本发明专利技术公开了一种基于遥感的建筑物洪灾易损性评价方法，首先获取建筑物的高精度DSM数据和高精度DEM数据，并提取建筑物轮廓及屋顶结构信息，结合高精度DSM数据和高精度DEM数据构建建筑物的LoD 2三维模型以提取高精度建筑高度信息，并基于加权模型对建筑物洪灾易损性进行评价。本发明专利技术首次将遥感手段引入建筑物洪灾易损性评价领域，而遥感方式具有覆盖面积广、重访周期短等优点，因此可为大面积建筑物洪灾易损性快速评价提供技术支撑，从而摆脱传统的依靠地面调查或历史统计数据进行评价的手段，大大提高了建筑物洪灾易损性评价的效率和现势性。和现势性。和现势性。
【技术实现步骤摘要】
一种基于遥感的建筑物洪灾易损性评价方法
[0001]本专利技术属于洪涝灾害损失评估
，具体涉及一种基于遥感的建筑物洪灾易损性评价方法的设计。
技术介绍
[0002]建筑物是洪涝灾害中重要的承灾对象，其损毁数量及程度是制定救助应急预案的重要参考。建筑物洪灾易损性与其高度、建筑材料及所处位置洪水风险等级等具有密切关系，其中，建筑物高度是建筑物易损性评价的重要参数之一。传统的建筑物洪灾易损性评估方法主要是采用的是统计数据或二维空间数据，其现势性较差且精度低，难以快速地进行大范围建筑物易损性评估。
[0003]基于遥感的建筑物数据采集方式具有非接触、覆盖范围广、重访周期短等优点，尤其是航空遥感平台的迅速发展，倾斜摄影技术及激光雷达技术在建筑物三维重建领域获得了大量应用，获取的建筑物高度信息具有较高的精度，并能获取建筑物的纹理等信息。其中，基于激光雷达的技术可以半自动甚至自动地获取建筑物的高度信息，然而复杂的空间拓扑关系与低质量的输入数据会导致提取的建筑物基元不完整且存在噪音，进而大大降低建筑物高度信息的提取精度。尽管目前已提出了随机一致性采样算法等方法用于解决上述问题，但仍然面临参数过多，算法普适性较低的问题。而基于倾斜摄影测量的方法存在数据处理较为困难，难以满足洪涝灾害损失评估及应急救援等应用，同时上述两种方法存在数据获取成本高昂的问题，不宜开展大规模建筑物洪灾易损性评价。
[0004]高空间分辨率的正射影像具有数据获取效率高、成本低等优点，且包含了精细的建筑物面积、形状、纹理及姿态等几何信息，可为低细节层次(Level of Detail，LoD)(LoD 0～2)的建筑物三维重建提供基础数据源，但目前基于正射影像的建筑物三维信息提取大部分是基于LoD 1模型，无法获得建筑物的屋顶结构信息，故其提取的建筑物高度数据精度仍然较低。
技术实现思路
[0005]本专利技术的目的是提出一种基于遥感的建筑物洪灾易损性评价方法，通过遥感的方式建立建筑物三维模型以提取较高精度的建筑物高度信息，从而解决现有的建筑物洪灾易损性评价方法时效性和现势性较差的问题。
[0006]本专利技术的技术方案为：一种基于遥感的建筑物洪灾易损性评价方法，包括以下步骤：
[0007]S1、对建筑物的遥感影像进行预处理，获取建筑物的高精度DSM数据和高精度DEM数据。
[0008]S2、提取遥感影像中建筑物的轮廓信息。
[0009]S3、对遥感影像中建筑物的屋顶结构进行编码，并根据编码结果提取建筑物的屋顶三维模型。
[0010]S4、根据建筑物的高精度DSM数据、高精度DEM数据、轮廓信息和屋顶三维模型得到建筑物高度。
[0011]S5、根据建筑物高度、结构和洪水风险等级对建筑物进行洪灾易损性评价。
[0012]进一步地，步骤S1包括以下分步骤：
[0013]S11、将建筑物的遥感影像统一配准到WGS84坐标系下。
[0014]S12、对配准后的遥感影像进行拼接，得到完整的带有地理坐标系的影像。
[0015]S13、采用Context Capture软件从完整的带有地理坐标系的影像中加载倾斜摄影照片，生成高精度三维点云，得到建筑物的高精度DSM数据。
[0016]S14、对完整的带有地理坐标系的影像中的地面点进行筛选，得到建筑物的高精度DEM数据。
[0017]进一步地，步骤S2包括以下分步骤：
[0018]S21、采用Mask R
‑
CNN获取遥感影像的特征金字塔，并将特征金字塔输入到RPN网络中，从不同分辨率的特征图上切取感兴趣区域k：
[0019][0020]其中s表示用于预训练的图片的大小，k0表示面积为s
×
s的感兴趣区域所在层级，w和h表示特征图的宽和高，表示取整运算。
[0021]S22、根据感兴趣区域k，分别采用全连接网络和卷积网络进行边界框的识别分类及Mask预测，得到建筑物初始轮廓。
[0022]S23、采用准确率ACC和查准率P评价建筑物初始轮廓的提取精度：
[0023][0024][0025]其中TP表示预测为正，实际为正的数目，TN表示预测为负，实际为负的数目，FP表示预测为正，实际为负的数目，FN表示预测为负，实际为正的数目。
[0026]S24、根据建筑物初始轮廓的提取精度对Mask R
