一种基于改进CNN的群体建筑物损毁遥感分类方法技术

本发明专利技术公开了一种基于改进CNN的群体建筑物损毁遥感分类方法，步骤是：A、图像预处理：对遥感影像进行几何校正、正射校正、图像配准；B、影像分割：根据街区矢量数据，对遥感影像分割；C、影像块裁切：在分割后的每个街区的最小外接矩形中依次裁切规定大小的影像块；D、影像块筛选：如果影像块与所在街区重叠比例大于50％，则该影像块符合要求，每个街区筛选得到一定数量的有效影像块；E、影像块预测：将每个有效影像块输入到训练好的基础CNN Inception V3中，预测其属于每个损毁类别的概率；F、街区预测：将每个街区内所有有效影像块的类别概率积分，得到每个街区的损毁类别概率。本发明专利技术方法易行，操作方便，得到了更为准确的建筑物损毁遥感分类结果。

A remote sensing classification method of group building damage based on improved CNN

【技术实现步骤摘要】
一种基于改进CNN的群体建筑物损毁遥感分类方法
本专利技术属于遥感影像处理的
，更具体涉及一种基于改进CNN的群体建筑物损毁遥感分类方法，适用于分辨率0.5m-2m的光学遥感影像。
技术介绍
在地震发生后的救援和恢复阶段，因为受损的建筑物可能是被困人员定位的一个代表，快速实现对建筑损毁的分类并获得其分类地图是震后黄金时间救援的迫切需要，也是灾后灾害损失评估和灾后重建的关键依据。传统人工实地勘测方法所获取的建筑物损毁信息精度和置信度虽然较高，但存在对大范围的调查往往工作量大、费用高、效率低，而且信息不及时、不直观等诸多不足，尚不能满足快速获取应急救灾和灾后重建的要求。随着传感器和空间技术的进步，遥感能够获取目标区域详细的时空信息，如道路、建筑物的损毁信息等，可以大大减少野外工作量，因此在灾后救援中得到了广泛应用，这对于灾后难以第一时间到达现场进行实地勘测工作的地震灾区尤为重要。对于从遥感影像中提取建筑物损毁信息，目前主要可分为多时相和单时相评估方法。多时相评估方法受到数据获取、传感器的重访周期、拍摄角度和时间等因素的影响，实际应用难度较大。而基于震后单时相数据的评估方法制约条件较少，直接利用灾害发生后的遥感图像进行建筑物损毁信息的提取和评估已成为有效的技术手段。单时相评估方法主要是利用图像的光谱特征、纹理特征、形态学特征等作为参数对图像进行分类，此过程通常基于面向对象分类算法进行损毁建筑物信息提取，但是面向对象的分类方法面临着特征空间选择困难、图像分割不理想等问题。随着深度学习中卷积神经网络(ConvolutionalNeuralNetwork，CNN)在图像应用领域取得了巨大成功，MengChen等提出了一种将卷积神经网络与图像分割相结合，从遥感图像中提取建筑物损毁信息的方法，有效地提取了地震后建筑物的损毁信息。然而此类方法的鲁棒性很大程度上受图像分割的准确性影响，在实际应用中也存在一定的局限性。随着近年来地理信息系统(GeographicInformationSystem，GIS)基础数据的不断完善，GIS数据在灾害遥感信息提取中的应用也愈加广泛。叶昕等在震后遥感图像中结合城市道路矢量数据中的街区信息，以建筑物街区为单元构建了多特征分类模型，实验表明该方法对建筑物震害损毁检测精度较高。由此可见，将信息更加丰富和精确的GIS数据应用于建筑物震害损毁评估中，即将GIS数据与遥感图像叠加分析代替图像分割，可以达到准确划分群体建筑物边界的目的。
技术实现思路
针对上述现有技术存在的缺陷，本专利技术所要解决的技术问题在于提供了一种基于改进CNN的群体建筑物损毁遥感分类方法，方法易行，操作方便。首先采用CNN自动选择最优特征，解决面向对象过程中特征选择困难的问题；进而把街区作为最小的分类单元，将图像中的群体建筑物生成一个有实际意义的边界，有效替代传统的图像分割，解决一般图像分割效果不理想的问题；接着在基础CNNInceptionV3上添加Separate和Combination层对传统CNN进行了改进，使之可以直接处理遥感影像和街区矢量数据，解决了一般CNN无法直接对街区群体建筑损毁类别进行预测的问题。为了实现上述的目的，本专利技术采用以下技术措施：本专利技术的构思为：首先，根据街区矢量数据，对遥感影像进行分割，在分割后的每个街区的最小外接矩形中依次裁切规定大小的影像块；当影像块与所在街区的重叠比例大于50％，则该影像块符合要求，最终每个街区筛选得到一定数量的有效影像块。其次，将有效影像块输入到训练好的基础CNN中，并预测其属于每个类别的概率。最后将每个街区内的所有有效影像块的概率进行积分，进而得到每个街区的损毁类别概率。针对以上问题，本专利技术提出了一种基于改进CNN的群体建筑物损毁遥感分类方法，目的是提供一种针对0.5m-2m的光学遥感影像上的群体建筑物损毁进行分类的方法，即通过街区矢量数据，将街区作为基本分类单元；选择CNN中InceptionV3网络作为基础CNN。相对于传统面向对象分类方法，本专利技术可以有效解决图像分割不理想、特征选择困难等问题，以及一般CNN无法直接对街区群体建筑损毁类别进行预测的问题。本专利技术的一种基于改进CNN的群体建筑物损毁遥感分类方法，选择CNN中的InceptionV3网络作为基础CNN，在基础CNN中添加Separate层和Combination层，使改进后的CNN可以直接处理遥感影像和街区矢量数据，解决CNN无法直接对街区群体建筑损毁类别预测的问题。一种基于改进CNN的群体建筑物损毁遥感分类方法，其步骤是：A、图像预处理：对遥感影像进行几何校正、正射校正、图像配准；B、影像分割：根据街区矢量数据，对遥感影像进行分割；C、影像块裁切：根据街区矢量数据，在每个街区的最小外接矩形中依次裁切规定大小的影像块；D、影像块筛选：如果影像块与所在街区重叠比例大于50％，则该影像块符合要求，最后每个街区筛选得到一定数量(小于等于街区最小外接矩形中裁切得到的所有影像块)的有效影像块；E、影像块预测：将每个有效影像块输入到训练好的基础CNN中，预测其属于每个损毁类别的概率；F、街区预测：将每个街区内的所有有效影像块的类别概率进行积分，得到每个街区的损毁类别概率。进一步的，在所述的步骤B中，根据街区矢量数据，将遥感影像分割为具有实际意义街区对象，此步骤在Separate层中处理完成。优选的，在所述的步骤C中，首先计算分割后每个街区的最小外接矩形，然后用一个S×S的窗口以步长S扫描裁切每个街区的最小外接矩形所包含的遥感图像，得到一定数量(小于等于街区最小外接矩形中裁切得到的所有影像块)的S×S的影像块，此步骤在Separate层中处理完成。进一步的，在所述的步骤D中，首先计算每个影像块与所在街区的重叠比例，重叠比例的计算公式如下：其中Or表示重叠比例，Oarea为影像块与所在街区的重叠面积，S为正方形影像块的边长；然后筛选出重叠比例大于50％的影像块作为有效的影像块输入到基础CNN中，此步骤在Separate层中处理完成。优选的，在所述的步骤E中，将每个有效影像块输入到训练好的基础CNNInceptionV3中，预测其属于每个损毁类别的概率，此步骤在InceptionV3中处理完成。进一步的，在所述的步骤F中，合并每个街区内所有有效影像块的分类结果，合并的方法是对每个街区内所有有效影像块的分类概率值进行积分，函数表示如下：其中m表示第m个街区，n表示第m个街区中所有有效影像块的数量，Pm，j表示第m个街区分类为第j类的概率，Ai，j表示第i个有效影像块分类为第j类的概率，此步骤在Combination层中处理完成。通过上述六个步骤的技术措施，可以完成CNN对街区群体建筑物损毁类型的分类。因为传统CNN并不能直接预测大小不一、形状不规则的街区群体建筑物损毁类别，所以在最关键的步骤C和E中，以CNN预测每个街区最小外接矩形中每个影像块的损毁类别，本文档来自技高网...

