[发明专利]基于多尺度场景变化检测的遥感影像损毁建筑物提取方法

说明书

本发明公开了一种基于多尺度场景变化检测的遥感影像损毁建筑物提取方法。该方法包括收集待提取损毁建筑物所在地灾前和灾后的影像并进行数据预处理；提取预处理后的灾前影像的建筑物区域，并对其进行多尺度分割，得到多尺度分割结果；利用多尺度分割结果，基于深度孪生网络进行场景变化检测，得到各分割尺度下的损毁建筑物检测结果；对得到的各分割尺度下的损毁建筑物检测结果进行自动融合，确定分割体的最终类别。本发明为了解决传统损毁建筑物检测方法对样本标注要求高和检测结果轮廓保真度差的问题，利用了基于深度孪生网络的场景变化检测模型，并将建筑区域多尺度分割结果与场景变化检测结果有效融合，较完整的保留了建筑物的轮廓信息。

技术领域

本发明涉及一种遥感影像损毁建筑物提取方法，尤其涉及一种基于多尺度场景变化检测的遥感影像损毁建筑物提取方法。

背景技术

建筑区域是人类活动的主要场所，同时也是灾害发生时人员伤亡和财产损失最为严重的区域。因此，在灾害发生之后，快速、准确地评估受灾区域建筑物的损毁情况对于灾区开展应急救援、决策指挥以及灾后重建等工作具有重要意义。遥感技术因具有宏观性、高效性和便捷性等特点，目前已经成为灾害监测与评估的主要技术手段之一。特别地，高分辨率遥感影像日益增加的可获取性，使得大范围、精细化提取灾后损毁建筑物成为可能。然而，从该类影像上直接通过人工目视解译结合实地调查的方式提取灾后损毁建筑物存在低效、耗时、费力等问题，难以满足灾害应急决策的高时效性要求。因此，迫切需要发展自动高效的损毁建筑物提取方法。

在高分辨率遥感影像中，相比于其它一般地物目标而言，损毁建筑物具有其特殊性，主要表现为损毁建筑物形态各异、凌乱无序，并且没有清晰轮廓，同时遥感影像普遍存在较强的类间相似性和类内异质性，因此，从高分辨率遥感影像中自动提取损毁建筑物面临诸多挑战。传统的损毁建筑物自动提取方法普遍基于人工设计的底层视觉特征，并需根据先验知识人为设定相应的指标阈值或借助分类器才能实现损毁建筑物和其它地物在特征空间的有效区分，但是该类方法受限于人为特征设计的不完备性以及对先验知识的过度依赖，导致此类方法的自动化程度不高，并且其地理可迁移性也难以得到保证。

随着深度学习的发展，特别是以卷积神经网络为代表的模型能从大量的训练样本中自动学习到由底层视觉特征到高层语义特征的层次化特征表达，规避了人为设计特征的缺陷，同时模型的泛化能力也得到极大提升。目前，基于深度学习的损毁建筑物提取方法已成为近年来研究的热点。但是，目前大多数研究工作直接将适用于自然图像理解的深度学习模型直接迁移应用于损毁建筑物提取，缺乏对该任务的针对性思考，主要表现为：①基于语义分割的方法需要像素级精细标注，而灾后高分辨率遥感影像上损毁建筑物边界模糊，使得获取像素级标注样本变得异常困难，并且标注质量也无法得到保证；②基于场景分类的方法虽然只需对样本进行图片级标注，但是实际检测时通常采用固定大小的滑动窗口遍历影像，忽略了地物的尺度差异，解译结果往往较为粗糙；③基于目标识别的方法对样本的标注难度介于以上两者之间，但也只能定位损毁建筑物，不能保留地物的轮廓信息。

除此之外，还存在灾后高分辨率遥感影像上损毁建筑物边界模糊，不利于损毁建筑物精确定位，并且影像上其它地物如碎石堆、土堆等容易对损毁建筑物提取造成干扰的问题。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于多尺度场景变化检测的遥感影像损毁建筑物提取方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于多尺度场景变化检测的遥感影像损毁建筑物提取方法，包括以下步骤：

S1、收集待提取损毁建筑物所在地灾前和灾后的影像并进行数据预处理；

S2、提取步骤S1预处理后的灾前影像的建筑物区域，并对其进行多尺度分割，得到多尺度分割结果；

S3、利用步骤S2得到的多尺度分割结果，基于深度孪生网络进行场景变化检测，得到各分割尺度下的损毁建筑物检测结果；