一种基于深度学习的建筑物变化检测方法技术

本发明专利技术公开了一种基于深度学习的建筑物变化检测方法，属于计算机视觉技术领域。首先，应用深度学习图像分割算法U‑net进行建筑物分割，得到二值分割图像；接着，将二值分割图像合并，生成建筑物区域合并二值图像；然后，以合并图像为掩蔽图像，去除输入图像中的噪声地物，得到无噪图像；最后，采用非监督深度学习网络PCAnet对无噪图像进行变化检测，选取并输出最优变化图像。与现有的建筑物变化检测方法相比，本发明专利技术利用深度学习进行变化检测却不需大量带标签的训练数据；在输入图像中存在噪声地物如树木、车辆、行人等干扰时，只针对建筑物区域进行变化检测。测试结果表明，本专利比GDBM模型方法的正确率提高了7％，虚警率降低了59.8％。

A Building Change Detection Method Based on Deep Learning

The invention discloses a building change detection method based on in-depth learning, which belongs to the field of computer vision technology. Firstly, building segmentation is carried out using depth learning image segmentation algorithm U_net to obtain binary segmentation image; then, the binary segmentation image is merged to generate the binary image of building area merging; then, the noise-free image is obtained by removing the noise objects in the input image using the merged image as the masking image; finally, the unsupervised depth learning network PCAnet is used for the noise-free image. Change detection is carried out, and the optimal change image is selected and output. Compared with the existing building change detection methods, the present invention uses in-depth learning to detect changes without requiring a large number of labeled training data, and only detects changes in building areas when noisy objects such as trees, vehicles, pedestrians, etc. interfere in the input image. The test results show that the patented method is 7% more correct than the GDBM model method, and the false alarm rate is 59.8%.

