CN112183434A - 建筑物变化检测方法和装置 - Google Patents
建筑物变化检测方法和装置 Download PDFInfo
- Publication number
- CN112183434A CN112183434A CN202011085627.3A CN202011085627A CN112183434A CN 112183434 A CN112183434 A CN 112183434A CN 202011085627 A CN202011085627 A CN 202011085627A CN 112183434 A CN112183434 A CN 112183434A
- Authority
- CN
- China
- Prior art keywords
- building
- stage image
- change
- later
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种建筑物变化检测方法和装置,所述方法包括:获取前后两期影像;利用面向对象的形态学建筑物指数分别提取前后两期影像的建筑物图形;获取与后期影像相一致的激光雷达点云数据,对该激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型;分别对数字表面模型和数字高程模型进行栅格化处理、差值运算以及阈值筛选,得到备选建筑物;采用共线方程,将备选建筑物的顶部坐标分别投影到前后两期像上;排除非建筑物区域,获得前后两期影像的实际建筑物区域;提取前后期影像的实际建筑物区域中的建筑物特征以进行比对,得到变化置度信图;对变化置信度图进行二值分割,得到建筑物变化区域。本发明能够提高建筑物变化检测的准确性。
Description
技术领域
本发明涉及建筑物变化检测技术领域,尤其涉及一种建筑物变化检测方法和装置。
背景技术
地物变化检测是利用同一地理区域不同时间点获取的两张或多张遥感影像来发现地球表面所发生的变化过程。建筑物变化检测就是地物变化检测的其中一种类型。对于一些领域,建筑物的变化检测是极其重要的,例如,在输电线沿线新建建筑物可能会导致线桩倒塌、电线短路等安全问题,因此,对输电线沿线建筑物的变化检测是安全管理工作的重要内容。目前建筑物的变化检测方法包括:基于卫星影像的建筑物变化检测方法和基于lidar点云的建筑物变化检测方法。基于卫星影像的建筑物变化检测方法需要提供配准好的正射影像,且在做建筑物的变化检测时无法处理投影差问的问题,因此检测结果不够准确。基于lidar点云的建筑物变化检测方法往往需要两期的lidar激光点云,除了获取成本高,很可能没有旧期的lidar激光点云,且通过密集匹配得到点云往往存在错误,因此其检测结果也不够准确。
发明内容
本发明的目的在于提供一种建筑物变化检测方法和装置,以解决现有建筑物变化检测方法不够准确的技术问题,本发明能够提高建筑物变化检测的准确性。
第一方面,本发明实施例提供一种建筑物变化检测方法,包括:
获取检测范围数据,根据所述检测范围数据确定检测范围;
获取所述检测范围的前期影像和后期影像;其中,所述前期影像和后期影像均为航空影像;
利用面向对象的形态学建筑物指数分别提取所述前期影像的建筑物图形和所述后期影像的建筑物图形;
获取与所述后期影像相一致的激光雷达点云数据,对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型;
分别对数字表面模型和所述数字高程模型进行栅格化处理,并作差值运算,得到高程差;
将高程差大于预设阈值的地物作为备选建筑物;
采用共线方程,利用航片的内外方位元素信息,将所述备选建筑物的顶部坐标分别投影到所述前期影像和所述后期影像上,得到所述备选建筑物在所述前期影像中的区域和所述备选建筑物在所述后期影像中的区域;
根据所述前期影像的建筑物图形和所述备选建筑物在所述前期影像中的区域,采用多边形相交法排除非建筑物区域,获得前期影像中实际建筑物区域;根据所述后期影像的建筑物图形和所述备选建筑物在所述后期影像中的区域,采用多边形相交法排除非建筑物区域,获得后期影像中实际建筑物区域;
分别提取所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物中的建筑物特征,对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图;
将所述变化置信度图进行二值分割,得到建筑物变化区域。
进一步地,所述对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型,具体为:
利用三角网滤波方法对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型。
进一步地,通过提取LBP算子和HOG算子提取建筑物特征;
所述对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图,具体为:
对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,利用相关系数法计算获得建筑物的变化概率,到得变化置信度图。
进一步地,定义x,y为像点所在航片平面的坐标,x0,y0,f航片的内方位元素;Xs,YsZs为航片摄站点的物方空间坐标,XA、YA、ZA为物方点的物方空间坐标,ai,bi,ci i=1,2,3为影像3个方位角元素组成的9个方向余弦,则所述共线方程为:
