CN108197583B - 基于图割优化和影像结构特征的建筑物变化检测方法 - Google Patents

Abstract

本发明公开了一种基于图割优化和影像结构特征的建筑物变化检测方法，包括：S1，DSM滤波获得DEM，计算归一化数字表面模型(nDSM)；S2，计算差值DSM(dDSM)；S3，提取地物变化区域，将地物变化检测问题建模为二值化分类问题，地物变化区域为前景，其他区域为背景；S4，提出了一种稳健的影像结构特征，有效排除变化的植被等非建筑区域；S5，结合建筑物变化检测结果和高程数据，将变化的建筑物对象进一步区分为增高，降低，拆除，新建四类。本发明综合利用三维信息和影像光谱信息，能够显著提高建筑物变化检测的精度和可靠性，对城市规划、城市动态监测、城市增长检测、违章建筑物识别以及地理信息更新等领域具有重要意义。

Description

基于图割优化和影像结构特征的建筑物变化检测方法

技术领域

本发明属于建筑物变化检测领域，尤其涉及一种基于图割优化和影像结构特征的建筑物变化检测方法。

背景技术

建筑物变化检测作为地理国情监测的重要内容之一，对违章建筑物识别、城市动态监测以及地理信息更新等具有重要意义。以城市违章建筑物检测为例，随着我国经济社会不断发展，城市化进程不断加快，城市建筑物不断增长，违法建筑物的数量和规模也在不断增加，这种现象既破坏城市规划和城市景观，又影响城市形象和居民生活，既是老百姓关注的热点问题，又是城市管理的难点问题，更是影响社会和谐的负面因素之一。目前，“违法成本低，执法成本高”是违法建筑物屡禁不止的主要原因之一，除了相关法律环节欠缺外，对违法建筑物的检测方面也比较薄弱，由于对违法建筑物缺乏自动化的监测手段，利用人工检查的方式具有诸多弊端，一是发现过程周期较长，二是大范围的监测成本高昂。近年来北京等城市尝试了利用卫星影像数据进行违法建筑物检测，但是影像信息的自动分析技术仍然不够成熟，流程中人工识别和验证参与的比重大。每年全国的土地执法部门、城市管理部门用于该项任务的人力物力投入数以十亿计。市场上迫切需要一种自动化程度高、稳健可靠的方法进行城市违章建筑物的检测，从而推动城市违法建筑物的整治进程。

当前，建筑物自动变化检测的研究根据数据源可以分类为以下几个方面：一是单纯光谱信息的建筑物变化检测^[1-9]，受限于光谱信息在地物解译方面的歧义性以及当前的机器视觉智能化水平，目前的算法在通用性和可靠性方面尚有待完善；二是基于LiDAR点云的建筑物变化检测^[10-12]，LiDAR技术可以得到精度高、可靠性强的三维点云数据，结合同步影像的光谱信息可以获得精度高、可靠性强的建筑物变化检测结果，但目前LiDAR数据成本较高，且数据普及率低，尤其缺乏旧一期的LiDAR数据，因此应用范围比较受限；三是基于立体影像数据的建筑物变化检测^[13-17]，得益于近年来影像密集匹配技术的进步，通过立体影像数据可以提取出密度高的地表三维信息，通过综合两期的三维信息和对应影像的光谱信息可以获得高精度和可靠性的建筑物变化信息，但目前的变化检测结果受错误匹配结果的影像较大，光谱信息的利用还不够充分。

相关参考文献如下：

[1]Walter,V.Object-based classification of remote sensing data forchange detection.ISPRS Journal of photogrammetry and remote sensing 2004,58,225-238.

[2]季顺平；袁修孝.一种基于阴影检测的建筑物变化检测方法.遥感学报2007,323-329.

[3]Pacifici,F.；Del Frate,F.；Solimini,C.；Emery,W.J.An innovativeneural-net method to detect temporal changes in high-resolution opticalsatellite imagery.IEEE Transactions on Geoscience and Remote Sensing 2007,45,2940-2952.