‑
CNN模型进行不断迭代与参数微调，直到提取精度达到最优，得到Mask R
‑
CNN提取的建筑物轮廓。
[0027]S25、将Mask R
‑
CNN提取的建筑物轮廓进行二值化处理，并将二值化处理后的像素点乘以sobel算子以得到该像素点的灰度矢量值：
[0028][0029][0030][0031]其中G
x
和G
y
分别表示横向和纵向边缘检测的灰度值，G
xy
表示像素点最终的灰度矢量值，A表示像素点的原始灰度值。
[0032]S26、将灰度矢量值G
xy
与预设阈值进行比较，若G
xy
大于预设阈值，则判定该像素点为二值边缘图像的边界点。
[0033]S27、采用标准霍夫变换从二值边缘图像中提取规则的建筑物轮廓数据，并将其作为建筑物的轮廓信息。
[0034]进一步地，步骤S3包括以下分步骤：
[0035]S31、采用三波段灰度图像对遥感影像中建筑物的屋脊线、屋檐线及腰线进行编码表示，其中屋脊线表示为[1,0,0]，屋檐线表示为[0,1,0]，腰线表示为[0,0,1]。
[0036]S32、根据编码结果，采用卷积神经网络从建筑物正射影像上对建筑物屋顶进行分类。
[0037]S33、将建筑物屋顶的分类结果与屋顶类型库中的建筑物屋顶进行匹配，得到建筑物的屋顶三维模型。
[0038]进一步地，步骤S4包括以下分步骤：
[0039]S41、根据建筑物的高精度DSM数据和高精度DEM数据计算得到归一化的数字地表模型数据nDSM：
[0040]nDSM＝DSM
‑
DEM
[0041]其中DSM表示高精度DSM数据，DEM表示高精度DEM数据。
[0042]S42、根据建筑物的轮廓信息获取建筑物的LoD 1模型。
[0043]S43、将建筑物的LoD 1模型和屋顶三维模型合并，得到建筑物的LoD 2三维模型。
[0044]S44、根据建筑物的LoD 2三维模型计算建筑物高度H：
[0045]H＝h1+h2
[0046]其中h1表示建筑物轮廓顶点位置对应的nDSM值，h2表示建筑物轮廓覆盖区域内的最大nDSM值与最小nDSM值之间的差值。
[0047]进一步地，步骤S5中建筑物洪灾易损性I的计算公式为：
[0048]I＝αH+βC+εR
[0049]其中H表示建筑物高度，C表示建筑本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于遥感的建筑物洪灾易损性评价方法，其特征在于，包括以下步骤：S1、对建筑物的遥感影像进行预处理，获取建筑物的高精度DSM数据和高精度DEM数据；S2、提取遥感影像中建筑物的轮廓信息；S3、对遥感影像中建筑物的屋顶结构进行编码，并根据编码结果提取建筑物的屋顶三维模型；S4、根据建筑物的高精度DSM数据、高精度DEM数据、轮廓信息和屋顶三维模型得到建筑物高度；S5、根据建筑物高度、结构和洪水风险等级对建筑物进行洪灾易损性评价。2.根据权利要求1所述的建筑物洪灾易损性评价方法，其特征在于，所述步骤S1包括以下分步骤：S11、将建筑物的遥感影像统一配准到WGS84坐标系下；S12、对配准后的遥感影像进行拼接，得到完整的带有地理坐标系的影像；S13、采用Context Capture软件从完整的带有地理坐标系的影像中加载倾斜摄影照片，生成高精度三维点云，得到建筑物的高精度DSM数据；S14、对完整的带有地理坐标系的影像中的地面点进行筛选，得到建筑物的高精度DEM数据。3.根据权利要求1所述的建筑物洪灾易损性评价方法，其特征在于，所述步骤S2包括以下分步骤：S21、采用Mask R
‑
CNN获取遥感影像的特征金字塔，并将特征金字塔输入到RPN网络中，从不同分辨率的特征图上切取感兴趣区域k：其中s表示用于预训练的图片的大小，k0表示面积为s
×
s的感兴趣区域所在层级，w和h表示特征图的宽和高，表示取整运算；S22、根据感兴趣区域k，分别采用全连接网络和卷积网络进行边界框的识别分类及Mask预测，得到建筑物初始轮廓；S23、采用准确率ACC和查准率P评价建筑物初始轮廓的提取精度：S23、采用准确率ACC和查准率P评价建筑物初始轮廓的提取精度：其中TP表示预测为正，实际为正的数目，TN表示预测为负，实际为负的数目，FP表示预测为正，实际为负的数目，fN表示预测为负，实际为正的数目；S24、根据建筑物初始轮廓的提取精度对Mask R
‑
CNN模型进行不断迭代与参数微调，直到提取精度达到最优，得到Mask R
‑
CNN提取的建筑物轮廓；S25、将Mask R
‑
CNN提取的建筑物轮廓进行二值化处理，并将二值化处理后的像素点乘以sobel算子以得到该像素点的灰度矢量值：
【专利技术属性】
技术研发人员：丁小辉，江威，刘凌佳，李瑞友，刘照，张勇，
申请(专利权)人：江西财经大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。