一种基于深度学习的遥感图像建筑物变化检测方法技术

本发明专利技术公开了一种遥感图像建筑物变化检测方法，包括：(1)对前后时相遥感图像依次进行正射校正、图像配准、图像拉伸以及图像数值归一化预处理；(2)标注经预处理后的前后时相遥感图像中建筑物更新部分，得到变化Label图；(3)叠加前后时相遥感图像，并切割叠加后的遥感图像和变化Label图，得到训练样本；(4)构建和训练建筑物变化检测网络，得到建筑物变化检测模型；(5)将待检测的前后时相遥感图像经预处理、叠加、切割获得待测样本；(6)将待测样本输入至建筑物变化检测模型中，经计算输出检测结果图。该方法能够实现对建筑物变化信息进行精准、快速的提取。

A Building Change Detection Method Based on Deep Learning in Remote Sensing Images

The invention discloses a building change detection method for remote sensing images, which includes: (1) ortho-correction, image registration, image stretching and normalization preprocessing of image values in sequence; (2) labeling the building update parts of pre-processed and post-processed temporal remote sensing images to obtain a change Label map; (3) superimposing temporal remote sensing images before and after superimposition, and cutting and overlapping them. After adding the remote sensing image and the change Label map, training samples are obtained; (4) building change detection network is constructed and trained to get the building change detection model; (5) the pre-processing, superposition and cutting of the time-phase remote sensing images to be detected to obtain the samples; (6) the samples to be tested are input into the building change detection model, and the results are calculated and output. This method can extract the building change information accurately and quickly.

