CN117036959A - 一种基于遥感的建筑物洪灾易损性评价方法 - Google Patents

一种基于遥感的建筑物洪灾易损性评价方法 Download PDF

Info

Publication number
CN117036959A
CN117036959A CN202311157133.5A CN202311157133A CN117036959A CN 117036959 A CN117036959 A CN 117036959A CN 202311157133 A CN202311157133 A CN 202311157133A CN 117036959 A CN117036959 A CN 117036959A
Authority
CN
China
Prior art keywords
building
precision
flood
data
remote sensing
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.)
Granted
Application number
CN202311157133.5A
Other languages
English (en)
Other versions
CN117036959B (zh
Inventor
丁小辉
江威
刘凌佳
李瑞友
刘照
张勇
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.)
Jiangxi University of Finance and Economics
Original Assignee
Jiangxi University of Finance and Economics
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 Jiangxi University of Finance and Economics filed Critical Jiangxi University of Finance and Economics
Priority to CN202311157133.5A priority Critical patent/CN117036959B/zh
Publication of CN117036959A publication Critical patent/CN117036959A/zh
Application granted granted Critical
Publication of CN117036959B publication Critical patent/CN117036959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于遥感的建筑物洪灾易损性评价方法，首先获取建筑物的高精度DSM数据和高精度DEM数据，并提取建筑物轮廓及屋顶结构信息，结合高精度DSM数据和高精度DEM数据构建建筑物的LoD 2三维模型以提取高精度建筑高度信息，并基于加权模型对建筑物洪灾易损性进行评价。本发明首次将遥感手段引入建筑物洪灾易损性评价领域，而遥感方式具有覆盖面积广、重访周期短等优点，因此可为大面积建筑物洪灾易损性快速评价提供技术支撑，从而摆脱传统的依靠地面调查或历史统计数据进行评价的手段，大大提高了建筑物洪灾易损性评价的效率和现势性。