【技术保护点】
1.一种基于改进CNN的群体建筑物损毁遥感分类方法，选择CNN中的Inception V3网络作为基础CNN，在基础CNN中添加Separate层和Combination层，其特征在于，包括以下步骤：/nA、图像预处理：对遥感影像进行几何校正、正射校正、图像配准；/nB、影像分割：根据街区矢量数据，对遥感影像进行分割；/nC、影像块裁切：根据街区矢量数据，在每个街区的最小外接矩形中依次裁切规定大小的影像块；/nD、影像块筛选：如果影像块与所在街区重叠比例大于50％，则该影像块符合要求，最后每个街区筛选得到一定数量的有效影像块；/nE、影像块预测：将每个有效影像块输入到训练好的基础CNN中，预测其属于每个损毁类别的概率；/nF、街区预测：将每个街区内的所有有效影像块的类别概率进行积分，得到每个街区的损毁类别概率。/n

【技术特征摘要】
1.一种基于改进CNN的群体建筑物损毁遥感分类方法，选择CNN中的InceptionV3网络作为基础CNN，在基础CNN中添加Separate层和Combination层，其特征在于，包括以下步骤：
A、图像预处理：对遥感影像进行几何校正、正射校正、图像配准；
B、影像分割：根据街区矢量数据，对遥感影像进行分割；
C、影像块裁切：根据街区矢量数据，在每个街区的最小外接矩形中依次裁切规定大小的影像块；
D、影像块筛选：如果影像块与所在街区重叠比例大于50％，则该影像块符合要求，最后每个街区筛选得到一定数量的有效影像块；
E、影像块预测：将每个有效影像块输入到训练好的基础CNN中，预测其属于每个损毁类别的概率；
F、街区预测：将每个街区内的所有有效影像块的类别概率进行积分，得到每个街区的损毁类别概率。


2.根据权利要求1所述的一种基于改进CNN的群体建筑物损毁遥感分类方法，其特征在于：所述的步骤(B)中，根据街区矢量数据，将遥感影像分割为具有实际意义街区对象，此步骤在Separate层中处理完成。


3.根据权利要求1所述的一种基于改进CNN的群体建筑物损毁遥感分类方法，其特征在于：所述的步骤(C)中，首先计算分割后每个街区的最小外接矩形，然后用一个S×S的窗口以步长S扫描裁切每个街区的最小外接矩形包含的遥感图像，得到一定数量的...

【专利技术属性】
技术研发人员：刘亚岚，任玉环，马豪杰，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京;11