[4]Bouziani,M.；

K.；He,D.-C.Automatic change detection ofbuildings in urban environment from very high spatial resolution images usingexisting geodatabase and prior knowledge.ISPRS Journal of Photogrammetry andRemote Sensing 2010,65,143-153.

[5]Vu,T.T.；Ban,Y.Context-based mapping of damaged buildings fromhigh-resolution optical satellite images.International Journal of RemoteSensing 2010,31,3411-3425.

[6]Li,P.；Xu,H.；Guo,J.Urban building damage detection from very highresolution imagery using ocsvm and spatial features.International Journal ofRemote Sensing 2010,31,3393-3409.

[7]Tang,Y.；Huang,X.；Zhang,L.Fault-tolerant building change detectionfrom urban high-resolution remote sensing imagery.IEEE Geoscience and RemoteSensing Letters 2013,10,1060-1064.

[8]Huang,X.；Zhang,L.；Zhu,T.Building change detection frommultitemporal high-resolution remotely sensed images based on a morphologicalbuilding index.IEEE Journal of Selected Topics in Applied Earth Observationsand Remote Sensing2014,7,105-115.

[9]Xiao P.,Yuan M.,Zhang X.,Feng X.,Guo Y.Cosegmentation for object-based building change detection from high resolution remotely sensedimages.IEEE Transactions on Geoscience and Remote Sensing,2017,55,1587-1603.

[10]Vu T T,Matsuoka M,Yamazaki F.LIDAR-based change detection ofbuildings in dense urban areas[C].Proceedings of the Geoscience and RemoteSensing Symposium(IGARSS'04),2004.

[11]Teo T-A,Shih T-Y.Lidar-based change detection and change-typedetermination in urban areas[J].International Journal of Remote Sensing,2013,34(3):968-981.

[12]Pang,S.；Hu,X.；Wang,Z.；Lu,Y.Object-based analysis of airbornelidar data for building change detection.Remote Sensing 2014,6,10733-10749.

[13]Qin R.An Object-Based Hierarchical Method for Change DetectionUsing Unmanned Aerial Vehicle Images[J].Remote Sensing,2014,6(9):7911-7932.

[14]Tian J,Reinartz P,D’Angelo P,et al.Region-based automaticbuilding and forest change detection on Cartosat-1stereo imagery[J].ISPRSJournal of Photogrammetry and Remote Sensing,2013,79:226-239.

[15]Tian J,Cui S,Reinartz P.Building change detection based onsatellite stereo imagery and digital surface models[J].IEEE Transactions onGeoscience and Remote Sensing,2014,52(1):406-417.

[16]Qin R J.Change detection on LOD 2building models with very highresolution spaceborne stereo imagery[J].Isprs Journal of Photogrammetry andRemote Sensing,2014,96:179-192.

[17]Jung F.Detecting building changes from multitemporal aerialstereopairs[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3):187-201.

发明内容

针对现有技术存在的不足，本发明的目的是提供一种能综合利用三维信息和影像光谱信息的建筑物变化检测方法，通过图割算法优化变化检测结果，同时充分利用影像光谱信息提取影像结构特征，排除变化的非建筑物区域。

为了达到上述目的，本发明提供的技术方案是：基于图割优化和影像结构特征的建筑物变化检测方法，包括以下步骤，

步骤1，利用三角网渐进滤波方法分别对两期的DSM数据进行滤波处理，获得两期的DEM，然后栅格化对应时期的DSM和DEM并作差值运算，获得两期的归一化数字表面模型nDSM；

步骤2，对步骤1中两期DSM进行差值运算，获得差值DSM，记为dDSM；

步骤3，对于每一期数据，将地物变化检测问题建模为图割二值化问题，地物变化区域为前景，其他区域为背景，并采用区域增长算法去除细碎噪声，获得变化地物对象，即候选变化建筑物对象；

