CN117523403A - 一种宅基地图斑变化检测方法、系统、设备及介质 - Google Patents
一种宅基地图斑变化检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117523403A CN117523403A CN202311611903.9A CN202311611903A CN117523403A CN 117523403 A CN117523403 A CN 117523403A CN 202311611903 A CN202311611903 A CN 202311611903A CN 117523403 A CN117523403 A CN 117523403A
- Authority
- CN
- China
- Prior art keywords
- vector
- map
- spot
- image
- detection
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000008859 change Effects 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 8
- 230000003247 decreasing effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000011835 investigation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/435—Computation of moments
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开一种宅基地图斑变化检测方法、系统、设备及介质，涉及建筑物识别以及面状矢量图形的变化检测领域；该方法包括：获取目标宅基地的检测数据；基于实例分割网络模型对检测数据进行宅基地图斑提取和矢量转换，得到矢量图集；实例分割网络模型包括相互连接的编码器、像素解码器和Transformer解码器；采用计算机图形学原理对矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果；本发明能够快速准确地实现宅基地图斑的变化检测。
Description
技术领域
本发明涉及建筑物识别以及面状矢量图形的变化检测领域，特别是涉及一种宅基地图斑变化检测方法、系统、设备及介质。
背景技术
中国农村宅基地范围广，总量大。全面了解宅基地的规模、布局等基本情况是开展农村宅基地制度改革的数据基础。目前，农村宅基地相关信息的统计主要采用实地调查、测绘等传统方法。这些方法工作量大、周期长、效率低，难以满足国家对宅基地统计和管理的需要。近年来，高分辨率遥感影像技术的发展为获取宅基地信息提供了新的手段。低空无人机图像作为一种遥感图像，具有比卫星图像更高的分辨率。这有助于快速获得农村地区的宅基地分布信息。
目前，基于高分辨率遥感影像的宅基地图版提取方法已经能够对地上建筑物的轮廓进行精细提取，能够代替目视判读的方式实现宅基地图斑的勾绘。但是农村宅基地是动态变化的，会因为退出、复垦、倒塌等产生变化，不同地区的变化量也有不同。统计出每年变化的宅基地以及面积，对于村庄规划等具有重要作用。目前主要统计的方法以人为上报为准，存在信息掌握不及时、加重基层负担等问题。因此，需要一种快速准确的自动化技术来获取宅基地的变化情况。
发明内容
本发明的目的是提供一种宅基地图斑变化检测方法、系统、设备及介质，能够快速准确地实现宅基地图斑的变化检测。
为实现上述目的，本发明提供了如下方案：
一种宅基地图斑变化检测方法，所述方法包括：
获取目标宅基地的检测数据；所述检测数据包括：当前时刻的遥感影像和历史时刻的图像数据；所述图像数据为遥感影像或者矢量图；
基于实例分割网络模型对所述检测数据进行宅基地图斑提取和矢量转换，得到矢量图集；所述矢量图集包括：当前时刻的遥感影像对应的矢量图和历史时刻的图像数据对应的矢量图的集合；所述实例分割网络模型包括相互连接的编码器、像素解码器和Transformer解码器；
采用计算机图形学原理对所述矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果；所述检测结果为增加矢量图或者减少矢量图。
可选地，基于实例分割网络模型对所述检测数据进行宅基地图斑提取和矢量转换，得到矢量图集，具体包括：
采用所述编码器按照设定分辨率对所述检测数据进行抽取采样，得到多尺度图像特征数据；
采用所述像素解码器基于可形变自注意力机制，对所述多尺度图像特征数据进行重采样处理，得到处理数据；
