CN113191213A

CN113191213A - 一种高分辨率遥感影像新增建筑物检测方法

Info

Publication number: CN113191213A
Application number: CN202110389794.5A
Authority: CN
Inventors: 孙希延; 肖钰; 纪元法; 黄建华; 付文涛; 白杨; 郭宁
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2021-04-12
Filing date: 2021-04-12
Publication date: 2021-07-30
Anticipated expiration: 2041-04-12
Also published as: CN113191213B

Abstract

本发明公开了一种高分辨率遥感影像新增建筑物检测方法，通过对获得的第二时相GF2影像其进行超像素分割，得到超像素对象；接着用该时相GF2影像构建建筑物数据集；将所述建筑物提取数据集输入多尺度约束编解码网络训练，获取第二时相建筑物二值图，所述多尺度约束编解码网络，采用双路径体系结构分别获取全局信息和局部信息，结合全局和局部信息可以更好的从复杂背景中区分建筑物以及细化建筑物的细节，同时以兼顾不同大小的建筑物，将获得的超像素对象与所述建筑物二值图结合获取第二时相建筑物目标对象；然后使用IRMAD算法获得像素级变化检测结果，基于建筑物目标对象和像素级变化检测结果进行空间位置叠加分析，实现新增建筑物检测。

Description

一种高分辨率遥感影像新增建筑物检测方法

技术领域

本发明涉及遥感影像处理技术领域，尤其涉及一种高分辨率遥感影像新增建筑物检测方法。

背景技术

建筑物作为基础地理数据库中重要的人工地物目标，对其实现自动变化检测一直是人工智能、摄影测量与遥感等领域的研究热点与难点。快速，精准的建筑物变化检测在城市规划、震后救灾等方面具有重要意义。

建筑物变化检测主要有三种策略：先对不同时期的遥感影像进行建筑物提取，然后利用提取结果进行变化检测；利用建筑物特征直接进行建筑物变化检测；先进行变化检测，再判断变化区域中属于建筑物的部分。在建筑物提取的基础上直接进行变化检测，其结果往往过于依赖建筑物提取精度。采用建筑物特征直接进行建筑物变化检测的关键点在于建筑物特征的有效性，其特征的稳定性和适用性还有待提高。故采用建筑物提取和变化检测同步进行的策略，分别独立完成建筑物提取和所有地物的变化检测，然后结合两种结果获得建筑物变化检测结果。

传统的遥感影像建筑物提取方法主要通过经验地设计一个恰当的特征来表达“什么是建筑物”,并创建相应的特征集用于建筑物的自动识别和提取。常用的特征指标包括光谱、长度、边缘、形状、纹理、阴影等，但这些特征会随着季节、光照、大气条件、传感器质量、尺度、建筑物风格和环境发生较明显的变化。这种凭经验设计特征的方法常常只能处理特定的数据，而无法真正做到自动化，因此,目前开始研究将深度学习应用在遥感影像建筑物提取上，利用深度学习自动学习多层次特征表示的能力来替代传统的人工经验设计特征的方法，然而，由于高分辨率遥感影像细节特征过于丰富以及真实场景中建筑物结构复杂、形状多样、尺度不一等因素的影响，使得建筑物提取不完整、边缘效果差。另一方面，基于深度学习的方法强烈依赖于大容量、高精度的样本数据库，使用开源数据集，只能对理论和方法进行定量比较，无法用于实际应用。

发明内容

本发明的目的在于提供一种高分辨率遥感影像新增建筑物检测方法，旨在解决现有技术中的高分辨率遥感影像新增建筑物检测在使用深度学习提取建筑物时对建筑物特征提取准确度低且无专有数据集的技术问题。

