一种基于实景三维模型的变化检测方法技术

本发明专利技术公开了一种基于实景三维模型的变化检测方法，具体包括以下步骤：S1、计算重叠区域，S2、模型重采样，S3、DOM与DSM分割，生成图斑对象集，S4、判断是否为变化区域，S5、用深度学习的方法生成分类器，S6、样本训练，S7、生成分类器，S8、预测变化地物类型，本发明专利技术涉及三维数字化技术领域。该基于实景三维模型的变化检测方法，可实现通过利用实景三维模型的颜色及几何信息，用面向对象的方法进行分割，以对象为基本单位进行变化检测，确定变化区域后，利用深度学习的方法，对地物变化类型进行识别，大大提高了变化检测精度与变化类型识别准确度，同时利用了颜色与几何信息，提高了检测精度，并且丰富了分类依据。

A Change Detection Method Based on Real-world Three-Dimensional Model

【技术实现步骤摘要】
一种基于实景三维模型的变化检测方法
本专利技术涉及三维数字化
，具体为一种基于实景三维模型的变化检测方法。
技术介绍
变化检测作为土地覆盖监测、土地利用监测、灾害评估、灾害预测、地理信息数据更新等领域的关键技术之一，一直备受关注，变化检测包括变化区域检测与变化类型识别，传统的变化检测流程为生成差异图及变化区域分类，差异图的获取方法包括图像差值、图像比值等，这些基于像素的方法只适用于大比例尺卫星影像或低分辨率航空影像，对于应用日渐频繁的高分辨率影像，则容易形成大量的碎片，以至产生过多的伪变化区域，不利于后期数据处理，传统的分类方法分为监督分类与非监督分类，但它们基于影像，仅利用了影像的颜色信息，分类依据过于单一，分类的准确率不高。随着无人机技术的飞速发展，无人机影像以其获取成本低、效率高、分辨率高等优点，越来越多的应用到地理信息源数据采集，利用无人机影像生成的实景三维模型数据也成为重要的地理信息数据之一，实景三维模型数据同时具有颜色与几何信息，应用到变化检测当中，同时依据无人机影像分辨率较高的特性，应用面向对象的方法，以分割的对象作为基本单元进行变化检测，可大大提高变化检测精度。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本，深度学习通过构建具有很多隐层的机器学习模型和海量的训练数据，旨在学习更优质的特征，进而提高分类准确率，追根溯源，深度学习的概念源于对人工神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，专门解决图像分类识别问题的卷积神经网络(ConvolutionNeuralNetworks，CNN)是一种带有卷积结构的深度学习网络，CNN能够自动的从图像中提取空间特征，将待分类像元及其邻域像元一同作为卷积神经网络的输入，进而转换为被机器学习任务有效利用的特征，近年来，神经网络方法用于解决图像分类问题已经日趋成熟，且应用领域也在扩展，较传统的分类方法，深度学习方法具有强大的从少数样本集中学习数据集本质特征的能力，能大大提高变化地物类型的识别准确度。综上所述，本专利技术提出了一种基于实景三维模型的变化检测方法，利用实景三维模型数据，用面向对象的方法检测变化区域，并通过深度学习方法对变化类型进行识别，大大提高了变化检测精度与变化类型识别准确度。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种基于实景三维模型的变化检测方法，解决了传统的基于影像的变化检测方法，仅利用了影像的颜色信息，在变化检测精度及变化类型识别准确率上难以达到满意效果的问题。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于实景三维模型的变化检测方法，具体包括以下步骤：S1、根据实景三维模型的范围，计算变化前后的重叠区域；S2、多三维模型进行纹理重采样与高程重采样，生成数字正摄影像DOM与数字地面模型DSM；S3、将步骤S2中的数字正摄影像DOM与数字地面模型DSM图像化处理后，进行面向对象的分割，生成图斑对象集；S4、根据每个图斑对象内的高程变化，判断图斑是否为变化区域；S5、分别采集不同地物类型的样本数据；S6、样本训练；S7、生成分类器；S8、输入图斑颜色与高程信息，得到变化地物的类型。优选的，所述步骤S1中计算重叠区域具体为：首先读入变化前后的实景三维模型数据，计算变化前后区域边界范围，得到变化前后的重叠区域，然后设置区块长宽，对重叠区域重新划分区块，对每个区块进行后面的处理。优选的，所述步骤S2中的模型重采样分为纹理重采样和高程重采样，根据区块的边界范围，生成水平采样网格，网格的大小Δx、Δy根据模型的分辨率设定，已知网格的起始坐标(x0,y0)，可得到网格点(i,j)的水平坐标为：x＝x0+i*Δx，y＝y0+j*Δy。优选的，所述根据网格点的水平坐标，在模型上取相应位置上的模型点的纹理颜色值作为z值，即可生成数字正摄影像DOM，然后根据网格点的水平坐标，在模型上取相应位置上的模型点的高程值作为z值，生成数字地面模型DSM。优选的，所述步骤S3中DOM与DSM分割，并生成图斑对象集，是利用生成的数字正摄影像，采用基于图的有效分割方法，对影像进行分割，将影像分割成若干个特定的、具有独特性质的区域，它能保持低变化区域的细节，同时能忽略高变化区域的细节，从而减少细小碎片的产生，得到一个很好的分割效果，利用数字地面模型DSM，将网格点高程值拉伸到0-255范围，生成灰度影像，用阈值分割的方法，将影像分割成若干互不重叠的区域，将两种分割结果进行合并，即可得到最终的图斑对象集。优选的，所述步骤S4中判断是否为变化区域是对每个图斑对象，统计图斑内的高差均值，设定阈值，若高差均值高于此阈值，则视为候选变化区域，否则视为无变化区域，生成初始的变化区域。优选的，所述步骤S7中的生成分类器是采用深度学习的方法生成，深度学习网络由多个神经单元聚集在一起并构造出分层的结果，最简单的网络由一个输入层、一个输出层、一个隐含层组成，每一层上都有多个神经元，并且没一层上的神经元都和下一层的神经元连接在一起，上一层的输出作为下一层的输入，这样的网络也被成为全连接网络。优选的，所述步骤S8中预测变化地物类型是输入地物图斑和分类器，进分类器进行计算，输出各个类别的概率，概率最高者即为变化地物的类别。(三)有益效果本专利技术提供了一种基于实景三维模型的变化检测方法。与现有技术相比具备以下有益效果：该基于实景三维模型的变化检测方法，具体包括以下步骤：S1、根据实景三维模型的范围，计算变化前后的重叠区域，S2、多三维模型进行纹理重采样与高程重采样，生成数字正摄影像DOM与数字地面模型DSM，S3、将步骤S2中的数字正摄影像DOM与数字地面模型DSM图像化处理后，进行面向对象的分割，生成图斑对象集，S4、根据每个图斑对象内的高程变化，判断图斑是否为变化区域，S5、分别采集不同地物类型的样本数据，S6、样本训练，S7、生成分类器，S8、输入图斑颜色与高程信息，得到变化地物的类型，可实现通过利用实景三维模型的颜色及几何信息，用面向对象的方法进行分割，以对象为基本单位进行变化检测，确定变化区域后，利用深度学习的方法，对地物变化类型进行识别，大大提高了变化检测精度与变化类型识别准确度，同时利用了颜色与几何信息，为进一步剔除伪变化区域提供了有利条件，提高了检测精度，并且丰富了分类依据。附图说明图1为本专利技术的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。请参阅图1，本专利技术实施例提供一种技术方案：一种基于实景三维模型的变化检测方法，具体包括以下步骤：S1、根据实景三维模型的范围，计算变化前后的重叠区域；S2、多三维模型进行纹理重采样与高程重采样，生成数字正摄影像DOM与数字地面模型DSM；S3、将步骤S2中的数字正摄影像DOM与数字地面模型DSM图像化处理后，进行面向对象的本文档来自技高网...

