CN116994136A - 建筑变化检测方法、系统、电子设备及存储介质 - Google Patents

建筑变化检测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116994136A
CN116994136A CN202310953427.2A CN202310953427A CN116994136A CN 116994136 A CN116994136 A CN 116994136A CN 202310953427 A CN202310953427 A CN 202310953427A CN 116994136 A CN116994136 A CN 116994136A
Authority
CN
China
Prior art keywords
building
image
matching
similarity
patch
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
CN202310953427.2A
Other languages
English (en)
Inventor
王杰
张伟
刘强
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.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
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 Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202310953427.2A priority Critical patent/CN116994136A/zh
Publication of CN116994136A publication Critical patent/CN116994136A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

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

Abstract

本申请实施例提供了一种建筑变化检测方法、系统、电子设备及存储介质，属于高分辨率遥感影像处理技术领域。方法包括：获取待检测的第一图像；获取参照图像和参照建筑标注图；对第一图像进行预处理；对参照图像和参照建筑标注图进行取样，组成训练样本集；根据训练样本集，对语义分割模型进行训练；将第一图像输入至训练好的语义分割模型，得到概率分布图；将概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图；在参照图像和第一图像的交集范围内，获取多个建筑斑块；将建筑斑块在概率分布图中进行相似度匹配，得到匹配建筑斑块图；根据匹配建筑斑块图和第一建筑标注图，得到第一图像的建筑变化检测结果。

Description

建筑变化检测方法、系统、电子设备及存储介质
技术领域
本申请涉及高分辨率遥感影像处理技术领域，尤其涉及一种建筑变化检测方法、系统、电子设备及存储介质。
背景技术
相关技术中，通常是将新图像进行处理，以使得新图像和原图像的分辨率一致，以减小时相和传感器差异给建筑变化检测过程带来的影响。之后再直接使用变化检测算法比较整个新图像的标注结果和整个原图像的标注结果，获得变化标注。然而，只从分辨率角度考虑并不能真正消除成像角度差异，在两张图像中，成像角度差异往往会造成图像的局部部分的差异，从而造成建筑变化标注的差异，这样的差异往往会提高新图像和原图像比对的难度，且还会降低标注结果的准确性。
发明内容
本申请实施例的主要目的在于提出一种建筑变化检测方法、系统、电子设备及存储介质，能够在尽量降低成像角度差异的影响的同时，降低第一图像和参照图像比对的难度，提高标注结果的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种建筑变化检测方法，所述方法包括：获取待检测的第一图像；其中，所述第一图像为从第一角度对区域拍摄形成的图像；获取参照图像，以及所述参照图像对应的参照建筑标注图；其中，所述参照图像为从第二角度对区域拍摄形成的图像；对所述第一图像进行预处理，使得所述第一图像与参照图像的图像属性参数一致；对所述参照图像和所述参照图像对应的参照建筑标注图进行取样，得到多个样本块，根据多个所述样本块组成训练样本集；其中，所述样本块包括参照图像中预设范围内的图像块以及参照建筑标注图中与所述图像块对应的建筑标注；根据所述训练样本集，对语义分割模型进行训练，得到训练好的语义分割模型；将所述第一图像输入至训练好的所述语义分割模型，得到概率分布图；将所述概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图；在所述参照图像和所述第一图像的交集范围内，获取所述参照图像的多个建筑斑块；将所述建筑斑块在所述概率分布图中进行相似度匹配，得到匹配结果，并根据所述匹配结果得到匹配建筑斑块图；根据所述匹配建筑斑块图和所述第一建筑标注图进行比对，得到所述第一图像的建筑变化检测结果。
根据本申请的一些实施例，所述得到所述第一图像的建筑变化检测结果之后，还包括：执行样本增扩过程，所述样本增扩过程包括：在所述样本集中，提取所述参照图像和所述第一图像的交集范围内的所述样本块；将所述样本块作为建筑斑块在所述概率分布图中进行匹配，得到与所述建筑斑块相似度最高的矩形区域作为目标矩形区域；根据所述建筑变化检测结果，计算所述目标矩形区域中的变化部分占所述目标矩形区域的变化比例；若所述变化比例小于预设阈值，则根据预处理后的所述第一图像提取第一图像子块，根据所述第一图像子块在所述匹配建筑斑块对应的位置提取建筑标注子块；将所述第一图像子块、所述建筑标注子块与所述样本块、所述样本块对应的建筑标注组成多个增扩对；根据所述增扩对，对所述第一图像子块和所述建筑标注子块进行混合样本增扩，产生多个增扩样本；重复执行所述样本增扩过程。
根据本申请的一些实施例，所述产生多个增扩样本之后，还包括：根据所述增扩样本组成样本训练集，对语义分割模型进行训练；在训练的过程中，通过调整所述语义分割模型的参数，得到训练好的语义分割模型；根据所述语义分割模型，对所述第一图像和所述参照图像进行建筑变化检测，生成建筑变化验证结果；根据所述建筑变化验证结果与所述建筑变化检测结果进行比对验证。
根据本申请的一些实施例，所述图像属性参数包括坐标定位、分辨率、波段以及谱段；所述对所述第一图像进行预处理，使得所述第一图像与参照图像的图像属性参数一致，包括：以所述参照图像为基准，将所述第一图像进行调整，使得所述第一图像的坐标定位和分辨率与所述参照图像一致；判断所述第一图像中是否含有红外波段和近红外波段，若所述第一图像含有红外波段和近红外波段，则对应所述红外波段和所述近红外波段提取所述第一图像的绿地部分，形成绿地掩模，并对所述绿地掩模进行去除；判断所述第一图像和所述参照图像的波段与谱段是否相同，若所述第一图像和所述参照图像的波段与谱段相同，对所述第一图像进行相对辐射校正；若所述第一图像和所述参照图像的波段或者谱段不相同，则对所述第一图像的有效像素值范围进行线性量化，使得所述第一图像的有效像素值范围与所述参照图像的有效像素值范围相同。
根据本申请的一些实施例，所述使得所述第一图像的有效像素值范围与所述参照图像的有效像素值范围相同之后，还包括：对所述第一图像和所述参照图像的所述图像属性参数进行检验，若所述第一图像和所述参照图像的所述图像属性参数依然不同，从所述第一图像和所述参照图像中分别取图像样本块进行集合，训练风格迁移网络模型；将所述第一图像输入训练好的所述风格迁移网络模型，以使得所述第一图像和所述参照图像的所述图像属性参数一致。
根据本申请的一些实施例，所述将所述概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图，包括：对所述概率分布图进行条件随机场算法处理，得到连续分布的概率分布图；从所述概率分布图中，选择概率值大于第一预设阈值的像素点；
使用形态学膨胀滤波对所述像素点进行扩张；将所述概率分布图中大于第一预设阈值的像素点标注为建筑，得到第一建筑标注图。
根据本申请的一些实施例，所述将所述建筑斑块在所述概率分布图中进行相似度匹配，得到匹配结果，并根据所述匹配结果得到匹配建筑斑块图，包括：在所述交集范围内，通过所述建筑斑块在所述概率分布图中进行匹配，得到多个备选匹配点；计算所述建筑斑块与所述备选匹配点的匹配相似度，根据所述匹配相似度构成带权二部图，并从所述带权二部图中选取与所述建筑斑块唯一对应的所述备选匹配点，得到所述第一图像的匹配建筑斑块图。
根据本申请的一些实施例，所述在所述交集范围内，通过所述建筑斑块在所述概率分布图中进行匹配，得到多个备选匹配点，包括：设定局部搜索参数和最小匹配距离；对每个所述建筑斑块取外包矩形作为匹配模板块，并从所述匹配模板块中选取匹配参照点；在所述交集范围内，根据局部搜索参数将所述匹配模板块在所述概率分布图中进行移动匹配，并根据所述匹配参照点实时计算所述匹配模板块与所述概率分布图中对应矩形区域的相似度作为第一相似度；对所述第一相似度的值进行归一变换，以使得各个所述第一相似度在所述概率分布图的度量范围相同；在所述概率分布图中，获取所述第一相似度大于相似度阈值的所述矩形区域，并将所述矩形区域根据预设划分数量进行划分，得到多个备选匹配位置；计算所述匹配参照点与每个所述备选匹配位置的相似度作为第二相似度，对每个所述备选匹配位置选取所述第二相似度最大的点，作为各个所述备选匹配位置的备选匹配点；对所述备选匹配点，选取所述第二相似度最大的点作为基准点；计算其余所述备选匹配点与所述基准点的基准距离，将所述基准距离小于所述最小匹配距离的所述备选匹配点进行筛除，得到多个筛选后的所述备选匹配点。
根据本申请的一些实施例，所述得到多个筛选后的所述备选匹配点之后，还包括：对多个所述备选匹配点进行排列，并在所述概率分布图中进行距离移动匹配；若所述概率分布图中存在与各个所述备选匹配点的距离小于所述最小匹配距离的第一匹配点，则将所述第一匹配点作为新的备选匹配点，并将所述第一匹配点所对应的所述匹配模板块与所述备选匹配点对应的匹配模板块合并，得到第二模板块；计算所述第一匹配点和所述第二模板块的合并相似度，并对所述合并相似度的值进行归一变换，以使得各个所述合并相似度在所述概率分布图的度量范围相同。