进一步地,所述将所述变化置信度图进行二值分割,得到建筑物变化区域,具体为:
基于所述变化置信度图,将所有建筑物分为变化类图斑wc和未变化类图斑wn;
其中,定义所述变化置信度图的图斑集合为H={h1,h2,...hN),hi表示第i个图斑,,c、n分别表示变化类图斑的个数和未变化类图斑的个数;
根据hi的后验概率公式计算hi属于变化类图斑的后验概率p(wc|hi)和hi属于未变化类图斑的后验概率p(wn|hi);其中,p(hi)为各图斑置信度分布的联合概率密度函数,p(hi)=p(wc)×p(hi|wc)+p(wn)×p(hi|wn),p(wc)和p(wn)为变化类图斑所占的比例和未变化类图斑所占的比例;p(hi|k)为条件概率密度函数,
若p(wc|hi)>p(wn|hi),则hi属于变化类图斑,否则hi属于未变化类图斑;
遍历整个变化置信度图获得二值变化图,提取前景值,得到建筑物的变化区域。
进一步地,采用EM算法进行迭代计算,得到所述变化类图斑的均值uc和未变化类图斑的均值un,变化类图斑的方差σc 2和未变化类图斑的方差σn 2。
进一步地,所述预设的阈值为两米。
进一步地,所述检测范围数据包括输电线路数据信息以及建筑物区域与所述输电线路之间的安全距离信息,所述输电线路数据信息包括所述输电线路的走向信息;
所述根据所述检测范围数据确定检测范围,具体为:
根据所述输电线路的走向信息和所述安全距离信息进行缓冲区分析,确定检测范围。
第二方面,本发明实施例提供一种建筑物变化检测装置,包括:
检测范围确定单元,用于获取检测范围数据,根据所述检测范围数据确定检测范围;
影像获取单元,用于获取所述检测范围的前期影像和后期影像;其中,所述前期影像和后期影像均为航空影像;
建筑物图形获取单元,用于利用面向对象的形态学建筑物指数分别提取所述前期影像的建筑物图形和所述后期影像的建筑物图形;
数字高程模型获取单元,用于获取与所述后期影像相一致的激光雷达点云数据,对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型;
高程差获取单元,用于分别对数字表面模型和所述数字高程模型进行栅格化处理,并作差值运算,得到高程差;
备选建筑物获取单元,用于将高程差大于预设阈值的地物作为备选建筑物;
投影单元,用于采用共线方程,利用航片的内外方位元素信息,将所述备选建筑物的顶部坐标分别投影到所述前期影像和所述后期影像上,得到所述备选建筑物在所述前期影像中的区域和所述备选建筑物在所述后期影像中的区域;
实际建筑物区域获取单元,用于根据所述前期影像的建筑物图形和所述备选建筑物在所述前期影像中的区域,采用多边形相交法排除非建筑物区域,获得前期影像中实际建筑物区域;根据所述后期影像的建筑物图形和所述备选建筑物在所述后期影像中的区域,采用多边形相交法排除非建筑物区域,获得后期影像中实际建筑物区域;
变化置信度图获取单元,用于分别提取所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物中的建筑物特征,对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图;
建筑变化区域获取单元,用于将所述变化置信度图进行二值分割,得到建筑物变化区域。
进一步地,所述检测范围数据包括输电线路数据信息以及建筑物区域与所述输电线路之间的安全距离信息,所述输电线路数据信息包括所述输电线路的走向信息;
所述根据所述检测范围数据确定检测范围,具体为:
根据所述输电线路的走向信息和所述安全距离信息进行缓冲区分析,确定检测范围。
综上,本发明实施例的有益效果在于:
本发明实施例通过基于前后两期影像以及与后期影像相一致的雷达点云数据对建筑物变化情况进行检测,解决了现有技术需要依靠前后两期激光雷达点云数据才能实现建筑物变化检测,导致成本高且通过密集匹配导致检结果不够准确的技术问题。本发明实施例还通过采用共线性方程的方法,将从数字表面模型获取的建筑物屋顶投影到影像上,消除了建筑物投影差带来的变化干扰,从而能够提高建筑物变化检测的准确性。最后,本发明实施例通采用前后两期影像、形态学建筑物指数、与后期影像相一致的激光雷达点云数据、地形表面的数字高程模型、数字表面模型、将建筑物屋顶投影到影像上、多边形相交法等一系列技术实现了提高建筑物变化检测的准确性。
进一步地,当对输电线路沿线进行新增建筑物检测时,本发明实施例能够提高输电线路沿线新增建筑物检测地准确性,进而能够提高***是否存在线桩倒塌、电线短路等安全问题的准确性,进而能够减少输电线路沿线的安全事故的发生。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的建筑物变化检测方法的流程简化图。
图2是是本放实施例提供的建筑物变化检测装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例1:
请参阅图1,本发明实施例1提供的一种建筑物变化检测方法,其可由建筑物变化检测的设备执行,该设备可以通过软件和/或硬件的方式实现,该设备可有多个物理实体构成,也可以是一个物理实体构成,具体的,该设备可以是服务器、计算机,手机,平板或智能能交互平板等。在本发明实施例中,以服务器作为建筑物变化检测的设备为例进行描述。本发明实施例提供的一种建筑物变化检测方法,包括步骤S1-S10(步骤编号未在图中示出):
S1、获取检测范围数据,根据所述检测范围数据确定检测范围.
