一种用于建筑物变化检测的局部背景语义信息增强方法技术

本发明专利技术涉及一种用于建筑物变化检测的局部背景语义信息增强方法，即：对比前后时相的两张建筑物原图，在两张原图上标注出建筑物变化区域，生成标注矢量文件，将原图裁切成N块高为H、宽为W的小图，将标注矢量文件转换为和原图等宽、等高的二值图，然后裁切出N块高为h，宽为w的标签，其中h=H/2，w=W/2，形成的图作为训练样本，构建出深度学习模型，对深度学习模型进行训练，任意选取一张待检测的遥感图像输入到训练得到的模型中，该方法实现了局部背景语义信息增强，即W与w之间的差值部分以及H与h之间的差值部分的背景像素对边缘区域的检测形成了信息增强，从源头为深度学习模型判别提供了决定性的上下文特征，显著提高检测准确率。显著提高检测准确率。显著提高检测准确率。

【技术实现步骤摘要】
一种用于建筑物变化检测的局部背景语义信息增强方法


[0001]本专利技术涉及计算机视觉
，尤其是涉及一种用于建筑物变化检测的局部背景语义信息增强方法。

技术介绍

[0002]中国社会经济的快速发展加速了城市的空间扩展，在城市化进程中，建筑物作为活跃的城市要素，会出现大量更新。精确、高效的建筑物变化信息提取对于城市规划等业务具有重要意义。
[0003]卫星遥感技术的发展为各个研究领域带来了大量遥感数据，其中遥感图像已经成为建筑物变化检测技术的重要数据来源。高分辨率遥感图像中地物信息丰富，但“同物异谱，同谱异物”的情况严重，这也对如何有效利用这些信息进行建筑物变化检测提出了巨大挑战。随着深度学习技术的创新与发展，其以无需通过专家进行手工设计和泛化能力强等特点，为建筑物变化检测带来了新的可能性。
[0004]在实际应用中，由于现代都市高楼林立以及不同时相镜头拍摄姿态不同，导致建筑物出现投影差、现有算法无法处理等问题，需通过人工来检测出建筑物变化的区域，但面对城市数量级的建筑物造成的海量勾绘任务，其效率低、成本高是该领域无法回避的痛点。
[0005]局部背景语义信息增强算法能让深度学习算法有效的处理投影差现象，进一步提高建筑物变化检测的准确率。

