一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质制造方法及图纸

本发明专利技术涉及遥感卫星影像分析技术领域，公开了一种用于图像对比分析的语义分割模型建模方法、装置、设备及存储介质。所述装置具体包括：设置标签单元、影像切割单元、输入输出对应单元和获得检测模型单元，从而获得自动检测模型。本发明专利技术使用基于像素级别的语义分割模型，实现了深度学习算法与高分辨率卫星图像技术相结合，可实现同一地区跨越长时间的建筑物变化自动检测。

Modeling method for building change detection over time and detection device, method and storage medium

The invention relates to the field of remote sensing satellite image analysis technology, and discloses a semantic segmentation model modeling method, device, equipment and storage medium for image contrast analysis. The device includes: setting label unit, image cutting unit, input and output corresponding unit and acquiring detection model unit to obtain automatic detection model. The present invention uses a semantic segmentation model based on pixel level, realizes the combination of depth learning algorithm and high resolution satellite image technology, and realizes the automatic detection of building changes across a long time in the same area.

【技术实现步骤摘要】
一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质
本专利技术涉及遥感卫星影像分析
，公开了一种基于遥感卫星影像进行分析的跨时间建筑物变化检测建模以及检测的装置、方法及存储介质。
技术介绍
本专利技术对于
技术介绍
的描述属于与本专利技术相关的相关技术，仅仅是用于说明和便于理解本专利技术的
技术实现思路
，不应理解为申请人明确认为或推定申请人认为是本专利技术在首次提出申请的申请日的现有技术。对卫星影像中的地物(道路、建筑物等)进行标注是卫星影像领域的重要课题。在国土监察业务中，很重要的一项工作是监管地上建筑物的建、拆、改、扩。例如，如果地块未经审批而存在建筑物，那么需要实地派人去调查是否出现了非法占地行为。如果地块卖给了开发商但是没有实际建设，那么需要调查是否捂地或者是开发商资金链出现问题。如果居民住房/商业用地异常扩大，那么需要调查是否存在违章建筑，因此国土局公务员每天需要大量巡查工作。传统建筑物检测方法在处理该问题时通常是提取目标的纹理或者形状特征，使用一些典型的算子在卫星影像上进行建筑物的检测并分析变化。随着高分辨率遥感卫星技术逐渐成熟，世界上很多国家都开始逐渐意识到高分卫星在国土监察、减灾防灾、地图绘制等领域内的巨大实用价值。面对大量高质量的遥感卫星影像数据，传统的建筑物检测方法依赖人工提取特征并不能充分挖掘数据之间的关联，以至于检测精度不高。不同地块上的建筑物风格差异可能造成典型特征算子失效，无法找到一种普适的专家规则导致传统机器学习算法在该问题上存在明显的局限性。
技术实现思路
为了解决同一地区跨越长达20年时间尺度的建筑物变化自动检测的技术问题，本专利技术的第一方面，涉及一种用于图像对比分析的语义分割模型建模装置，包括：设置标签单元，从卫星遥感影像中选择同一地区前后时间拍摄的遥感影像组，进行人工识别标注，在对应区域设置标签；影像切割单元，将由设置标签步骤构建起来的人工标注区域影像切割成足够数量的小尺寸图片，构成小尺寸图片数据集，用于语义分割模型的训练；输入输出对应单元，将影像切割步骤得到的小尺寸图片数据集中前后时间的多通道图像堆叠作输入，对应的变化标签作为目标中的真值标签；获得检测模型单元，通过深度学习框架，使用输入输出对应步骤中的小尺寸图片数据集不断优化FCN网络参数直至收敛，从而获得自动检测模型。本申请将深度学习算法与高分辨率卫星图像技术相结合，使用基于像素级别的语义分割模型来实现算法。优选地，所述影像切割单元，使用均匀分布的随机数生成坐标点对，并在人工标注区域影像中进行随机切割。优选地，所述影像切割单元，按照0°，30°，60°，90°等多角度的摆放方式在人工标注区域影像中进行随机切割。优选地，所述的用于图像对比分析的语义分割模型建模装置，还包括：扩增数据集单元，对切割获得的小尺寸图片进一步扩增训练数据集的规模。优选地，所述的用于图像对比分析的语义分割模型建模装置，还包括：影像预处理单元，将欲处理的卫星遥感影像组进行匀色处理。优选地，所述输入输出对应单元，首先将图片进行标准化处理以消除每张输入图片中的色差造成的干扰。本专利技术的第二方面，涉及一种用于图像对比分析的语义分割模型建模方法，所述方法的具体步骤与上述装置的单元功能一一对应。为了对遥感卫星图像进行自动分析，本专利技术的第三方面涉及一种对地物变化进行检测的方法，包括：影像切割步骤，遥感影像中将待检测区域的前后影像分别以小尺寸窗口进行切割；图像堆叠步骤，将影像切割步骤得到的小尺寸图片数据集中前后时间的多通道图像堆叠；将堆叠图像传入上述用于图像的语义分割模型建模方法所建立的模型，检测输出步骤，模型输出相同数量的每一个小尺寸区域的地物变化判断结果；结果拼接步骤，将全部变化检测结果按照对应顺序拼接成完整的大尺寸图片，得到该区域地物变化情况检测结果。本专利技术通过以上方案，可以在空间尺度上实现至少100倍以上的土地监察效率，即只需要人工标注一小片地块供给深度学习算法训练，便可以将算法直接部署到100倍以上的土地区域上完成建筑变化的自动识别，可改进目前国土审查方式，极大提高效率。优选地，所述影像切割步骤中采用冗余切割方式。本专利技术的第四方面涉及一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述任意一种方法的步骤。本专利技术的第五方面涉及一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述任意一种方法的步骤。本专利技术的附加方面和优点将在下面的描述部分中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍：图1为本专利技术实施例一提供的在基于深度学习语义分割模型的跨时间地物变化检测的装置的逻辑框图；图2为本专利技术实施例一中模型输入和输出的图像结构示意图；图3为本专利技术实施例一的在基于深度学习语义分割模型的跨时间地物变化检测的装置的方法示意图；图4为本专利技术实施例二提供的在基于深度学习语义分割模型的跨时间地物变化检测的装置的逻辑框图；图5为本专利技术实施例二提供的在基于深度学习语义分割模型的跨时间地物变化检测的方法示意图；图6为本专利技术实施例三提供的地物变化进行检测的装置的示意图；图7为采用如256×256的蓝色矩形框从原始遥感图像中切割出待识别的小块区域，然后经过网络预测获得大小同样为256×256的识别结果图(冗余切割策略)；图8为本专利技术实施例三提供的地物变化进行检测的方法的示意图；图9a-c，以广东省佛山市的某一局部地区的2015年的遥感影像和2017年的遥感影像为例，示出以本专利技术实施例三提供的地物变化进行检测的方法的步骤效果图；图10示出现有技术FCN原理示意图；图11示出FCN卷积和反卷积上采样的过程；图12举例示出采用FCN全卷积神经网络后，分别采用32倍，16倍和8倍上采样得到的结果的对比图。具体实施方式为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。下述讨论提供了本专利技术的多个实施例。虽然每个实施例代表了专利技术的单一组合，但是本专利技术不同实施例可以替换，或者合并组合，因此本专利技术也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含A、B、C，另一个实施例包含B和D的组合，那么本专利技术也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。卷积神经网络(CNN)自2012年以来，在图像分类和图像检测等方面取得了巨大的成就和广泛的应用。传统的基于CNN的分割方法的做法通常是：为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入用于训练和预测。这些抽象的特征对分类很有帮助，可以很好地判断出一幅图像中包含什么类别的物体。CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域本文档来自技高网...

