一种城市建筑物类型变化遥感检测方法技术

本发明专利技术提出了一种城市建筑物类型变化遥感检测方法

【技术实现步骤摘要】
一种城市建筑物类型变化遥感检测方法


[0001]本专利技术涉及建筑物类型变化遥感检测方法
，特别是一种城市建筑物类型变化遥感检测方法
。

技术介绍

[0002]城市区域，建筑物变化是城市化进程的重要体现，在改变地表覆盖的同时直接影响着人们利用土地的方式
。
获取精准的城市建筑物变化信息，包括区域变化和类型变化，是掌握城市土地利用现状的基本信息，也是城市可持续发展规划的基础数据支撑
。
此外，在建筑物个体尺度上，自动地识别建筑物变化信息，有助于地理国情监测工程中建筑物变化统计工作的开展
。
而传统的建筑物类型变化信息只能依靠人工测绘或者人工目视解译获得，耗时耗力
。
[0003]随着遥感技术的不断发展，遥感影像的空间分辨率不断提高，高空间分辨率的遥感影像为精细化的建筑物变化识别带来机会
。
目前的建筑物变化检测方法主要通过直接提取影像特征，然后通过复杂的特征学习方式以识别变化信息等，不可避免的受到拍摄视角
、
影像偏移等影响所带来的伪变化干扰，将伪变化信息错误的识别为真实的建筑物变化
。
此外，现有的遥感影像的建筑物变化自动检测方法仅关注建筑物区域变化信息，难以有效地识别建筑物的类型变化信息
。
因此如何同时识别建筑物区域变化和类型变化，并有效地减缓伪变化等噪声所带来的影响，是当前亟待解决的问题
。
本方法通过深度学习技术实现建筑物类型变化自动
、
>精准检测
。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种城市建筑物类型变化遥感检测方法，克服了传统方法无法识别建筑物类别变化信息，且识别结果存在明显伪变化的问题
。
[0005]为实现上述目的，本专利技术采用如下技术方案：一种城市建筑物类型变化遥感检测方法，包括以下步骤：
[0006]步骤
S1
：获取研究区的双时相高分辨率遥感影像，并对影像进行预处理操作，包括辐射校正
、
正射校正
、
影像融合
、
影像重采样等操作；
[0007]步骤
S2
：构建基于
Swim Transformer
的语义分割任务模块，提取多尺度双时相影像特征，学习建筑物特征信息；具体的，利用多尺度学习，以缓解单一尺度学习中小尺度几何特征表征能力弱，大尺度语义特征表征能力弱的问题，提升语义分割任务的精度；并对双时相影像同一尺度特征进行对比损失计算，通过对比损失优化，减小真实变化特征之间的相似性，扩大伪变化特征之间的相似性；结合多尺度缓解单尺度中无法同时顾及语义特征与几何特征表征能力的问题，突出真实变化信息；
[0008]步骤
S3
：构建基于
Swim Transformer
的变化检测任务模块，提取影像变化特征，学习影像之间的变化信息；基于多任务思想，分别构建双时相多类别建筑物类型变化图与二值变化变化图解码器；
[0009]步骤
S4
：设计针对双时相影像建筑物变化的语义边界损失和二值变化损失；具体地，多分类语义分割任务中采用加权损失减缓训练过程中建筑物类型数量不均衡的问题；
[0010]步骤
S5
：制作多类别建筑物变化样本集，将建筑物划分为未变化建筑物
、
离散建筑物，简易单用途建筑物，复杂多用途建筑物以及居民楼；对双时相影像进行滑动裁剪和样本增强操作，构建训练和验证样本集；
[0011]步骤
S6
：模型训练与预测，最终获得双时相影像的建筑物类型变化图与变化区域二值图
。
[0012]在一较佳的实施例中，步骤
S1
中具体包括以下步骤：
[0013]步骤
S11
：选择待研究区两个不同时相的高分辨率遥感影像，分别对双时相影像进行预处理，包括大气
、
辐射校正
、
全色
‑