【技术实现步骤摘要】
一种基于深度学习的遥感图像建筑物变化检测方法
本专利技术应用于遥感图像建筑物变化检测领域，具体来说，是利用深度学习技术进行建筑物变化信息提取，从而为国土监测等具体业务提供服务。
技术介绍
随着我国经济的飞速发展，城市化和工业化程度不断提高。建筑物是组成城市的重要元素之一，城市化过程中伴随着大量的建筑物新建、拆除情况，对建筑物更新状况的动态监控对于国土部门开展具体业务具有重要意义。现实当中，还是以人工实地调查等方法为对城区建筑物展开调查和筛选，人工实地调查的方法虽然精度高但是效率相当低下，对于飞速变化的城市而言，该方法实用性不高。当前，拥有宏观性、实时性、高分辨率等优势的卫星遥感技术为建筑物变化检测提供了新的技术手段。高光谱分辨率、高空间分辨率、高时间分辨率和多平台、多传感器、多角度是目前遥感技术的发展趋势。首先，遥感图像的空间分辨率已经有了亚米级的突破，如美国DigitalGlobal公司的QuickBird、GeoEye系列卫星，法国的SPOT-5/6/7系列，影像包含丰富的地物细节特征，可以精细的描述地表目标。其次，对地卫星支持大角度侧摆观测的特性使得对地重访周期缩短至3-5天。此外，我国于2010年启动实施了高分辨率对地观测卫星系统重大专项，高分等一系列的国产卫星的圆满发射全面提升了我国高分辨率数据的自给率，并且有力的保障和满足了地理测绘、海洋和气候气象观测、城市和交通精细化管理等领域的应用需求。数据级别趋于海量的高分辨率遥感影像为各种实际应用提供了丰富多样的数据源，但同时也给诸如建筑物变化检测等实际应用带来了新的挑战。研究表明，遥感图像空间分辨率的提高，并不意味着解译精度的提高。高分辨率遥感影像所含的信息量巨大，但背景信息和噪声干扰严重，空间信息充足但光谱信息又相对不足。对于建筑物变化检测这一课题而言，建筑物的形状、色调、尺寸各异，难以对其进行规范化的描述；其次，在遥感影像中，其他地物往往与建筑物相互混杂，如因被邻近树木遮挡而造成形状缺失、色调改变等。但是，当前深度学习技术发展火热，为遥感研究提供了新的技术手段。深度学习模型在遥感图像识别和检测领域具有天然优势，可以提取复杂特征的同时也可以提升识别的精度。目前，深度学习理论和模型被广泛应用于遥感领域，用来解决使用传统方法很难得到有效提升的课题。综上所述，在城市区域，建筑物作为相当重要的人工地物目标，如何利用深度学习技术对高分辨率遥感影像上的建筑物变化信息进行快速、精准的提取，不管对于实际应用还是对于理论研究都有着相当重要的意义。从理论研究角度来看，有效的建筑物变化信息提取进一步表明了深度学习技术的普适性，也将为其他地物目标信息的提取提供具有普适性的理论和方法；从实际应用角度来看，精准、快速的建筑物变化信息提取可以为地理信息更新、城市规划管理等业务提供便捷的信息支撑。
技术实现思路
针对传统建筑物变化检测方法所存在的不足，以及遥感图像信息量大但是干扰众多的问题，本专利技术提供了一种基于深度学习的遥感图像建筑物变化检测方法，对建筑物变化信息进行精准、快速的提取，从而为地理信息更新、城市规划管理等具体业务提供便捷的信息支撑。本专利技术的技术方案为：一种基于深度学习的遥感图像建筑物变化检测方法，包括以下步骤：(1)对前后时相遥感图像依次进行正射校正、图像配准、图像拉伸以及图像数值归一化预处理，从而得到数据分布较为一致的遥感图像；(2)比对经预处理后的前后时相遥感图像，标注遥感图像中建筑物更新部分，得到对应的变化Label图；(3)叠加预处理后的前后时相遥感图像，采用同一尺寸对叠加后的遥感图像和变化Label图进行切割，得到训练样本；(4)构建建筑物变化检测网络，该建筑物变化检测网络以Unet网络为基础，在网络收缩路径的每个卷积后添加BN层，在网络扩张路径上采样阶段添加Dropout层，将FlowNet的Refinement模块迁移到Unet的上采样阶段，并基于多层级预测的结果计算损失函数；(5)利用训练样本训练建筑物变化检测网络，获得建筑物变化检测模型；(6)将待检测的前后时相遥感图像依次经正射校正、图像配准、图像拉伸以及图像数值归一化预处理后，再经叠加、切割获得待测样本；(7)将待测样本输入至建筑物变化检测模型中，经计算输出检测结果图。优选地，所述正射校正包括：采用有理函数模型对遥感图像中的明显的几何畸变进行纠正，其中，有理函数模型为如下多项式的比值：式中：式(1)为由地面点坐标计算对应像点坐标的关系式，称之为正解有理函数模型；式(2)为由像点坐标计算对应点地面坐标的公式，称之为反解有理函数模型；(P,L,H)为正则化的地面坐标；(X，Y)为正则化的影像坐标；aijk(i，j，k＝0,1,2,3)为有理多项式系数，bijk为反解RPC有理多项式系数；则利用已知的遥感影像的RPC参数和地面点的三维坐标，利用式(1)可以建立地面点坐标与其对应像点坐标之间的函数关系式，从而对遥感图像进行正射校正。正射校正可以实现对由地形、相机几何特性以及与传感器相关的误差所造成的遥感图像上的明显的几何畸变进行纠正。优选地，所述图像配准包括：(a)以前后时相遥感图像中的任意一个遥感图像作为参考，建立参考坐标系；(b)采用Forstner角点算子获取特征点，利用一次多项式全局变换模型对特征点进行筛选，并使用互相关匹配操作进行特征点匹配，利用获得匹配特征点即匹配关系进行投影变换模型参数的估计；(c)根据步骤(b)获得的投影变换模型参建立投影变换模型；(d)利用步骤(c)建立的投影变换模型对前后时相遥感图像进行几何变换和插值处理，获得配准图像。优选地，所述图像拉伸包括：将前后时相遥感图像按照波段进行展开，统计每个波段下，遥感图像每个像素点的亮度值，删除离散的亮度值，以实现对遥感图像的拉伸。所述图像数值归一化包括：将前后时相遥感图像按照波段进行展开，对每个波段下，遥感图像的亮度值做归一化处理。遥感图像一般包含4个通道(也就是4个波段)，分别为R通道、G通道、B通道以及红外通道。在图像拉伸和图像数值归一化处理时，分通道进行，这样能够提升图像拉伸和图像数值归一化处理的效果。优选地，在对前后时相遥感图像和变化Label图进行切割获得训练样本后，还包括：通过图像旋转、尺度变换、添加随机噪声、颜色变换中的至少一种方式对训练样本进行数据量增广。对于遥感图像上建筑物变化检测而言，目前没有公开的数据集，导致训练样本数量不够，因此对获得的训练样本做增广处理，以增加训练样本的多样性，以此提升建筑物变化检测模型的检测准确度。优选地，建筑物变化检测网络的损失函数Loss为：其中，n表示网络深度，wk表示基于第k层网络输出图设计的损失函数所占的权重，predk表示网络第k层的输出图，Loss(y,predk)表示基于对变化Label图切割获得的标签图y和第k层网络输出图实现的交叉熵损失函数；在计算Loss(y,predk)时，采用双线性插值法将第k层的输出图重新拉伸至与标签图y相同的尺寸。这样的损失函数能够整体提升建筑物变化检测模型的预测效果。优选地，对叠加后的待检测的前后时相遥感图像进行切割时，相邻的图像块之间，后一图像块中至少保留前一图像块的1/3区域，即相邻的图像块之间至少存在1/3重复区域。由于测试前本文档来自技高网...