步骤4，根据影像的内外方位元素信息，获得候选变化建筑物对象对应的影像块数据，对影像块进行结构特征提取，根据结构特征统计值进一步将影像块区分为建筑物和非建筑物，排除非建筑对象的影响；

步骤5，结合两期建筑物变化检测结果和DSM数据，将变化的建筑物对象进一步区分为增高，降低，拆除，新建四类。

进一步的，步骤3中将地物变化检测问题建模为图割二值化问题，地物变化区域为前景，其他区域为背景，实现方式如下，

定义能量函数E，包含数据项能量E_data和平滑项能量E_smooth，

E＝E_data+E_smooth (1)

其中E_data表示所有点的数据项代价总和，取值由nDSM和dDSM决定，P代表所有点的集合，N代表相邻点组成的点对的集合；

式中D_p(l_p)表示p点的数据项代价，f_f(nDSM_p,dDSM_p)是当p点的类别l_p属于前景(fg)时的代价函数，f_b(nDSM_p,dDSM_p)是当p点的类别l_p属于背景(bg)时的代价函数；T_nDSM是nDSM属于建筑物的经验阈值，T_dDSM1和T_dDSM2是dDSM的两个阈值，T₂是取值较大的能量代价阈值；

其中，E_smooth值由相邻点之间的DSM差值决定，

dLen＝fabs(DSM_p-DSM_q) (8)

式中fabs表示取绝对值，dLen表示相邻两点p和q间的DSM差值的绝对值；T_dLen1和T_dLen2是两个阈值；T₂是取值较大的能量代价阈值，与数据项中的T₂取值相同；

采用最大流最小割原理求解能量函数，获得最小割；最后，根据最小割获得前景点和背景点，前景对应地物变化区域。

进一步的，步骤3中采用区域增长算法去除细碎噪声，获得变化地物对象的实现方式如下，

对前景点根据DSM差值进行区域增长，如果相邻点之间的DSM差值小于阈值，则增长为同一个对象点，否则为另外一个对象点，重复该过程直到所有前景点判断结束为止；最后根据面积阈值排除错误匹配引起的细小对象，获得候选变化建筑物对象。

进一步的，步骤4中对影像块进行结构特征提取，根据结构特征统计值进一步将影像块区分为建筑物和非建筑物的实现方式如下，

①线特征提取与简化：对影像块采用边缘提取算法进行边缘提取，然后在边缘特征提取的基础上提取影像的直线特征，并采用Douglas–Peucker算法对线特征进行简化；

②构造结构特征，即边缘梯度方向直方图：对于每个直线段，计算它的长度和方向Dir，其中方向在[0，180]的范围内，然后按一定的步距将方向划分区间，计算结构特征；

其中方向直方图每一区间统计值计算公式如下：

其中P_j是区间j对应的概率值，m是属于区间j的所有直线段，n代表图像块中的所有的直线段，q_i是i直线段的权重，对应于它的长度，即直线段像素个数；

③计算结构特征描述参数，包括垂直性和长直线性，由边缘梯度直方图获得，具体如下：

垂直性：设定某一个阈值T，如果P_j大于T，并且区间i和区间j之间相差90度，则认为图像块中存在垂直性，存在的垂直性用垂直区间个数N来刻画，N∈[0,1,2,....,9]；

长直线性：对于建筑存在的区域，通常存在长直线性，采用P₀值来度量；

综合以上两种结构特征有：A＝(1+N)·P₀；当A大于某一经验阈值T₁时，认为图像块为建筑，否则为非建筑物。

进一步的，步骤5的实现方式如下，

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果也为建筑物，且DSM_t1<DSM_t2，则该对象类别为增高；

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果也为建筑物，且DSM_t1>DSM_t2，则该对象类别为降低；