根据本申请的一些实施例，所述计算所述建筑斑块与所述备选匹配点的相似度，并根据所述相似度构成带权二部图，从所述带权二部图中选取与建筑斑块唯一对应的所述备选匹配点，得到所述第一图像的匹配建筑斑块图，包括：计算所述建筑斑块对应的匹配模板块与所述备选匹配点的相似度，以所述相似度作为权值，将所述建筑斑块与所述备选匹配点集合，构成带权二部图；在所述带权二部图中填充虚拟权值，使所述建筑斑块对应的匹配模板块和所述备选匹配点的数量一致；以最大权值作为匹配，对所述带权二部图进行最大权值匹配，并在匹配的过程中，令每个所述匹配模板块与唯一的所述备选匹配点对应，生成匹配建筑斑块图。
根据本申请的一些实施例，所述根据所述匹配建筑斑块图和所述第一建筑标注图进行比对，得到所述第一图像的建筑变化检测结果，包括：将所述匹配建筑斑块图映射至所述第一建筑标注图中，并根据所述匹配建筑斑块图中的建筑斑块在所述第一建筑标注图中进行匹配；若所述建筑斑块在所述匹配建筑斑块图中不存在备选匹配点，则在所述匹配建筑斑块图中选取与所述建筑斑块最近的参考斑块，计算所述建筑斑块相对于所述参考斑块的偏移量；在所述第一建筑标注图中，查找与所述参考斑块的备选匹配点对应的区域，并根据所述偏移量将对应的区域标注为拆除建筑；或者，若在所述匹配建筑斑块图中，所述建筑斑块与备选匹配点的相似度小于预设相似度阈值，则在所述第一建筑标注图中，将所述备选匹配点对应的区域标注为拆除建筑；或者，若所述建筑斑块的备选匹配点在所述第一建筑标注图中未查找到对应区域，则将所述第一建筑标注图中对应的建筑标注为新增建筑。
本申请第二方面实施例提出了一种建筑变化检测系统，所述系统包括：第一图像获取模块，用于获取待检测的第一图像；其中，所述第一图像为从第一角度对区域拍摄形成的图像；参照图像获取模块，用于获取参照图像，以及所述参照图像对应的参照建筑标注图；其中，所述参照图像为从第二角度对区域拍摄形成的图像；预处理模块，用于对所述第一图像进行预处理，使得所述第一图像与参照图像的图像属性参数一致；训练样本集生成模块，用于对所述参照图像和所述参照图像对应的参照建筑标注图进行取样，得到多个样本块，根据多个所述样本块组成训练样本集；其中，所述样本块包括参照图像中预设范围内的图像块以及参照建筑标注图中与所述图像块对应的建筑标注；语义分割模型获取模块，用于根据所述训练样本集，对语义分割模型进行训练，得到训练好的语义分割模型；概率分布图获取模块，用于将所述第一图像输入至训练好的所述语义分割模型，得到概率分布图；第一建筑标注图生成模块，用于将所述概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图；建筑斑块获取模块，用于在所述参照图像和所述第一图像的交集范围内，获取所述参照图像的多个建筑斑块；匹配建筑斑块图获取模块，用于将所述建筑斑块在所述概率分布图中进行相似度匹配，得到匹配结果，并根据所述匹配结果得到匹配建筑斑块图；建筑变化检测结果获取模块，用于根据所述匹配建筑斑块图和所述第一建筑标注图进行比对，得到所述第一图像的建筑变化检测结果。
本申请第三方面实施例提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请第一方面实施例任一项所述的建筑变化检测方法。
本申请第四方面实施例提出了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面实施例任一项所述的建筑变化检测方法。
本申请提出的建筑变化检测方法、系统、电子设备及存储介质,能够根据对语义分割模型进行训练，得到准确的概率分布图，并在参照图像和第一图像的交集范围内，选取多个建筑斑块，将建筑斑块在概率分布图中逐一进行局部的相似度匹配，并根据匹配结果得到匹配建筑斑块图，根据匹配建筑斑块图和第一建筑标注图进行逐一匹配，得到第一图像的建筑变化检测结果，以此得到准确的建筑变化检测结果。本申请采用的技术方案能够大大降低由图像全局匹配造成的局部差异大的影响，降低第一图像和参照图像比对的难度，且提高了标注结果的准确性。
附图说明
图1-a是本申请实施例提供的一个匹配角度图；
图1-b是本申请实施例提供的又一个匹配角度图；
图2是本申请实施例提供的建筑变化检测系统的结构示意图；
图3是提供的建筑变化检测方法的流程图；
图4是本申请实施例提供的步骤S101至步骤S110的主要过程图；
图5是本申请实施例提供的得到第一图像的建筑变化检测结果之后的流程图；
图6是本申请实施例提供的产生多个增扩样本之后的流程图；
图7是图2中的步骤S103的流程图；
图8是本申请实施例提供的将第一图像的有效范围线性量化到与参照图像的有效范围相同之后的流程图；
图9是图2中的步骤S107的流程图；
图10是图2中的步骤S109的流程图；
图11是本申请实施例提供的步骤S701的流程图；
图12是本申请实施例提供的建筑斑块匹配示意图；
图13是本申请实施例提供的得到多个备选匹配点之后的流程图；
图14是本申请实施例提供的步骤S702的流程图；
图15是本申请实施例提供的选取备选匹配点的过程图；
图16是本申请实施例提供的步骤S1010的流程图；
图17是本申请实施例提供的建筑变化检测系统的功能模块示意图；
图18是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
在城市规划和城市管理等领域的高分辨率遥感监测中，重要的一个途径是利用高分辨率遥感影像来监测建筑物的分布和变化。由于城市监测范围广泛，时间跨度长，因此在长期的遥感应用中，往往会积累大量的历史影像和标注结果。基于这些历史影像和标注结果，结合新的观测影像进行变化更新，是一种有效的监测建筑物的分布和变化的方法。
相关技术中，往往只对第一图像与参照图像的分辨率、图像纹理等进行转换，之后直接在第一图像与参照图像上进行标注，再根据标注对第一图像和参照图像的整体进行比较，然而，成像角度的差异往往会对整体图像带来影响，如，从天顶垂直向下角度拍摄成像恰好是各个建筑顶部，且建筑相对位置与建筑底座相对位置一致；又如，从天顶大倾角侧向拍摄成像会看到多个建筑的侧立面，不同高度的建筑顶部相对位置与底座相对位置相差很大。因此，直接在参照图像和第一图像上进行建筑标注，再进行整体比较识别变化建筑，往往会产生较大误差。
参照图1-a和图1-b，图1-a和图1-b为根据不同拍摄角度形成的图像的匹配结果。从图中可知，由于建筑高度不同，拍摄角度不同，导致的各自顶部偏移有差距，整体匹配结果中各个建筑有不同方向和大小的偏移，尤其是位于右下角的较低建筑，因为大部分高建筑的匹配要求偏移多，匹配后该低建筑产生了更大偏移。说明仅仅通过整体匹配产生的误差较大，因此需要进行局部匹配，来减少建筑变化检测的误差。
基于此，本申请实施例提供了一种建筑变化检测方法、系统、电子设备及存储介质，能够大大降低由图像全局匹配造成的局部差异大的影响，降低第一图像和参照图像比对的难度，且提高了标注结果的准确性。
本申请实施例提供的建筑变化检测方法、系统、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的建筑变化检测系统。
请参照图2，在一些实施例中，建筑变化检测系统包括：控制模块201，图像预处理模块202，概率计算模块203，相似度计算模块204，备选匹配点选取模块205，图像输出模块206。
在一些实施例中，控制模块201可以是系统的神经中枢和指挥中心。控制模块201可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。具体地，控制模块201可以根据操作指令对图像预处理模块202，概率计算模块203，相似度计算模块204，备选匹配点选取模块205，图像输出模块206进行控制。
在一些实施例中，图像预处理模块202用于使第一图像与参照图像的图像属性参数一致，以便于后续分析。在一些实施例中，图像预处理模块202可以是用于风格迁移的深度学习网络模型，可以自动使得两个或者多个输入的图像属性参数保持一致。
在一些实施例中，概率计算模块203用于计算图像中建筑的概率。在一些实施例中，概率计算模块203可以为语义分割模型，可以将图像输入至概率计算模块203，概率计算模块203输入图像中各个部分的概率，从而输出概率分布图。
在一些实施例中，相似度计算模块204用于计算建筑斑块对应的匹配模板块和概率分布图中的矩形区域的相似度。或者，计算各个备选匹配区域与匹配模板块的相似度。
在一些实施例中，备选匹配点选取模块205用于计算基准点与多个备选匹配区域的最小匹配距离，并根据最小匹配距离筛除不符合条件的备选匹配区域，最终得到多个备选匹配点。在一些实施例中，备选匹配点选取模块205还能根据相似度、建筑斑块和多个备选匹配点生成带权二部图，最终得到每个建筑斑块唯一的备选匹配点。
在一些实施例中，图像输出模块206用于对变化标注图进行输出，或者对于其他变化图像进行输出。
本申请实施例中的建筑变化检测方法可以通过如下实施例进行说明。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，例如，获取用户存储的数据以及用户的缓存数据访问请求时，均会先获得用户的许可或者同意。而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图3是本申请实施例提供的建筑变化检测方法的一个可选的流程图，图2中的方法可以包括但不限于包括步骤S101至步骤S110。
步骤S101，获取待检测的第一图像；其中，第一图像为从第一角度对区域拍摄形成的图像；
步骤S102，获取参照图像，以及参照图像对应的参照建筑标注图；其中，参照图像为从第二角度对区域拍摄形成的图像；
步骤S103，对第一图像进行预处理，使得第一图像与参照图像的图像属性参数一致；
步骤S104，对参照图像和参照图像对应的参照建筑标注图进行取样，得到多个样本块，根据多个样本块组成训练样本集；其中，样本块包括参照图像中预设范围内的图像块以及参照建筑标注图中与图像块对应的建筑标注；
步骤S105，根据训练样本集，对语义分割模型进行训练，得到训练好的语义分割模型；
步骤S106，将第一图像输入至训练好的语义分割模型，得到概率分布图；
步骤S107，将概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图；
步骤S108，在参照图像和第一图像的交集范围内，获取参照图像的多个建筑斑块；
步骤S109，将建筑斑块在概率分布图中进行相似度匹配，得到匹配结果，并根据匹配结果得到匹配建筑斑块图；
步骤S110，根据匹配建筑斑块图和第一建筑标注图进行比对，得到第一图像的建筑变化检测结果。