采用Transformer解码器对所述处理数据，基于交叉注意力机制进行特征查询，以及自注意力机制的目标分配处理，得到二值化结果；所述二值化结果为所述宅基地提取出的图斑；
采用深度学习的方法，对所述二值化结果进行仿射变换和投影处理，得到矢量图集。
可选地，所述设定分辨率包括：1/4倍分辨率、1/8倍分辨率、1/16倍分辨率和1/32倍分辨率。
可选地，采用计算机图形学原理对所述矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果，具体包括：
存储历史时刻的图像数据对应的矢量图至宅基地图斑矢量文件HS0，以及存储当前时刻的遥感影像对应的矢量图至宅基地图斑矢量文件HS1；
分别提取HS0和HS1中的折点在地理坐标系上对应的折点坐标；
以所述折点坐标为基准，分别将HS0和HS1中的矢量图对应的多面拆分为单面，得到单面图形集；所述单面图形集包括：HS0中m个面图形和HS1中n个面图形；
根据所述折点坐标，计算所述单面图形集中每个面图形的最小外接矩形；所述最小外接矩形为由所述面图形的轮廓坐标点集构成的面积最小时，对应的矩形；
基于所述最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较，计算交并比值；
将所有的所述交并比值与设定阈值进行比较，得到所述检测结果。
可选地，根据所述折点坐标，计算所述单面图形集中每个面图形的最小外接矩形，具体包括：
根据所述折点坐标确定所述面图形的轮廓对应的凸包；
采用旋转卡尺算法计算所述凸包的最小外接矩形。
可选地，基于所述最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较，计算交并比值，具体包括：
根据所述最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较确定交集坐标；
根据交集坐标，确定交并比值。
一种宅基地图斑变化检测系统，所述系统包括：
获取模块，用于获取目标宅基地的检测数据；所述检测数据包括：当前时刻的遥感影像和历史时刻的图像数据；所述图像数据为遥感影像或者矢量图；
转换模块，用于基于实例分割网络模型对所述检测数据进行宅基地图斑提取和矢量转换，得到矢量图集；所述矢量图集包括：当前时刻的遥感影像对应的矢量图和历史时刻的图像数据对应的矢量图的集合；所述实例分割网络模型包括相互连接的编码器、像素解码器和Transformer解码器；
检测模块，用于采用计算机图形学原理对所述矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果；所述检测结果为增加矢量图或者减少矢量图。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的宅基地图斑变化检测方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的宅基地图斑变化检测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种宅基地图斑变化检测方法、系统、设备及介质，获取目标宅基地的检测数据；基于实例分割网络模型对检测数据进行宅基地图斑提取和矢量转换，得到矢量图集；实例分割网络模型包括相互连接的编码器、像素解码器和Transformer解码器；采用计算机图形学原理对矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果；由此，能够快速准确地实现宅基地图斑的变化检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的宅基地图斑变化检测方法的流程图；
图2为本发明实施例提供的自动检测框架示意图；
图3为本发明实施例提供的Jarvis算法示意图；
图4为本发明实施例提供的旋转卡尺算法示意图；
图5为本发明实施例提供的重叠部分计算示意图；
图6为本发明实施例提供的宅基地图斑变化检测系统框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明的目的是提供一种宅基地图斑变化检测方法、系统、设备及介质，能够快速准确地实现宅基地图斑的变化检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明基于历年高分辨率遥感影像，采用深度学习相关技术理论和算法等对宅基地进行单宗识别并提取为历年的宅基地矢量图斑后，利用计算机图形学对历年宅基地矢量图斑进行拓扑分析和比对，判断并提取出减少、新增的宅基地图斑，对变化宗地的数量及面积进行计算。该方法集成到宅基地管理信息系统的数据更新模块后，能随时了解宅基地图斑是否有变化，变化的数量以及位置等信息，为宅基地数据更新、宅基地数据精确管理等提供了技术基础。