Description

一种基于遥感的建筑物洪灾易损性评价方法
技术领域
本发明属于洪涝灾害损失评估技术领域，具体涉及一种基于遥感的建筑物洪灾易损性评价方法的设计。
背景技术
建筑物是洪涝灾害中重要的承灾对象，其损毁数量及程度是制定救助应急预案的重要参考。建筑物洪灾易损性与其高度、建筑材料及所处位置洪水风险等级等具有密切关系，其中，建筑物高度是建筑物易损性评价的重要参数之一。传统的建筑物洪灾易损性评估方法主要是采用的是统计数据或二维空间数据，其现势性较差且精度低，难以快速地进行大范围建筑物易损性评估。
基于遥感的建筑物数据采集方式具有非接触、覆盖范围广、重访周期短等优点，尤其是航空遥感平台的迅速发展，倾斜摄影技术及激光雷达技术在建筑物三维重建领域获得了大量应用，获取的建筑物高度信息具有较高的精度，并能获取建筑物的纹理等信息。其中，基于激光雷达的技术可以半自动甚至自动地获取建筑物的高度信息，然而复杂的空间拓扑关系与低质量的输入数据会导致提取的建筑物基元不完整且存在噪音，进而大大降低建筑物高度信息的提取精度。尽管目前已提出了随机一致性采样算法等方法用于解决上述问题，但仍然面临参数过多，算法普适性较低的问题。而基于倾斜摄影测量的方法存在数据处理较为困难，难以满足洪涝灾害损失评估及应急救援等应用，同时上述两种方法存在数据获取成本高昂的问题，不宜开展大规模建筑物洪灾易损性评价。
高空间分辨率的正射影像具有数据获取效率高、成本低等优点，且包含了精细的建筑物面积、形状、纹理及姿态等几何信息，可为低细节层次(Level of Detail，LoD)(LoD0～2)的建筑物三维重建提供基础数据源，但目前基于正射影像的建筑物三维信息提取大部分是基于LoD 1模型，无法获得建筑物的屋顶结构信息，故其提取的建筑物高度数据精度仍然较低。
发明内容
本发明的目的是提出一种基于遥感的建筑物洪灾易损性评价方法，通过遥感的方式建立建筑物三维模型以提取较高精度的建筑物高度信息，从而解决现有的建筑物洪灾易损性评价方法时效性和现势性较差的问题。
本发明的技术方案为：一种基于遥感的建筑物洪灾易损性评价方法，包括以下步骤：
S1、对建筑物的遥感影像进行预处理，获取建筑物的高精度DSM数据和高精度DEM数据。
S2、提取遥感影像中建筑物的轮廓信息。
S3、对遥感影像中建筑物的屋顶结构进行编码，并根据编码结果提取建筑物的屋顶三维模型。
S4、根据建筑物的高精度DSM数据、高精度DEM数据、轮廓信息和屋顶三维模型得到建筑物高度。
S5、根据建筑物高度、结构和洪水风险等级对建筑物进行洪灾易损性评价。
进一步地，步骤S1包括以下分步骤：
S11、将建筑物的遥感影像统一配准到WGS84坐标系下。
S12、对配准后的遥感影像进行拼接，得到完整的带有地理坐标系的影像。
S13、采用Context Capture软件从完整的带有地理坐标系的影像中加载倾斜摄影照片，生成高精度三维点云，得到建筑物的高精度DSM数据。
S14、对完整的带有地理坐标系的影像中的地面点进行筛选，得到建筑物的高精度DEM数据。
进一步地，步骤S2包括以下分步骤：
S21、采用Mask R-CNN获取遥感影像的特征金字塔，并将特征金字塔输入到RPN网络中，从不同分辨率的特征图上切取感兴趣区域k：
其中s表示用于预训练的图片的大小，k0表示面积为s×s的感兴趣区域所在层级，w和h表示特征图的宽和高，表示取整运算。
S22、根据感兴趣区域k，分别采用全连接网络和卷积网络进行边界框的识别分类及Mask预测，得到建筑物初始轮廓。
S23、采用准确率ACC和查准率P评价建筑物初始轮廓的提取精度：
其中TP表示预测为正，实际为正的数目，TN表示预测为负，实际为负的数目，FP表示预测为正，实际为负的数目，FN表示预测为负，实际为正的数目。
S24、根据建筑物初始轮廓的提取精度对Mask R-CNN模型进行不断迭代与参数微调，直到提取精度达到最优，得到Mask R-CNN提取的建筑物轮廓。
S25、将Mask R-CNN提取的建筑物轮廓进行二值化处理，并将二值化处理后的像素点乘以sobel算子以得到该像素点的灰度矢量值：
其中Gx和Gy分别表示横向和纵向边缘检测的灰度值，Gxy表示像素点最终的灰度矢量值，A表示像素点的原始灰度值。
S26、将灰度矢量值Gxy与预设阈值进行比较，若Gxy大于预设阈值，则判定该像素点为二值边缘图像的边界点。
S27、采用标准霍夫变换从二值边缘图像中提取规则的建筑物轮廓数据，并将其作为建筑物的轮廓信息。
进一步地，步骤S3包括以下分步骤：
S31、采用三波段灰度图像对遥感影像中建筑物的屋脊线、屋檐线及腰线进行编码表示，其中屋脊线表示为[1,0,0]，屋檐线表示为[0,1,0]，腰线表示为[0,0,1]。
S32、根据编码结果，采用卷积神经网络从建筑物正射影像上对建筑物屋顶进行分类。
