义分割结果，经模型点乘运算，从而得到详细的变化区域的最终监测信息，在变化区域的图斑中提取具体新增和拆除图斑，并生成宅基地变化图斑数据。
8.一种基于多尺度融合模型的宅基地变化监测装置，其特征在于，该装置包括宅基地建筑物识别模型单元，宅基地图斑提取单元，宅基地图斑对比单元，其中，
宅基地建筑物识别模型单元用于基于宅基地训练样本集的标注结果，训练宅基地建筑物识别模型；
宅基地图斑提取单元用于基于训练的宅基地建筑物识别模型，进行宅基地建筑物的识别与提取，提取不同时期的宅基地图斑；
宅基地图斑对比单元用于通过对前后时期的宅基地图斑，利用地理空间叠置分析方法实现两个或以上矢量数据的叠置计算，并得到新的矢量数据图。
9.根据权利要求8中所述的基于多尺度融合模型的宅基地变化监测装置，其特征在于，宅基地建筑物识别模型单元中包括宅基地训练样本集构建单元、未标注样本集构建单元和宅基地建筑物识别模型训练单元，其中，
宅基地训练样本集构建单元用于针对遥感图像及宅基地矢量数据，接收部分遥感图像的标注结果，构建宅基地训练样本集；
未标注样本集构建单元用于将未标注遥感图像随机分为多个未标注样本集，每一未标注样本集中包括多个未标注遥感图像；
宅基地建筑物识别模型训练单元用于依次基于宅基地训练样本集和一个未标注样本集进行宅基地建筑物识别模型训练，直至遍历所有未标注样本集。
10.根据权利要求8中所述的基于多尺度融合模型的宅基地变化监测装置，其特征在于，宅基地建筑物识别模型单元还包括样本集增强单元，样本集增强单元用于分别对宅基地训练样本集和未标注样本集中的遥感图像进行数据增强处理，数据增强处理包括对宅基地训练样本集和未标注样本集中的遥感图像进行随机位置的裁切或随机翻转，或者对于宅基地训练样本集和未标注样本集中的遥感图像进行随机亮度调整，样本集增强单元用于增加样本数量，提高宅基地建筑物识别模型的泛化能力。
CN202310141167.9A 2023-02-21 2023-02-21 一种基于多尺度融合模型的宅基地变化监测方法和装置 Pending CN116310802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310141167.9A CN116310802A (zh) 2023-02-21 2023-02-21 一种基于多尺度融合模型的宅基地变化监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310141167.9A CN116310802A (zh) 2023-02-21 2023-02-21 一种基于多尺度融合模型的宅基地变化监测方法和装置

Publications (1)

Publication Number Publication Date
CN116310802A true CN116310802A (zh) 2023-06-23

Family

ID=86782629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310141167.9A Pending CN116310802A (zh) 2023-02-21 2023-02-21 一种基于多尺度融合模型的宅基地变化监测方法和装置

Country Status (1)

Country Link
CN (1) CN116310802A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117392550A (zh) * 2023-12-11 2024-01-12 天津市勘察设计院集团有限公司 基于高分辨率遥感影像的自然要素提取方法
CN118470092A (zh) * 2024-06-04 2024-08-09 航天宏图信息技术股份有限公司 作物种植面积提取方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117392550A (zh) * 2023-12-11 2024-01-12 天津市勘察设计院集团有限公司 基于高分辨率遥感影像的自然要素提取方法
CN118470092A (zh) * 2024-06-04 2024-08-09 航天宏图信息技术股份有限公司 作物种植面积提取方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN113449594B (zh) 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
CN111986099B (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN109446992B (zh) 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN116310802A (zh) 一种基于多尺度融合模型的宅基地变化监测方法和装置
Rüther et al. Application of snakes and dynamic programming optimisation technique in modeling of buildings in informal settlement areas
CN113919442B (zh) 一种基于卷积神经网络烟叶成熟度状态识别方法
CN111626947A (zh) 基于生成对抗网络的地图矢量化样本增强方法及系统
CN110837839B (zh) 一种高精度无人机正射影像制作及数据采集方法
Kausika et al. GeoAI for detection of solar photovoltaic installations in the Netherlands
CN115984603A (zh) 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统
CN114241326A (zh) 一种渐进式遥感影像地物要素智能生产方法及系统
Lauko et al. Local color and morphological image feature based vegetation identification and its application to human environment street view vegetation mapping, or how green is our county?
CN110992366A (zh) 一种图像语义分割方法、装置及存储介质
CN115468917A (zh) 基于高分辨率遥感提取农田地块作物信息的方法及系统
CN113837134A (zh) 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法
CN115713691A (zh) 一种基于夜光遥感的像元级电力普及率估算方法及装置
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN102609721B (zh) 遥感影像的聚类方法
CN111539297B (zh) 一种高分辨率遥感影像道路信息半自动提取方法
CN116977851A (zh) 一种基于变化检测的弃耕识别方法及装置
CN116822980A (zh) 一种基矢量引导的典型地表要素智能监测方法及系统
CN113627480B (zh) 一种基于强化学习的极化sar影像分类方法
CN110084125B (zh) 一种基于深度学习的农业保险查勘技术方法
CN114120140A (zh) 基于卫星影像自动提取建筑物高度的方法
CN118505704B (zh) 一种面板产线缺陷检测通用模型建模检测方法

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