实施例1
如图1所示，本发明实施例提供了一种宅基地图斑变化检测方法，该方法包括：
步骤100：获取目标宅基地的检测数据。检测数据包括：当前时刻的遥感影像和历史时刻的图像数据；图像数据为遥感影像或者矢量图。
步骤200：基于实例分割网络模型对检测数据进行宅基地图斑提取和矢量转换，得到矢量图集。矢量图集包括：当前时刻的遥感影像对应的矢量图和历史时刻的图像数据对应的矢量图的集合；实例分割网络模型包括相互连接的编码器、像素解码器和Transformer解码器。
其中，基于实例分割网络模型对检测数据进行宅基地图斑提取和矢量转换，得到矢量图集，具体包括：
采用编码器按照设定分辨率对检测数据进行抽取采样，得到多尺度图像特征数据；采用像素解码器基于可形变自注意力机制，对多尺度图像特征数据进行重采样处理，得到处理数据；采用Transformer解码器对处理数据，基于交叉注意力机制进行特征查询，以及自注意力机制的目标分配处理，得到二值化结果；二值化结果为所述宅基地提取出的图斑；采用深度学习的方法，对二值化结果进行仿射变换和投影处理，得到矢量图集。
设定分辨率包括：1/4倍分辨率、1/8倍分辨率、1/16倍分辨率和1/32倍分辨率。
步骤300：采用计算机图形学原理对矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果。检测结果为增加矢量图或者减少矢量图。
其中，采用计算机图形学原理对矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果，具体包括：
存储历史时刻的图像数据对应的矢量图至宅基地图斑矢量文件HS0，以及存储当前时刻的遥感影像对应的矢量图至宅基地图斑矢量文件HS1。
分别提取HS0和HS1中的折点在地理坐标系上对应的折点坐标。
以折点坐标为基准，分别将HS0和HS1中的矢量图对应的多面拆分为单面，得到单面图形集；单面图形集包括：HS0中m个面图形和HS1中n个面图形。
根据折点坐标，计算单面图形集中每个面图形的最小外接矩形；最小外接矩形为由面图形的轮廓坐标点集构成的面积最小时，对应的矩形。
基于最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较，计算交并比值。
将所有的交并比值与设定阈值进行比较，得到检测结果。
此外，根据折点坐标，计算单面图形集中每个面图形的最小外接矩形，具体包括：
根据折点坐标确定面图形的轮廓对应的凸包；采用旋转卡尺算法计算凸包的最小外接矩形。
基于最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较，计算交并比值，具体包括：
根据最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较确定交集坐标；根据交集坐标，确定交并比值。
如图2所示，在实际应用中，基于深度学习的宅基地智能识别算法，对高精度遥感影像进行宅基地图斑提取。宅基地智能识别算法可以采用多种实现方法，本发明提供了一种通用型高精度实例分割网络模型Mask2Former，用来解决遥感图像中局部密集分布的农村宅基地提取精度不高、鲁棒性差、实例个体区分困难等问题。网络模型整体分为三个部分，分别为编码器部分，像素解码器部分和Transformer解码器部分。网络编码器部分采用swin-transformer作为骨干网络，将原始图像分别下采样到1/4倍分辨率、1/8倍分辨率、1/16倍分辨率和1/32倍分辨率，抽取多尺度的图像特征。其中，高分辨率特征图较好地保留了原始图像的边缘、纹理等细节信息，低分辨率特征图提取了图像的高级抽象信息。像素解码器部分采用可形变的自注意力机制模块，根据可学习的采样位置对前景信息进行重采样，使得注意力更快更准地关注到前景目标，加快了收敛速度。Transformer解码器部分，初始化设定100个可学习的Objectqueries，用来查询像素解码器后的特征图，100个queries先通过带有掩码的交叉注意力机制查询特征图上的目标，再通过自注意力机制进行目标分配，明确每个query所对应的目标。后通过前馈处理、归一化等得出预测结果。训练时使用二分图匹配的方法为每个query分配目标，实现了端到端的训练和预测。
将深度学习获取的二值化结果进行处理，根据地理位置等设定投影参数，对二值化结果进行仿射变换、投影等，使其成为具有投影坐标的宅基地图斑矢量文件(shapefile格式)。