S33、将建筑物屋顶的分类结果与屋顶类型库中的建筑物屋顶进行匹配，得到建筑物的屋顶三维模型。
进一步地，步骤S4包括以下分步骤：
S41、根据建筑物的高精度DSM数据和高精度DEM数据计算得到归一化的数字地表模型数据nDSM：
nDSM＝DSM-DEM
其中DSM表示高精度DSM数据，DEM表示高精度DEM数据。
S42、根据建筑物的轮廓信息获取建筑物的LoD 1模型。
S43、将建筑物的LoD 1模型和屋顶三维模型合并，得到建筑物的LoD 2三维模型。
S44、根据建筑物的LoD 2三维模型计算建筑物高度H：
H＝h1+h2
其中h1表示建筑物轮廓顶点位置对应的nDSM值，h2表示建筑物轮廓覆盖区域内的最大nDSM值与最小nDSM值之间的差值。
进一步地，步骤S5中建筑物洪灾易损性I的计算公式为：
I＝αH+βC+εR
其中H表示建筑物高度，C表示建筑物结构，R表示建筑物洪水风险等级，α、β和ε分别表示建筑物高度、结构及洪水风险等级对建筑物易损性的贡献度，其计算公式为：
其中y(h)表示不同高度的建筑物平均损毁率，y(c)表示不同建筑结构的建筑物平均损毁率，y(r)表示不同洪水风险等级下的建筑物平均损毁率。
本发明的有益效果是：
(1)本发明首次将遥感手段引入建筑物洪灾易损性评价领域，而遥感方式具有覆盖面积广、重访周期短等优点，因此可为大面积建筑物洪灾易损性快速评价提供技术支撑，从而摆脱传统的依靠地面调查或历史统计数据进行评价的手段，大大提高了建筑物洪灾易损性评价的效率和现势性。
(2)本发明首先从遥感数据中获取了有关建筑物的轮廓和屋顶结构等信息，从而构建了建筑物的LoD 2三维模型，以获得较高精度的建筑物高度信息，为建立建筑物洪灾易损性评价方法提供了基础数据。
(3)本发明在对建筑物屋顶结构进行编码的基础上，利用卷积神经网络对遥感影像上的建筑物屋顶进行分类，并与预先建好的屋顶类型库中的屋顶模型进行匹配，从而准确获得建筑物的屋顶三维模型。
附图说明
图1所示为本发明实施例提供的一种基于遥感的建筑物洪灾易损性评价方法流程图。
图2所示为本发明实施例提供的标准霍夫变换示意图。
图3所示为本发明实施例提供的建筑物屋顶结构编码示意图。
图4所示为本发明实施例提供的建筑物屋顶结构类型示意图。
图5所示为本发明实施例提供的建筑物LoD 2模型构建及高度信息提取示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种基于遥感的建筑物洪灾易损性评价方法，如图1所示，包括以下步骤S1～S5：
S1、对建筑物的遥感影像进行预处理，获取建筑物的高精度DSM数据和高精度DEM数据。
步骤S1包括以下分步骤S11～S14：
S11、将建筑物的遥感影像统一配准到WGS84坐标系下。
S12、对配准后的遥感影像进行拼接，得到完整的带有地理坐标系的影像。
S13、采用Context Capture软件从完整的带有地理坐标系的影像中加载倾斜摄影照片，生成高精度三维点云，得到建筑物的高精度DSM数据。
S14、对完整的带有地理坐标系的影像中的地面点进行筛选，得到建筑物的高精度DEM数据。
S2、提取遥感影像中建筑物的轮廓信息。
步骤S2包括以下分步骤S21～S27：
S21、采用Mask R-CNN获取遥感影像的特征金字塔，并将特征金字塔输入到RPN(Region Proposal Network)网络中，从不同分辨率的特征图上切取感兴趣区域(Regionof Interest，ROI)k：
其中s表示用于预训练的图片的大小，k0表示面积为s×s的感兴趣区域所在层级，w和h表示特征图的宽和高，表示取整运算。
本发明实施例中，Mask R-CNN是在Faster R-CNN的基础上添加了一个预测分割Mask的分支，通过Mask的预测结果，获取建筑物的轮廓。
S22、根据感兴趣区域k，分别采用全连接网络和卷积网络进行边界框的识别分类及Mask预测，得到建筑物初始轮廓。
S23、采用准确率ACC和查准率P评价建筑物初始轮廓的提取精度：
其中TP表示预测为正，实际为正的数目，TN表示预测为负，实际为负的数目，FP表示预测为正，实际为负的数目，FN表示预测为负，实际为正的数目。
S24、根据建筑物初始轮廓的提取精度对Mask R-CNN模型进行不断迭代与参数微调，直到提取精度达到最优，得到Mask R-CNN提取的建筑物轮廓。
S25、由于采用Mask R-CNN提取的建筑物轮廓为不规则的几何形状，与实际情况不相符；为提高建筑物三维重建的精度，因此需要采用相关的几何形态学的方法对不规则的建筑物轮廓做进一步处理。本发明实施例中，将Mask R-CNN获取的建筑物轮廓进行二值化处理，并采用sobel算法进行边缘检测，获得二值边缘图像。
本发明实施例中，首先将Mask R-CNN提取的建筑物轮廓进行二值化处理，并将二值化处理后的像素点乘以sobel算子(3×3矩阵)以得到该像素点的灰度矢量值：
