一种基于高分辨率遥感影像的城镇违法建筑物检测方法

技术领域

本发明涉及城市建设的技术领域，特别是涉及一种基于高分辨率遥感影像的城镇违法建筑物检测方法。

背景技术

随着我国城市化和工业化的快速发展，城镇人口急剧增长，城镇用地规模持续扩大，对土地的需求也愈发旺盛。全国违法用地现象接连不断发生，如何有效控制这种情况已变得非常紧迫。因此，如何有效抵制违法违规用地现象发生并形成依法用地的良好社会风气，制约着我国经济的可持续发展。与此同时，随着国家法律法规的健全，土地监管的执法也愈发严格，提高土地管理的水平，制止乱占滥用土地事不宜迟。土地资源管理的首要任务是要全面、及时、准确地掌握土地信息，这样才能有效的进行宏观调控。遥感技术具有信息多、效率高、多层次、现实性强等特点，而且与传统方法相比较，它具有费用低、速度快、精度高、周期短的优势。在现有的城市违章物监管技术中，监管方式主要是以卫星、无人机遥感为主，其在大范围测量上有不可替代的作用。

检测的主要方法是根据建筑物前后时像变化的部分再与政府规划图进行比对进而判别违法的建筑物。建筑物变化检测算法可以分为两类，包括经典图像处理的方法和基于深度学习的方法。基于经典图像处理的方法主要采取像素级、特征级和对象级图像处理，人工参与过多，并且测出伪变化区域可能性较大。其次，有些基于经典图像处理的方法需要构建数字表面模型和利用地理信息系统，计算复杂且成本较高。随着深度神经网络的不断优化改进，尤其是卷积神经网络的提出，网络对图像的特征提取能力进一步提高。深度神经网络可以自动学习复杂情况下的深度变化特征，解决了经典图像处理方法在图像变化检测中人工参与多、鲁棒性差、特征提取能力有限等缺点。深度卷积网络突出的通用表征学习能力使得基于海量遥感大数据进行分析时，对跟踪实时的城市建设变化起到一个很好的监督监管作用，也为政府的管理决策提供非常好的依据。

发明内容

为解决上述技术问题，本发明提供一种基于高分辨率遥感影像的城镇违法建筑物检测方法，以实现对前后两时相的遥感影像建筑物变化特征提取，得出建筑物变化结果二值图，与政府规划图比较，检测出违法建筑物，为城镇规划管理提供便捷的信息支撑。

本发明的一种基于高分辨率遥感影像的城镇违法建筑物检测方法，包括以下步骤：

(1)对前后两时相的高分辨率遥感影像进行几何校正、图像配准、去噪和归一化预处理，得到分布较为一致的高分辨率遥感影像数据；

(2)将预处理后的前后两时相高分辨率遥感影像采取相同尺寸进行切割，然后成比对，使用labelme标签制作工具标注影像中建筑物变化的部分，得到对应变化的标签图；

(3)使用GDAL库对切分后的前后两时相高分辨率遥感影像进行波段叠加，得到6通道的遥感建筑物融合影像；

(4)对6通道的遥感建筑物融合影像和标签图进行翻转、修剪，得到增广数据集；

(5)构建建筑物变化检测网络，该建筑物变化检测网络以Unet++网络为基础，在每个卷积层后加入了BN层，损失函数为交叉熵函数和dice函数，优化器选用Adam；

(6)利用训练样本训练建筑物变化检测网络，获得建筑物变化检测模型；

(7)将待检测的前后两时像高分辨率遥感影像先后进行(1)和(3)中的操作，得到6通道的融合影像，再对融合影像进行边缘膨胀后切割获得待测试样本数据集；

(8)将待测样本输入到训练好的建筑物变化检测模型中，得出前后两时相高分辨率变化的建筑物变化结果二值图，并与政府规划图比较，判别变化的建筑物是否属于违法。

本发明的一种基于高分辨率遥感影像的城镇违法建筑物检测方法，所述(1)中几何校正包括：获取地面上的控制点的信息，结合卫星系数形成校正公式，得到精准的正射影像；

图像配准包括：以前后时像遥感影像中的任意一个影像作为参考，并建立参考坐标系；采用角点算子获得特征点，利用一次多项式全局变换模型对特征点进行筛选，并使用相关匹配操作进行特征但匹配，利用获得匹配特征点即匹配关系进行投影变换模型参数的估计，进而获得投影变换模型，最后利用建立的投影变换模型对前后两时相高分辨率遥感影像进行几何变换和插值处理，获得配准图像；

