[發(fā)明專利]結(jié)合災(zāi)前和災(zāi)后遙感影像信息的損毀建筑物自動識別方法

有效

• 申請?zhí)枺?/td>: 201911365254.2
• 申請日: 2019-12-26
• 公開（公告）號: CN111126308B
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計）人: 慎利;喬文凡;張文俊;曹云剛
• 申請（專利權(quán)）人: 西南交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62
• 代理公司: 成都虹橋?qū)＠聞?wù)所(普通合伙) 51124
• 代理人: 吳中偉

本發(fā)明涉及圖像處理技術(shù)，其公開了一種結(jié)合災(zāi)前和災(zāi)后遙感影像信息的損毀建筑物自動識別方法，首先通過人工解譯的方式制作基于FCN的災(zāi)前建筑物提取和基于CNN的災(zāi)后損毀建筑識別樣本庫，并對構(gòu)建的FCN模型和CNN模型進行訓練。利用訓練好的FCN模型提取災(zāi)前影像中的建筑物，獲得災(zāi)前影像建筑區(qū)域，并采用基于對象分割策略分割災(zāi)前影像建筑區(qū)域，得到災(zāi)前建筑物分割對象，最后利用訓練好的CNN模型處理災(zāi)后影像得到對應(yīng)災(zāi)后影像的損毀建筑物置信矩陣，用于判斷每個災(zāi)前建筑物分割對象是否損毀，得到災(zāi)后損毀建筑圖。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)，具體涉及一種結(jié)合災(zāi)前和災(zāi)后遙感影像信息的損毀建筑物自動識別方法。

背景技術(shù)

建筑密集區(qū)是人類活動的主要場所，同時也是自然災(zāi)害發(fā)生時人員傷亡和財產(chǎn)損失最嚴重的區(qū)域。地震等自然災(zāi)害損毀的建筑物嚴重威脅著居民的生命和財產(chǎn)安全，因此針對損毀建筑區(qū)域的居民營救是救援工作的主要內(nèi)容。實時、準確、快速的識別和定位損毀建筑物是緊急救援、搶險以及災(zāi)后重建工作有序進行的關(guān)鍵和亟待解決的問題。

隨著在軌高分辨率遙感衛(wèi)星平臺以及低空平臺的輕小型航空飛機和無人機所構(gòu)建的立體觀測系統(tǒng)不斷發(fā)展和完善，遙感技術(shù)全天候、全天時精確地觀測和獲取地表信息成為可能。由于遙感影像觀測范圍廣、目前已經(jīng)廣泛被用于災(zāi)情獲取的任務(wù)中。目前利用高分辨率遙感影像獲取災(zāi)情成為一種有效的手段，其具有觀測范圍廣、人工成本低、時效性高的優(yōu)勢，可以有效避免搶險人員進入災(zāi)區(qū)觀測所面臨的風險，并且不會因災(zāi)區(qū)道路阻塞影響觀測。高分辨率遙感影像能夠為解譯損毀建筑提供更加精細的紋理和空間信息，并且獲取日益便利，為損毀建筑物識別和定位提供了重要支撐和保障(Menderes et al.,2015)。

然而，從高分辨率遙感影像中解譯損毀建筑非常困難，由于建筑物損毀程度不同，導(dǎo)致建筑損毀后形態(tài)各異，具有很強的類間相似性和較弱的類內(nèi)相似性，例如完全倒塌的建筑很難與裸地區(qū)分，輕微損毀的建筑物又難以與未損毀建筑物區(qū)分。傳統(tǒng)的高分辨率遙感影像自動解譯方法對視覺特征的提取和解譯能力較弱，一般需要基于大量的先驗知識來人為設(shè)計特征，但大量的規(guī)則設(shè)置造成解譯流程復(fù)雜繁瑣，并且針對分辨率高和覆蓋范圍廣的影像開展解譯任務(wù)時會表現(xiàn)出泛化能力較弱的特點，難以滿足實際應(yīng)用的需求。因此，目前仍然主要依靠人工目視解譯的方法對受災(zāi)區(qū)域的遙感影像進行解譯，但是這種方式不僅需要消耗大量的人力物力，而且解譯時間長，很難滿足快速應(yīng)急搶險救援的需求。

另一方面，以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)模型為代表的深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為復(fù)雜特征的自動提取和易混淆地物的解譯提供可能，其基于一定數(shù)量的標注訓練樣本，能夠自動從原始影像中學習到由低層次視覺特征到高層次語義特征的層次化特征，能夠有效避免人為的特征設(shè)計對先驗知識的依賴，極大地增加模型的泛化能力。目前，針對損毀建筑識別的問題，基于深度神經(jīng)網(wǎng)絡(luò)的模型主要有兩種分析框架，即基于場景解譯框架和基于語義分割框架。具體而言，基于場景解譯的框架一般利用CNN將損毀建筑物所在場景標注為損毀建筑場景，卻不能精確的定位損毀建筑物。為了彌補其不足，通常采用固定大小的滑動窗口對原始影像進行處理，滑動窗口以相同的步長對原始影像進行切分，通過依次對切分的影像塊標注的方式實現(xiàn)像素級解譯，解譯結(jié)果往往較粗糙，細節(jié)信息大量丟失。基于語義分割框架的解譯方法利用全卷積神經(jīng)網(wǎng)絡(luò)(Full convolutionalneural network,FCN)，它能夠直接獲得像素級的損毀建筑識別結(jié)果，但FCN模型所需的訓練樣本獲取困難，需要大量專業(yè)人員手工勾繪，并且災(zāi)后影像中損毀建筑的邊界模糊，導(dǎo)致難以制定制作訓練樣本的統(tǒng)一標準，除此之外，災(zāi)后影像中損毀建筑與背景所占的比例嚴重失衡，不利于FCN模型對損毀建筑特征的學習。因此，直接利用FCN模型得到理想的損毀建筑識別結(jié)果難以實現(xiàn)。

可見，單獨利用CNN模型或者FCN模型進行損毀建筑的自動識別都存在一定的缺陷。此外，經(jīng)過研究發(fā)現(xiàn)，單獨利用災(zāi)后影像進行解譯會因為影像信息不足而只能提取建筑損毀后的邊界，不利于準確定位建筑基座位置和評估災(zāi)情，而結(jié)合災(zāi)前影像的先驗信息可以有效的避免災(zāi)后影像信息的局限性。