请参照图4，图4为本申请步骤S101至步骤S110的主要过程图。在一些实施例中，参照图像为建筑的历史采集图像，第一图像为新拍摄的待进行变化检测的建筑图像。或者，第一图像为建筑的历史采集图像，参照图像为建筑的历史采集图像，本申请对此不作具体限制。可以理解的是，第一图像和第二图像拍摄的区域应该相同，如第一图像拍摄的区域为1号小区，那么参照图像拍摄的区域也应该为1号小区。可以理解的是，为了便于对第一图像和参照图像进行比较，可以尽量令拍摄角度相同。
在一些实施例中，图像属性参数包括坐标定位、分辨率、波段以及谱段等。可以理解的是，可以对第一图像进行转换处理，使得第一图像的光谱、纹理等图像属性参数表现与参照图像表现一致，以便于对第一图像和参照图像进行分析。
在一些实施例中，可以通过训练用于风格迁移的深度学习网络模型，从第一图像和参照图像中提取相对应的样本块进行训练，在训练的过程中，通过正向传播使得第一图像和参照图像的图像属性参数一致，并通过不断优化模型参数来提高模型的性能。将模型训练好之后，可以直接将第一图像和参照图像输入至模型，由模型根据其中一个图像的图像属性参数对另外一个图像进行处理。例如，根据参照图像的属性参数对第一图像进行处理。
在一些实施例中，可以对参照图像和参照图像对应的参照建筑标注图进行取样，以形成多个样本块，并对根据多个样本块组成训练集，其中，样本块包括参照图像中预设范围内的图像块以及参照建筑标注图中与图像块对应的建筑标注。
在一些实施例中，可以根据训练样本集，对语义分割模型进行训练，得到训练好的语义分割模型。在一些实施例中，可以将第一图像输入至训练好的语义分割模型，得到概率分布图。具体地，语义分割模型可以为FCN(Fully Convolutional Networks，全卷积网络)、UNet、DeepLab(深度卷积网络)、Mask R-CNN(掩码区域卷积神经网络)等等，具体根据数据特点进行选择。示例性地，当参照图像的范围足够大时(如有效范围大于30000*30000像素)，可选取的样本数量较多，可以使用参数更多的语义分割模型，或者选择使用Transformer模型(互感模型)的语义分割算法。在一些实施例中，可以使用从参照图像和原建筑标注图中选取的样本集输入至语义分割模型，对语义分割模型进行训练。
可以理解的是，在语义分割模型根据样本集进行训练的过程中，可以将原建筑标注图在参照图像中进行比对，计算损失函数，并不断进行反向传播，优化模型参数。在一些实施例中，对语义分割模型训练完毕之后，可以直接将第一图像输入至模型，并得到模型的输出结果。可以理解的是，模型的输出结果为对建筑物的像素提取并进行标注的结果，即二值掩码。具体地，可以使用颜色编码或灰度编码的方式，将建筑物像素的概率值映射到图像上，生成概率分布图。
可以理解的是，概率分布图上对每个目标区域都标注了对应的概率，如将建筑区域的概率标注为1，将非建筑区域的概率标注为0。在一些实施例中，可与设置第一预设阈值，将概率大于第一预设阈值的区域标注为建筑，将概率小于第一预设阈值的区域标注为非建筑。可以理解的是，第一预设阈值可以根据需求进行调节。示例性地，第一预设阈值可以为0.5，在概率图中，大于0.5的区域标注为建筑，小于0.5的区域标注为非建筑，由此生成第一建筑标注图。
在一些实施例中，为了提高匹配的准确性，可以限制匹配的范围，具体地，可以在第一图像和参照图像中选取建筑区域作为有效范围，再根据第一图像和参照图像的有效范围的交集，作为交集范围，即检测范围，由此可以避免无效范围的干扰，节省计算资源。在一些实施例中，可以在交集范围内得到参照图像的多个建筑斑块。具体地，若需要检测建筑顶部的变化，那么，建筑斑块就为建筑顶部，一个建筑斑块表示一个建筑顶部。
在一些实施例中，可以将建筑斑块在概率分布图中进行相似度匹配，以判断建筑斑块在第一图像中是否有相似区域。在一些实施例中，可以在相似度匹配的过程中，实时计算相似度，并将小于相似度阈值的匹配区域进行筛除。
在一些实施例中，为了提高匹配的精确程度，可以将建筑斑块对应的匹配模板块匹配到的矩形区域进行划分。可以理解的是，矩形区域为在匹配的过程中与匹配模板块的相似度大于相似度阈值的区域。具体地，对可以将矩形区域进行划分，得到多个备选匹配区域，并计算多个备选匹配区域与匹配模板块的相似度，从多个备选匹配区域中选取相似度最大的备选匹配区域作为基准点。
可以理解的是，与基准点的距离小于最小匹配距离的备选匹配区域与基准点的相似度高，可以进行筛除，最终得到多个备选匹配点。可以理解的是，可以根据带权二部图，从多个备选匹配点中得到唯一的备选匹配点，并根据建筑斑块和备选匹配点在交集范围对应的图像中生成匹配建筑斑块图。
在一些实施例中，可以根据将匹配建筑斑块图映射至所第一建筑标注图中，并根据匹配建筑斑块图中的建筑斑块在第一建筑标注图中进行匹配，得到匹配结果。具体地，若建筑斑块在匹配建筑斑块图中不存在备选匹配点，则在匹配建筑板块图中选取与建筑斑块最近的参考斑块，计算建筑斑块相对于参考斑块的偏移量，在第一建筑标注图中，查找与参考斑块的备选匹配点对应的区域，并根据偏移量将对应的区域标注为拆除建筑。或者，若在匹配建筑斑块图中，建筑斑块与备选匹配点的相似度小于预设相似度阈值，则在第一建筑标注图中，将备选匹配点对应的区域标注为新增建筑。或者，若建筑斑块的备选匹配点在第一建筑标注图中未查找到对应区域，则在参照图像中，将第一建筑标注图中的建筑标注为新增建筑。
可以理解的是，还可以对第一图像和参照图像执行样本增扩过程，通过对语义分割模型进行迭代训练，同时，语义分割模型可以根据训练情况对参数进行调整，生成建筑变化验证结果，再将建筑变化验证结果与原来的建筑变化检测结果进行比对，从而对建筑变化检测结果进行验证，也即是说，对语义分割模型的效果进行验证，从而不断提高检测的准确性。
可以理解的是，本申请通过对建筑图像进行局部匹配，大大降低了由图像全局匹配造成的局部差异大的影响，降低第一图像和参照图像比对的难度，且提高了标注结果的准确性。
请参照图5，在一些实施例中，得到第一图像的建筑变化检测结果之后，还包括但不限于步骤S201至步骤S207：
步骤S201，执行样本增扩过程，样本增扩过程包括：在样本集中，提取参照图像和第一图像的交集范围内的样本块；
步骤S202，将样本块作为建筑斑块在概率分布图中进行匹配，得到与建筑斑块相似度最高的矩形区域作为目标矩形区域；
步骤S203，根据建筑变化检测结果，计算目标矩形区域中的变化部分占目标矩形区域的变化比例；
步骤S204，若变化比例小于预设阈值，则根据预处理后的第一图像提取第一图像子块，根据第一图像子块在匹配建筑斑块对应的位置提取建筑标注子块；
步骤S205，将第一图像子块、建筑标注子块与样本块、样本块对应的建筑标注组成多个增扩对；
步骤S206，根据增扩对，对第一图像子块和建筑标注子块进行混合样本增扩，产生多个增扩样本；
步骤S207，重复执行样本增扩过程。
请参照图4，在一些实施例中，可以对样本集进行增扩，增加语义分割模型的训练次数，提高模型的精度，使其更准确地输出第一建筑标注图。可以理解的是，样本块指的是在参照图像中，样本的建筑标注与对应的参照图像的斑块形成的样本。
可以理解的是，第一图像和参照图像的交集范围包含第一图像和参照图像共有的建筑区域。在一些实施例中，可以取落在参照图像和第一图像的交集范围内的样本块，并将样本块的坐标对应到概率分布图中，将每个样本块对应一个建筑斑块，将建筑斑块在概率分布图中进行匹配，并将在概率分布图中匹配到的矩形区域进行划分，划分数量可以为4个，或者6个、8个等等。
对建筑斑块在概率分布图中匹配到的矩形区域进行累加，得到总矩形块，并从变化标注图中计算每个变化区域在总矩形块中所占的比例，若比例小于预设值，则说明该变化区域的变化较小，可以进行新样本块的提取。在一些实施例中，可以从经过预处理的第一图像中提取第一图像子块作为新样本块，从第二建筑标注图中提取与第一图像子块对应的建筑标注子块作为原样本块，再根据新样本块和建筑标注子块组成增扩对。
在一些实施例中，可以获取第一图像子块和建筑标注子块的坐标，选定一个按照贝塔分布取参数λ，再对增扩对进行增扩，如：第一图像子块为(xs,ys)，建筑标注子块为(xn,yn)，按贝塔分布取参数λ，生成
可以理解的是，通过调节贝塔分布的参数λ，可以得到多个新样本。在一些实施例中，可以根据上述方式对样本集进行增扩，以对语义分割模型进行不断训练，优化模型的参数，提高模型对影像识别的准确程度。
请参照图6，在一些实施例中，产生多个增扩样本之后，还包括但不限于步骤S301至步骤S304：
步骤S301，根据增扩样本组成样本训练集，对语义分割模型进行训练；
步骤S302，在训练的过程中，通过调整语义分割模型的参数，得到训练好的语义分割模型；
步骤S303，根据语义分割模型，对第一图像和参照图像进行建筑变化检测，生成建筑变化验证结果；
步骤S304，根据建筑变化验证结果与建筑变化检测结果进行比对验证。
可以根据在一些实施例中，可以根据增扩样本，对语义分割模型进行训练，并在训练的过程中，根据不断调整语义分割模型的参数，得到训练好的语义分割模型。可以理解的是，可以将样本训练集分为训练集、验证集和测试集对语义分割模型进行训练和训练效果的验证。可以理解的是，在语义分割模型根据样本集进行训练的过程中，计算损失函数，并不断进行反向传播，优化模型参数。在一些实施例中，对语义分割模型训练完毕之后，可以直接将第一图像输入至语义分割模型，并得到输出结果。可以理解的是，语义分割模型的输出结果为对建筑物的像素提取并进行标注的结果，即二值掩码。具体地，可以使用颜色编码或灰度编码的方式，将建筑物像素的概率值映射到图像上，得到经过样本增扩后训练的语义分割模型输出的概率分布图。
在一些实施例中，可以对参照图像的建筑斑块在概率分布图中进行匹配，并通过计算相似度，生成匹配建筑斑块图。再根据匹配建筑斑块图与第一建筑标注图进行比对，得到建筑变化验证结果。可以理解的是，可以将建筑变化验证结果与建筑变化检测结果进行比对，以对建筑变化检测结果进行分析。若建筑变化验证结果与建筑变化检测结果的比对差异大，说明原来的语义分割模型还需要继续训练调参。若建筑变化验证结果与建筑变化检测结果的比对差异小，则说明建筑变化验证结果准确。可以理解的是，还可以根据增扩样本进行多次验证，以确保建筑变化检测结果的准确性。
在一些实施例中，图像属性参数包括坐标定位、分辨率、波段以及谱段。
请参照图7，在一些实施例中，步骤S103包括但不限于步骤S401至步骤S403：
步骤S401，以参照图像为基准，将第一图像进行调整，使得第一图像的坐标定位和分辨率与参照图像一致；
步骤S402，判断第一图像中是否含有红外波段和近红外波段，若第一图像含有红外波段和近红外波段，则对应红外波段和近红外波段提取第一图像的绿地部分，形成绿地掩模，并对绿地掩模进行去除；