去噪包括：由于所使用的数据集每个通道深度不同，根据其通道深度确定每个像素点的亮度值，对每个通道的像素点亮度值分布进行观察，去除极少量过于偏大和偏小的亮度值；

影像数值归一化包括：处理后的每个通道的数值范围不一致，需要对其归一化到0～1之间，这样做使得神经网络算法快速的收敛。

本发明的一种基于高分辨率遥感影像的城镇违法建筑物检测方法，对于所述(5)中的建筑物变化检测网络结构特征图提取部分，首先实现一个二维卷积层(Conv2D),第二个卷积层之前加入了BN层，然后应用另一个Conv2D层和BN层，最后将第二个BN层和第一个Conv2D层的输出相加，生成输出；采用成比例的指数线性单元selu作为激活函数，实现更强的正则化，使得学习过程具有更好的鲁棒性；激活函数Selu公式如下：

其中α约等于1.67326，λ约等于1.05070；

对于(5)中的建筑物变化检测网络结构的特征融合部分采用多级特征图生成策略(MSOF)替换Unet++网络结构的多侧输出融合深度监督模块，通过MSOF操作，来自所有边输出的多级特征信息被放入到最终输出γ

对于(5)中的建筑物变化检测网络结构的损失函数：在sigmoid分类器之后生成五个输出，相应的权重表示为ω

其中

其中ξ

其中β＝|γ

两个轮廓区域的相似性可以用骰子系数来确定，骰子系数损失可定义为：

本发明的一种基于高分辨率遥感影像的城镇违法建筑物检测方法，所述(3)中对波段叠加后的待检测前后两时像遥感建筑物影像先进行宽和长为1/4的边界填充，然后再做切割，切割时相邻的图像块之间至少存在1/3重复区域；在获得深度神经网络的结果图后进行形态学图像方法的后处理，包括腐蚀和膨胀。

与现有技术相比本发明的有益效果为：通过该方法可以大范围的检测所在区域的建筑物变化结果，只需要把预处理后的遥感影像放入训练好的深度神经网络模型中，即可快速检测，通过与政府规划图比对就能自动判别出违章的建筑物，为政府的管理决策提供非常好的依据。

附图说明

图1是本发明专利提供的高分辨率遥感建筑物变化检测实施框图；

图2是本发明专利提供的高分辨率遥感建筑物变化检测的深度卷积神经网络Unet++结构示意图；

图3是本发明专利提供的高分辨率遥感建筑物变化检测所使用的Unet++网络结构中的添加BN层的位置示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

基于深度学习的高分辨率遥感建筑物违章检测方法，如图1所示，针对同一地区的前后两时像遥感影像，首先对两幅高分辨率遥感影像进行几何校正、影像配准；使用GDAL库对两时像遥感影像先进行波段叠加再切割成固定尺寸大小，使用labelme对前后两时像变化的建筑物标注制作训练集样本；对改进的Unet++深度学习网络模型进行训练；对想要检测建筑物是否违章的区域前后两时像遥感影像进行同样的预处理，对其进行波段叠加、边缘填充和重叠式切割后送入以训练好的模型；最后利用形态学图像处理方法对模型预测的结果进行后处理，再与政府规划图进行比对，得到可能违章的建筑物；