输入端有两种情况。第一种情况，输入的是往年的宅基地矢量文件HS0和当前的遥感影像图像，针对这种情况，则只需要对当前的遥感影像图像进行宅基地智能识别处理，获得当前时刻的宅基地图斑文件HS1，并保持HS0和HS1的投影参数一致。第二种情况，输入的是往年的遥感影像图像和当前的遥感影像图像，针对这种情况，则需要对两个图像分别进行宅基地智能识别处理，并设定统一的投影参数，分别获获得往年时刻的宅基地图斑矢量文件HS0和当前时刻的宅基地图斑矢量文件HS1。
基于计算机图形学原理比较往年某时刻的宅基地图斑文件HS0和当前某时刻的宅基地图斑文件HS1的异同，从而判断出两个文件中代表宅基地的面状图形的变化，并将增加和减少的图斑分别提取出，存入减少的宅基地矢量图HSJ(包括历史减少的宅基地矢量图HSJT)和增加的宅基地矢量图HSZ。具体流程为：
(1)将HS0和HS1的属性“图斑变化状态”均设置为初始值“null”。从HS0和HS1中提取折点坐标，对于存在多面的情况，则将多面拆分为若干个单面坐标。由于地理坐标系数值过大，不便于32位浮点数的计算，故将两个矢量图文件的投影坐标转化为图上坐标，并使用列表存储。
(2)设HS1中所有面图形数量为n个，记为P1,...,Pi,...,Pn，其中i表示第i个面图形。设HS0中所有面图形数量为m个，记为S1,...,Sj,...,Sn，其中j表示第j个面图形。根据折点坐标求得每个面的最小外接矩形，两两比较两个面，计算带有旋转角度的交并比值(Rotate-IoU)。设置阈值(本发明中设置为0.4)，当Rotate-IoU大于等于较大的阈值时，则判定两个图形无变化，当Rotate-IoU小于较小的阈值时，则判定某一个图形缺少。
(3)遍历HS1中的所有面图形，对每个面图形与HS0中的所有面图形进行两两比较。当遍历到HS1的图形Pi时，Pi与HS0中的所有图形进行两两比较，求取Rotate-IoU，获得m个Rotate-IoU值，设为RIi[m]。对RIi进行阈值比较，RIij大于等于阈值时，则判定Pi(HS1中的面图形)和Sj(HS0中的面图形)一致，将Pi和Sj对应的属性字段“图斑变化状态”设置为“无变化”，同时完成该次遍历；当RIi[m]全都小于阈值时，表明Pi与原图斑都不一致，则判定Pi为新增图斑，此时将Pi属性“图斑变化状态”设置为“新增”，并将“图斑创建时间”记录为当前时间****年**月**日。Pi判断之后，继续处理HS1中的其他图斑，直到HS1中所有n个图斑都完成比较，此时HS1的“图斑变化状态”属性都设置为“无变化”或“新增”，而且HS0的“图斑变化状态”属性则设置为“无变化”和“null”。
(4)将HS1中“图斑变化状态”属性为“新增”的图斑保存到新增的宅基地图斑文件HSZ中，并计算HSZ中图斑的面积和数量，利用图表进行展示；将HS0中“图斑变化状态”属性为“null”的图斑保存到减少的宅基地图斑文件HSJ和历史减少的宅基地图斑文件HSJT中，并将“图斑减少的时间”属性设置为当前时间，当前减少的图斑总数量和总面积，通过图表进行展示。
具体地，求取最小外接矩形包括两个步骤，第一步求取图斑轮廓坐标点集的凸包，第二步使用旋转卡尺算法求取凸包的最小外接矩形，即为该图斑的最小外接矩形。具体如下：
(1)Jarvis算法求取凸包。如图3所示，坐标点集中P0点为纵坐标最小的点，也一定为凸包上的点。
i.从P0点开始，过P0作一条水平线，连接P0点和其他任一坐标点，当P0点与某一坐标点的连线与水平线夹角最小时，该点即为凸包上的一个点，图中为P1点。
ii.寻找第三个点，重复此过程，找到点P2。
iii.再往后寻找下一个点时，连接P1点和P2点，并延长，遍历P2点和其他点的连线，该连线与P1和P2的连线的夹角为β，当β最小时，该点在凸包上，图中为P3点。
iv.寻找后面凸包上的点将重复上述步骤iii，直至按逆时针方向寻找到凸包上的所有点。
(2)旋转卡尺算法求取最小外接矩形。如图4所示，对于多边形来说的一个外接矩形存在一条边与原多边形的边共线。根据此理论，设计如下算法步骤：
i.计算多边形四个最靠外的端点，称之为xminP，xmaxP，yminP，ymaxP。
ii.通过四个点构造P的四条切线。确定了两个“卡壳”集合。
iii.如果一条(或两条)线与一条边重合，那么计算由四条线决定的矩形的面积，并且保存为当前最小值。否则将当前最小值定义为无穷大。
iv.顺时针旋转线直到其中一条和多边形的一条边重合。
v.计算新矩形的面积，并且和当前最小值比较。如果小于当前最小值则更新，并保存确定最小值的矩形信息。
vi.重复步骤iv和步骤v，直到线旋转过的角度大于90度。
vii.输出外接矩形的最小面积。
计算预测图斑与调查图斑的Rotate-IoU包括两个步骤，第一步计算两个图斑的重叠部分坐标，若不重叠，则，第二步计算重叠部分的面积和两个图斑并集的面积，计算Rotate-IoU数值。