为实现上述目的，本发明采用的一种高分辨率遥感影像新增建筑物检测方法，包括下列步骤：

选取两期时相可用的高分辨率GF2影像，对将其中的第一时相高分辨率 GF2影像留存比对，并对第二时相高分辨率GF2影像进行超像素分割，获得超像素对象；

使用所述第二时相高分辨率GF2影像构建建筑物提取数据集；

将所述建筑物提取数据集输入多尺度约束编解码网络训练，获取第二时相建筑物二值图；

所述超像素对象与所述第二时相建筑物二值图结合获取第二时相建筑物目标对象；

对所述第一时相高分辨率GF2影像和所述第二时相高分辨率GF2影像差异化处理，获得像素级变化检测结果；

将所述像素级变化检测结果和所述第二时相建筑物目标对象进行空间位置分析，实现新增建筑物检测。

其中，使用所述第二时相高分辨率GF2影像构建建筑物提取数据集，包括下列步骤：

对所述第二时相高分辨率GF2影像处理获得形态学建筑物指数灰度图；

计算所述超像素对象内的建筑物指数均值，设定阈值进行分割后获得建筑物疑似图斑；

所述建筑物疑似图斑通过人工修改转化为最终建筑物标签；

随机裁剪并扩充所述高分辨率GF2影像和所述最终建筑物标签，获得建筑物提取数据集；

所述建筑物提取数据集划分为训练集、验证集和测试集。

其中，在随机裁剪并扩充所述高分辨率GF2影像和所述最终建筑物标签，获得建筑物提取数据集过程中，将大尺寸的影像分割为512*512指定大小的数据集，通过水平翻转、竖直翻转以及对角翻转进行数据扩充。

其中，所述建筑物提取数据集中训练集、验证集和测试集的比例为6：2：2。

其中，所述多尺度约束编解码网络包括编码器和解码器，所述编码器由双路径体系结构和多尺度分支构成，所述双路径体系结构包括局部信息路径和全局信息路径，所述局部信息路径使用膨胀卷积提取特征，所述全局信息路径采用VGG16提取特征，所述多尺度分支通过不同下采样倍数获取多尺度信息。

其中，所述解码器采用多路径特征融合模块，所述多路径特征融合模块为不同感受视野的特征图分配不同权重。

其中，在对所述第一时相高分辨率GF2影像和所述第二时相高分辨率GF2 影像差异化处理，获得像素级变化检测结果过程中，使用IRMAD算法进行差异化处理。

其中，在将所述像素级变化检测结果和所述第二时相建筑物目标对象进行空间位置分析，实现新增建筑物检测的过程中，使用所述像素级变化检测结果和所述第二时相建筑物目标对象空间位置叠加后的交集进行具体判别。

本发明的一种高分辨率遥感影像新增建筑物检测方法，通过对获得的第二时相GF2影像其进行超像素分割，得到超像素对象；接着用该时相GF2影像构建建筑物数据集；将所述建筑物提取数据集输入多尺度约束编解码网络训练，获取第二时相建筑物二值图，所述多尺度约束编解码网络，采用双路径体系结构分别获取全局信息和局部信息，结合全局和局部信息可以更好的从复杂背景中区分建筑物以及细化建筑物的细节，同时以兼顾不同大小的建筑物，将获得的超像素对象与所述建筑物二值图结合获取第二时相建筑物目标对象；然后使用IRMAD算法获得像素级变化检测结果，基于建筑物目标对象和像素级变化检测结果进行空间位置叠加分析，实现新建建筑物检测，解决了现有技术中的高分辨率遥感影像新增建筑物检测在使用深度学习提取建筑物时对建筑物特征提取准确度低且无专有数据集的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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例，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是本发明的一种高分辨率遥感影像新增建筑物检测方法的流程示意图。

图2是本发明的具体实施例的第二时相影像分割结果图。

图3是本发明的具体实施例的形态学建筑物指数特征图。

图4是本发明的具体实施例的建筑物疑似图斑图。

图5是本发明的具体实施例的最终建筑物标签图。

图6是本发明的多尺度约束编解码网络的网络结构图。

图7是本发明的多尺度约束编解码网络的膨胀卷积示意图。

图8是本发明的多尺度约束编解码网络的语义信息路径结构图。

图9是本发明的多尺度约束编解码网络的特征融合模块示意图。

图10是本发明的具体实施例的第二时相建筑物目标对象图。

图11是本发明的具体实施例的像素级变化检测结果图。

图12是本发明的具体实施例的新增建筑物检测结果图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、 “前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提出了一种高分辨率遥感影像新增建筑物检测方法，包括下列步骤：