在本发明实施例中,为实现检测一定范围内的建筑物的变化情况,首先需要获取检测范围数据,例如,当对输电线路沿线进行建筑物变化情况进行检测时,需要获取输电线路数据信息,该输电线路数据信息包括输电线路的走向信息;此外,还需获取建筑物与该输电线路之间的安全距离信息,这样,便可根据输电线路的走向信息和建筑物与该输电线路的安全距离信息进行缓冲区分析,得到检测范围,进而能够确定检测范围。
S2、获取所述检测范围的前期影像和后期影像;其中,所述前期影像和后期影像均为航空影像。
在本发明实施例中,前期影像和后期影像为同一地理区域不同时间段所拍摄得到的影像,前期影像所拍摄的时间早于后期影像所拍摄的时间,本发明实施例所述的影像为航空影像。所述检测范围的前期影像和所述检测范围的后期影像分别从原始拍摄得到的前期航片和后期航片获取得到。
S3、利用面向对象的形态学建筑物指数分别提取所述前期影像的建筑物图形和所述后期影像的建筑物图形。
在本发明实施例中,面向对象的形态学指数用于获取建筑物多边形,优选的,所述面向对象的形态学建筑物指数采用的是黄欣的研究方法得到形态学建筑指数,Huang Xin,Zhang Liangpei,and ZhuTingting.Building change detection from multitemporalhigh-resolutionremotely sensed images d on amorphological building index.IEEEJournal ofSelectedTopics inApplied Earth Observations and Remote Sensing,2014,7(1):105-115。
S4、获取与所述后期影像相一致的激光雷达点云数据,对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型。
在本发明实施例中,优选利用三角网滤波方法对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型(DEM)。
S5、分别对数字表面模型和所述数字高程模型进行栅格化处理,并作差值运算,得到高程差。
在本发明实施例中,数字表面模型可简称为DSM,本步骤的目的在于获得高程差,通过高程差,便可初步筛选出可能为建筑物的地物,以下简称备选建筑物。
S6、将高程差大于预设阈值的地物作为备选建筑物。
在本发明实施例中,为保证筛选出的地物尽可能为建筑物,本发明实施例优选采用大于两米的地物作为备选建筑物。
S7、采用共线方程,利用航片的内外方位元素信息,将所述备选建筑物的顶部坐标分别投影到所述前期影像和所述后期影像上,得到所述备选建筑物在所述前期影像中的区域和所述备选建筑物在所述后期影像中的区域。
在本发明实施例中,定义x,y为像点所在航片平面的坐标,x0,y0,f航片的内方位元素;Xs,Ys Zs为航片摄站点的物方空间坐标,XA、YA、ZA为物方点的物方空间坐标,ai,bi,ci i=1,2,3为影像3个方位角元素组成的9个方向余弦,则所述共线方程为:
S8、根据所述前期影像的建筑物图形和所述备选建筑物在所述前期影像中的区域,采用多边形相交法排除非建筑物区域,获得前期影像中实际建筑物区域;根据所述后期影像的建筑物图形和所述备选建筑物在所述后期影像中的区域,采用多边形相交法排除非建筑物区域,获得后期影像中实际建筑物区域。
在本发明实施例中,采用多边形相交方法是为了排除备选建筑物中的非建筑物,具体的,采用多边形相交法判断所述前期影像的建筑物图形和所述备选建筑物在所述前期影像中的区域是否同时为建筑物,若是,则可排除非建筑物区域,进而能够排除非建筑物。
S9、分别提取所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物中的建筑物特征,对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图。
在本发明实施例中,通过提取LBP算子和HOG算子获得建筑物特征,LBP算子是一种用来描述图像局部纹理的特征算子,其具有旋转不变性和灰度不变性的优点。HOG算子是一种在计算机视觉和图像处理中用于进行物体检测的特征描述子,其通过计算和统计图像局部区域的梯度方向制方图来构成特征。
在本发明实施例中,所述对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图,具体为:
对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,利用相关系数法计算获得建筑物的变化概率,到得变化置信度图。
S10、将所述变化置信度图进行二值分割,得到建筑物变化区域。
在本发明实施例中,设所述变化置信度图的变化区域为前景,其他区域为背景,将建筑物变化检测转换为二值分割的问题,基于二值分割的方法得到检测范围内的变化的建筑物,具体实现方法如下:
定义所述变化置信度图的图斑集合为H={h1,h2,...hN),hi表示第i个图斑,H中的图斑分为变化类图斑wc和未变化类图斑wn,c、n分别表示变化类图斑的个数和未变化类图斑的个数,则各图斑置信度分布的联合概率密度函数可表示如下:
p(hi)=p(wc)×p(hi|wc)+p(wn)×p(hi|wn) (3)
其中,p(wc)和p(wn(为变化类图斑所占的比例和未变化类图斑所占的比例。
条件概率密度采用高斯混合函数形式,实现方式如下:
其中,k∈{wc,wn}。