步骤S403，判断第一图像和参照图像的波段与谱段是否相同，若第一图像和参照图像的波段与谱段相同，对第一图像进行相对辐射校正；若第一图像和参照图像的波段或者谱段不相同，则对第一图像的有效像素值范围进行线性量化，使得第一图像的有效像素值范围与参照图像的有效像素值范围相同。
在一些实施例中，为了便于第一图像与参照图像的比较分析，可以对第一图像进行调整，使得第一图像的坐标定位和分辨率和参照图像的一致。具体地，可以使用计算机视觉算法，如SIFT、SURF或ORB等，从参照图像和第一图像中提取特征点，并将这些特征点进行匹配。可以理解的是，这些特征点可以是图像中的角点、边缘或纹理等。之后，在根据匹配的特征点，利用配准算法计算出参照图像与第一图像之间的几何变换关系，如平移、旋转、缩放和畸变等。进一步地，根据计算的几何变换关系，对第一图像进行校正，再使用图像处理技术将第一图像映射到与参照图像坐标定位一致的空间中。在一些实施例中，若第一图像和参照图像的分辨率不一致，可以使用图像插值方法对第一图像进行调整，是第一图像的分辨率与参照图像的一致。
在一些实施例中，若第一图像含有标准的红、近红外波段，表明第一图像中含有绿地，并且因季节等原因，绿地的生长状况与参照图像表现差异大，应提取绿地，以便于后续对绿地部分进行排除。
在一些实施例中，植被指数可以用来衡量植被的占比，植被指数的计算公式如下：
植被指数＝(近红外-红外)/(近红外+红外)
在一些实施例中，可以根据植被指数提取绿地，并形成绿地掩模，即将绿地区域设为1，非绿地区域设为0，或者绿地区域为白色，非绿地区域为黑色。在一些实施例中，可以使用形态学操作或边缘检测等方法对绿地进行进一步的处理，以获得更准确的绿地掩模。
可以理解的是，图像的波段可以理解为图像中的不同频率范围，可以用于描述图像中的光谱信息；图像的谱段则是指图像所包含的不同波长范围。在一些实施例中，若第一图像和参照图像的波段数相同，且谱段相同或者相似，直接对第一图像进行相对辐射校正。具体地，可以通过分析参照图像中的灰度值分布，并计算出每个灰度级的平均值，再根据灰度值对第一图像进行校正，使第一图像的灰度分布与参照图像相似。在一些实施例中，可以使用直方图进行相对辐射校正。在一些实施例中，还可以对第一图像进行锐化、去噪等处理。
可以理解的是，若在第一图像中提取了绿地掩模，那么可以先对绿地掩模进行排除之后，再进行幅度校正。具体地，可以对绿地掩模中标注为绿地区域的部分进行排除。
在一些实施例中，若第一图像和参照图像的波段不同，或者第一图像和参照图像的谱段不相同，或者差异较大，那么可以将第一图像的有效范围线性量化到和参照图像有效范围相同。
具体地，量化方法表达为其中V为第一图像的初始像素值，Vscaled为第一图像的像素变换结果，Nmax为第一图像波段最大值，Nmin为第一图像波段最小值，Bmax为参照图像的对应波段有效值的最大值，Bmin为参照图像的对应波段有效值的最小值。可以理解的是，若第一图像的某个波段在参照图像中没有对应波段，则不对第一图像的波段进行处理，或者也可以将第一图像和参照图像中的波段均归一到0到1之间，本申请实施例对此不作具体限制。
请参照图8，将第一图像的有效范围线性量化到与参照图像的有效范围相同之后，还包括：
步骤S501，对第一图像和参照图像的图像属性参数进行检验，若第一图像和参照图像的图像属性参数依然不同，从第一图像和参照图像中分别取图像样本块进行集合，训练风格迁移网络模型；
步骤S502，将第一图像输入训练好的风格迁移网络模型，以使得第一图像和参照图像的图像属性参数一致。
在一些实施例中，若第一图像与参照图像仍然有较大差异，则从第一图像和参照图像中分别取样本块集合，训练用于风格迁移的深度学习网络，并在训练的过程中不断调整模型的参数，以优化模型性能。
在一些实施例中，可以用训练好的模型对第一图像进行转换，使第一图像的光谱和纹理表现与参照图像相似。
可以理解的是，样本块为第一图像和参照图像的有效范围内的矩形块，可以随机选取，也可以按固定的步长进行有重叠选取。在一些实施例中，可以在第一图像和参照图像的相同位置上，分别取相同大小的块，组成样本对。
可以理解的是，在对模型进行训练的过程中，每对样本块只以对应的样本块为正向或反向生成目标，不同样本对之间不交叉使用，以保证模型训练的准确性。示例性地，在第一图像中有第一样本块，在参照图像中有与第一样本块对应的第二样本块，和不与第一样本块对应的第三样本块，在对模型训练的过程中，只取第一样本块和第二样本块组成样本对，第一样本块与第二样本块互为生成目标，进行训练，以使得二者的分辨率和纹理表现一致。但是，第一样本块不与第三样本块组成样本对，二者也不进行组合训练，以保证模型训练的准确性。
在一些实施例中，风格迁移网络模型可以根据模型的样本块进行选择。比如，若样本块的数据波段数少且量化范围小，比如只有红绿蓝三个波段，且量化到字节型，则选择只转换颜色的生成对抗网络ColorMapGAN，在不同的样本条件下，可以选择不同的风格迁移网络模型，例如，可以选择对抗网络DualGAN或Diffusion网络，本申请实施例对此不作具体限制。
请参照图9，在一些实施例中，步骤S107包括但不限于包括步骤S601至步骤S604：
步骤S601，对概率分布图进行条件随机场算法处理，得到连续分布的概率分布图；
步骤S602，从概率分布图中，选择概率值大于第一预设阈值的像素点；
步骤S603，使用形态学膨胀滤波对像素点进行扩张；
步骤S604，将概率分布图中大于第一预设阈值的像素点标注为建筑，得到第一建筑标注图。
在一些实施例中，可以将第一图像输入至训练好的语义分割模型，得到概率分布图。具体地，语义分割模型可以为FCN(Fully Convolutional Networks，全卷积网络)、UNet、DeepLab(深度卷积网络)、Mask R-CNN(掩码区域卷积神经网络)等等，具体根据数据特点进行选择。示例性地，当参照图像的范围足够大时(如有效范围大于30000*30000像素)，可选取的样本数量较多，可以使用参数更多的语义分割模型，或者选择使用Transformer模型(互感模型)的语义分割算法。在一些实施例中，可以使用从参照图像和原建筑标注图中选取的样本集输入至语义分割模型，对语义分割模型进行训练。
可以理解的是，在语义分割模型根据样本集进行训练的过程中，可以将原建筑标注图在参照图像中进行比对，计算损失函数，并不断进行反向传播，优化模型参数。在一些实施例中，对语义分割模型训练完毕之后，可以将第一图像输入至模型，并得到模型的输出结果。可以理解的是，模型的输出结果为对建筑物的像素提取并进行标注的结果，即二值掩码。具体地，可以使用颜色编码或灰度编码的方式，将建筑物像素的概率值映射到图像上，生成概率分布图。
可以理解的是，在概率分布图中，像素值为0到1之间的数字，表示对应区域为目标建筑的概率，概率越靠近1，则对应区域为目标建筑的概率就越高。可以理解的是，目标建筑可以指的是多座建筑，也可以指一座建筑或者某座建筑的局部，如建筑顶部或者建筑底部。在一些实施例中，可以设定预设阈值，对概率分布图中取大于预设阈值的区域标注为建筑，可以理解的是，预设阈值可以根据实际情况进行设置，例如，可以设置预设阈值小于0.5，根据预设对概率分布图进行标注，得到第一图像的第一建筑标注图。可以理解的是，若对绿地进行标注和提取，由于绿地不属于建筑区域，那么需要修改绿地掩模对应的概率值为0。
可以理解的是，由于第一图像与参照图像的分辨率、图像纹理等可能存在一定的区别，因此，在第一图像输入模型后，得到的概率分布图可能仍然和样本的影像表现有较大差别，预测结果的概率一般会偏低，且建筑区域会呈现粗糙、破碎的图像状态，因此，可以对概率分布图进行标准二元势的条件随机场算法对概率分布图进行处理，得到空间更连续的概率分布图。在一些实施例中，还可以对概率分布图进行灰度图形态学膨胀滤波，适度扩张概率值更大的区域。可以理解的是，对概率分布图进行调剂随机场算法和膨胀滤波处理，可以去除概率分布图中的噪声，从而得到更清晰、更准确的概率分布图。
在一些实施例中，对二元势的条件随机场进行求解，可以只求解得到第一图像的概率，不计算标注结果；在一些实施例中，还可以使用pydensecrf算法库(稠密条件随机场)通过给概率分布图的每个像素分配标签，利用条件随机场的图像标注模型，对概率分布图进行标注，返回得概率矩阵，以得到空间更连续的概率分布图。
可以理解的是，由于膨胀滤波中结构元素的大小和形状决定了滤波的效果。具体地，结构元素选择较小的边长可以更好地保留概率分布图中的细节信息，同时也能更好地去除噪声和小的干扰，而较大的边长可以使得概率分布图中的建筑区域更连续和饱满。因此，结构元素可以选择边长为3到9之间的正方形，使得概率分布图可以在保留细节的同时，增强建筑区域的整体形状。可以理解的是，结构元素也可以根据需求进行调整，如选择小于3或者大于的9的长方形或者正方形。
在一些实施例中，对概率分布图进行处理之后，可以将概率分布图中大于第一预设阈值的像素点标注为建筑，得到第一建筑标注图。可以理解的是，第一预设阈值可以根据经验进行设置，例如，第一预设阈值可以为0.4，那么，在生成第一建筑标注图时，可以将概率大于0.4的像素点标注为建筑，将小于0.4的像素点标注为非建筑。
请参照图10，在一些实施例中，步骤S109包括但不限于步骤S701至步骤S702：
步骤S701，在交集范围内，通过建筑斑块在概率分布图中进行匹配，得到多个备选匹配点；
步骤S702，计算建筑斑块与备选匹配点的匹配相似度，根据匹配相似度构成带权二部图，并从带权二部图中选取与建筑斑块唯一对应的备选匹配点，得到第一图像的匹配建筑斑块图。
在一些实施例中，获取参照图像和第一图像的有效范围，也即是说，获取参照图像和第一图像的建筑范围。在一些实施例中，可以根据参照图像和第一图像的有效范围计算参照图像和第一图像的交集，可以理解的是，交集部分一般代表参照图像与第一图像的相同部分，可以作为建筑变化更新的有效范围。
在一些实施例中，建筑斑块可以要检测是否变化的建筑区域所形成的斑块，例如，若要检测建筑顶部变化的情况，那么建筑斑块可以为建筑顶部形成的斑块。可以理解的是，建筑斑块可以进行设定，如设定一座建筑的整体或者其他局部部分。本申请中，使用建筑顶部作为建筑斑块阐述实施例。
在一些实施例中，可以在交集范围之内，将建筑斑块在概率图中进行匹配，得到多个备选匹配点。可以理解的是，在匹配的过程中，应该实时计算建筑斑块与备选匹配点之间的相似度，取相似度大于相似度阈值的点作为备选匹配点。
可以理解的是，设置多个备选匹配点而不是设置一个备选匹配点，可以避免匹配过程中发生的偶然性，避免匹配失误，提高最终备选匹配点选取的准确性。