【技术保护点】
1.一种用于图像对比分析的语义分割模型建模装置，包括：设置标签单元，从卫星遥感影像中选择同一地区前后时间拍摄的遥感影像组，进行人工识别标注，在对应区域设置标签；影像切割单元，将由设置标签步骤构建起来的人工标注区域影像切割成足够数量的小尺寸图片，构成小尺寸图片数据集，用于语义分割模型的训练；输入输出对应单元，将影像切割步骤得到的小尺寸图片数据集中前后时间的多通道图像堆叠作输入，对应的变化标签作为目标中的真值标签；获得检测模型单元，通过深度学习框架，使用输入输出对应步骤中的小尺寸图片数据集不断优化FCN网络参数直至收敛，从而获得自动检测模型。

【技术特征摘要】
1.一种用于图像对比分析的语义分割模型建模装置，包括：设置标签单元，从卫星遥感影像中选择同一地区前后时间拍摄的遥感影像组，进行人工识别标注，在对应区域设置标签；影像切割单元，将由设置标签步骤构建起来的人工标注区域影像切割成足够数量的小尺寸图片，构成小尺寸图片数据集，用于语义分割模型的训练；输入输出对应单元，将影像切割步骤得到的小尺寸图片数据集中前后时间的多通道图像堆叠作输入，对应的变化标签作为目标中的真值标签；获得检测模型单元，通过深度学习框架，使用输入输出对应步骤中的小尺寸图片数据集不断优化FCN网络参数直至收敛，从而获得自动检测模型。2.如权利要求1所述的用于图像对比分析的语义分割模型建模装置，其特征在于：所述影像切割单元，使用均匀分布的随机数生成坐标点对，并在人工标注区域影像中进行随机切割。3.如权利要求2所述的用于图像对比分析的语义分割模型建模装置，其特征在于：所述影像切割单元，按照0°，30°，60°，90°等多角度的摆放方式在人工标注区域影像中进行随机切割。4.如权利要求1所述的用于图像对比分析的语义分割模型建模装置，其特征在于，还包括：扩增数据集单元，对切割获得的小尺寸图片进一步扩增训练数据集的规模。5.如权利要求1所述的用于图像对比分析的语义分割模型建模装置，其特征在于，还包括：影像预处理单元，将欲处理的卫星遥感影像组进行匀色处理。6.如权利要求1所述的用于图像对比分析的语义分割模型建模装置，其特征在于：所述输入输出对应单元，首先将图片进行标准化处理以消除每张输入图片中的色差造成的干扰。7.一种用于图像对比分析的语义分割模型建模方法，包括：设置标签步骤，从卫星遥感影像中选择同一地区前后时间拍摄的遥感影像组，进行人工识别标注，在对应区域设置标签；影像切割步骤，将由设置标签步骤构建起来的人工标注区域影像切割成足够数量的小尺寸图片，构成小尺寸图片数据集，用于语义分割模型的训练；输入输出对应步骤，将影像切割步骤得到的小尺寸图片数据集中前后时间的多通道图像堆叠作输入，对应的变化标签作为目标中的真值标签；获得自动检测模型步骤，通过深度学习框架，使用输入输出对应步骤中的小尺寸图片数据集不断优化FCN网络参数直至收敛，从而获得自动检测模型。8.如权利要求7所述的用于图像对比分析的语义分割模型建模方法，其特征在于：所述影像切割步骤，使用均匀分布的随机数生成坐标点对，并在人工标注区域影像中进行随机切割。9.如权利要求8...

【专利技术属性】
技术研发人员：谢戚鑫，东科，王伊婷，宋宽，史红欣，谭遵泉，张弓，顾竹，
申请(专利权)人：北京佳格天地科技有限公司，
类型：发明
国别省市：北京,11