为求解式(4)中变化类图斑的均值uc和未变化类图斑的均值un,变化类图斑的方差σc 2和未变化类图斑的方差σn 2,可采用EM算法进行迭代计算,计算过程如下:
(1)确定初始值:利用K均值算法,基于变化置信度图,将所有建筑物分为变化类图斑wc和未变化类图斑wn,得到变化类图斑的概率函数p(k)的初始值,均值函数u(k)的初始值及方差函数σ(k)的初始值;
(2)计算期望(E步):计算hi属于变化类图斑和未变化类图斑的后验概率并标准化,公式如下:
(3)最大化(M步):利用以下公式在迭代中不断更新参数p(k)、u(k)、σ(k)的值;
其中,t为迭代的次数;
迭代计算E步和M步,直至p(k)、u(k)、σ(k)收敛,得到变化类图斑的均值uc和未变化类图斑的均值un,变化类图斑的方差σc 2和未变化类图斑的方差σn 2。利用这些参数,并根据下述公式便可计算得到hi属于变化类图斑和未变化类图斑的后验概率:
若p(wc|hi)>p(wn|hi),则hi属于变化类图斑,否则hi属于未变化类图斑;
遍历整个变化置信度图获得二值变化图,提取前景值,得到建筑物的变化区域。
本发明实施例通过基于前后两期影像以及与后期影像相一致的雷达点云数据对建筑物变化情况进行检测,解决了现有技术需要依靠前后两期激光雷达点云数据才能实现建筑物变化检测,导致成本高且通过密集匹配导致检结果不够准确的技术问题。本发明实施例还通过采用共线性方程的方法,将从数字表面模型获取的建筑物屋顶投影到影像上,消除了建筑物投影差带来的变化干扰,从而能够提高建筑物变化检测的准确性。最后,本发明实施例通采用前后两期影像、形态学建筑物指数、与后期影像相一致的激光雷达点云数据、地形表面的数字高程模型、数字表面模型、将建筑物屋顶投影到影像上、多边形相交法等一系列技术实现了提高建筑物变化检测的准确性。
进一步地,当对输电线路沿线进行新增建筑物检测时,本发明实施例能够提高输电线路沿线新增建筑物检测地准确性,进而能够提高***是否存在线桩倒塌、电线短路等安全问题的准确性,进而能够减少输电线路沿线的安全事故的发生。
实施例2:
请参阅图2,本发明实施例还提供一种建筑物变化检测装置,包括:
检测范围确定单元1,用于获取检测范围数据,根据所述检测范围数据确定检测范围。
在本发明实施例中,为实现检测一定范围内的建筑物的变化情况,首先需要获取检测范围数据,例如,当对输电线路沿线进行建筑物变化情况进行检测时,需要获取输电线路数据信息,该输电线路数据信息包括输电线路的走向信息;此外,还需获取建筑物与该输电线路之间的安全距离信息,这样,便可根据输电线路的走向信息和建筑物与该输电线路的安全距离信息进行缓冲区分析,得到检测范围,进而能够确定检测范围。
影像获取单元2,用于获取所述检测范围的前期影像和后期影像;其中,所述前期影像和后期影像均为航空影像。
在本发明实施例中,前期影像和后期影像为同一地理区域不同时间段所拍摄得到的影像,前期影像所拍摄的时间早于后期影像所拍摄的时间,本发明实施例所述的影像为航空影像。所述检测范围的前期影像和所述检测范围的后期影像分别从原始拍摄得到的前期航片和后期航片获取得到。
建筑物图形获取单元3,用于利用面向对象的形态学建筑物指数分别提取所述前期影像的建筑物图形和所述后期影像的建筑物图形。
在本发明实施例中,面向对象的形态学指数用于获取建筑物多边形,优选的,所述面向对象的形态学建筑物指数采用的是黄欣的研究方法得到形态学建筑指数,Huang Xin,Zhang Liangpei,and ZhuTingting.Building change detection from multitemporalhigh-resolutionremotely sensed images d on amorphological building index.IEEEJournal ofSelectedTopics inApplied Earth Observations and Remote Sensing,2014,7(1):105-115。
数字高程模型获取单元4,用于获取与所述后期影像相一致的激光雷达点云数据,对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型。
在本发明实施例中,优选利用三角网滤波方法对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型(DEM)。
高程差获取单元5,用于分别对数字表面模型和所述数字高程模型进行栅格化处理,并作差值运算,得到高程差。
在本发明实施例中,数字表面模型可简称为DSM,本步骤的目的在于获得高程差,通过高程差,便可初步筛选出可能为建筑物的地物,以下简称备选建筑物。
备选建筑物获取单元6,用于将高程差大于预设阈值的地物作为备选建筑物。
在本发明实施例中,为保证筛选出的地物尽可能为建筑物,本发明实施例优选采用大于两米的地物作为备选建筑物。
投影单元7,用于采用共线方程,利用航片的内外方位元素信息,将所述备选建筑物的顶部坐标分别投影到所述前期影像和所述后期影像上,得到所述备选建筑物在所述前期影像中的区域和所述备选建筑物在所述后期影像中的区域。
在本发明实施例中,定义x,y为像点所在航片平面的坐标,x0,y0,f航片的内方位元素;Xs,Ys Zs为航片摄站点的物方空间坐标,XA、YA、ZA为物方点的物方空间坐标,ai,bi,ci i=1,2,3为影像3个方位角元素组成的9个方向余弦,则所述共线方程为:
实际建筑物区域获取单元8,用于根据所述前期影像的建筑物图形和所述备选建筑物在所述前期影像中的区域,采用多边形相交法排除非建筑物区域,获得前期影像中实际建筑物区域;根据所述后期影像的建筑物图形和所述备选建筑物在所述后期影像中的区域,采用多边形相交法排除非建筑物区域,获得后期影像中实际建筑物区域。
变化置信度图获取单元9,用于分别提取所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物中的建筑物特征,对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图。
在本发明实施例中,通过提取LBP算子和HOG算子获得建筑物特征,LBP算子是一种用来描述图像局部纹理的特征算子,其具有旋转不变性和灰度不变性的优点。HOG算子是一种在计算机视觉和图像处理中用于进行物体检测的特征描述子,其通过计算和统计图像局部区域的梯度方向制方图来构成特征。
在本发明实施例中,所述对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图,具体为:
对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,利用相关系数法计算获得建筑物的变化概率,到得变化置信度图。
建筑变化区域获取单元10,用于将所述变化置信度图进行二值分割,得到建筑物变化区域。
在本发明实施例中,设所述变化置信度图的变化区域为前景,其他区域为背景,将建筑物变化检测转换为二值分割的问题,基于二值分割的方法得到检测范围内的变化的建筑物,具体实现方法如下:
定义所述变化置信度图的图斑集合为H={h1,h2,...hN),hi表示第i个图斑,H中的图斑分为变化类图斑wc和未变化类图斑wn,c、n分别表示变化类图斑的个数和未变化类图斑的个数,则各图斑置信度分布的联合概率密度函数可表示如下:
p(hi)=p(wc)×p(hi|wc)+p(wn)×p(hi|wn) (3)
其中,p(wc)和p(wn)为变化类图斑所占的比例和未变化类图斑所占的比例。
条件概率密度采用高斯混合函数形式,实现方式如下:
其中,k∈{wc,wn}。
为求解式(4)中变化类图斑的均值uc和未变化类图斑的均值un,变化类图斑的方差σc 2和未变化类图斑的方差σn 2,可采用EM算法进行迭代计算,计算过程如下:
(1)确定初始值:利用K均值算法,基于变化置信度图,将所有建筑物分为变化类图斑wc和未变化类图斑wn,得到变化类图斑的概率函数p(k)的初始值,均值函数u(k)的初始值及方差函数σ(k)的初始值;
(2)计算期望(E步):计算hi属于变化类图斑和未变化类图斑的后验概率并标准化,公式如下:
(3)最大化(M步):利用以下公式在迭代中不断更新参数p(k)、u(k)、σ(k)的值;
其中,t为迭代的次数;
迭代计算E步和M步,直至p(k)、u(k)、σ(k)收敛,得到变化类图斑的均值uc和未变化类图斑的均值un,变化类图斑的方差σc 2和未变化类图斑的方差σn 2。利用这些参数,并根据下述公式便可计算得到hi属于变化类图斑和未变化类图斑的后验概率:
若p(wc|hi)>p(wn|hi),则hi属于变化类图斑,否则hi属于未变化类图斑;
遍历整个变化置信度图获得二值变化图,提取前景值,得到建筑物的变化区域。
实施例3:
本发明实施例还提供一种计算机可读存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如上述的建筑物变化方法,并达到与上述建筑物变化检测方法一致的技术效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可监听存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.建筑物变化检测方法,其特征在于,包括:
获取检测范围数据,根据所述检测范围数据确定检测范围;
获取所述检测范围的前期影像和后期影像;其中,所述前期影像和后期影像均为航空影像;
利用面向对象的形态学建筑物指数分别提取所述前期影像的建筑物图形和所述后期影像的建筑物图形;
获取与所述后期影像相一致的激光雷达点云数据,对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型;
分别对数字表面模型和所述数字高程模型进行栅格化处理,并作差值运算,得到高程差;
将高程差大于预设阈值的地物作为备选建筑物;
采用共线方程,利用航片的内外方位元素信息,将所述备选建筑物的顶部坐标分别投影到所述前期影像和所述后期影像上,得到所述备选建筑物在所述前期影像中的区域和所述备选建筑物在所述后期影像中的区域;
根据所述前期影像的建筑物图形和所述备选建筑物在所述前期影像中的区域,采用多边形相交法排除非建筑物区域,获得前期影像中实际建筑物区域;根据所述后期影像的建筑物图形和所述备选建筑物在所述后期影像中的区域,采用多边形相交法排除非建筑物区域,获得后期影像中实际建筑物区域;
分别提取所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物中的建筑物特征,对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图;
将所述变化置信度图进行二值分割,得到建筑物变化区域。
2.根据权利要求1所述的建筑物变化检测方法,其特征在于,所述对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型,具体为:
利用三角网滤波方法对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型。
3.根据权利要求1所述的建筑物变化检测方法,其特征在于,通过提取LBP算子和HOG算子提取建筑物特征;
所述对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图,具体为:
对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,利用相关系数法计算获得建筑物的变化概率,到得变化置信度图。
5.根据权利要求1所述的建筑物变化检测方法,其特征在于,所述将所述变化置信度图进行二值分割,得到建筑物变化区域,具体为:
基于所述变化置信度图,将所有建筑物分为变化类图斑wc和未变化类图斑wn;
其中,定义所述变化置信度图的图斑集合为H={h1,h2,...hN),hi表示第i个图斑,,c、n分别表示变化类图斑的个数和未变化类图斑的个数;
根据hi的后验概率公式计算hi属于变化类图斑的后验概率p(wc|hi)和hi属于未变化类图斑的后验概率p(wn|hi);其中,p(hi)为各图斑置信度分布的联合概率密度函数,p(hi)=p(wc)×p(hi|wc)+p(wn)×p(hi|wn),p(wc)和p(wn)为变化类图斑所占的比例和未变化类图斑所占的比例;p(hi|k)为条件概率密度函数,
若p(wc|hi)>p(wn|hi),则hi属于变化类图斑,否则hi属于未变化类图斑;
遍历整个变化置信度图获得二值变化图,提取前景值,得到建筑物的变化区域。
6.根据权利要求5所述的建筑物变化检测方法,其特征在于,还包括:采用EM算法进行迭代计算,得到所述变化类图斑的均值uc和未变化类图斑的均值un,变化类图斑的方差σc 2和未变化类图斑的方差σn 2。
7.根据权利要求1所述的建筑物变化检测方法,其特征在于,所述预设的阈值为两米。
8.根据权利要求1-6任一项所述的所述的建筑物变化检测方法,其特征在于,所述检测范围数据包括输电线路数据信息以及建筑物区域与所述输电线路之间的安全距离信息,所述输电线路数据信息包括所述输电线路的走向信息;
所述根据所述检测范围数据确定检测范围,具体为:
根据所述输电线路的走向信息和所述安全距离信息进行缓冲区分析,确定检测范围。
9.建筑物变化检测装置,其特征在于,包括:
检测范围确定单元,用于获取检测范围数据,根据所述检测范围数据确定检测范围;
影像获取单元,用于获取所述检测范围的前期影像和后期影像;其中,所述前期影像和后期影像均为航空影像;
建筑物图形获取单元,用于利用面向对象的形态学建筑物指数分别提取所述前期影像的建筑物图形和所述后期影像的建筑物图形;
数字高程模型获取单元,用于获取与所述后期影像相一致的激光雷达点云数据,对所述激光雷达点云数据进行滤波处理,得到地形表面的数字高程模型;
高程差获取单元,用于分别对数字表面模型和所述数字高程模型进行栅格化处理,并作差值运算,得到高程差;
备选建筑物获取单元,用于将高程差大于预设阈值的地物作为备选建筑物;
投影单元,用于采用共线方程,利用航片的内外方位元素信息,将所述备选建筑物的顶部坐标分别投影到所述前期影像和所述后期影像上,得到所述备选建筑物在所述前期影像中的区域和所述备选建筑物在所述后期影像中的区域;
实际建筑物区域获取单元,用于根据所述前期影像的建筑物图形和所述备选建筑物在所述前期影像中的区域,采用多边形相交法排除非建筑物区域,获得前期影像中实际建筑物区域;根据所述后期影像的建筑物图形和所述备选建筑物在所述后期影像中的区域,采用多边形相交法排除非建筑物区域,获得后期影像中实际建筑物区域;
变化置信度图获取单元,用于分别提取所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物中的建筑物特征,对所述前期影像中实际建筑物区域中的建筑物特征和所述后期影像中实际建筑物区域中的建筑物特征进行比对,到得变化置度信图;
建筑变化区域获取单元,用于将所述变化置信度图进行二值分割,得到建筑物变化区域。
10.根据权利要求9所述的建筑物变化检测装置,其特征在于,所述检测范围数据包括输电线路数据信息以及建筑物区域与所述输电线路之间的安全距离信息,所述输电线路数据信息包括所述输电线路的走向信息;
所述根据所述检测范围数据确定检测范围,具体为:
根据所述输电线路的走向信息和所述安全距离信息进行缓冲区分析,确定检测范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085627.3A CN112183434B (zh) | 2020-10-12 | 2020-10-12 | 建筑物变化检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085627.3A CN112183434B (zh) | 2020-10-12 | 2020-10-12 | 建筑物变化检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183434A true CN112183434A (zh) | 2021-01-05 |
CN112183434B CN112183434B (zh) | 2022-06-24 |
Family