在一些实施例中，可以将相似度作为权值，与建筑斑块和备选匹配点共同构成带权二部图，并通过带权二部图选取与建筑斑块唯一对应的备选匹配点，并根据建筑斑块和唯一对应的备选匹配点，生成第一图像的匹配建筑斑块图，以用于后续对第一图像进行变化检测。
请参照图11，在一些实施例中，步骤S701包括但不限于步骤S801至步骤S808：
步骤S801，设定局部搜索参数和最小匹配距离；
步骤S802，对每个建筑斑块取外包矩形作为匹配模板块，并从匹配模板块中选取匹配参照点；
步骤S803，在交集范围内，根据局部搜索参数将匹配模板块在概率分布图中进行移动匹配，并根据匹配参照点实时计算匹配模板块与概率分布图中对应矩形区域的相似度作为第一相似度；
步骤S804，对第一相似度的值进行归一变换，以使得各个第一相似度在概率分布图的度量范围相同；
步骤S805，在概率分布图中，获取第一相似度大于相似度阈值的矩形区域，并将矩形区域根据预设划分数量进行划分，得到多个备选匹配位置；
步骤S806，计算匹配参照点与每个备选匹配位置的相似度作为第二相似度，对每个备选匹配位置选取第二相似度最大的点，作为各个备选匹配位置的备选匹配点；
步骤S807，对备选匹配点，选取第二相似度最大的点作为基准点；
步骤S808，计算其余备选匹配点与基准点的基准距离，将基准距离小于最小匹配距离的备选匹配点进行筛除，得到多个筛选后的备选匹配点。
在一些实施例中，设定局部搜索参数和最小匹配距离。具体地，局部搜索参数用于限制匹配的步长，最小匹配距离用于筛选备选匹配点，局部搜索参数和最小匹配距离的值可根据需求进行设置。
在一些实施例中，将匹配模板块在概率分布图中根据局部搜索参数进行匹配，匹配的方式可以为以匹配模板块的左上角为匹配参照点，从左至右、从上至下进行平移，或者从右至左、从下至上进行平移，或者从中心向四周扩散平移等等，本申请实施例对此不做具体限制。
在一些实施例中，为了提高匹配速度，可以将概率分布图调整至与建筑斑块所在的影像相同的朝向，如建筑斑块所在的影像中，建筑顶部位于上方，建筑底部位于下方，那么，在概率分布图中，建筑顶部也应该位于上方，建筑底部也应该位于下方。可以理解的是，为了提高匹配的效率，在相似度匹配的过程中，平移的方式应该与在参照图像中取建筑斑块的顺序相对应。具体地，假设建筑斑块以左上角为起始点，从左至右、从上至下顺序取建筑斑块，那么，在概率分布图中，也应该以左上角为起始点，从左至右、从上至下顺序进行匹配。
可以理解的是，在匹配的过程中，可以实时计算匹配模板块在概率分布图中匹配到的矩形区域的相似度，并对所有计算得到的相似度进行归一变换，以使得概率分布图中的相似度计算具备统一的标准，便于相似度之间进行比较，以筛选出匹配的矩形区域。
可以理解的是，由于夹角余弦是基于向量的长度和夹角来进行计算的，这就导致了概率全接近0的区域也被计算为高度相似的情况，因此，本申请不采用夹角余弦算法计算匹配模板块和矩形区域的相似度。可以理解的是，在相似度计算中，0表示无相关性，正值表示正相关性，负值表示负相关性，因此，同样无法采用相关系数对相似度进行计算。
在一些实施例中，可以采用绝对差和、欧氏距离或类似度量等方法进行相似度的计算。
在一些实施例中，对采用绝对差和计算相似度的过程进行介绍。首先，对标注斑块掩模像素求和，计算公式为：∑i|1-pi|，其中，有效像素值标注为1，有效像素对应的概率值标注为pi。
在一些实施例中，匹配模板块可以在概率分布图中的整个区域进行搜索，查找相似度大的矩形区域。在一些实施例中，在概率分布图中，概率值越接近1，表明对应的像素越可能为建筑区域，或者为具体的建筑部分，如建筑顶部。因此，为了提高匹配的效率，可以优先概率值接近1的区域进行匹配，在均未匹配到对应的矩形区域之后，再对概率值较低的区域进行匹配。在一些实施例中，可以设定匹配阈值，如可以优先在概率值大于0.4的区域进行匹配，匹配阈值可以根据实际需求进行调整，如调整为0.3、0.5等等。
在一些实施例中，可以对已匹配成功的矩形区域进行已匹配标记，避免另一个匹配模板块再次进行匹配，提高匹配的效率。或者，也可以不进行标记，每一个匹配模板块都对应整个概率分析图进行搜索。
在一些实施例中，可以对匹配过程中计算得到的相似度的值进行归一变换，以排除图像大小和背景差异对相似度的影响。具体地，可以将相似度统一变换为[0,1]内的值，方便各个相似度之间的比较和理解。可以理解的是，相似度为1表示匹配模板块和对应的矩形区域完全相似，相似度为0表示匹配模板块和对应的矩形区域完全不相似。
示例性地，若采用绝对差和计算相似度，那么，可以采用下式进行相似度的归一化：
式中，N为有效像素的个数，有效像素值标注为1，有效像素对应的概率值标注为pi。
在一些实施例中，为了在每个矩形区域寻找与匹配模板块最匹配的区域，以此作为备选匹配点，提高匹配的精度，可以将矩形区域分为4块，每一块都为1个备选匹配区域，分别计算4个备选匹配区域内每个位置与匹配模板块的相似度，也即是说，分别计算4个备选匹配区域内每个位置与匹配参照点的相似度，取相似度大于预设阈值且在备选匹配区域内相似度最高的点作为备选匹配点。可以理解的是，矩形区域一般是一个像素块，像素块由2r+1行、2r+1列的像素点组成，r表示用于限定搜索范围的像素数，因此，每个备选匹配区域的像素数应不小于r行、r列，中心像素所在的行列，归入任意邻近块。在一些实施例中，还可以将矩形区域分为多于4块或者少于4块的数量，本申请实施例对此不作具体限制。
在一些实施例中，可以在每个备选匹配区域中计算每个位置上与匹配模板块的相似度，取最相似的(即相似度最大的)为备选匹配点，并将所有备选匹配区域的相似度进行比较，将相似度最大的备选匹配点作为基准点。具体地，在计算相似度的过程中，依然对相似度的值进行归一变换，归一变换的方式已在上文进行陈述，在此不予赘述。可以理解的是，若有多个备选匹配点与匹配模板块的相似度一致，则选取最靠近中心点的备选匹配区域作为基准位置。
在一些实施例中，在多个备选匹配点选择基准点之后，将基准点作为1个备选匹配点，计算其余的备选匹配点与基准点的基准距离，并将计算得到的基准距离与最小匹配距离进行比较。可以理解的是，由于小于最小匹配距离的备选匹配点通常与基准点高度重叠，因此，可以将其进行筛除。并且，将大于最小匹配距离的备选匹配点进行保留。
请参照图12，在一些实施例中，r为局部搜索参数，对每个建筑斑块(即斑块)取外包矩形，以便于根据外包矩形对概率分布图中相同大小的矩形区域进行匹配，得到匹配结果。在一些实施例中，在外包矩形内，将建筑部分设置为1，非建筑部分设置为0，形成匹配模板块。可以理解的是，备选匹配区域的个数可以根据实际需求进行设置。示例性地，若备选匹配区域有4个，分别为1号备选匹配区域、2号备选匹配区域、3号备选匹配区域和4号备选匹配区域，若2号备选匹配区域中的点2与匹配模板块的相似度最大，那么，将点2作为基准位置。在一些实施例中，假设最小匹配距离为0.1297mm(仅作为参考)，那么，若是计算1号备选匹配区域内的点1、3号备选匹配区域内的点3和4号备选匹配区域内的点4与基准位置点2的基准距离分别为0.2297mm、0.3297mm、0.0996mm，点1、点3与基准位置的距离大于最小匹配距离，则将其保留作为备选匹配点，点4与基准位置的距离小于最小匹配距离，将点4筛除。
可以理解的是，在将所有基准距离小于最小匹配距离的备选匹配位置筛除之后，即将点1、点2和点3作为备选匹配点进行保留。
请参照图13，在一些实施例中，得到多个备选匹配点之后，还包括但不限于包括步骤S901至步骤S903：
步骤S901，对多个备选匹配点进行排列，并在概率分布图中进行距离移动匹配；
步骤S902，若概率分布图中存在与各个备选匹配点的距离小于最小匹配距离的第一匹配点，则将第一匹配点作为新的备选匹配点，并将第一匹配点所对应的匹配模板块与备选匹配点对应的匹配模板块合并，得到第二模板块；
步骤S903，计算第一匹配点和第二模板块的合并相似度，并对合并相似度的值进行归一变换，以使得各个合并相似度在概率分布图的度量范围相同。
在一些实施例中，可以按照相似度从大到小或者从小到大的顺序对备选匹配点进行排序。之后，在概率分布图中进行距离判断和备选匹配点合并。具体地，计算备选匹配点与其后的备选点之间的距离，若是计算得到的距离小于最小匹配距离，则将该备选匹配点作为第一匹配点，合并到当前备选匹配点。可以理解的是，当前备选匹配点与其后的备选匹配点间距离，用在概率图中的位置计算，即左上角点间的距离。
示例性地，若按照与匹配模板块的匹配参照点的相似度从大到小，对3个备选匹配点进行排序，排序的结果为2号备选匹配点、3号备选匹配点和1号备选匹配点。可以在1号备选匹配点之后，对每个备选匹配点与计算1号备选匹配点之间的距离，若存在与1号备选匹配点的距离小于最小匹配距离的备选匹配点，如2号备选匹配点，将对应的2号备选匹配点作为第一匹配点合并到1号备选匹配点所在的匹配模板块，成为匹配模板块新的备选匹配点。合并后，1号备选匹配点既对应原1号备选匹配点的匹配模板块，又对应原2号备选匹配点的匹配模板块。
在一些实施例中，将第一匹配点作为匹配模板块的备选匹配点之后，可以计算第一匹配点和匹配模板块的相似度，并对相似度的值进行归一变换，以使得各个相似度在概率分布图的度量范围相同。可以理解的是，备选匹配点距离判断和合并，是为了找到互相重叠或接近重叠的备选匹配位置，去除不一致和冗余备选匹配位置。合并后，一个模板块可以对应多个备选匹配点，多个模板块可以对应到一个备选匹配点。模板块集合和备选匹配点集合，以相似度为权值，构成了带权二部图。
请参照图14，在一些实施例中，步骤S702包括但不限于步骤S1001至步骤S1003：
步骤S1001，计算建筑斑块对应的匹配模板块与备选匹配点的相似度，以相似度作为权值，将建筑斑块与备选匹配点集合，构成带权二部图；
步骤S1002，在带权二部图中填充虚拟权值，使建筑斑块对应的匹配模板块和备选匹配点的数量一致；
步骤S1003，以最大权值作为匹配，对带权二部图进行最大权值匹配，并在匹配的过程中，令每个匹配模板块与唯一的备选匹配点对应，生成匹配建筑斑块图。
在一些实施例中，可以将相似度作为边的权值，将建筑斑块与备选匹配点之间的关系表示为带权边。示例性地，假设有3个建筑斑块，4个备选匹配点，建筑斑块1与对应的4个备选匹配点的相似度分别为0.9、0.5、0.6、0.8；建筑斑块2与对应的4个备选匹配点的相似度分别为：0.71、0.7、0.92、0.65；建筑斑块3与对应的4个备选匹配点的相似度分别为0.6、0.6、0.8、0.5。那么，可以将建筑斑块和备选匹配点作为带权二部图的顶点，将相似度作为带权二部图的边，构成带权二部图。