【技术实现步骤摘要】
一种基于深度学习的建筑物变化检测方法
本专利技术涉及计算机视觉
，特别是涉及一种基于深度学习的建筑物变化检测方法。
技术介绍
建筑物是与人类生活关系密切、分布密集且广泛的一种地物。随着遥感技术和航拍技术的不断发展，获取建筑物的高分辨率卫星图像或航拍图像变得越来越容易。建筑物变化检测技术则是通过对不同时间段获取的相同建筑物图像进行分析，进而获取建筑物的变化信息。随着时间的推移，建筑物主要发生新建、拆除、改建等三大类变化。一些建筑物的变化为合法的更新换代，反映着城市与社会的发展。与此同时，亦存在一些违章的变化，影响城市面貌且制约社会进步。因此，进行高精度的建筑物变化检测，不但有助于提取违章建筑区域，实现对建筑物的动态监测，及时改良建筑物分布；还可以实现对建筑物快速而准确的统计，在城市规划、地理信息更新、国土资源管理等方面发挥重要作用。根据检测算法的不同，建筑物变化检测方法可以大致分为两类，包括基于经典图像处理的方法和基于深度学习的方法。基于经典图像处理的方法主要采用像素级、特征级或对象级图像处理，人工参与较多，且检测出伪变化区域的可能性较大。例如，基于像素级的检测方法只考虑单个像素的特征，缺少邻近像素的空间信息等，致使检测结果对噪声敏感、鲁棒性差。特征级检测方法的效果取决于建筑物特征提取的结果，当利用单一特征进行变化检测时，可能会造成较多的漏检和虚警。基于对象级的检测方法以图像分割为基础，将同性质的像素进行组合构成对象再进行变化检测，一定程度上改善了像素级检测方法的缺点。但是传统的图像分割方法难以实现对同类对象的最佳提取，进而影响对建筑物变化的检测结果。另外，在基于经典图像处理的方法中，有些方法需要构建数字表面模型、利用地理信息系统等，成本较高且计算复杂。近年来，深度学习已成为计算机视觉领域的研究热点之一。随着深度神经网络不断优化改进，尤其是卷积神经网络的提出，网络的特征提取能力进一步提高，图像的分类、识别、分割等领域均有了快速发展。深度学习网络可以自动地学习多种情况下的深度变化特征，解决了经典变化检测方法中人工参与多、鲁棒性差、特征提取能力有限等缺点。因此，基于深度学习的方法已成为当下建筑物变化检测研究的重要方向。现有的典型方法有，利用区域快速卷积神经网络优秀的目标识别能力，将图像中的变化区域作为待检测目标，而未变化区域作为背景，从而实现变化检测；利用孪生卷积网络提取特征，再通过衡量特征向量之间的距离判定变化区域。这些方法的一个共同特点就是，需要大量的带标签的图像数据作为训练集，以训练神经网络学习图像特征。当带标签的训练样本不充分时，就很难达到理想的检测效果。而利用高斯-伯努利深度玻尔兹曼机模型(Gaussian-BernoullDeepBoltzmannMachine,GDBM)进行建筑物变化检测的方法，通过设置自适应采样区间，在预处理得到的变化强度图中提取最可能的变化和未变化区域样本，训练模型提取变化特征，最终生成变化检测图。该方法可降低对带标签的训练数据量的要求，但检测准确度不够高。对目前基于深度学习的变化检测方法进行分析发现，除了绝大多数方法要求大量的带标签的训练数据之外，这些方法均是直接对整张待检测图像进行变化判定。然而，在一般用于建筑物变化检测的图像中，不仅有建筑物，而且存在着大量噪声地物。噪声地物是指除建筑物之外的其它形态地物，如树木、车辆、行人等，它们必然对检测结果产生不同程度的干扰。换句话说，对全图进行检测会增加伪变化区域检出的可能性，即虚警率增大，同时导致正确率下降。
技术实现思路
本专利技术的目的在于，采用非监督深度学习网络进行变化检测，如基于非监督深度学习网络PCANet的变化检测方法(FengGao,JunyuDong,BoLi,andQizhiXu,“AutomaticchangedetectioninsyntheticapertureradarimagesbasedonPCANet,”IEEEGeoscienceandRemoteSensingLetters,vol.13,no.12,pp.1792-1796,2016)，降低对标签图像数据量的要求；通过图像分割，最大限度去掉不属于建筑物的噪声地物，进而提高正确率，降低虚警率。本专利技术的技术方案是，给定两幅待检测输入图像(i＝1,...,m；j＝1,...,n，m×n为图像尺寸)；首先，应用深度学习图像分割算法例如U-Net(OlafRonneberger,PhilippFische,andThomasBrox,“U-Net:convolutionalnetworksforbiomedicalimagesegmentation,”MedicalImageComputingandComputer-AssistedIntervention,vol.9351,pp.234-241,2015)对I1(i,j)、I2(i,j)进行建筑物分割，得到二值分割图像Is1(i,j)、Is2(i,j)；接着，将二值分割图像Is1(i,j)、Is2(i,j)合并，生成建筑物区域合并二值图像IM(i,j)；然后，以合并图像IM(i,j)为掩蔽图像，去除输入图像I1(i,j)、I2(i,j)中的噪声地物，得到无噪图像Ip1(i,j)、Ip2(i,j)；最后，采用非监督深度学习网络如PCANet对无噪图像进行变化检测，选取并输出最优变化图像具体实现步骤(见图1)如下：第一步：输入两幅待检测图像I1(i,j)、I2(i,j)，图像单通道位深度为B。第二步：建筑物区域分割。利用已完成训练的深度学习图像分割网络U-Net(网络结构如图2所示)，分别对I1(i,j)、I2(i,j)进行建筑物区域分割，得到二值分割图像其中，训练U-Net的具体步骤(见图3)如下：步骤1：输入训练集其中NR表示训练集样本总数；设置一组网络训练所需的超参数，包括学习率α(一般取10-3～10-6)、训练轮数epochs(一般取10～20)。步骤2：开始训练U-Net网络。步骤3：调整学习率α(×10-1)和训练轮数epochs(+1)，在几组不同超参数训练取得的结果中，选取分割效果最佳(准确率最高)的网络参数。步骤4：输出已完成训练的U-Net网络。第三步：建筑物分割图合并。采用如下公式合并二值分割图像Is1(i,j)、Is2(i,j)，生成建筑物区域合并二值图像第四步：噪声地物去除。利用建筑物区域合并二值图像IM(i,j)对两幅待检测图像I1(i,j)、I2(i,j)进行噪声地物去除，生成无噪图像第五步：建筑物变化检测。采用非监督网络PCANet对Ip1(i,j)、Ip2(i,j)进行变化检测。基于PCANet的变化检测算法具体实现步骤(见图4)如下:步骤1：对Ip1(i,j)、Ip2(i,j)做对数比值处理，生成粗估计变化图像其中“|·|”表示取模运算。步骤2：像素预分类与标记。对图像ID(i,j)中每个像素提取Gabor特征，配合模糊C均值聚类(FuzzyC-Means,FCM)算法，对ID(i,j)中像素进行聚类，得到三种带标签类别，依次为(1)变化wc：下标c表示变化，类内像素(i,j)标签为lij＝+1；(2)未变化wuc：下标uc表示未变化，类内像素(i,j)标本文档来自技高网...