(1)方程法求解重叠部分交点。如图5所示，通过外接矩形已知的坐标点构造方程，求解交集坐标。具体步骤如下：
i.根据上述步骤获得外接矩形的四个顶点坐标，分别构建直线方程。
ii.根据外接矩形顶点坐标判断两外接矩形是否存在交集，若不存在交集，则Rotate-IoU为0，无需进行第iii步，若存在交集，则进入第iii步计算交点。
iii.判断两两直线间是否存在交点，若存在交点则利用方程计算并保存，记为重叠部分交点，图5中存在4个交点，分别为P0、P1、P2、P3。
(2)面积法计算Rotate-IoU。如图5所示，阴影部分为外接矩形A和外接矩形B的交集部分，通过计算此交集面积和并集面积得到Rotate-IoU，具体步骤如下：
i.以重叠部分交点为顶点构造多边形，使用微积分的方法计算该多边形的面积。
ii.分别计算外接矩形A和外接矩形B的面积，令它们相加并减去步骤i计算的重叠多边形面积，得到外接矩形A和B的并集面积。
iii.将步骤i得到的重叠多边形面积除以步骤ii得到的并集面积，得到Rotated-IoU值。
此外，本方法还包括：根据检测结果进行矢量图更新。
经过实地核验增加和减少的宗地矢量图，并提供实地拍摄照片和调查录入等操作，核实检测结果并采集变更数据。
实施例2
本发明实施例提供了一种宅基地图斑变化检测系统，该系统包括：
获取模块，用于获取目标宅基地的检测数据；检测数据包括：当前时刻的遥感影像和历史时刻的图像数据；图像数据为遥感影像或者矢量图。
转换模块，用于基于实例分割网络模型对检测数据进行宅基地图斑提取和矢量转换，得到矢量图集；矢量图集包括：当前时刻的遥感影像对应的矢量图和历史时刻的图像数据对应的矢量图的集合；实例分割网络模型包括相互连接的编码器、像素解码器和Transformer解码器。
检测模块，用于采用计算机图形学原理对矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果；检测结果为增加矢量图或者减少矢量图。
在一种实施例中，该系统还可以包括：变化核实及数据更新模块。变化核实及数据更新模块用于实地核验增加和减少的宗地矢量图，并提供实地拍摄照片和调查录入等操作，核实检测结果并采集变更数据。对于核验结果确定为增加的宗地，通过智能终端采集宗地属性、权利人属性等信息并上传到系统，通过审核后存入宅基地数据库相应表格中；对于核验结果确定为减少的宗地，通过智能终端发起变更申请，通过审核后对数据库表中该宗地及对应的数据表记录进行删除，并备份到历史数据表中。
在一种实施例中，采用摄像头用于对变化核实及数据更新模块的图像数据进行拍摄调查取证。
在实际应用中，该系统的技术框架，如图6所示。其包括1个输入端、两个处理模块，两个输出端。输入端用于读取往年宅基地矢量图或原始的遥感影像图，以及当前某时刻的遥感影像图；处理模块一是基于深度学习的宅基地智能识别模块，用于提取输入端的遥感影像图上的宅基地图斑并转换为矢量图形；输出端一为处理模块一的输出结果，包括两个内容，分别是往年宅基地矢量图HS0，当前某时刻的宅基地矢量图HS1；输出端一的数据作为处理模块二的输入端；处理模块二是宅基地图斑变化检测模块，采用拓扑关系对比等，对往年和当前时刻的两个宅基地矢量图进行逐个斑块对比，检测出减少和增加的图斑；输出端二是处理模块二的输出结果，HS1中比HS0减少的矢量图汇总成减少的宅基地矢量图HSJ，HS1中比HS0多的矢量图汇总成增加的宅基地矢量图HSZ。一个宅基地矢量数据更新系统将采用图形化界面和编程语言将输入端、处理模块和输出端进行实现和展示，并采用临时文件和系统文件两类对其中涉及到的矢量和栅格文件和数据库文件等进行管理，其中临时文件表示该类型文件只存在某一段时间后删除，系统文件表示该类型文件在系统运行期间一直保存
采用shapefile格式存储宅基地图斑矢量和属性信息。该方法中，设置了往年宅基地图斑矢量文件、当前宅基地图斑矢量文件、当前减少的宅基地图斑文件、当前增加的宅基地图斑文件、历史减少的宅基地图斑文件。其中宅基地图图斑以面状图形存在于文件中，并通过属性表记录图斑的编号等信息。往年和当前的宅基地图斑矢量图的属性表字段设置一样，均包括要素编号、图斑类型、宗地编号、图斑创建时间、图斑面积、图斑变化状态等信息。当前减少的宅基地图斑文件和历史减少的宅基地图斑文件属性表字段设置一样，均包括要素编号、图斑类型、宗地编号、图斑创建时间、图斑减少时间、图斑面积等信息。当前增加的宅基地图斑文件属性表字段包括要素编号、图斑类型、宗地编号、图斑创建时间、图斑面积等信息。为了减少数据冗余量，其中当前减少的宅基地图斑文件、当前增加的宅基地图斑文件、往年宅基地图斑文件均作为系统临时文件，当完成某一时刻的宅基地变化检测并获得展示图及统计图后，即可删除。