其中Gx和Gy分别表示横向和纵向边缘检测的灰度值，Gxy表示像素点最终的灰度矢量值，A表示像素点的原始灰度值。
S26、将灰度矢量值Gxy与预设阈值进行比较，若Gxy大于预设阈值，则判定该像素点为二值边缘图像的边界点。
S27、采用标准霍夫变换(SHT)从二值边缘图像中提取规则的建筑物轮廓数据，并将其作为建筑物的轮廓信息。
SHT的原理如下：在极坐标系下，直线方程可有参数(γ,θ)确定，即γ＝xcosθ+ysinθ，其中γ表示极径，θ表示极角。对于点(x0,y0)，所有通过它的直线的γ和θ值可在γ-θ平面上形成如图2(b)所示的曲线，若通过点(x0,y0)和(x1,y1)的直线簇的γ和θ值在γ-θ平面构成的曲线相交，如图2(c)所示，那么说明有一条直线同时经过了点(x0,y0)和(x1,y1)。若在γ-θ平面中有n条曲线交于某一点，则表示该直线由n个点组成。一般在具体的应用中设置阈值n0，若n≥n0，则表示在图像中检测到了一条直线。在标准霍夫变换的基础上，利用图像的腐蚀与膨胀操作获得规则的建筑物轮廓数据。
S3、对遥感影像中建筑物的屋顶结构进行编码，并根据编码结果提取建筑物的屋顶三维模型。
步骤S3包括以下分步骤S31～S33：
S31、采用三波段灰度图像对遥感影像中建筑物的屋脊线、屋檐线及腰线进行编码表示，其中屋脊线表示为[1,0,0]，屋檐线表示为[0,1,0]，腰线表示为[0,0,1]，如图3所示，其中图3(a)为建筑物屋顶三维模型编码示意图，图3(b)为建筑物屋顶二维结构组成示意图。
S32、根据编码结果，采用卷积神经网络从建筑物正射影像上对建筑物屋顶进行分类。
S33、将建筑物屋顶的分类结果与屋顶类型库中的建筑物屋顶进行匹配，得到建筑物的屋顶三维模型。
本发明实施例中，为保证以几何结构为依据的建筑物屋顶类型划分正确并尽可能多地包含各种类型的建筑物屋顶类型，屋顶类型库采用公共的建筑物屋顶结构数据集(https://github.com/loosgagnet/Roofline-Extraction)，在该数据集中，建筑物屋顶类型可被划分为13类，如图4所示。
S4、根据建筑物的高精度DSM数据、高精度DEM数据、轮廓信息和屋顶三维模型得到建筑物高度。
步骤S4包括以下分步骤S41～S44：
S41、根据建筑物的高精度DSM数据和高精度DEM数据计算得到归一化的数字地表模型数据nDSM(normalized DSM)：
nDSM＝DSM-DEM
其中DSM表示高精度DSM数据，DEM表示高精度DEM数据。
通过上述方式获得的高度是地表物体的绝对高度，包含建筑物和非建筑物。为进一步准确提取正射影像中建筑物的高度，需根据步骤S2提取的建筑物轮廓信息来获取建筑物高度信息。
S42、根据建筑物的轮廓信息获取建筑物的LoD 1模型。
S43、将建筑物的LoD 1模型和屋顶三维模型合并，得到建筑物的LoD 2三维模型，如图5所示。
S44、根据建筑物的LoD 2三维模型计算建筑物高度H：
H＝h1+h2
其中h1表示建筑物轮廓顶点位置对应的nDSM值，h2表示建筑物轮廓覆盖区域内的最大nDSM值与最小nDSM值之间的差值。
S5、根据建筑物高度、结构和洪水风险等级对建筑物进行洪灾易损性评价。
建筑物高度H、结构(建筑材质)C、用途、年份及所处位置的洪水风险等级R等因素是评价建筑物易损性的常用因子。本发明实施例中，建筑物的结构可通过统计数据获得，而年份及用途对建筑物的易损性影响不大，因此忽略。
在此基础上，采用加权模型评价建筑物洪灾易损性I：
I＝f(H,C,R)
其中f(·)表示加权模型，I的取值范围为[0,1]，即最大建筑物易损性指数为1，最小为0，值越大，建筑物被洪涝灾害损毁的风险越高。
通过分析不同因子对建筑物的易损性的贡献度，建立如下模型评价建筑物洪水易损性计算方式：
I＝αH+βC+εR
其中H表示建筑物高度，C表示建筑物结构，R表示建筑物洪水风险等级，α、β和ε分别表示建筑物高度、结构及洪水风险等级对建筑物易损性的贡献度，且满足α+β+ε＝1。α、β和ε值的确定，可根据历史灾情数据建筑物的平均损毁率进行计算获得。假设不同高度的建筑物平均损毁率为y(h)，不同建筑结构的建筑物平均损毁率为y(c)，不同洪涝风险等级下的建筑物平均损毁率为y(r)，则α、β和ε值的计算方式如下所示：
其中y(h)、y(c)和y(r)的值可通过相关历史统计数据获得。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种基于遥感的建筑物洪灾易损性评价方法，其特征在于，包括以下步骤：
S1、对建筑物的遥感影像进行预处理，获取建筑物的高精度DSM数据和高精度DEM数据；
S2、提取遥感影像中建筑物的轮廓信息；