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果为非建筑或地形，则该对象类别为拆除；

对于每个变化对象，当前一期分类结果为非建筑物或地形，后一期分类结果为建筑物，则该对象类别为新建。

本发明主要利用密集匹配点云和影像光谱信息信息进行建筑物自动变化检测，密集匹配点云源自密集匹配技术，可通过事先配准好的两期立体影像数据自动获取两期密集匹配点云数据，密集匹配方面可以采用目前成熟的密集匹配技术，如半全局优化密集匹配，影像光谱信息主要指两期密集匹配点云对应的原始影像数据。通过综合利用两种信息各自的优势来提高建筑物变化检测的精度和可靠性。

与现有的方法相比，本发明方法充分利用了匹配点云的三维信息和影像光谱提取的结构信息，提高了建筑物变化检测的精度和可靠性，具有如下特点：

1、在变化对象提取方面。采用nDSM信息排除变化地貌的影响，采用图割优化策略保持了提取对象的完整性，结合类别信息和DSM差值采用区域增长算法获得地物变化对象，排除了错误匹配等引起的细小区域的影响；

2、非建筑物对象排除方面。设计了一种稳健的影像结构特征，该特征不需要额外的训练样本，精度高、适应性强。

3、本发明提高了建筑物变化检测的精度和可靠性，保持了建筑物变化对象的完整性，对城市动态监测，违章建筑识别和地理信息更新等具有重要意义。

附图说明

图1为本发明实施例具体流程图；

图2为本发明实施例所采用的密集匹配点云数据和点云滤波结果；

图3为本发明实施例中基于图割的变化地物区域提取示意图；

图4为本发明实施例中变化地物对象提取示意图，图(a)为图割结果，图(b)为基于类别和DSM差值的区域增长，图(c)为去除小对象后的地物变化对象；

图5为本发明实施例中影像结构特征区分建筑物与非建筑物示意图；

图6为本发明实施例中实验区域概况图，其中，图(a)(c)分别为旧一期正射影像和密集匹配点云，图b)(d)分别为新一期正射影像和密集匹配点云；

图7为本发明实施例中建筑物变化检测结果图，图(a)和(b)分别为旧一期和新一期的图割优化结果，图(c)和(d)为地物对象提取结果，图(e)和(f)为结构特征区分建筑物与非建筑物结果，图(g)为最终的融合结果。

具体实施方式

本发明利用密集匹配点云和影像光谱信息进行建筑物自动变化检测，首先采用现有三角网渐进滤波方法(Axelsson P.DEM generation from laser scanner data usingadaptive TIN models[C].International Archives of Photogrammetry&RemoteSensing，2000.)对密集匹配点云数据进行滤波处理获取数字高程模型(DEM)，计算归一化数字表面模型(nDSM)，排除变化地貌区域的干扰，然后通过图割优化策略保持了提取变化地物对象的完整性，最后通过设计的影像结构特征对提取的变化地物对象进行分析，排除其中的变化植被对象等非建筑对象，得到最终的建筑物变化对象。

为了更好地理解本发明的技术方案，下面结合附图对本发明做进一步的详细说明，图1是本发明的总体流程图。本发明的具体步骤如下：

步骤1，利用三角网渐进滤波方法对DSM进行滤波处理，获得数字高程模型(DEM)，栅格化DSM和DEM并作差值运算获得归一化数字表面模型(nDSM)；分别对两期的DSM数据进行上述操作，获得nDSM_t2和nDSM_t1，t1和t2表示两个不同时期，密集匹配点云和密集匹配点云滤波结果可参考图2；

步骤2，将DSM _t2和DSM _t1进行差值运算，获得差值DSM(dDSM)；

步骤3，对于每一期数据，将地物变化检测问题建模为图割二值化问题，地物变化区域为前景，其他区域为背景，并采用区域增长算法去除少量细碎的噪声，获得变化地物对象，即候选变化建筑物对象。