系统只保留当前时刻的宅基地图斑文件、历史减少的宅基地图斑文件。当要查询历史某一时刻的宅基地图斑时，利用这两个文件，通过设置查询条件和图斑合并处理，即可获得某一时刻的宅基地图斑。查询方法：设查询时间T0(****年**月**日)，查询出当前时刻的宅基地图斑文件中图斑创建时间小于等于T0的所有图斑，设为S[1,k]；查询出历史减少的宅基地图斑文件中图版减少时间为T0的所有图斑SD[1,k1]；将S[1,k]和SD[1,k1]两个图斑集合进行合并，即为T0时刻的宅基地图斑。
此外，本发明还提供了农村宅基地矢量数据更新系统。系统采用图形化界面进行数据输入和结果展示。主要步骤包括：
(1)输入历史和当前时刻的图像中有不是宅基地矢量图，而是遥感影像图的时候，转入步骤(2)；输入历史和当前时刻的初始数据都是宅基地矢量图，转入步骤(3)。
(2)调用处理模块一宅基地智能识别模块，对遥感影像进行识别，提取出宅基地图斑，并转化为矢量图保存。
(3)对当前时刻宅基地矢量图和历史时刻宅基地矢量图的属性进行检查，如果不符合“宅基地数据存储结构”中的属性字段需求，则进行添加，并对“图斑变化状态”进行初始化。
(4)调用处理模块二，对当前和历史时刻的宅基地矢量图进行对比检查，获得当前减少宅基地矢量图和当前增加宅基地矢量图，对结果进行统计和展示。
(5)将当前减少宅基地矢量图并入历史减少宅基地矢量图，删除历史时刻宅基地矢量图、当前减少宅基地矢量图和当前增加宅基地矢量图等临时文件。
保存过程日志，完成比较检查，将当年减少和增加的宅基地的属性数据和位置信息一起导出，以便于进行抽样核实。
实施例3
本发明实施例提供了一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1中的宅基地图斑变化检测方法。
在一种实施例中，本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现实施例1中的宅基地图斑变化检测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种宅基地图斑变化检测方法，其特征在于，所述方法包括：
获取目标宅基地的检测数据；所述检测数据包括：当前时刻的遥感影像和历史时刻的图像数据；所述图像数据为遥感影像或者矢量图；
基于实例分割网络模型对所述检测数据进行宅基地图斑提取和矢量转换，得到矢量图集；所述矢量图集包括：当前时刻的遥感影像对应的矢量图和历史时刻的图像数据对应的矢量图的集合；所述实例分割网络模型包括相互连接的编码器、像素解码器和Transformer解码器；
采用计算机图形学原理对所述矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果；所述检测结果为增加矢量图或者减少矢量图。
2.根据权利要求1所述的宅基地图斑变化检测方法，其特征在于，基于实例分割网络模型对所述检测数据进行宅基地图斑提取和矢量转换，得到矢量图集，具体包括：
采用所述编码器按照设定分辨率对所述检测数据进行抽取采样，得到多尺度图像特征数据；
采用所述像素解码器基于可形变自注意力机制，对所述多尺度图像特征数据进行重采样处理，得到处理数据；
采用Transformer解码器对所述处理数据，基于交叉注意力机制进行特征查询，以及自注意力机制的目标分配处理，得到二值化结果；所述二值化结果为所述宅基地提取出的图斑；
采用深度学习的方法，对所述二值化结果进行仿射变换和投影处理，得到矢量图集。
3.根据权利要求2所述的宅基地图斑变化检测方法，其特征在于，所述设定分辨率包括：1/4倍分辨率、1/8倍分辨率、1/16倍分辨率和1/32倍分辨率。
4.根据权利要求1所述的宅基地图斑变化检测方法，其特征在于，采用计算机图形学原理对所述矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果，具体包括：
存储历史时刻的图像数据对应的矢量图至宅基地图斑矢量文件HS0，以及存储当前时刻的遥感影像对应的矢量图至宅基地图斑矢量文件HS1；
分别提取HS0和HS1中的折点在地理坐标系上对应的折点坐标；
以所述折点坐标为基准，分别将HS0和HS1中的矢量图对应的多面拆分为单面，得到单面图形集；所述单面图形集包括：HS0中m个面图形和HS1中n个面图形；
根据所述折点坐标，计算所述单面图形集中每个面图形的最小外接矩形；所述最小外接矩形为由所述面图形的轮廓坐标点集构成的面积最小时，对应的矩形；
基于所述最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较，计算交并比值；
将所有的所述交并比值与设定阈值进行比较，得到所述检测结果。
5.根据权利要求4所述的宅基地图斑变化检测方法，其特征在于，根据所述折点坐标，计算所述单面图形集中每个面图形的最小外接矩形，具体包括：