S3、对遥感影像中建筑物的屋顶结构进行编码，并根据编码结果提取建筑物的屋顶三维模型；
S4、根据建筑物的高精度DSM数据、高精度DEM数据、轮廓信息和屋顶三维模型得到建筑物高度；
S5、根据建筑物高度、结构和洪水风险等级对建筑物进行洪灾易损性评价。
2.根据权利要求1所述的建筑物洪灾易损性评价方法，其特征在于，所述步骤S1包括以下分步骤：
S11、将建筑物的遥感影像统一配准到WGS84坐标系下；
S12、对配准后的遥感影像进行拼接，得到完整的带有地理坐标系的影像；
S13、采用Context Capture软件从完整的带有地理坐标系的影像中加载倾斜摄影照片，生成高精度三维点云，得到建筑物的高精度DSM数据；
S14、对完整的带有地理坐标系的影像中的地面点进行筛选，得到建筑物的高精度DEM数据。
3.根据权利要求1所述的建筑物洪灾易损性评价方法，其特征在于，所述步骤S2包括以下分步骤：
S21、采用Mask R-CNN获取遥感影像的特征金字塔，并将特征金字塔输入到RPN网络中，从不同分辨率的特征图上切取感兴趣区域k：
其中s表示用于预训练的图片的大小，k0表示面积为s×s的感兴趣区域所在层级，w和h表示特征图的宽和高，表示取整运算；
S22、根据感兴趣区域k，分别采用全连接网络和卷积网络进行边界框的识别分类及Mask预测，得到建筑物初始轮廓；
S23、采用准确率ACC和查准率P评价建筑物初始轮廓的提取精度：
其中TP表示预测为正，实际为正的数目，TN表示预测为负，实际为负的数目，FP表示预测为正，实际为负的数目，fN表示预测为负，实际为正的数目；
S24、根据建筑物初始轮廓的提取精度对Mask R-CNN模型进行不断迭代与参数微调，直到提取精度达到最优，得到Mask R-CNN提取的建筑物轮廓；
S25、将Mask R-CNN提取的建筑物轮廓进行二值化处理，并将二值化处理后的像素点乘以sobel算子以得到该像素点的灰度矢量值：
其中Gx和Gy分别表示横向和纵向边缘检测的灰度值，Gxy表示像素点最终的灰度矢量值，A表示像素点的原始灰度值；
S26、将灰度矢量值Gxy与预设阈值进行比较，若Gxy大于预设阈值，则判定该像素点为二值边缘图像的边界点；
S27、采用标准霍夫变换从二值边缘图像中提取规则的建筑物轮廓数据，并将其作为建筑物的轮廓信息。
4.根据权利要求1所述的建筑物洪灾易损性评价方法，其特征在于，所述步骤S3包括以下分步骤：
S31、采用三波段灰度图像对遥感影像中建筑物的屋脊线、屋檐线及腰线进行编码表示，其中屋脊线表示为[1,0,0]，屋檐线表示为[0,1,0]，腰线表示为[0,0,1]；
S32、根据编码结果，采用卷积神经网络从建筑物正射影像上对建筑物屋顶进行分类；
S33、将建筑物屋顶的分类结果与屋顶类型库中的建筑物屋顶进行匹配，得到建筑物的屋顶三维模型。
5.根据权利要求1所述的建筑物洪灾易损性评价方法，其特征在于，所述步骤S4包括以下分步骤：
S41、根据建筑物的高精度DSM数据和高精度DEM数据计算得到归一化的数字地表模型数据nDSM：
nDSM＝DSM-DEM
其中DSM表示高精度DSM数据，DEM表示高精度DEM数据；
S42、根据建筑物的轮廓信息获取建筑物的LoD 1模型；
S43、将建筑物的LoD 1模型和屋顶三维模型合并，得到建筑物的LoD 2三维模型；
S44、根据建筑物的LoD 2三维模型计算建筑物高度H：
H＝h1+h2
其中h1表示建筑物轮廓顶点位置对应的nDSM值，h2表示建筑物轮廓覆盖区域内的最大nDSM值与最小nDSM值之间的差值。
6.根据权利要求1所述的建筑物洪灾易损性评价方法，其特征在于，所述步骤S5中建筑物洪灾易损性I的计算公式为：
I＝αH+βC+εR
其中H表示建筑物高度，C表示建筑物结构，R表示建筑物洪水风险等级，α、β和ε分别表示建筑物高度、结构及洪水风险等级对建筑物易损性的贡献度，其计算公式为：
其中y(h)表示不同高度的建筑物平均损毁率，y(c)表示不同建筑结构的建筑物平均损毁率，y(r)表示不同洪水风险等级下的建筑物平均损毁率。
CN202311157133.5A 2023-09-08 2023-09-08 一种基于遥感的建筑物洪灾易损性评价方法 Active CN117036959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311157133.5A CN117036959B (zh) 2023-09-08 2023-09-08 一种基于遥感的建筑物洪灾易损性评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311157133.5A CN117036959B (zh) 2023-09-08 2023-09-08 一种基于遥感的建筑物洪灾易损性评价方法