多光谱融合等操作；
[0014]步骤
S12
：基于
S11
获取的双时相影像进行地理配准
、
风格迁移等操作，并对不同分辨率的影像进行重采样至相同的分辨率，提高图像处理效率
。
[0015]在一较佳的实施例中，步骤
S2
中具体包括以下步骤：
[0016]步骤
S21
：选择
Swim Transformer
为基础网络，主要包含图像融合
、
下采样模块
、
掩码模块和多头移动窗口注意力计算模块；
[0017]步骤
S22
：基于孪生多任务网络学习框架，构建语义分割和变化检测两大模块，使用两个权值共享的多层注意力网络对双时相影像特征进行编码，同时学习影像中建筑物边界及其类型信息；
[0018]步骤
S23
：基于步骤
S22
提取到的多尺度特征，构建多尺度对比损失；具体的，相比于单尺度，多尺度可以同时顾及影像建筑几何特征与纹理特征的表征能力；通过对比损失计算减小真实变化特征之间的相似性，扩大伪变化特征之间的相似性，以缓解影像中的伪变化影响，主要做法如下：
[0019]采用余弦相似度计算基于通道方向上的多尺度相似性，计算公式如下：
[0020][0021]式中，
A
，
B
分别为
T1和
T2时像同一尺度的特征信息集，
A
i
，
B
i
分别表示
T1和
T2时像同一通道的特征向量；
S(A
，
B)
为向量相似性，数值在
[
‑1，
+1]之间，将相似度
S(A
，
B)
转换为距离
D
，计算公式如下：
[0022][0023]构建特征距离
D
差阈值生成伪标签，经试验，采用同一个网络提取同一类建筑物时特征
D
差在
0.1
～
0.4
，提取不同类建筑物时特征
D
差在
0.6
～
0.9
；最后
D
差阈值采用基础阈值与可学习阈值组成，基础阈值为
0.5
，可学习阈值由二值变化图的标签学习；伪标签反应通道方向上的特征变化；
[0024]基于上述步骤可以得到特征对应的建筑物信息是否变化的伪标签；基于伪标签构建多尺度特征损失计算函数；利用多尺度特征差将提取到的变化特征进行扩距，伪变化或未变化特征进行缩距，进而突出变化信息与未变化信息；损失计算工具如下：
[0025][0026]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种城市建筑物类型变化遥感检测方法，其特征在于，包括以下步骤：步骤
S1
：获取研究区的双时相高分辨率遥感影像，并对影像进行预处理操作，包括辐射校正
、
正射校正
、
影像融合
、
影像重采样等操作；步骤
S2
：构建基于
Swim Transformer
的语义分割任务模块，提取多尺度双时相影像特征，学习建筑物特征信息；具体的，利用多尺度学习，以缓解单一尺度学习中小尺度几何特征表征能力弱，大尺度语义特征表征能力弱的问题，提升语义分割任务的精度；并对双时相影像同一尺度特征进行对比损失计算，通过对比损失优化，减小真实变化特征之间的相似性，扩大伪变化特征之间的相似性；结合多尺度缓解单尺度中无法同时顾及语义特征与几何特征表征能力的问题，突出真实变化信息；步骤
S3
：构建基于
Swim Transformer
的变化检测任务模块，提取影像变化特征，学习影像之间的变化信息；基于多任务思想，分别构建双时相多类别建筑物类型变化图与二值变化变化图解码器；步骤
S4
：设计针对双时相影像建筑物变化的语义边界损失和二值变化损失；具体地，多分类语义分割任务中采用加权损失减缓训练过程中建筑物类型数量不均衡的问题；步骤
S5
：制作多类别建筑物变化样本集，将建筑物划分为未变化建筑物
、
离散建筑物，简易单用途建筑物，复杂多用途建筑物以及居民楼；对双时相影像进行滑动裁剪和样本增强操作，构建训练和验证样本集；步骤
S6