根据所述折点坐标确定所述面图形的轮廓对应的凸包；
采用旋转卡尺算法计算所述凸包的最小外接矩形。
6.根据权利要求4所述的宅基地图斑变化检测方法，其特征在于，基于所述最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较，计算交并比值，具体包括：
根据所述最小外接矩形，遍历HS1中的n个面图形，分别与HS0中m个面图形进行两者比较确定交集坐标；
根据交集坐标，确定交并比值。
7.一种宅基地图斑变化检测系统，其特征在于，所述系统包括：
获取模块，用于获取目标宅基地的检测数据；所述检测数据包括：当前时刻的遥感影像和历史时刻的图像数据；所述图像数据为遥感影像或者矢量图；
转换模块，用于基于实例分割网络模型对所述检测数据进行宅基地图斑提取和矢量转换，得到矢量图集；所述矢量图集包括：当前时刻的遥感影像对应的矢量图和历史时刻的图像数据对应的矢量图的集合；所述实例分割网络模型包括相互连接的编码器、像素解码器和Transformer解码器；
检测模块，用于采用计算机图形学原理对所述矢量图集进行拓扑关系比对检测，得到宅基地图斑的检测结果；所述检测结果为增加矢量图或者减少矢量图。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至6中任意一项所述的宅基地图斑变化检测方法。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的宅基地图斑变化检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311611903.9A CN117523403A (zh) | 2023-11-29 | 2023-11-29 | 一种宅基地图斑变化检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311611903.9A CN117523403A (zh) | 2023-11-29 | 2023-11-29 | 一种宅基地图斑变化检测方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117523403A true CN117523403A (zh) | 2024-02-06 |
Family
ID=89760688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311611903.9A Pending CN117523403A (zh) | 2023-11-29 | 2023-11-29 | 一种宅基地图斑变化检测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117523403A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765482A (zh) * | 2024-02-22 | 2024-03-26 | 交通运输部天津水运工程科学研究所 | 基于深度学习的海岸带垃圾富集区的垃圾识别方法及系统 |
-
2023
- 2023-11-29 CN CN202311611903.9A patent/CN117523403A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765482A (zh) * | 2024-02-22 | 2024-03-26 | 交通运输部天津水运工程科学研究所 | 基于深度学习的海岸带垃圾富集区的垃圾识别方法及系统 |
| CN117765482B (zh) * | 2024-02-22 | 2024-05-14 | 交通运输部天津水运工程科学研究所 | 基于深度学习的海岸带垃圾富集区的垃圾识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jung et al. | Automated 3D wireframe modeling of indoor structures from point clouds using constrained least-squares adjustment for as-built BIM | |
| Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
| Golparvar-Fard et al. | D4AR–a 4-dimensional augmented reality model for automating construction progress monitoring data collection, processing and communication | |