Publications (2)

Publication Number Publication Date
CN117036959A true CN117036959A (zh) 2023-11-10
CN117036959B CN117036959B (zh) 2024-02-09

Family

ID=88639282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311157133.5A Active CN117036959B (zh) 2023-09-08 2023-09-08 一种基于遥感的建筑物洪灾易损性评价方法

Country Status (1)

Country Link
CN (1) CN117036959B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110033110A1 (en) * 2008-04-23 2011-02-10 Pasco Corporation Building roof outline recognizing device, building roof outline recognizing method, and building roof outline recognizing program
CN111508015A (zh) * 2020-03-03 2020-08-07 宝略科技(浙江)有限公司 一种基于三维实景数据的建筑物高度提取方法及其装置
CN115512247A (zh) * 2022-09-27 2022-12-23 同济大学 基于图像多参数提取的区域建筑损伤等级评定方法
CN115619688A (zh) * 2022-08-31 2023-01-17 中国四维测绘技术有限公司 一种遥感影像建筑物提取图斑的自动化顶底偏移矫正方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110033110A1 (en) * 2008-04-23 2011-02-10 Pasco Corporation Building roof outline recognizing device, building roof outline recognizing method, and building roof outline recognizing program
CN111508015A (zh) * 2020-03-03 2020-08-07 宝略科技(浙江)有限公司 一种基于三维实景数据的建筑物高度提取方法及其装置
CN115619688A (zh) * 2022-08-31 2023-01-17 中国四维测绘技术有限公司 一种遥感影像建筑物提取图斑的自动化顶底偏移矫正方法
CN115512247A (zh) * 2022-09-27 2022-12-23 同济大学 基于图像多参数提取的区域建筑损伤等级评定方法

Also Published As

Publication number Publication date
CN117036959B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN109029381B (zh) 一种隧道裂缝的检测方法、系统及终端设备
CN113516135B (zh) 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法
US9767371B2 (en) Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same
CN110599537A (zh) 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统
CN103729853B (zh) 三维gis辅助下的高分遥感影像建筑物倒损检测方法
CN110473221B (zh) 一种目标物体自动扫描系统及方法
Mousa et al. Building detection and regularisation using DSM and imagery information
Nex et al. Automatic roof outlines reconstruction from photogrammetric DSM
AU2020103470A4 (en) Shadow Detection for High-resolution Orthorectificed Imagery through Multi-level Integral Relaxation Matching Driven by Artificial Shadows
Liang et al. An extraction and classification algorithm for concrete cracks based on machine vision
Ghanta et al. Automatic road surface defect detection from grayscale images
Dong et al. Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
Li et al. A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces
Wang Automatic extraction of building outline from high resolution aerial imagery
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN117036959B (zh) 一种基于遥感的建筑物洪灾易损性评价方法
Omidalizarandi et al. Segmentation and classification of point clouds from dense aerial image matching
CN115457044B (zh) 基于类激活映射的路面裂缝分割方法
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN115731390A (zh) 一种灰岩隧道岩体结构面识别方法及设备
CN114677428A (zh) 基于无人机图像处理的输电线覆冰厚度检测方法
Cal High-resolution object-based building extraction using PCA of LiDAR nDSM and aerial photos
CN114120140A (zh) 基于卫星影像自动提取建筑物高度的方法

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
GR01 Patent grant
GR01 Patent grant