技术实现思路

[0006]本专利技术所要解决的技术问题是提供一种精度高、效率高，且成本低的用于建筑物变化检测的局部背景语义信息增强方法。
[0007]本专利技术所采用的技术方案是，一种用于建筑物变化检测的局部背景语义信息增强方法，该方法包括下列步骤：步骤一、对比前后时相的两张建筑物原图，在两张建筑物原图上标注出建筑物变化的区域，即勾绘建筑物变化区域，生成标注矢量文件，其中建筑物原图的高度设为OH，宽度设为OW；步骤二、分别将前后时相的两张建筑物原图裁切成N块高为H、宽为W的小图，其中OH大于H，OW大于W；步骤三、将步骤一中生成的标注矢量文件转换为高度为OH、宽度为OW的二值图，再将得到的二值图裁切为N块高为h、宽为w的标签，每块标签均位于对应的每块小图的正中间，其中h=H/2，w=W/2；步骤四、将步骤二中前时相的N块小图分别与后时相的N块小图一一对应进行拼接，拼接后形成的图作为训练样本，并生成训练样本集，即训练样本集中包括了N块拼接形成的图；步骤五、构建出深度学习模型；
步骤六、对深度学习模型进行训练：将步骤四中生成的训练样本集输入到步骤五构建的深度学习模型勾网络结构中，获得深度学习模型的输出结果，将输出结果与步骤三中的标签输入到损失函数中计算出损失值，再通过反向传播算法以损失值等于0为目标来更新网络权重，不断迭代，实现深度学习模型的训练；步骤七、任意选取一张待检测的遥感图像，在该遥感图像上应用步骤六中训练得到的深度学习模型。
[0008]本专利技术的有益效果是：采用上述一种用于建筑物变化检测的局部背景语义信息增强方法，该方法实现了局部背景语义信息增强，即W与w之间差值部分的背景像素以及H与h之间差值部分的背景像素对边缘区域的检测形成了信息增强，从源头上为深度学习模型判别提供了决定性的上下文特征，在该领域，属于从无到有的一项技术，是质的飞跃，显著提高了检测的准确率、精度以及检测效率，并且成本低。
[0009]作为优选，在步骤六中，勾网络结构包括特征提取模块以及位于特征提取模块一侧的特征映射模块，特征提取模块为四层结构，特征映射模块为三层结构，特征提取模块包括第一模块、第二模块、第三模块以及第四模块，第一模块包括：卷积、最大池化以及卷积层，第二模块、第三模块以及第四模块均包括：最大池化以及卷积层，特征映射模块包括第五模块、第六模块以及第七模块，第五模块包括：双线性插值上采样、合并以及膨胀卷积层，第六模块以及第七模块均包括：双线性插值上采样、合并以及卷积层。
[0010]作为优选，训练样本集输入到勾网络结构中，获得深度学习模型的输出结果的具体过程为：将训练样本集中的训练样本满尺寸输入到勾网络结构中，经过特征提取模块，生成特征矩阵，再经过特征映射模块，输出两通道的结果，该结果的两通道中，一通道代表建筑物没有发生变化，另一通道代表建筑物发生了变化。
[0011]作为优选，在步骤六中，损失函数定义为：，其中，k为像素位置，P为像素总数，为k位置的像素的真实值，令深度学习模型为f(),x为输入图像，那么为模型输出值，为k位置的模型输出值。
[0012]作为优选，步骤七中，在任意选取的一张待检测遥感图像上应用步骤六中训练得到的深度学习模型的具体过程为：将任意选取的一张待检测遥感图像的高度设为OH，宽度设为OW，将该遥感图像裁切成N块高为H，宽为W的小图，将N块小图输入到训练好的深度学习模型中进行计算得到输出结果，把得到的输出结果再拼接成一张高度为OH，宽度为OW的图像，从而完成对遥感图像在深度学习模型中的应用。
[0013]作为优选，在将待检测遥感图像上应用到训练得到的深度学习模型的过程中，采用滑动窗口来完成对待检测遥感图像的全覆盖。
[0014]作为优选，采用滑动窗口来完成对待检测遥感图像的全覆盖的具体方法为：将待检测图作为底部框图，其高度为OH，宽度为OW，设第一方框图为t1时刻输入到深度学习模型中的图像，第一方框图的高度为H、宽度为W，深度学习模型通过计算得到输出结果，输出结果为第二方框图，第二方框图的高度为h，宽度为w，其中h=H/2，w=W/2，将t1时刻的输出结果暂存，至此完成t1时刻的模型计算；在t2时刻，检测框向右移动，即沿水平方向滑动，其滑动步幅为标签的宽度w，本次滑动仅在水平方向发生，但在换行时则需要在垂直方向进行滑
动，垂直方向为标签的高度h，滑动完成，设第三方框图为t2时刻输入到深度学习模型中的图像，第四方框图为t2时刻模型的输出结果，将t2时刻的输出结果暂存，此时t2时刻的深度学习模型计算完成，以此种方式进行迭代，最终完成全图的深度学习模型计算，将每次暂存的输出结果按照顺序拼接成与待检测图像相同的尺寸，即完成待检测遥感图像在训练得到的深度学习模型中的应用。
附图说明
[0015]图1为本专利技术中前后时相的两张建筑物原图中的某个区域的影像，设视野为v；图2为与图1相同区域处前后两个时相的影像，设视野为V，其中V>v；图3 为深度学习模型构建时输入的图像以及标签的示意图，中间方框区域为标签，即建筑物变化的检测区域，全图为输入的图像；图4为本专利技术一种用于建筑物变化检测的局部背景语义信息增强方法的流程图；图5为本专利技术实施例中提供的建筑物变化检测的训练样本的标注示意图；图6为本专利技术中深度学习模型的结构示意图；图7为本专利技术中提供的深度学习模型应用方式的示意图；附图标记：1、第一模块；2、第一箭头；3、第二模块；4、第三模块；5、第四模块；6、第七模块；7、第二箭头；8、第六模块；9、第五模块；10、底部框图；11、第一方框图；12、第二方框图；13、第三方框图；14、第四方框图。
具体实施方式
[0016]以下参照附图并结合具体实施方式来进一步描述专利技术，以令本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：该方法包括下列步骤：步骤一、对比前后时相的两张建筑物原图，在两张建筑物原图上标注出建筑物变化的区域，生成标注矢量文件，其中建筑物原图的高度设为OH，宽度设为OW；步骤二、分别将前后时相的两张原图裁切成N块高为H、宽为W的小图，其中OH大于H，OW大于W；步骤三、将步骤一中生成的标注矢量文件，转换为高度为OH、宽度为OW的二值图，再将得到二值图裁切为N块高为h、宽为w的标签，每块标签均位于对应的每块小图的正中间，其中h=H/2，w=W/2；步骤四、将步骤二中前时相的N块小图分别与后时相的N块小图一一对应进行拼接，拼接后形成的图作为训练样本，并生成训练样本集；步骤五、构建出深度学习模型；步骤六、对深度学习模型进行训练：将步骤四中生成的训练样本集输入到步骤五中的深度学习模型勾网络结构中，获得深度学习模型的输出结果，将输出结果与步骤三中的标签输入到损失函数中计算出损失值，再通过反向传播算法以损失值等于0为目标来更新网络权重，不断迭代，实现深度学习模型的训练；步骤七、任意选取一张待检测的遥感图像，在该遥感图像上应用步骤六中训练得到的深度学习模型。2.根据权利要求1所述的一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：在步骤六中，勾网络结构包括特征提取模块以及位于特征提取模块一侧的特征映射模块，特征提取模块为四层结构，特征映射模块为三层结构，特征提取模块包括第一模块(1)、第二模块(3)、第三模块(4)以及第四模块(5)，第一模块(1)包括：卷积、最大池化以及卷积层，第二模块(3)、第三模块(4)以及第四模块(5)均包括：最大池化以及卷积层，特征映射模块包括第五模块(9)、第六模块(8)以及第七模块(6)，第五模块(9)包括：双线性插值上采样、合并以及膨胀卷积层，第六模块(8)以及第七模块(6)均包括：双线性插值上采样、合并以及卷积层。3.根据权利要求2所述的一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：训练样本集输入到勾网络结构中，获得深度学习模型的输出结果的具体过程为：将训练样本集中的训练样本满尺寸输入到勾网络结构中，经过特征提取模块，生成特征矩阵，再经过特征映射模块，得到输出结果，所述输出结果为两通道的输出结果，所述输出结果的...

【专利技术属性】
技术研发人员：吴敦，应良中，孙华，高广，费佳宁，李东，卞婷玉，
申请(专利权)人：宝略科技浙江有限公司，
类型：发明
国别省市：