| WO2021179593A1 (zh) | 基于深度学习的管道三维重建方法、系统、介质及设备 | |
| Tang et al. | Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques | |
| Previtali et al. | A flexible methodology for outdoor/indoor building reconstruction from occluded point clouds | |
| Sohn et al. | An implicit regularization for 3D building rooftop modeling using airborne lidar data | |
| Grün | Semi-automated approaches to site recording and modeling | |
| CN117523403A (zh) | 一种宅基地图斑变化检测方法、系统、设备及介质 | |
| CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
| CN116485856B (zh) | 一种基于语义分割的无人机图像地理配准方法及相关设备 | |
| Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
| Franken et al. | Rebuilding the cadastral map of The Netherlands, the artificial intelligence solution | |
| Rau et al. | Automatic roof model reconstruction from ALS data and 2D ground plans based on side projection and the TMR algorithm | |
| CN116721230A (zh) | 一种三维实景模型的构建方法、装置、设备及存储介质 | |
| CN111696156A (zh) | 一种免控制点的遥感影像坐标转换方法 | |
| Pan et al. | Recovering building information model from 2D drawings for mechanical, electrical and plumbing systems of ageing buildings | |
| Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
| CN117058337A (zh) | 点云三维重建自动化生成建筑工程bim模型的方法及装置 | |
| Ruiz-Lendínez et al. | Method for an automatic alignment of imagery and vector data applied to cadastral information in Poland | |
| Park et al. | Hybrid approach using deep learning and graph comparison for building change detection | |
| US20230215165A1 (en) | Method, apparatus, and computer program product for identifying fluid leaks based on aerial imagery | |
| CN111366172B (zh) | 数字高程模型的质量检测方法、装置和存储介质 | |
| Lu et al. | Comparative analysis of technologies and methods for automatic construction of building information models for existing buildings | |
| Lohani et al. | Effect of data density, scan angle, and flying height on the accuracy of building extraction using LiDAR data |
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 |