：模型训练与预测，最终获得双时相影像的建筑物类型变化图与变化区域二值图
。2.
根据权利要求1所述的一种城市建筑物类型变化遥感检测方法，其特征在于，步骤
S1
中具体包括以下步骤：步骤
S11
：选择待研究区两个不同时相的高分辨率遥感影像，分别对双时相影像进行预处理，包括大气
、
辐射校正
、
全色
‑
多光谱融合等操作；步骤
S12
：基于
S11
获取的双时相影像进行地理配准
、
风格迁移等操作，并对不同分辨率的影像进行重采样至相同的分辨率，提高图像处理效率
。3.
根据权利要求1所述的一种城市建筑物类型变化遥感检测方法，其特征在于，步骤
S2
中具体包括以下步骤：步骤
S21
：选择
Swim Transformer
为基础网络，主要包含图像融合
、
下采样模块
、
掩码模块和多头移动窗口注意力计算模块；步骤
S22
：基于孪生多任务网络学习框架，构建语义分割和变化检测两大模块，使用两个权值共享的多层注意力网络对双时相影像特征进行编码，同时学习影像中建筑物边界及其类型信息；步骤
S23
：基于步骤
S22
提取到的多尺度特征，构建多尺度对比损失；具体的，相比于单尺度，多尺度可以同时顾及影像建筑几何特征与纹理特征的表征能力；通过对比损失计算减小真实变化特征之间的相似性，扩大伪变化特征之间的相似性，以缓解影像中的伪变化影响，主要做法如下：采用余弦相似度计算基于通道方向上的多尺度相似性，计算公式如下：
式中，
A,B
分别为
T1和
T2时像同一尺度的特征信息集，
A
i
,B
i
分别表示
T1和
T2时像同一通道的特征向量；
S(A,B)
为向量相似性，数值在
[
‑
1,+1]
之间，将相似度
S(A,B)
转换为距离
D
，计算公式如下：构建特征距离
D
差阈值生成伪标签，经试验，采用同一个网络提取同一类建筑物时特征
D
差在
0.1
～
0.4,
提取不同类建筑物时特征
D
差在
0.6
～
0.9
；最后
D
差阈值采用基础阈值与可学习阈值组成，基础阈值为
0.5
，可学习阈值由二值变化图的标签学习；伪标签反应通道方向上的特征变化；基于上述步骤可以得到特征对应的建筑物信息是否变化的伪标签；基于伪标签构建多尺度特征损失计算函数；利用多尺度特征差将提取到的变化特征进行扩距，伪变化或未变化特征进行缩距，进而突出变化信息与未变化信息；损失计算工具如下：
l
dis
＝
l1+l2+
…
+l
m
式中
D
为
S32
中的计算结果，
l
i
表示第
i
个尺度的特征差损失，
label
＝0表示此通道对应的特征未发生改变，
l
＝1表示此通道对应的特征发生改变；
max
为最大距离差，当
max
等于2表示特征之间完全不同；优化损失函数，减小双时相未变化目标的特征相似性，增大变化目标的特征相似性，通过相加计算集成多尺度对比损失形成总对比损失
。4.
根据权利要求1所述的一种城市建筑物类型变化遥感检测方法，其特征在于，步骤
S3
中具体包括以下步骤：步骤
S31
：基于步骤
S2
中提取的双时相影像多尺度特征，构建基于
Swim Transformer
的变化特征编码器，获得到时相影像的变化特征；步骤
S32
：基于孪生多任务学习思想，构建基于多尺度建筑物特征的双时相建筑物多分类解码器，构建基于影像变化特征的二值掩膜解变化图解码器；主要包含多尺度特征融合模块，在解码过程中融合多尺度信息，避免信息丢失
。5.
根据权利要求1所述的一种城市建筑物类型变化遥感检测方法，其特征在于，步骤
S4
中具体包括以下步骤：步骤
S41
：基于步骤
S2、S3
构建的孪生多任务网络模型，设计多任务损失函数，优化网...

【专利技术属性】
技术研发人员：李蒙蒙，张少锋，汪小钦，
申请(专利权)人：福州大学，
类型：发明
国别省市：