首先，本发明将地物变化检测问题建模为二值化分类问题，变化的地物区域作为前景，其他区域为背景。地物变化检测问题的求解采用图割能量优化框架实现，能量主要包含数据项和平滑项，如公式(1)所示。整个基于图割的地物变化检测过程如示意图图3所示，从图3可以看出，每个点都有2个可能的类别(前景和背景)，每个点属于前景和属于背景的概率为数据项，取值如公式(4)，相邻点和点之间的平滑性则采用公式(7)计算得到。定义了数据项和平滑项的取值后，采用最大流最小割原理求解出此问题的解，对应于图中的最小割。最后，根据最小割获得图中的前景和背景点，前景对应于本发明中的地物变化区域。

E＝E_data+E_smooth (1)

其中E_data表示数据项能量，表示所有点的数据项代价总和，E_smooth表示平滑项能量；P代表所有点的集合，对应于图3中的所有点的集合；N代表相邻点组成的点对的集合，对应于图3中的边连线集合。E_data的取值由nDSM和dDSM决定，dDSM可以提取变化区域，nDSM排除变化地形造成的影响，具体计算公式如下：

其中D_p(l_p)表示p点的数据项代价，f_f(nDSM_p,dDSM_p)是当p点的类别l_p属于前景(fg)时的代价函数，f_b(nDSM_p,dDSM_p)是当p点的类别l_p属于背景(bg)时的代价函数。T_nDSM是nDSM属于建筑物的经验阈值，这里定义为2.2米。T_dDSM1和T_dDSM2是dDSM的两个阈值，这里取值为1米和2米。T₂是取值较大的能量代价阈值，这里定义为20。

E_smooth表示平滑项能量，它的值由相邻点之间的DSM差值决定，主要用于确保提取对象的完整性，具体计算公式如下：

dLen＝fabs(DSM_p-DSM_q) (8)

其中，fabs表示取绝对值，dLen表示相邻两点p和q间的DSM差值的绝对值，当两点之间差值越小，则平滑性代价越小，差值越大，平滑性代价越大。T_dLen1和T_dLen2是两个阈值，分别取值0.1和0.5米。T₂是取值较大的能量代价阈值，与公式(3)取值相同。

整个区域增长过程如图4所示，经过基于图割的地物变化区域提取后，地物变化区域为前景，其他区域为背景，如图4(a)所示，黑色点为地物变化点，白色点为非地物变化点。为了获得地物变化对象，对前景点根据DSM差值进行区域增长，如图4(b)所示，如果相邻点之间的DSM差值小于阈值(该阈值为DSM容忍的高程阈值，一般取值0.3-0.5米，本实施例中取值为0.5米)，则增长为同一个对象点，否则为另外一个对象点，重复这个过程直到所有前景点判断结束为止。最后根据面积阈值排除错误匹配等引起的细小对象，获得候选变化建筑物对象，如图4(c)所示，面积阈值表示检测变化建筑的最小面积，一般取值50-100平方米之间，本实施例中取值50平方米。

步骤4，根据影像的内外方位元素信息，获得候选变化建筑物对象对应的影像块数据，对影像块进行结构特征提取，根据结构特征统计值进一步将影像块区分为建筑物和非建筑物，排除植被等非建筑对象的影响；

为了提高建筑物和植被等非建筑对象区分的准确性，在获得候选变化建筑物对象的基础上，本发明设计了一种基于边缘梯度方向直方图的影像结构特征，该特征由影像块提取，可以有效地描述图像纹理信息，提高二者区分的可靠性，如图5所示，该方法首先提取影像中的边缘特征，然后进行边缘线的提取与简化，最后计算影像结构特征描述参数，并根据统计值对建筑物和植被对象进行区分。

该方法的具体步骤如下:

①线特征提取与简化。根据地物变化对象的范围提取该对象对应的区域影像，对区域影像块采用边缘提取算法(如canny边缘提取算法)进行边缘提取，然后在边缘特征提取的基础上提取影像的直线特征，并采用Douglas–Peucker算法对线特征进行简化。

②构造结构特征，即边缘梯度方向直方图。对于每个直线段，计算它的长度和方向Dir，其中方向在[0，180]的范围内，然后按一定的步距(这里取10度)将方向划分区间，计算方向直方图，即结构特征。考虑到建筑物周围一般具有明显的线特征，为了增强算法的稳定性，在计算方向直方图时根据直线段的长度增加权重。

其中方向直方图每一区间统计值计算公式如下：

其中P_j是区间j对应的概率值，m是属于区间j的所有直线段，n代表图像块中的所有的直线段，q_i是i直线段的权重，对应于它的长度，即直线段像素个数。

是为了将概率归一化，归一化的目的在于抑制那些大量短直线段的情况，P_j值愈大，长直线段存在的概率愈大。

③计算结构特征描述参数。这里的结构特征主要包括垂直性和长直线性，由边缘梯度直方图获得，具体如下：

垂直性：设定某一个阈值T，如果P_j大于T，并且区间i和区间j之间相差90度，则认为图像块中存在垂直性，存在的垂直性用垂直区间个数N来刻画，N∈[0,1,2,....,9]。

长直线性：对于建筑存在的区域，通常存在长直线性，这里主要采用P₀值来度量，P₀值由公式(9)中的j取0时获得。

综合以上两种结构特征有：A＝(1+N)·P₀；当A大于某一经验阈值T₁时，认为图像块为建筑，否则为非建筑物。

步骤5，结合两期建筑物变化检测结果和DSM数据，将变化的建筑物对象进一步区分为增高，降低，拆除，新建四类，具体如下；

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果也为建筑物，且DSM_t1<DSM_t2,则该对象类别为增高，其中DSM_t1为前一期DSM数据，DSM_t2为后一期DSM数据；

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果也为建筑物，且DSM_t1>DSM_t2,则该对象类别为降低，其中DSM_t1为前一期DSM数据，DSM_t2为后一期DSM数据；

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果为非建筑或地形，则该对象类别为拆除；

对于每个变化对象，当前一期分类结果为非建筑物或地形，后一期分类结果为建筑物，则该对象类别为新建；

对于每个变化对象，当前一期分类结果为非建筑物或地形，后一期分类结果也为非建筑物或地形，则该对象类别为未变化，将被去除，不进行标记；

如表1所示，其中这里的未变化指的是未存在建筑物变化。

表1建筑物变化类型的确定

图6为本发明实施例中实验区域概括图，其中图(a)和(b)为实验区域的两期正射影像，图(c)和(d)为两期密集匹配点云的高程渲染图；图7为建筑物变化检测结果，其中图(a)和(b)分别为旧和新一期的图割优化结果，图(c)和(d)为地物对象提取结果，图(e)和(f)为结构特征区分建筑物与非建筑物结果，图(g)为最终的融合结果，从图中可以清楚的看出建筑物变化的类型。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.基于图割优化和影像结构特征的建筑物变化检测方法，其特征在于，包括如下步骤：

步骤1，利用三角网渐进滤波方法分别对两期的DSM数据进行滤波处理，获得两期的DEM，然后栅格化对应时期的DSM和DEM并作差值运算，获得两期的归一化数字表面模型nDSM；

步骤2，对步骤1中两期DSM进行差值运算，获得差值DSM，记为dDSM；

步骤3，对于每一期数据，将地物变化检测问题建模为图割二值化问题，地物变化区域为前景，其他区域为背景，并采用区域增长算法去除细碎噪声，获得变化地物对象，即候选变化建筑物对象；

步骤3中将地物变化检测问题建模为图割二值化问题，地物变化区域为前景，其他区域为背景，实现方式如下，

定义能量函数E，包含数据项能量E_data和平滑项能量E_smooth，

E＝E_data+E_smooth (1)

其中E_data表示所有点的数据项代价总和，取值由nDSM和dDSM决定，P代表所有点的集合，N代表相邻点组成的点对的集合；

式中D_p(l_p)表示p点的数据项代价，f_f(nDSM_p,dDSM_p)是当p点的类别l_p属于前景fg时的代价函数，f_b(nDSM_p,dDSM_p)是当p点的类别l_p属于背景bg时的代价函数；T_nDSM是nDSM属于建筑物的经验阈值，T_dDSM1和T_dDSM2是dDSM的两个阈值，T₂是取值较大的能量代价阈值；

其中，E_smooth值由相邻点之间的DSM差值决定，

dLen＝fabs(DSM_p-DSM_q) (8)

式中fabs表示取绝对值，dLen表示相邻两点p和q间的DSM差值的绝对值；T_dLen1和T_dLen2是两个阈值；T₂是取值较大的能量代价阈值，与数据项中的T₂取值相同；

采用最大流最小割原理求解能量函数，获得最小割；最后，根据最小割获得前景点和背景点，前景对应地物变化区域；

步骤4，根据影像的内外方位元素信息，获得候选变化建筑物对象对应的影像块数据，对影像块进行结构特征提取，根据结构特征统计值进一步将影像块区分为建筑物和非建筑物，排除非建筑对象的影响；

步骤5，结合两期建筑物变化检测结果和DSM数据，将变化的建筑物对象进一步区分为增高，降低，拆除，新建四类。

2.如权利要求1所述的基于图割优化和影像结构特征的建筑物变化检测方法，其特征在于：步骤3中采用区域增长算法去除细碎噪声，获得变化地物对象的实现方式如下，

对前景点根据DSM差值进行区域增长，如果相邻点之间的DSM差值小于阈值，则增长为同一个对象点，否则为另外一个对象点，重复该过程直到所有前景点判断结束为止；最后根据面积阈值排除错误匹配引起的细小对象，获得候选变化建筑物对象。

3.如权利要求1或2所述的基于图割优化和影像结构特征的建筑物变化检测方法，其特征在于：步骤4中对影像块进行结构特征提取，根据结构特征统计值进一步将影像块区分为建筑物和非建筑物的实现方式如下，

①线特征提取与简化：对影像块采用边缘提取算法进行边缘提取，然后在边缘特征提取的基础上提取影像的直线特征，并采用Douglas–Peucker算法对线特征进行简化；

②构造结构特征，即边缘梯度方向直方图：对于每个直线段，计算它的长度和方向Dir，其中方向在[0，180]的范围内，然后按一定的步距将方向划分区间，计算结构特征；

其中方向直方图每一区间统计值计算公式如下：

其中P_j是区间j对应的概率值，m是属于区间j的所有直线段，n代表图像块中的所有的直线段，q_i是i直线段的权重，对应于它的长度，即直线段像素个数；

③计算结构特征描述参数，包括垂直性和长直线性，由边缘梯度直方图获得，具体如下：

垂直性：设定某一个阈值T，如果P_j大于T，并且区间i和区间j之间相差90度，则认为图像块中存在垂直性，存在的垂直性用垂直区间个数N来刻画，N∈[0,1,2,....,9]；

长直线性：对于建筑存在的区域，通常存在长直线性，采用P₀值来度量；

综合以上两种结构特征有：A＝(1+N)·P₀；当A大于某一经验阈值T₁时，认为图像块为建筑，否则为非建筑物。

4.如权利要求3所述的基于图割优化和影像结构特征的建筑物变化检测方法，其特征在于：步骤5的实现方式如下，

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果也为建筑物，且DSM_t1<DSM_t2，则该对象类别为增高；

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果也为建筑物，且DSM_t1>DSM_t2，则该对象类别为降低；

对于每个变化对象，当前一期分类结果为建筑物，后一期分类结果为非建筑或地形，则该对象类别为拆除；

对于每个变化对象，当前一期分类结果为非建筑物或地形，后一期分类结果为建筑物，则该对象类别为新建。

Images