在一些实施例中，可以根据带权二部图的权值矩阵，可以采用Kuhn-Munkres算法(匈牙利算法)或者增广路径算法计算出带权二部图的最大权值匹配。
以Kuhn-Munkres算法为例，为了保持数据的一致性和平衡性，一般设置虚拟权值、建筑斑块与备选匹配点数量相等。具体地，先将所有边的匹配状态初始化为未匹配，再从任意未进行匹配的建筑斑块开始，使用深度优先搜索(DFS)或者广度优先搜索(BFS)寻找增广路径，将增广路径上的匹配进行调整，使得路径上的每个建筑斑块与备选匹配点交替匹配。可以理解的是，增广路径是一条从未匹配的建筑斑块出发，经过未匹配的备选匹配点，再经过已匹配的备选匹配点，最终回到未匹配的建筑斑块的路径。在寻找增广路径的同时，更新匹配权值，将路径上奇数位置的边权值加上路径中的最小权值，将路径上偶数位置的边权值减去路径中的最小权值。重复搜索，直到无法找到增广路径，此时，每个建筑斑块都只与唯一的备选匹配点对应，并且整体权值达到最大，此时，输出匹配建筑斑块图。
可以理解的是，由于虚拟权值不属于真正的相似度，因此，在最终结果中，应该去掉虚拟填充的权值。可以理解的是，由于一些建筑板块的权重值可能非常低或者为0，因此没有足够的备选匹配点与之进行匹配，所以可能出现一些建筑斑块没有对应的备选匹配点的情况。在一些实施例中，若是某个建筑斑块有多个备选匹配点，当此建筑斑块与唯一的备选匹配点对应之后，其他备选匹配点会出现没有对应的建筑斑块的情况。
图15介绍了通过建筑斑块再概率分布图中进行匹配，最终得到匹配斑块图的过程。下面，以一个实施例对图15进行说明。在一些实施例中，可以将参照图像的建筑斑块(每个建筑顶部对应一个建筑斑块)在概率分布图中进行移动距离匹配，可以按照自上到下、自左到右的顺序进行移动距离匹配，通过预先设置局部搜索参数(r)和最小匹配距离(d)，局部搜索参数和最小匹配距离根据需求进行设置。在一些实施例中，可以对建筑斑块取外包矩形，以便于能够与概率分布图中的矩形区域进行匹配和相似度的计算。
在一些实施例中，可以通过绝对差和、欧氏距离等对相似度进行计算，再将计算得到的相似度进行归一化，以便于统一相似度的度量值。进一步地，可以在概率分布图中，选取相似度大于相似度阈值的矩形区域，并将矩形区域进行划分，得到备选匹配位置，如划分为4个区域或者8个区域等等，本申请实施例对此不作具体限制。
可以理解的是，可以对匹配模板块取左上角的位置作为匹配参照点，在概率分布图中计算相似度。或者，也可以取右下角、右上角等位置作为匹配参照点。以将矩形区域划分为4个区域为例，将匹配参照点在这4个区域(4个备选匹配位置)进行相似度计算，得到匹配参照点与每个备选匹配位置的多个点的相似度。例如，备选匹配位置1有：点1，相似度为0.2、点2，相似度为0.9；备选匹配位置2有：点3，相似度为0.6、点4，相似度为0.8；备选匹配位置3有：点5，相似度为0.7、点6，相似度为0.6；备选匹配位置4有：点7，相似度为0.35、点8，相似度为0.95。
可以理解的是，对于每个备选匹配位置，取相似度最大的作为对应的备选匹配位置的备选匹配点，即备选匹配位置1的点2，相似度为0.9；备选匹配位置2的点4，相似度为0.8；备选匹配位置3的点5，相似度为0.7；备选匹配位置4的点8，相似度为0.95。
对于上述多个备选匹配位置，选取相似度最大的作为基准点，即备选匹配位置4的点8作为基准点。假设根据基准位置进行最小匹配距离的筛选之后，得到点2、点3和点4三个备选匹配点。
在一些实施例中，可以对与备选匹配点的距离小于最小匹配距离的点进行合并，将点对应的模板块业余备选匹配点所在的匹配模板块进行合并。如备选匹配点1与点a的距离小于最小匹配距离，备选匹配点1所在的匹配模板块为A，点a所在的匹配模板块为B，则将匹配模板块为A和匹配模板块为B进行合并，使得备选匹配点a与点a均作为备选匹配点对应于合并后的匹配模板块。
在一些实施例中，可以以相似度作为权值，将建筑斑块与备选匹配点结合构成带权二部图，再根据对带权二部图进行最大权值匹配，得到匹配建筑斑块图，最后，根据匹配建筑斑块图与第一建筑标注图进行比对，得到变化检测结果。
请参照图16，在一些实施例中，步骤S1010包括但不限于包括步骤S1101至步骤S1103：
步骤S1101，将匹配建筑斑块图映射至第一建筑标注图中，并根据匹配建筑斑块图中的建筑斑块在第一建筑标注图中进行匹配；
步骤S1102，若建筑斑块在匹配建筑斑块图中不存在备选匹配点，则在匹配建筑斑块图中选取与建筑斑块最近的参考斑块，计算建筑斑块相对于参考斑块的偏移量；
步骤S1103，在第一建筑标注图中，查找与参考斑块的备选匹配点对应的区域，并根据偏移量将对应的区域标注为拆除建筑；
或者，若在匹配建筑斑块图中，建筑斑块与备选匹配点的相似度小于预设相似度阈值，则在第一建筑标注图中，将备选匹配点对应的区域标注为拆除建筑；
或者，若建筑斑块的备选匹配点在第一建筑标注图中未查找到对应区域，则将第一建筑标注图中对应的建筑标注为新增建筑。
在一些实施例中，可以将匹配建筑斑块图与第一建筑标注图进行比对，检测建筑是否发生变化。示例性地，可以通过检测建筑是否发生变化，来判断对应的建筑是拆除还是新建。在一些实施例中，可以将带有建筑斑块的匹配建筑斑块图对应到第一图像的第一建筑标注图，进行结合观测。
在一些实施例中，若是建筑斑块在匹配建筑斑块图中没有对应的备选匹配点，则说明该建筑斑块在于概率分布图匹配的过程中，未匹配到对应的备选匹配点，也即是说，该建筑斑块在第一图像中没有相应的匹配位置，因此，参照图像中建筑斑块所在的建筑为拆除建筑，此时，需要将拆除的建筑同步在第一图像中进行标注。具体地，可以将没有相应匹配位置的建筑斑块称为1号建筑斑块，那么，可以在匹配建筑斑块图中，查找与1号建筑斑块距离最近的且具有备选匹配点的建筑斑块(为了便于说明，下称2号建筑斑块)，并以2号建筑斑块作为1号建筑斑块的参考斑块，计算偏移量，并在第一建筑标注图中，根据2号建筑斑块和偏移量计算1号建筑斑块的位置，将1号建筑斑块所在的建筑标注为拆除建筑。
在一些实施例中，若是建筑斑块在第一建筑标注图中查找到对应的匹配点，则可以对建筑斑块中的备选匹配点与匹配点进行相似度计算，若计算得到的相似度低于预设阈值，则说明两者并不相同，匹配点对应的区域为拆除建筑。
在一些实施例中，若是第一建筑标注图中的每个区域与匹配建筑斑块图均无重叠，也即是说，建筑斑块的备选匹配点在第一建筑标注图中未查找到对应区域，则说明第一建筑标注图中的建筑为新增建筑，可以在第一建筑标注图中进行标注。可以理解的是，可以对第一图像变化的部分单独生成变化标注图，或者，在第一建筑标注图的基础上生成第二建筑标注图。
请参阅图17，本申请实施例还提供一种建筑变化检测系统，可以实现上述建筑变化检测方法，建筑变化检测系统包括：
第一图像获取模块1701，用于获取待检测的第一图像；其中，第一图像为从第一角度对区域拍摄形成的图像；
参照图像获取模块1702，用于获取参照图像，以及参照图像对应的参照建筑标注图；其中，参照图像为从第二角度对区域拍摄形成的图像；
预处理模块1703，用于对第一图像进行预处理，使得第一图像与参照图像的图像属性参数一致；
训练样本集生成模块1704，用于对参照图像和参照图像对应的参照建筑标注图进行取样，得到多个样本块，根据多个样本块组成训练样本集；其中，样本块包括参照图像中预设范围内的图像块以及参照建筑标注图中与图像块对应的建筑标注；
语义分割模型获取模块1705，用于根据训练样本集，对语义分割模型进行训练，得到训练好的语义分割模型；
概率分布图获取模块1706，用于将第一图像输入至训练好的语义分割模型，得到概率分布图；
第一建筑标注图生成模块1707，用于将概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图；
建筑斑块获取模块1708，用于在参照图像和第一图像的交集范围内，获取参照图像的多个建筑斑块；
匹配建筑斑块图获取模块1709，用于将建筑斑块在概率分布图中进行相似度匹配，得到匹配结果，并根据匹配结果得到匹配建筑斑块图；
建筑变化检测结果获取模块1710，用于根据匹配建筑斑块图和第一建筑标注图进行比对，得到第一图像的建筑变化检测结果。
请参照图4，图4为本申请步骤S101至步骤S110的主要过程图。在一些实施例中，参照图像为建筑的历史采集图像，第一图像为新拍摄的待进行变化检测的建筑图像。或者，第一图像为建筑的历史采集图像，参照图像为建筑的历史采集图像，本申请对此不作具体限制。可以理解的是，第一图像和第二图像拍摄的区域应该相同，如第一图像拍摄的区域为1号小区，那么参照图像拍摄的区域也应该为1号小区。
在一些实施例中，图像属性参数包括坐标定位、分辨率、波段以及谱段等。可以理解的是，可以对第一图像进行转换处理，使得第一图像的光谱、纹理等图像属性参数表现与参照图像表现一致，以便于对第一图像和参照图像进行分析。
在一些实施例中，可以通过训练用于风格迁移的深度学习网络模型，从第一图像和参照图像中提取相对应的样本块进行训练，在训练的过程中，通过正向传播使得第一图像和参照图像的图像属性参数一致，并通过不断优化模型参数来提高模型的性能。将模型训练好之后，可以直接将第一图像和参照图像输入至模型，由模型根据其中一个图像的图像属性参数对另外一个图像进行处理。例如，根据参照图像的属性参数对第一图像进行处理。
在一些实施例中，可以对参照图像和参照图像对应的参照建筑标注图进行取样，以形成多个样本块，并对根据多个样本块组成训练集，其中，样本块包括参照图像中预设范围内的图像块以及参照建筑标注图中与图像块对应的建筑标注。
在一些实施例中，可以根据训练样本集，对语义分割模型进行训练，得到训练好的语义分割模型。在一些实施例中，可以将第一图像输入至训练好的语义分割模型，得到概率分布图。具体地，语义分割模型可以为FCN(Fully Convolutional Networks，全卷积网络)、UNet、DeepLab(深度卷积网络)、Mask R-CNN(掩码区域卷积神经网络)等等，具体根据数据特点进行选择。示例性地，当参照图像的范围足够大时(如有效范围大于30000*30000像素)，可选取的样本数量较多，可以使用参数更多的语义分割模型，或者选择使用Transformer模型(互感模型)的语义分割算法。在一些实施例中，可以使用从参照图像和原建筑标注图中选取的样本集输入至语义分割模型，对语义分割模型进行训练。
可以理解的是，在语义分割模型根据样本集进行训练的过程中，可以将原建筑标注图在参照图像中进行比对，计算损失函数，并不断进行反向传播，优化模型参数。在一些实施例中，对语义分割模型训练完毕之后，可以直接将第一图像输入至模型，并得到模型的输出结果。可以理解的是，模型的输出结果为对建筑物的像素提取并进行标注的结果，即二值掩码。具体地，可以使用颜色编码或灰度编码的方式，将建筑物像素的概率值映射到图像上，生成概率分布图。