ID=73949391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011085627.3A Active CN112183434B (zh) | 2020-10-12 | 2020-10-12 | 建筑物变化检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183434B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111323788A (zh) * | 2020-01-19 | 2020-06-23 | 北京建筑大学 | 建筑物变化的监测方法、装置及计算机设备 |
CN112819753A (zh) * | 2021-01-12 | 2021-05-18 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
CN113516777A (zh) * | 2021-05-13 | 2021-10-19 | 天讯方舟(北京)信息科技有限公司 | 一种城市建筑物三维自动建模与可视化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101405566A (zh) * | 2006-03-17 | 2009-04-08 | 株式会社博思科 | 建筑物形状变化检测方法以及建筑物形状变化检测*** |
US20100150431A1 (en) * | 2008-12-11 | 2010-06-17 | National Central University | Method of Change Detection for Building Models |
CN103093466A (zh) * | 2013-01-21 | 2013-05-08 | 武汉大学 | 基于LiDAR点云和影像的建筑物三维变化检测方法 |
CN108197583A (zh) * | 2018-01-10 | 2018-06-22 | 武汉大学 | 基于图割优化和影像结构特征的建筑物变化检测方法 |
CN109919944A (zh) * | 2018-12-29 | 2019-06-21 | 武汉大学 | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 |
-
2020
- 2020-10-12 CN CN202011085627.3A patent/CN112183434B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101405566A (zh) * | 2006-03-17 | 2009-04-08 | 株式会社博思科 | 建筑物形状变化检测方法以及建筑物形状变化检测*** |
US20100150431A1 (en) * | 2008-12-11 | 2010-06-17 | National Central University | Method of Change Detection for Building Models |
CN103093466A (zh) * | 2013-01-21 | 2013-05-08 | 武汉大学 | 基于LiDAR点云和影像的建筑物三维变化检测方法 |
CN108197583A (zh) * | 2018-01-10 | 2018-06-22 | 武汉大学 | 基于图割优化和影像结构特征的建筑物变化检测方法 |
CN109919944A (zh) * | 2018-12-29 | 2019-06-21 | 武汉大学 | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 |
Non-Patent Citations (5)
Title |
---|
J.C.TRINDER ET AL: ""Disaster Change Detection Using Airborne LiDAR"", 《ISPRS ANNALS OF THE PHOTOGRAMMETRY,REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
SHOUJI DU ET AL: ""Building Change Detection Using Old Aerial Images and New LiDAR Data"", 《REMOTE SENSING》 * |
彭代锋等: ""结合LiDAR点云和航空影像的建筑物三维变化检测"", 《武汉大学学报 信息科学版》 * |
洪巧章等: ""高分辨率遥感影像在电网工程建设中的应用研究"", 《绿色科技》 * |
赖余斌等: ""基于卫星遥感技术的电网建设全过程动态监控技术研究"", 《绿色科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111323788A (zh) * | 2020-01-19 | 2020-06-23 | 北京建筑大学 | 建筑物变化的监测方法、装置及计算机设备 |
CN111323788B (zh) * | 2020-01-19 | 2022-04-15 | 北京建筑大学 | 建筑物变化的监测方法、装置及计算机设备 |
CN112819753A (zh) * | 2021-01-12 | 2021-05-18 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