本方法具体实施过程如下：

步骤1，遥感影像预处理：

针对航空遥感影像的特点，本实施例的影像预处理如下：

几何校正：获取地面上的控制点的信息，结合卫星系数形成校正公式，得到精准的正射影像；

图像配准：以前后时像遥感影像中的任意一个影像作为参考，并建立参考坐标系；采用角点算子获得特征点，利用一次多项式全局变换模型对特征点进行筛选，并使用相关匹配操作进行特征但匹配，利用获得匹配特征点即匹配关系进行投影变换模型参数的估计，进而获得投影变换模型，最后利用建立的投影变换模型对前后两时相高分辨率遥感影像进行几何变换和插值处理，获得配准图像；

去噪：由于所使用的数据集每个通道深度不同，根据其通道深度确定每个像素点的亮度值，对每个通道的像素点亮度值分布进行观察，去除极少量过于偏大和偏小的亮度值；

归一化：处理后的每个通道的数值范围不一致，需要对其归一化到0～1之间，这样做使得神经网络算法快速的收敛；

步骤2，数据标注和数据增强：

对于高分辨率遥感影像的建筑物变化来说，公开的数据集只能代表某个地区的建筑特征，不具有很强的广泛性，因此需要对经过预处理的同一区域的前后两时像的高分辨率遥感影像进行标注和数据增强；具体操作如下：

图像标注：分别把前后两时像的遥感建筑物影像切分成长宽为512×512的图片，使用labelme标注工具标出图片中变化的建筑物部分，生成二值标签图；

波段叠加：使用GDAL库对前后时像的建筑物遥感影像进行波段叠加，获得一张波段数为6的影像，其中波段排列方式为“RRGGBB”；

影像切分：对(2)中获得的6波段融合影像进行切分，切分成和标签图1样的尺寸；

数据增强：对切分后的标签和6通道融合图像同时进行旋转、切角操作，增加训练样本的数量；

步骤3，模型结构设计：

本方法对原始的Unet++网络结构模型进行改进，如图2所示：Unet深度神经网络可以从多级卷积路径中提取多尺度特征，采用了与DenseNet相同的幂集连接策略；以X

其中H(.)表示激活函数后的卷积运算，(.)表示一个上采样操作，[.]表示串联操作；j＝0的节点值接收来自前一个瞎猜样的输入，j＞0的节点接收j+1个跳连路径和上采样的输入；例如X

如图3所示：在第二个卷积层之前加入了BN层，然后应用另一个Conv2D层和BN层，最后将第二个BN层和第一个Conv2D层的输出相加，生成输出；解决了深度神经网络梯度下降陷入局部极值和反向传播过程中的梯度消失问题；使得网络可以随机初始化，并使用更大的学习率；

采用成比例的指数线性单元selu作为激活函数，实现更强的正则化，使得学习过程具有更好的鲁棒性；激活函数Selu公式如下：

其中α约等于1.67326，η约等于1.05070；如图2所示：高分辨率遥感影像建筑物变化的特征融合采用多级特征图生成策略(MSOF)替换Unet++网络结构中的多侧输出融合深度监督模块；对于四个输出节点{X

其中

在建立的网络架构中，sigmoid分类器之后生成五个输出，相应的权重表示为ω

其中

其中ξ

其中β＝|γ

两个轮廓区域的相似性可以用骰子系数来确定，骰子系数损失可定义为:

步骤4，网络模型的训练：

本方法是由Keras以Tensorflow为后端实现，服务器的CPU为因特尔的i7-9700K，GPU为英伟达的GTX2080Ti，在训练过程中，学习率设置为1×10-4,,采用Adam优化器，每批图片的大小设置为10epochs，每过5epochs学习率下降一次；

步骤5，建筑物变化预测：

对于预测模型和图像真值图之间的比较，使用精度(P)、召回率(R)、评分(F1)、准确率(OA)来表示，在变化检测中P表示少量误报，R表示少量漏检，F1和OA表示整体性能，值越大性能越好；表达式如下：

其中TP、FP、TN、和FN分别表示本来是正样例且分类成正样例；本来是负样例，分类成正样例；本来是负样例，分类成负样例；本来是正样例，分类成负样例；

步骤6：对于步骤5得到的建筑物变化结果二值图，通过与政府规划图做比较得到违章的建筑物。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。