可以理解的是，概率分布图上对每个目标区域都标注了对应的概率，如将建筑区域的概率标注为1，将非建筑区域的概率标注为0。在一些实施例中，可与设置第一预设阈值，将概率大于第一预设阈值的区域标注为建筑，将概率小于第一预设阈值的区域标注为非建筑。可以理解的是，第一预设阈值可以根据需求进行调节。示例性地，第一预设阈值可以为0.5，在概率图中，大于0.5的区域标注为建筑，小于0.5的区域标注为非建筑，由此生成第一建筑标注图。
在一些实施例中，为了提高匹配的准确性，可以限制匹配的范围，具体地，可以在第一图像和参照图像中选取建筑区域作为有效范围，再根据第一图像和参照图像的有效范围的交集，作为交集范围，即检测范围，由此可以避免无效范围的干扰，节省计算资源。在一些实施例中，可以在交集范围内得到参照图像的多个建筑斑块。具体地，若需要检测建筑顶部的变化，那么，建筑斑块就为建筑顶部，一个建筑斑块表示一个建筑顶部。
在一些实施例中，可以将建筑斑块在概率分布图中进行相似度匹配，以判断建筑斑块在第一图像中是否有相似区域。在一些实施例中，可以在相似度匹配的过程中，实时计算相似度，并将小于相似度阈值的匹配区域进行筛除。
在一些实施例中，为了提高匹配的精确程度，可以将建筑斑块对应的匹配模板块匹配到的矩形区域进行划分。具体地，对可以将矩形区域进行划分，得到多个备选匹配区域，并计算多个备选匹配区域内各个位置上与匹配模板块的相似度，各个备选区域内分别获取相似度最大的点为备选点，从多个备选匹配区域中选取相似度最大的备选点作为基准点。
可以理解的是，与基准点的距离小于最小匹配距离的备选点与基准点的相似度高，可以进行筛除，最终得到多个备选匹配点。可以理解的是，可以根据带权二部图，从多个备选匹配点中得到唯一的备选匹配点，并根据建筑斑块和备选匹配点在交集范围对应的图像中生成匹配建筑斑块图。
在一些实施例中，可以根据将匹配建筑斑块图映射至第一建筑标注图中，并根据匹配建筑斑块图中的建筑斑块在第一建筑标注图中进行匹配，得到匹配结果。具体地，若建筑斑块在匹配建筑斑块图中不存在备选匹配点，则在匹配建筑板块图中选取与建筑斑块最近的参考斑块，计算建筑斑块相对于参考斑块的偏移量，在第一建筑标注图中，查找与参考斑块的备选匹配点对应的区域，并根据偏移量将对应的区域标注为拆除建筑。或者，若在匹配建筑斑块图中，建筑斑块与备选匹配点的相似度小于预设相似度阈值，则在第一建筑标注图中，将备选匹配点对应的区域标注为拆除建筑。或者，若建筑斑块的备选匹配点在第一建筑标注图中未查找到对应区域，则将第一建筑标注图中的建筑标注为新增建筑。
可以理解的是，本申请通过对建筑图像进行局部匹配，大大降低了由图像全局匹配造成的局部差异大的影响，降低第一图像和参照图像比对的难度，且提高了标注结果的准确性。
该建筑变化检测系统的具体实施方式与上述建筑变化检测方法的具体实施例基本相同，在此不再赘述。在满足本申请实施例要求的前提下，建筑变化检测系统还可以设置其他功能模块，以实现上述实施例中的建筑变化检测方法。
本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述建筑变化检测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图18，图18示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器1801，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1802，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器1802可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1802中，并由处理器1801来调用执行本申请实施例的建筑变化检测方法；
输入/输出接口1803，用于实现信息输入及输出；
通信接口1804，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线1805，在设备的各个组件(例如处理器1801、存储器1802、输入/输出接口1803和通信接口1804)之间传输信息；
其中处理器1801、存储器1802、输入/输出接口1803和通信接口1804通过总线1805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述建筑变化检测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中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，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可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”和“若干”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以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，本申请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全部或部分可以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，包括多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)执行本申请各个实施例的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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (14)

1.一种建筑变化检测方法，其特征在于，所述方法包括：
获取待检测的第一图像；其中，所述第一图像为从第一角度对区域拍摄形成的图像；
获取参照图像，以及所述参照图像对应的参照建筑标注图；其中，所述参照图像为从第二角度对区域拍摄形成的图像；
对所述第一图像进行预处理，使得所述第一图像与参照图像的图像属性参数一致；
对所述参照图像和所述参照图像对应的参照建筑标注图进行取样，得到多个样本块，根据多个所述样本块组成训练样本集；其中，所述样本块包括参照图像中预设范围内的图像块以及参照建筑标注图中与所述图像块对应的建筑标注；
根据所述训练样本集，对语义分割模型进行训练，得到训练好的语义分割模型；
将所述第一图像输入至训练好的所述语义分割模型，得到概率分布图；
将所述概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图；
在所述参照图像和所述第一图像的交集范围内，获取所述参照图像的多个建筑斑块；
将所述建筑斑块在所述概率分布图中进行相似度匹配，得到匹配结果，并根据所述匹配结果得到匹配建筑斑块图；
根据所述匹配建筑斑块图和所述第一建筑标注图进行比对，得到所述第一图像的建筑变化检测结果。
2.根据权利要求1所述的建筑变化检测方法，其特征在于，所述得到所述第一图像的建筑变化检测结果之后，还包括：
执行样本增扩过程，所述样本增扩过程包括：在所述样本集中，提取所述参照图像和所述第一图像的交集范围内的所述样本块；
将所述样本块作为建筑斑块在所述概率分布图中进行匹配，得到与所述建筑斑块相似度最高的矩形区域作为目标矩形区域；
根据所述建筑变化检测结果，计算所述目标矩形区域中的变化部分占所述目标矩形区域的变化比例；
若所述变化比例小于预设阈值，则根据预处理后的所述第一图像提取第一图像子块，根据所述第一图像子块在所述匹配建筑斑块对应的位置提取建筑标注子块；
将所述第一图像子块、所述建筑标注子块与所述样本块、所述样本块对应的建筑标注组成多个增扩对；
根据所述增扩对，对所述第一图像子块和所述建筑标注子块进行混合样本增扩，产生多个增扩样本；
重复执行所述样本增扩过程。
3.根据权利要求2所述的建筑变化检测方法，其特征在于，所述产生多个增扩样本之后，还包括：
根据所述增扩样本组成样本训练集，对语义分割模型进行训练；
在训练的过程中，通过调整所述语义分割模型的参数，得到训练好的语义分割模型；
根据所述语义分割模型，对所述第一图像和所述参照图像进行建筑变化检测，生成建筑变化验证结果；
根据所述建筑变化验证结果与所述建筑变化检测结果进行比对验证。
4.根据权利要求1所述的建筑变化检测方法，其特征在于，所述图像属性参数包括坐标定位、分辨率、波段以及谱段；所述对所述第一图像进行预处理，使得所述第一图像与参照图像的图像属性参数一致，包括：
以所述参照图像为基准，将所述第一图像进行调整，使得所述第一图像的坐标定位和分辨率与所述参照图像一致；
判断所述第一图像中是否含有红外波段和近红外波段，若所述第一图像含有红外波段和近红外波段，则对应所述红外波段和所述近红外波段提取所述第一图像的绿地部分，形成绿地掩模，并对所述绿地掩模进行去除；
判断所述第一图像和所述参照图像的波段与谱段是否相同，若所述第一图像和所述参照图像的波段与谱段相同，对所述第一图像进行相对辐射校正；若所述第一图像和所述参照图像的波段或者谱段不相同，则对所述第一图像的有效像素值范围进行线性量化，使得所述第一图像的有效像素值范围与所述参照图像的有效像素值范围相同。
5.根据权利要求4所述的建筑变化检测方法，其特征在于，所述使得所述第一图像的有效像素值范围与所述参照图像的有效像素值范围相同之后，还包括：
对所述第一图像和所述参照图像的所述图像属性参数进行检验，若所述第一图像和所述参照图像的所述图像属性参数依然不同，从所述第一图像和所述参照图像中分别取图像样本块进行集合，训练风格迁移网络模型；
将所述第一图像输入训练好的所述风格迁移网络模型，以使得所述第一图像和所述参照图像的所述图像属性参数一致。
6.根据权利要求1所述的建筑变化检测方法，其特征在于，所述将所述概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图，包括：
对所述概率分布图进行条件随机场算法处理，得到连续分布的概率分布图；
从所述概率分布图中，选择概率值大于第一预设阈值的像素点；
使用形态学膨胀滤波对所述像素点进行扩张；
将所述概率分布图中大于第一预设阈值的像素点标注为建筑，得到第一建筑标注图。