S1：选取两期时相可用的高分辨率GF2影像，将其中的第一时相高分辨率 GF2影像留存比对，并对第二时相高分辨率GF2影像进行超像素分割，获得超像素对象；

S2：使用所述第二时相高分辨率GF2影像构建建筑物提取数据集；

S3：将所述建筑物提取数据集输入多尺度约束编解码网络训练，获取第二时相建筑物二值图；

S4：所述超像素对象与所述第二时相建筑物二值图结合获取第二时相建筑物目标对象；

S5：对所述第一时相高分辨率GF2影像和所述第二时相高分辨率GF2影像差异化处理，获得像素级变化检测结果；

S6：将所述像素级变化检测结果和所述第二时相建筑物目标对象进行空间位置分析，实现新增建筑物检测。

使用所述第二时相高分辨率GF2影像构建建筑物提取数据集，包括下列步骤：

S21:对所述第二时相高分辨率GF2影像处理获得形态学建筑物指数灰度图；

S22:计算所述超像素对象内的建筑物指数均值，设定阈值进行分割后获得建筑物疑似图斑；

S23:所述建筑物疑似图斑通过人工修改转化为最终建筑物标签；

S24:随机裁剪并扩充所述高分辨率GF2影像和所述最终建筑物标签，获得建筑物提取数据集；

S25:所述建筑物提取数据集划分为训练集、验证集和测试集。

在随机裁剪并扩充所述高分辨率GF2影像和所述最终建筑物标签，获得建筑物提取数据集过程中，将大尺寸的影像分割为512*512指定大小的数据集，通过水平翻转、竖直翻转以及对角翻转进行数据扩充。

所述建筑物提取数据集中训练集、验证集和测试集的比例为6：2：2。

所述多尺度约束编解码网络包括编码器和解码器，所述编码器由双路径体系结构和多尺度分支构成，所述双路径体系结构包括局部信息路径和全局信息路径，所述局部信息路径使用膨胀卷积提取特征，所述全局信息路径采用VGG16 提取特征，所述多尺度分支通过不同下采样倍数获取多尺度信息。

所述解码器采用多路径特征融合模块，所述多路径特征融合模块为不同感受视野的特征图分配不同权重。

在对所述第一时相高分辨率GF2影像和所述第二时相高分辨率GF2影像差异化处理，获得像素级变化检测结果过程中，使用IRMAD算法进行差异化处理。

在将所述像素级变化检测结果和所述第二时相建筑物目标对象进行空间位置分析，实现新增建筑物检测的过程中，使用所述像素级变化检测结果和所述第二时相建筑物目标对象空间位置叠加后的交集进行具体判别。

请参阅图2至图12，本发明提出了一种高分辨率遥感影像新增建筑物检测方法的具体实施例：

研究区为广西壮族自治区桂林市叠彩区，选取该区的一个典型子区进行分析，数据来自2016和2018两期GF2影像，将对所述第二时相影像，即2018年 GF2影像进行超像素分割、构建数据集、多尺度约束编解码网络(MSCNet)提取第二时相建筑物目标对象，对所述两期影像影像，即2016和2018年GF2影像进行变化检测得到像素级变化检测结果以及对所述像素级变化检测结果和所述建筑物目标对象进行空间位置分析实现新增建筑物检测。

(A)超像素分割

均值漂移Mean Shift算法包括两个步骤，超像素初分割和分割区域的合并。

超像素初分割相当于借助模点搜索技术实现初分割，具体过程为：(1)设定坐标空间和光谱空间的核函数带宽；(2)利用高斯核函数计算Mean-Shift向量；(3)判断向量的模是否大于指定阈值，从而进行迭代运算并确定模点位置。