【技术保护点】
1.一种基于实景三维模型的变化检测方法，其特征在于：具体包括以下步骤：S1、根据实景三维模型的范围，计算变化前后的重叠区域；S2、多三维模型进行纹理重采样与高程重采样，生成数字正摄影像DOM与数字地面模型DSM；S3、将步骤S2中的数字正摄影像DOM与数字地面模型DSM图像化处理后，进行面向对象的分割，生成图斑对象集；S4、根据每个图斑对象内的高程变化，判断图斑是否为变化区域；S5、分别采集不同地物类型的样本数据；S6、样本训练；S7、生成分类器；S8、输入图斑颜色与高程信息，得到变化地物的类型。

【技术特征摘要】
1.一种基于实景三维模型的变化检测方法，其特征在于：具体包括以下步骤：S1、根据实景三维模型的范围，计算变化前后的重叠区域；S2、多三维模型进行纹理重采样与高程重采样，生成数字正摄影像DOM与数字地面模型DSM；S3、将步骤S2中的数字正摄影像DOM与数字地面模型DSM图像化处理后，进行面向对象的分割，生成图斑对象集；S4、根据每个图斑对象内的高程变化，判断图斑是否为变化区域；S5、分别采集不同地物类型的样本数据；S6、样本训练；S7、生成分类器；S8、输入图斑颜色与高程信息，得到变化地物的类型。2.根据权利要求1所述的一种基于实景三维模型的变化检测方法，其特征在于：所述步骤S1中计算重叠区域具体为：首先读入变化前后的实景三维模型数据，计算变化前后区域边界范围，得到变化前后的重叠区域，然后设置区块长宽，对重叠区域重新划分区块，对每个区块进行后面的处理。3.根据权利要求1所述的一种基于实景三维模型的变化检测方法，其特征在于：所述步骤S2中的模型重采样分为纹理重采样和高程重采样，根据区块的边界范围，生成水平采样网格，网格的大小Δx、Δy根据模型的分辨率设定，已知网格的起始坐标(x0,y0)，可得到网格点(i,j)的水平坐标为：x＝x0+i*Δx，y＝y0+j*Δy。4.根据权利要求3所述的一种基于实景三维模型的变化检测方法，其特征在于：所述根据网格点的水平坐标，在模型上取相应位置上的模型点的纹理颜色值作为z值，即可生成数字正摄影像DOM，然后根据网格点的水平坐标，在模型上取相应位置上的模型点的高程值作为z值，生成...

【专利技术属性】
技术研发人员：黄先锋，张帆，石芸，赵峻弘，
申请(专利权)人：武汉大势智慧科技有限公司，
类型：发明
国别省市：湖北,42