7.根据权利要求1所述的建筑变化检测方法，其特征在于，所述将所述建筑斑块在所述概率分布图中进行相似度匹配，得到匹配结果，并根据所述匹配结果得到匹配建筑斑块图，包括：
在所述交集范围内，通过所述建筑斑块在所述概率分布图中进行匹配，得到多个备选匹配点；
计算所述建筑斑块与所述备选匹配点的匹配相似度，根据所述匹配相似度构成带权二部图，并从所述带权二部图中选取与所述建筑斑块唯一对应的所述备选匹配点，得到所述第一图像的匹配建筑斑块图。
8.根据权利要求7所述的建筑变化检测方法，其特征在于，所述在所述交集范围内，通过所述建筑斑块在所述概率分布图中进行匹配，得到多个备选匹配点，包括：
设定局部搜索参数和最小匹配距离；
对每个所述建筑斑块取外包矩形作为匹配模板块，并从所述匹配模板块中选取匹配参照点；
在所述交集范围内，根据局部搜索参数将所述匹配模板块在所述概率分布图中进行移动匹配，并根据所述匹配参照点实时计算所述匹配模板块与所述概率分布图中对应矩形区域的相似度作为第一相似度；
对所述第一相似度的值进行归一变换，以使得各个所述第一相似度在所述概率分布图的度量范围相同；
在所述概率分布图中，获取所述第一相似度大于相似度阈值的所述矩形区域，并将所述矩形区域根据预设划分数量进行划分，得到多个备选匹配位置；
计算所述匹配参照点与每个所述备选匹配位置的相似度作为第二相似度，对每个所述备选匹配位置选取所述第二相似度最大的点，作为各个所述备选匹配位置的备选匹配点；
对所述备选匹配点，选取所述第二相似度最大的点作为基准点；
计算其余所述备选匹配点与所述基准点的基准距离，将所述基准距离小于所述最小匹配距离的所述备选匹配点进行筛除，得到多个筛选后的所述备选匹配点。
9.根据权利要求8所述的建筑变化检测方法，其特征在于，所述得到多个筛选后的所述备选匹配点之后，还包括：
对多个所述备选匹配点进行排列，并在所述概率分布图中进行距离移动匹配；
若所述概率分布图中存在与各个所述备选匹配点的距离小于所述最小匹配距离的第一匹配点，则将所述第一匹配点作为新的备选匹配点，并将所述第一匹配点所对应的所述匹配模板块与所述备选匹配点对应的匹配模板块合并，得到第二模板块；
计算所述第一匹配点和所述第二模板块的合并相似度，并对所述合并相似度的值进行归一变换，以使得各个所述合并相似度在所述概率分布图的度量范围相同。
10.根据权利要求7所述的建筑变化检测方法，其特征在于，所述计算所述建筑斑块与所述备选匹配点的匹配相似度，根据所述匹配相似度构成带权二部图，并从所述带权二部图中选取与所述建筑斑块唯一对应的所述备选匹配点，得到所述第一图像的匹配建筑斑块图，包括：
计算所述建筑斑块对应的匹配模板块与所述备选匹配点的相似度，以所述相似度作为权值，将所述建筑斑块与所述备选匹配点集合，构成带权二部图；
在所述带权二部图中填充虚拟权值，使所述建筑斑块对应的匹配模板块和所述备选匹配点的数量一致；
以最大权值作为匹配，对所述带权二部图进行最大权值匹配，并在匹配的过程中，令每个所述匹配模板块与唯一的所述备选匹配点对应，生成匹配建筑斑块图。
11.根据权利要求1所述的建筑变化检测方法，其特征在于，所述根据所述匹配建筑斑块图和所述第一建筑标注图进行比对，得到所述第一图像的建筑变化检测结果，包括：
将所述匹配建筑斑块图映射至所述第一建筑标注图中，并根据所述匹配建筑斑块图中的建筑斑块在所述第一建筑标注图中进行匹配；
若所述建筑斑块在所述匹配建筑斑块图中不存在备选匹配点，则在所述匹配建筑斑块图中选取与所述建筑斑块最近的参考斑块，计算所述建筑斑块相对于所述参考斑块的偏移量；
在所述第一建筑标注图中，查找与所述参考斑块的备选匹配点对应的区域，并根据所述偏移量将对应的区域标注为拆除建筑；
或者，若在所述匹配建筑斑块图中，所述建筑斑块与备选匹配点的相似度小于预设相似度阈值，则在所述第一建筑标注图中，将所述备选匹配点对应的区域标注为拆除建筑；
或者，若所述建筑斑块的备选匹配点在所述第一建筑标注图中未查找到对应区域，则将所述第一建筑标注图中对应的建筑标注为新增建筑。
12.一种建筑变化检测系统，其特征在于，所述系统包括：
第一图像获取模块，用于获取待检测的第一图像；其中，所述第一图像为从第一角度对区域拍摄形成的图像；
参照图像获取模块，用于获取参照图像，以及所述参照图像对应的参照建筑标注图；其中，所述参照图像为从第二角度对区域拍摄形成的图像；
预处理模块，用于对所述第一图像进行预处理，使得所述第一图像与参照图像的图像属性参数一致；
训练样本集生成模块，用于对所述参照图像和所述参照图像对应的参照建筑标注图进行取样，得到多个样本块，根据多个所述样本块组成训练样本集；其中，所述样本块包括参照图像中预设范围内的图像块以及参照建筑标注图中与所述图像块对应的建筑标注；
语义分割模型获取模块，用于根据所述训练样本集，对语义分割模型进行训练，得到训练好的语义分割模型；
概率分布图获取模块，用于将所述第一图像输入至训练好的所述语义分割模型，得到概率分布图；
第一建筑标注图生成模块，用于将所述概率分布图中概率值大于第一预设阈值的像素点标注为建筑，生成第一建筑标注图；
建筑斑块获取模块，用于在所述参照图像和所述第一图像的交集范围内，获取所述参照图像的多个建筑斑块；
匹配建筑斑块图获取模块，用于将所述建筑斑块在所述概率分布图中进行相似度匹配，得到匹配结果，并根据所述匹配结果得到匹配建筑斑块图；
建筑变化检测结果获取模块，用于根据所述匹配建筑斑块图和所述第一建筑标注图进行比对，得到所述第一图像的建筑变化检测结果。
13.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至11任一项所述的建筑变化检测方法。
14.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11任一项所述的建筑变化检测方法。
CN202310953427.2A 2023-07-28 2023-07-28 建筑变化检测方法、系统、电子设备及存储介质 Pending CN116994136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310953427.2A CN116994136A (zh) 2023-07-28 2023-07-28 建筑变化检测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310953427.2A CN116994136A (zh) 2023-07-28 2023-07-28 建筑变化检测方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116994136A true CN116994136A (zh) 2023-11-03

Family

ID=88533274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310953427.2A Pending CN116994136A (zh) 2023-07-28 2023-07-28 建筑变化检测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116994136A (zh)

Similar Documents

Publication Publication Date Title
CN111914834B (zh) 图像识别方法、装置、计算机设备和存储介质
CN107092877B (zh) 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法
KR102143108B1 (ko) 차선 인식 모델링 방법, 장치, 저장 매체 및 기기, 및 인식 방법, 장치, 저장 매체 및 기기
CN109815770B (zh) 二维码检测方法、装置及系统
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN111028327B (zh) 一种三维点云的处理方法、装置及设备
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN109977997B (zh) 基于卷积神经网络快速鲁棒的图像目标检测与分割方法
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
AU2016315938A1 (en) Systems and methods for analyzing remote sensing imagery
CN107273813A (zh) 基于高分卫星遥感数据的地理空间要素提取系统
CN110992366B (zh) 一种图像语义分割方法、装置及存储介质
KR101941043B1 (ko) 고화질 항공 이미지에서의 물체 검출 방법
CN116030352B (zh) 融合多尺度分割和超像素分割的长时序土地利用分类方法
Hossain et al. A hybrid image segmentation method for building extraction from high-resolution RGB images
Tarsha Kurdi et al. Automatic evaluation and improvement of roof segments for modelling missing details using Lidar data
CN114494881A (zh) 基于剖分网格的遥感影像变化检测方法、装置、终端
CN116258956A (zh) 无人机树木识别方法、设备、存储介质及装置
CN112184785B (zh) 基于mcd度量和vtm的多模态遥感图像配准方法
CN105631849B (zh) 多边形目标的变化检测方法及装置
CN107358625B (zh) 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法
CN117036748A (zh) 高分辨率遥感影像标注的迁移修正方法、系统及存储介质
KR102260556B1 (ko) 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치
CN116994136A (zh) 建筑变化检测方法、系统、电子设备及存储介质

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