【技术保护点】
1.一种遥感图像建筑物变化检测方法，包括以下步骤：(1)对前后时相遥感图像依次进行正射校正、图像配准、图像拉伸以及图像数值归一化预处理，从而得到数据分布较为一致的遥感图像；(2)比对经预处理后的前后时相遥感图像，标注遥感图像中建筑物更新部分，得到对应的变化Label图；(3)叠加预处理后的前后时相遥感图像，采用同一尺寸对叠加后的遥感图像和变化Label图进行切割，得到训练样本；(4)构建建筑物变化检测网络，该建筑物变化检测网络以Unet网络为基础，在网络收缩路径的每个卷积后添加BN层，在网络扩张路径上采样阶段添加Dropout层，将FlowNet的Refinement模块迁移到Unet的上采样阶段，并基于多层级预测的结果计算损失函数；(5)利用训练样本训练建筑物变化检测网络，获得建筑物变化检测模型；(6)将待检测的前后时相遥感图像依次经正射校正、图像配准、图像拉伸以及图像数值归一化预处理后，再经叠加、切割获得待测样本；(7)将待测样本输入至建筑物变化检测模型中，经计算输出检测结果图。

【技术特征摘要】
1.一种遥感图像建筑物变化检测方法，包括以下步骤：(1)对前后时相遥感图像依次进行正射校正、图像配准、图像拉伸以及图像数值归一化预处理，从而得到数据分布较为一致的遥感图像；(2)比对经预处理后的前后时相遥感图像，标注遥感图像中建筑物更新部分，得到对应的变化Label图；(3)叠加预处理后的前后时相遥感图像，采用同一尺寸对叠加后的遥感图像和变化Label图进行切割，得到训练样本；(4)构建建筑物变化检测网络，该建筑物变化检测网络以Unet网络为基础，在网络收缩路径的每个卷积后添加BN层，在网络扩张路径上采样阶段添加Dropout层，将FlowNet的Refinement模块迁移到Unet的上采样阶段，并基于多层级预测的结果计算损失函数；(5)利用训练样本训练建筑物变化检测网络，获得建筑物变化检测模型；(6)将待检测的前后时相遥感图像依次经正射校正、图像配准、图像拉伸以及图像数值归一化预处理后，再经叠加、切割获得待测样本；(7)将待测样本输入至建筑物变化检测模型中，经计算输出检测结果图。2.如权利要求1所述的遥感图像建筑物变化检测方法，其特征在于，所述正射校正包括：采用有理函数模型对遥感图像中的明显的几何畸变进行纠正，其中，有理函数模型为如下多项式的比值：式中：式(1)为由地面点坐标计算对应像点坐标的关系式，称之为正解有理函数模型；式(2)为由像点坐标计算对应点地面坐标的公式，称之为反解有理函数模型；(P,L,H)为正则化的地面坐标；(X，Y)为正则化的影像坐标；aijk(i，j，k＝0,1,2,3)为有理多项式系数，bijk为反解RPC有理多项式系数；则利用已知的遥感影像的RPC参数和地面点的三维坐标，利用式(1)可以建立地面点坐标与其对应像点坐标之间的函数关系式，从而对遥感图像进行正射校正。3.如权利要求1所述的遥感图像建筑物变化检测方法，其特征在于，所述图像配准包括：(a)以前后时相遥感图像中的任意一个遥感图像作为参考，建立参考坐标系；(b)采用Fo...

【专利技术属性】
技术研发人员：唐文博，罗智凌，廖翔勇，尹建伟，赵文波，尚永衡，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33