[發明專利]一種用于建筑物變化檢測的局部背景語義信息增強方法

在審

• 申請號: 202110382282.6
• 申請日: 2021-04-09
• 公開（公告）號: CN112801929A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 吳敦;應良中;孫華;高廣;費佳寧;李東;卞婷玉
• 申請（專利權）人: 寶略科技（浙江）有限公司
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T7/00;G06T3/40
• 代理公司: 寧波甬致專利代理有限公司 33228
• 代理人: 高瑞霞

本發明涉及一種用于建筑物變化檢測的局部背景語義信息增強方法，即：對比前后時相的兩張建筑物原圖，在兩張原圖上標注出建筑物變化區域，生成標注矢量文件，將原圖裁切成N塊高為H、寬為W的小圖，將標注矢量文件轉換為和原圖等寬、等高的二值圖，然后裁切出N塊高為h，寬為w的標簽，其中h=H/2，w=W/2，形成的圖作為訓練樣本，構建出深度學習模型，對深度學習模型進行訓練，任意選取一張待檢測的遙感圖像輸入到訓練得到的模型中，該方法實現了局部背景語義信息增強，即W與w之間的差值部分以及H與h之間的差值部分的背景像素對邊緣區域的檢測形成了信息增強，從源頭為深度學習模型判別提供了決定性的上下文特征，顯著提高檢測準確率。

技術領域

本發明涉及計算機視覺技術領域，尤其是涉及一種用于建筑物變化檢測的局部背景語義信息增強方法。

背景技術

中國社會經濟的快速發展加速了城市的空間擴展，在城市化進程中，建筑物作為活躍的城市要素，會出現大量更新。精確、高效的建筑物變化信息提取對于城市規劃等業務具有重要意義。

衛星遙感技術的發展為各個研究領域帶來了大量遙感數據，其中遙感圖像已經成為建筑物變化檢測技術的重要數據來源。高分辨率遙感圖像中地物信息豐富，但“同物異譜，同譜異物”的情況嚴重，這也對如何有效利用這些信息進行建筑物變化檢測提出了巨大挑戰。隨著深度學習技術的創新與發展，其以無需通過專家進行手工設計和泛化能力強等特點，為建筑物變化檢測帶來了新的可能性。

在實際應用中，由于現代都市高樓林立以及不同時相鏡頭拍攝姿態不同，導致建筑物出現投影差、現有算法無法處理等問題，需通過人工來檢測出建筑物變化的區域，但面對城市數量級的建筑物造成的海量勾繪任務，其效率低、成本高是該領域無法回避的痛點。

局部背景語義信息增強算法能讓深度學習算法有效的處理投影差現象，進一步提高建筑物變化檢測的準確率。

發明內容

本發明所要解決的技術問題是提供一種精度高、效率高，且成本低的用于建筑物變化檢測的局部背景語義信息增強方法。

本發明所采用的技術方案是，一種用于建筑物變化檢測的局部背景語義信息增強方法，該方法包括下列步驟：

步驟一、對比前后時相的兩張建筑物原圖，在兩張建筑物原圖上標注出建筑物變化的區域，即勾繪建筑物變化區域，生成標注矢量文件，其中建筑物原圖的高度設為OH，寬度設為OW；

步驟二、分別將前后時相的兩張建筑物原圖裁切成N塊高為H、寬為W的小圖，其中OH大于H，OW大于W；

步驟三、將步驟一中生成的標注矢量文件轉換為高度為OH、寬度為OW的二值圖，再將得到的二值圖裁切為N塊高為h、寬為w的標簽，每塊標簽均位于對應的每塊小圖的正中間，其中h=H/2，w=W/2；

步驟四、將步驟二中前時相的N塊小圖分別與后時相的N塊小圖一一對應進行拼接，拼接后形成的圖作為訓練樣本，并生成訓練樣本集，即訓練樣本集中包括了N塊拼接形成的圖；

步驟五、構建出深度學習模型；

步驟六、對深度學習模型進行訓練：將步驟四中生成的訓練樣本集輸入到步驟五構建的深度學習模型勾網絡結構中，獲得深度學習模型的輸出結果，將輸出結果與步驟三中的標簽輸入到損失函數中計算出損失值，再通過反向傳播算法以損失值等于0為目標來更新網絡權重，不斷迭代，實現深度學習模型的訓練；

步驟七、任意選取一張待檢測的遙感圖像，在該遙感圖像上應用步驟六中訓練得到的深度學習模型。

本發明的有益效果是：采用上述一種用于建筑物變化檢測的局部背景語義信息增強方法，該方法實現了局部背景語義信息增強，即W與w之間差值部分的背景像素以及H與h之間差值部分的背景像素對邊緣區域的檢測形成了信息增強，從源頭上為深度學習模型判別提供了決定性的上下文特征，在該領域，屬于從無到有的一項技術，是質的飛躍，顯著提高了檢測的準確率、精度以及檢測效率，并且成本低。