【技术保护点】
1.一种基于深度学习的建筑物变化检测方法，其特征在于以下步骤：第一步：输入两幅待检测图像I1(i,j)、I2(i,j)，图像单通道位深度为B；第二步：建筑物区域分割；利用已完成训练的深度学习图像分割网络U‑Net，分别对I1(i,j)、I2(i,j)进行建筑物区域分割，得到二值分割图像

【技术特征摘要】
1.一种基于深度学习的建筑物变化检测方法，其特征在于以下步骤：第一步：输入两幅待检测图像I1(i,j)、I2(i,j)，图像单通道位深度为B；第二步：建筑物区域分割；利用已完成训练的深度学习图像分割网络U-Net，分别对I1(i,j)、I2(i,j)进行建筑物区域分割，得到二值分割图像其中，训练U-Net的具体步骤，如下：步骤1：输入训练集其中NR表示训练集样本总数；设置一组网络训练所需的超参数，包括学习率α，取10-3～10-6；训练轮数epochs，取10～20；步骤2：开始训练U-Net网络；步骤3：调整学习率α，每次乘以10-1；调整训练轮数epochs，每次加1，在几组不同超参数训练取得的结果中，选取分割效果最佳即准确率最高的网络参数；步骤4：输出已完成训练的U-Net网络；第三步：建筑物分割图合并；采用如下公式合并二值分割图像Is1(i,j)、Is2(i,j)，生成建筑物区域合并二值图像第四步：噪声地物去除；利用建筑物区域合并二值图像IM(i,j)对两幅待检测图像I1(i,j)、I2(i,j)进行噪声地物去除，生成无噪图像第五步：建筑物变化检测；采用非监督网络PCANet对Ip1(i,j)、Ip2(i,j)进行变化检测；基于PCANet的变化检测算法具体实现步骤如下:步骤1：对Ip1(i,j)、Ip2(i,j)做对数比值处理，生成粗估计变化图像其中“|·|”表示取模运算；步骤2：像素预分类与标记；对图像ID(i,j)中每个像素提取Gabor特征，配合模糊C均值聚类(FuzzyC-Means,FCM)算法，对ID(i,j)中像素进行聚类，得到三种带标签类别，依次为(1)变化wc：下标c表示变化，类内像素(i,j)标签为lij＝+1；(2)未变化wuc：下标uc表示未变化，类内像素(i,j)标签为lij＝-1；(3)待定wud：下标ud表示待定，类内像素(i,j)标签为lij＝0；三种类别所包含的像素数分别为Nc、Nuc、Nud，且Nc+Nuc+Nud＝m×n；步骤3：训练样本像素数计算；从步骤2：像素预分类与标记所获得的所有m×n个像素中随机挑选训练样本像素，并按一定比例筛选正样本像素、负样本像素，训练样本像素(i,j)的标签为lij∈{-1,+1}；训练样本像素总数Nsum采用如下公式计算：Nsum＝m×n×r(7)其中r表示随机挑选样本像素的比例；正样本像素数Npos采用如下公式计算：负样本像素数Nneg则为...

【专利技术属性】
技术研发人员：林秋华，孙斌，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21