分割区域的合并则是在超像素初分割完成后将空间相邻且光谱相近的区域合并为同一对象，实现影像分割，分割结果如图2所示。

(B)构建数据集

(1)计算形态学建筑物指数特征图：

形态学建筑物指数(MBI)建立在建筑物边缘光谱变化较大，而其内部光谱变化较小的基础上。该指数的构建考虑到了建筑物的形状、方向、亮度和对比度等特征。MBI建立的步骤如下：

1)计算亮度值

式中：K为可见光光谱波段数目，band_k(x)为第k波段在像素x处的亮度值，因为可见光波段对建筑物的光谱信息影响较大，所以这里选择可见光波段每个像素的最大值作为该像素的亮度值。

2)形态学白帽重构

式中：

为对亮度图像b进行形态学开运算，d和s分别代表线性结构元素的方向和尺度。由于建筑物和道路的光谱信息比较相近，而道路的方向较少，一般是沿一个或者两个方向延伸，建筑物的方向则较多，为将道路与建筑物很好地区分开来，故选择多个方向和尺度的线性结构元素。

3)计算形态学剖面MP

4)计算微分形态学剖面DMP

DMP_W-TH(d,s)＝|WP_W-TH(d,s+Δs)-MP_W-TH(d,s) (4)

式中：S_min≤Δs≤S_max

5)计算形态学建筑物指数MBI

式中：S＝((S_max-S_min)/Δs)+1，D为计算建筑物剖面时的方向数。

MBI建立的依据是微分形态学剖面具有较高的局部对比度，所以MBI特征值较大的即为建筑物，如图3。

(2)计算每个超像素内的MBI均值，当均值大于某一指定阈值时，可认为该超像素为建筑物疑似图斑，生成图4，手动修改后生成最终建筑物标签，如图5。

(3)随机裁剪和扩充：本发明采用随机裁剪的方式对预处理后的影像和标签样本进行裁剪，将大尺寸的影像分割为512*512指定大小的数据集，通过水平翻转、竖直翻转以及对角翻转进行数据扩充，最后按照6：2：2的比例划分为训练集、验证集和测试集用于之后的训练和测试评估。

(C)多尺度约束编解码网络(MSCNet)提取建筑物

网络包括一个编码器和解码器，编码器由双路径体系结构和多尺度分支构成。双路径体系结构分别处理局部信息和全局信息，这两条路径在这里分别定义为局部信息路径和全局信息路径。具体来说，局部信息路径采用膨胀卷积减少下采样过程中分辨率降低的问题，保留较多的局部信息。全局信息路径采用 VGG16提取特征，增大感受野获得全局信息，同时在该路径设计多尺度分支，通过不同下采样倍数获取多尺度信息。

在解码部分引入专门的特征融合模块将获得的多种特征进行融合。之后采取两种策略约束各路径上参数的更新。一是在上采样步骤中每条路径后边增加约束(这里的约束是指某一路径的预测和相应的地面真实之间的优化目标)。通过多路径约束来更新参数，因此可以在反向传播和权重更新中利用多分辨率标签，防止参数偏向单个约束，进一步加强各个路径的特征表示。具体来说，在 Sigmoid层之后的1×1卷积层被用于从具有一定分辨率的特征图中获得密集预测，相应的标签通过双线性插值从地面真实下采样。最后，使用整体损失来让网络学会将多分辨率段标签图集成到最终预测中；二是将各个路径上的最终特征图进行融合，形成含有4通道的特征图，最后通过1×1的卷积和sigmoid函数得到最终的预测图，通过这种策略，最终的预测图汇聚了多路径特征，约束了多路径更新参数，各个路径在反向传播和模型训练中都起到了积极的作用，网络结构示意图如图6所示。

(1)编码器：

为了在保持一定感受视野的同时保持原始输入图像大小并编码丰富的局部信息，本发明算法在局部信息路径使用了膨胀卷积。该路径共包含三层，前两层包括一个步幅为1的卷积，然后是批量归一化和ReLU，第三层是膨胀卷积。因此，此路径提取的输出特征图保持了原始图像的大小。由于特征图的空间大小很大，它编码了丰富的局部信息。普通卷积的表达式为