CN112819753B (zh) * | 2021-01-12 | 2021-11-30 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
CN113516777A (zh) * | 2021-05-13 | 2021-10-19 | 天讯方舟(北京)信息科技有限公司 | 一种城市建筑物三维自动建模与可视化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112183434B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183434B (zh) | 建筑物变化检测方法和装置 | |
CN111028277B (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
CN110119438B (zh) | 基于主动学习的机载LiDAR点云滤波方法 | |
Lu et al. | Object-oriented change detection for landslide rapid mapping | |
Zhou et al. | A fast and accurate segmentation method for ordered LiDAR point cloud of large-scale scenes | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
US11841421B2 (en) | Synthetic aperture radar image analysis system, synthetic aperture radar image analysis method, and synthetic aperture radar image analysis program | |
Moussa et al. | A new object based method for automated extraction of urban objects from airborne sensors data | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
Sun et al. | Roads and Intersections Extraction from High‐Resolution Remote Sensing Imagery Based on Tensor Voting under Big Data Environment | |
Li et al. | An improved approach of information extraction for earthquake-damaged buildings using high-resolution imagery | |
Chehata et al. | LIDAR data classification using hierarchical K-means clustering | |
Guo et al. | Extraction of dense urban buildings from photogrammetric and LiDAR point clouds | |
Kalantar et al. | Smart counting–oil palm tree inventory with UAV | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
CN110636248B (zh) | 目标跟踪方法与装置 | |
CN114694030A (zh) | 一种滑坡检测方法、装置、设备及存储介质 | |
Parmehr et al. | Automatic registration of optical imagery with 3d lidar data using local combined mutual information | |
Dos Santos et al. | Automatic building change detection using multi-temporal airborne LiDAR data | |
Kusetogullari et al. | Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach | |
CN116863357A (zh) | 一种无人机遥感堤坝影像定标与智能分割变化检测方法 | |
Wang et al. | Adaptive superpixel segmentation with Fisher vectors for ship detection in SAR images | |
Xie et al. | SMRD: A local feature descriptor for multi-modal image registration | |
Wen et al. | Mixture multiscale autoregressive modelling of SAR imagery for segmentation | |
CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |