【技术实现步骤摘要】
本专利技术涉及遥感技术，具体涉及一种宅基地建筑变化检测方法、装置及设备。
技术介绍
1、对于建筑变化检测，国内外很多学者及科研机构都曾从不同的角度针对不同的实地情况提出过各种各样的思路和方法。
2、基于遥感影像的变化检测一直都是热点的研究课题，并且在诸多学者的不断研究中发展迅速。经过多年来多个阶段的发展，分析单元从起初的基于像素发展到基于对象、场景以及基于上述分析单元的混合分析。
3、1）基于像素
4、遥感影像变化检测诞生之初开始被研究的便是基于像素单元的变化检测技术，经过了几十年的研究与发展，已经出现了大量的基于像素的检测技术和算法，如 rawashdeh等曾通过逐像素差分法检测21年间大范围干旱区域内用地类型的变化(rawashdeh.et al,2011)。由于单像素点检测方法存在很大的局限性，为了更好地处理相邻像素点之间的相互关系和影响，后期又提出了像素滑动窗口（kernel）的概念(tewkesbury, comber and tateet al., 2015)。基于像素的检测技术可以通过相对低复杂的算法实现针对明显的变化进行检测，即使像素滑动窗口的提出也并未能很好地融合像素间的信息，依然存在缺乏对完整影像图的信息提取和上下文信息混合分析的问题，因而无法很好地检测不明显的变化，受环境和影像质量影响也较大。但时至今日仍然有许多学者在不断地研究和发展基于像素的检测技术。
5、2）基于对象
6、基于对象的检测方法核心是先将需要检测的对象先从完整影像中分割出来，然后在
7、3）基于场景
8、基于场景的检测方法以场景作为检测单元，其核心是通过对多时相的遥感影像图进行变化规律性学习，而后从其他场景中检测与规律不符的内容，从而实现检测变化。基于场景的变化检测不仅关注地表是否曾经发生变化，甚至可以识别出变化的类型(wu, zhangand du, 2017)。基于场景的变化检测分析的出现预示着基于遥感影像的变化检测已经开始迈入机器学习的领域，已经有学者将这种针对变化的规律性学习使用机器学习的方法实现。但基于场景的检测方法会受到整个场景内变化带来的影响，相同地物在两场景内不同的状态会导致出现伪变化。
9、而具体至建筑的变化检测，多年来不同的学者也发表了很多不同处理方式，但检测的核心都主要集中在提取两个时相的影像图中建筑物，进行叠加分析判断建筑物是否发生变化。
10、众多国外内学者曾提出各类不同的具体检测方案。何浩等提出了基于视差和建筑物阴影提取建筑物屋顶的轮廓后，使用叠加分析判断建筑物改建和新增的检测方法，检测结果精度较高，但对于建筑物屋顶光谱不均匀或地面光谱与屋顶光谱(何浩，刘修国，沈永林, 2019)。李昌鹏等则介绍了一种统计区域合并配合主动轮廓模型的面向对象检测建筑变化方法，可获得比传统方法更好的精度，但错误率受算法的参数影响较大(李昌鹏,2019)。卢丽琛等同样基于面向对象检测法，通过分形网络演化多尺度分割算法分割对象，然后利用em算法结合bmi算法和cva算法的建筑物变化检测方法，检测精度优于基于像元的检测方法(卢丽琛，洪亮, 2021)。还有顾及多特征的检测方法，将建筑物特征、光谱特征、阴影特征等通过算法提取后再通过特定算法融合和提取，最终经过决策模型获取建筑物变化检测结果(王慧贤, 2020)。此外也有针对无人机高分辨率高精度的遥感影像进行特别改进的基于形态学的建筑物指数的建筑物变化检测方法，其改进后的算法检测精度相比于改进前，漏检率、错检率都有相当程度的下降，总体精度也有了一定的提升(黎宝琳, 2020)，这证明了旧有的方法并不能完全地发挥无人机高分辨率影像所带来的优势， 仍有然较大的进步空间。
11、而对于深度学习而言，现有的主要思路为通过深度学习对已知、已标签的遥感影像进行深度模型提取建筑物训练，然后使用深度网络模型对相同区域的两时相遥感影像图分别进行建筑物的图像语义分割得到建筑物二值图，再进行叠加分析检测变化。根据使用模型的不同，成果精度和速度也有所不同，如基于fpn res-unet 结构，检测的准确率、召回率和f1指数都达到了0.90以上(王明常，朱春宇，陈学业等, 2021)；基于随机补片和deeplabv3+ 的检测方案，相比于马氏距离法监督学习和u-net语义分割，该法检测的像素精度最优可以达到99.17%，平均像素精度也可以达到93.24%(王民水，孔祥明，陈学业等,2020)。同样基于孪生神经网络的siamresnet，在两个不同地区的各项检测精度指标都在不同程度超越传统方法,准确率和kappa指数都可以达到0.90和0.80以上(倪良波，卢涵宇，卢天健等, 2020)。国外也有学者曾研究过同样基于孪生神经网络的建筑物变化检测，检测的精度优于比主流的检测方法(moyang, kun and xiuping et al., 2020)。同时也有学者提出了多特征融合后再结合深度学习的研究方案，如通过将纹理特征、形态学特征、光谱特征等特征进行融合生成特征构造图后，再通过深度学习或机器学习基于特征构造图进行分类学习，最终获得较高精度的建筑物变化二值图，部分检测精度可以达到召回率82.94%、精确率99.10%和f1指数90.30%，并尽可能地降低了环境条件带来的影响(王昶，张永生，纪松等,2021)。
12、尽管基于遥感影像的建筑物变化检测已经有很多的方案和很不错成果，但综合下来依然存在下列问题：
13、1）由于变化检测的核心主要是提取影像图中建筑物，但不同的提取方案各有自己的局限性，如当建筑物变化后占地面积或轮廓特征变化不明显、建筑物的光谱特征与地表光谱特征相近等情况时，将难以提取建筑物，也就无法准确判断建筑物的变化情况。
14、2）对于变化检测的精度评定，绝大部分方法都是运用基于像素的评定方式，该方式或许并不合适面向建筑物对象的检测方式。
15、3）绝大部分方案的最终输出方式都是基于建筑物二值图或轮廓图的对比结果，结果难以与矢量化、信息化地籍管理系统直接配合工作。
技术实现思路
1、本专利技术的目的在于克服上述现有技术的不足，提供一种宅基地建筑变化检测方法、装置及设备，以实现对已知宅基地的建筑物变化情况进行监测，并且可以与现有的地理数据库进行较好地配合，构建自动化、智能化的宅基地建筑物变化检测系统。
2、为实本文档来自技高网...
【技术保护点】
1.一种宅基地建筑变化检测方法，其特征在于，包括：
2.如权利要求1所述的宅基地建筑变化检测方法，其特征在于，在所述根据所述若干影像块来生成配对表之前还包括：
3.如权利要求1所述的宅基地建筑变化检测方法，其特征在于，所述孪生神经网络包括两个U-Net子网络、一全连接层和一决策层；所述两个U-Net子网络共享相同的参数，用于对两含有单个独立建筑的遥感影像图块进行建筑特征提取，得到两建筑特征图来作为全连接层的输入，全连接层将两建筑特征图映射为两特征向量并计算两特征向量的距离，得到距离向量来作为决策层的输入，决策层输出特征向量值来表示的图像块之间的相似度，以判断宅基地建筑是否发生变化。
4.如权利要求3所述的宅基地建筑变化检测方法，其特征在于，所述决策层采用Sigmoid分类器；所述决策层输出特征向量值来表示的图像块之间的相似度，以判断宅基地建筑是否发生变化，包括：
5.如权利要求1所述的宅基地建筑变化检测方法，其特征在于，在采用训练集来对孪生神经网络进行模型训练之前，还对所述训练集进行图像增强运算，所述图像增强运算包括翻转、旋转和镜像
6.如权利要求1所述的宅基地建筑变化检测方法，其特征在于，所述孪生神经网络采用Binary Cross Entropy作为损失函数，并对 Binary Cross Entropy 损失函数进行加权。
7.如权利要求1所述的宅基地建筑变化检测方法，其特征在于，所述配对表通过如下方式来生成，包括：
8.如权利要求1所述的宅基地建筑变化检测方法，其特征在于，所述遥感影像图为通过无人机拍摄获取的正射影像图。
9.一种宅基地建筑变化检测装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
...【技术特征摘要】
1.一种宅基地建筑变化检测方法，其特征在于，包括：
2.如权利要求1所述的宅基地建筑变化检测方法，其特征在于，在所述根据所述若干影像块来生成配对表之前还包括：
3.如权利要求1所述的宅基地建筑变化检测方法，其特征在于，所述孪生神经网络包括两个u-net子网络、一全连接层和一决策层；所述两个u-net子网络共享相同的参数，用于对两含有单个独立建筑的遥感影像图块进行建筑特征提取，得到两建筑特征图来作为全连接层的输入，全连接层将两建筑特征图映射为两特征向量并计算两特征向量的距离，得到距离向量来作为决策层的输入，决策层输出特征向量值来表示的图像块之间的相似度，以判断宅基地建筑是否发生变化。
4.如权利要求3所述的宅基地建筑变化检测方法，其特征在于，所述决策层采用sigmoid分类器；所述决策层输出特征向量值来表示的图像块之间的相似度，以判断宅基地建筑是否发生变化，包括：
5...
【专利技术属性】
技术研发人员：石晓春，李炘妍，张月梅，常中兵，丁德生，郑华健，黄冠贤，汪嘉霖，许伟杰，宋肖峰，谭宾，梁寓琛，王荣浩，杨紫怡，
申请(专利权)人：广东省国土资源测绘院，
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。