式中，O(x,y)是原始图像在点(x,y)处的像素值，H(x,y)是与其相乘的卷积核，大小为w×h。

膨胀卷积计算为

式中，l为膨胀因子，H′(x,y)为膨胀卷积核。

从式(6)和式(7)可以看出，膨胀卷积实质上就是对卷积核进行了0填充，这样做可以在增加卷积核感受视野的同时保留原始的像素信息，增大了分辨率。若卷积核的尺寸为k，膨胀率为l，则膨胀卷积的实际有效尺寸为k+(k-1)×(l-1)。与相同大小的普通卷积相比，膨胀卷积不仅扩大了感受视野，还保持了与普通卷积相同的分辨率，示意图如图7所示。

全局信息路径采用VGG16提取特征，增大感受野获得全局信息，同时在该路径设计多尺度分支，通过不同下采样倍数获取多尺度信息。具体来说，在区块1后分成三条并行独立的分支，快速下采样特征图以获得大的感受野。每条分支旨在将特征编码为特定的分辨率，充分利用不同尺度下的语义信息。请参阅图8，用来简单表示全局信息路径和多尺度分支结构，用N_sr代表该阶段特征层，其中s代表所处的分支，r代表下采样次数，第s分支子网特征图分辨率为原图尺寸除以2^r。原图最高分辨率作为区块1的输入，然后经过并行分支，最终各分支输出的特征图N₁₂、N₂₃、N₃₄的尺寸大小分别为原图的1/4、1/8、1/16。

(2)解码器：

不同尺度的建筑物，感受视野大小的重要性不同。对较大的物体，大感受视野获取的特征比较重要，而对较小的物体，较大感受视野的特征会采集过多的周边信息，引来误差。传统的特征融合方法一般是级联或相加，这样的简单做法没有考虑不同特征图的感受视野不同，忽略了特征之间的特异性。对此，本发明采用的多路径特征融合模块为不同感受视野的特征图分配不同权重，实现了更好的特征融合，如图9所示。

首先，将输入的两幅或者多福特征图在通道维度上级联起来。其次，将级联后的特征图通过大小为3×3的卷积核，实现特征图信息的初步融合，并将得到的特征图进行全局池化操作，提取每幅特征图的信息。然后，将得到的特征图通过大小为1×1的卷积核，让网络根据每幅特征图的整体信息学习权重。最后通过sigmoid函数得到最后的权重，并与原始特征图相乘。通过特征融合模块，为不同感受视野下的特征图分配了权重，使得不同感受视野下的特征特异性得到了体现，让特征更好地进行融合。

由于输出的目标是建筑物和非建筑物的二元分类，因此选择sigmoid函数来生成每一层的预测:

w∈R^c和b∈R¹分别表示权重和偏差。预测y_i,j的范围限于[0，1]。

为了在训练迭代期间更好地收敛，选择二进制交叉熵来计算每个预测和相对地面真实之间的第k个约束(C_k)，而不是简单的均方误差(MSE)。公式是:

其中h^k和w^k是第k个预测y^k和地面真实值g^k的高度和宽度。如果观测的是类别1，

的值为1；否则，该值为0。

是像素属于类别1的预测概率。

通过顺序卷积和上采样块和跳过连接，MSCNet模型生成金字塔状要素图层。

在策略一中，对于特征金字塔中的每个特征层，在sigmoid激活之后，应用 1×1卷积运算的单个核来生成该层的预测。然后，每个层的约束可以通过每个预测和相关地面真实之间的二进制交叉熵来计算。根据距最终卷积层的距离，这些约束被表示为C_main、C′_main、C_sub1、C_sub2和C_sub3。因此，MSCNet策略一的最终损失可表述为:

Loss＝α×C_main+γC_sub1+λC_sub2+σC_sub3 (11)

其中α、γ、λ和σ之和设为1.0。

对于策略二，将特征金字塔中的每个特征层进行融合，形成含有4通道的特征图，最后通过1×1的卷积和sigmoid函数得到最终的预测图。因此，MSCNet 策略二的最终损失可表述为:

Loss′＝C_main′ (12)

通过小批量随机梯度下降(SGD)和反向传播(BP)算法训练上述所有层以最小化最终损失，MSCNet模型学习如何从输入多通道遥感图像映射到等尺寸二进制分割图。最后将预测的二值图结合超像素对象得到建筑物目标对象，如图10 所示。

(D)基于IRMAD的像素级变化检测

使用IRMAD算法得到2个时相遥感影像的差异图，然后选取合适的阈值，将差异图上的像素划分为变化像素或非变化像素。基于IRMAD的像素级变化检测基本原理为：引入与MAD分量相关的随机变量T并通过卡方分布概率函数对像素进行迭代加权，使得在迭代过程中未变化的像素可以得到较大权重，再利用新的权重进行下一次迭代直至收敛，生成差异图，图中越亮的区域发生变化的可能性越大，最后指定一阈值来判断每个像素是否发生变化，生成像素级变化检测结果，请参阅图11。

(E)空间位置叠加法的具体判别过程如下：

(1)判断后时相影像建筑物提取结果与变化像素的交集情况，如式(12)所示。

式中，

表示后时相影像第i个建筑物对象，C是像素级变化检测结果，

则代表该对象与后时相建筑物提取结果的交集包含的像素数目。

(2)根据

大小，设定规则判定新增建筑物：

超过

建筑物对象面积一半，该对象为新建建筑物，否则该建筑物对象未发生变化。图12为新增建筑物检测结果。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims

1.一种高分辨率遥感影像新增建筑物检测方法，其特征在于，包括下列步骤：

选取两期时相可用的高分辨率GF2影像，将其中的第一时相高分辨率GF2影像留存比对，并对第二时相高分辨率GF2影像进行超像素分割，获得超像素对象；

使用所述第二时相高分辨率GF2影像构建建筑物提取数据集；

2.如权利要求1所述的高分辨率遥感影像新增建筑物检测方法，其特征在于，使用所述第二时相高分辨率GF2影像构建建筑物提取数据集，包括下列步骤：

所述建筑物疑似图斑通过人工修改转化为最终建筑物标签；

所述建筑物提取数据集划分为训练集、验证集和测试集。

3.如权利要求2所述的高分辨率遥感影像新增建筑物检测方法，其特征在于，在随机裁剪并扩充所述高分辨率GF2影像和所述最终建筑物标签，获得建筑物提取数据集过程中，将大尺寸的影像分割为512*512指定大小的数据集，通过水平翻转、竖直翻转以及对角翻转进行数据扩充。

4.如权利要求3所述的高分辨率遥感影像新增建筑物检测方法，其特征在于，所述建筑物提取数据集中训练集、验证集和测试集的比例为6：2：2。

5.如权利要求4所述的高分辨率遥感影像新增建筑物检测方法，其特征在于，所述多尺度约束编解码网络包括编码器和解码器，所述编码器由双路径体系结构和多尺度分支构成，所述双路径体系结构包括局部信息路径和全局信息路径，所述局部信息路径使用膨胀卷积提取特征，所述全局信息路径采用VGG16提取特征，所述多尺度分支通过不同下采样倍数获取多尺度信息。

6.如权利要求5所述的高分辨率遥感影像新增建筑物检测方法，其特征在于，所述解码器采用多路径特征融合模块，所述多路径特征融合模块为不同感受视野的特征图分配不同权重。

7.如权利要求6所述的高分辨率遥感影像新增建筑物检测方法，其特征在于，在对所述第一时相高分辨率GF2影像和所述第二时相高分辨率GF2影像差异化处理，获得像素级变化检测结果过程中，使用IRMAD算法进行差异化处理。

8.如权利要求7所述的高分辨率遥感影像新增建筑物检测方法，其特征在于，在将所述像素级变化检测结果和所述第二时相建筑物目标对象进行空间位置分析，实现新增建筑物检测的过程中，使用所述像素级变化检测结果和所述第二时相建筑物目标对象空间位置叠加后的交集进行具体判别。