深度学习在建筑物变化检测中的应用
来源:用户上传
作者:
摘要 建筑物检测的研究由来已久，在过去几十年里，人们通过遥感图片的色彩以及反射率等对建筑物的变化进行检测分割。但是分割的效果并不理想，因为色彩和反射率等特征的提取往往需要人手动的调整，不同建筑物的材料也各不相同，如何更好的提取建筑物特征成为该项目中的一个难点。随着近几年深度学习的发展，提取遥感影像中的特征变得简单起来。
【关键词】建筑物检测变化检测深度学习语义分割
1 背景介绍
随着我国城市化率的进一步提升，城市建设也在快速发展。而国土监察业务中，最重要的一项工作就是监管地面上建筑物的建、拆、改、扩。如果一块地块没有经审批而存在建筑物，那么就需要实地派人去调查是否出现了非法占地行为。如果一块地卖给了开发商但是没有实际建设，那么就需要调查是否开发商捂地惜售或者是开发商资金链出现问题而不能按期完成建设。如果居民住房或者商业用地出现异常扩大的情况，那么就要调查是否存在违章建筑。对于我国现阶段的城市发展速度来说，不可能靠国土局人力来每天全城巡查，如果依靠高分辨率的遥感卫星图像和一些图像算法来结合，则可以大大提高工作效率，革新工作流程。
2 目前存在的算法及其特点
过去研究人员采用的一般是传统的像元级变化检测方法。高分辨率的遥感影像已经具有比较丰富的纹理特征，而像元级变化检测主要是根据不同类型的物体具有不同的纹理特征来对物体进行分类和分割。但是此类方法往往需要根据不同的地理情况来设置提取不同的纹理特征，纹理特征往往是破碎的，不完整的，即使是同类物体也可能存在较大的纹理特征区别，同一物体也可能局部出现不同的纹理。而目前的城市发展速度快，建筑材料和样式多样，此方法的精度难以满足现在的需求。而后来的检测方法逐渐向面向对象发展，提出了诸如均质区域识别、主成分分析法、聚类提取、形态学指数计算等。这些方法的共同特点是把建筑物看作一个整体，改善了原来基于像元纹理的破碎和杂质过多的问题。但是这些方法同样存在一些问题。一方面对遥感卫星的精准匹配要求过高，而卫星图一般都是由无数图片拼接而成，而且不同时间拍摄角度可能不太一样。不同时间的光照条件不同，建筑物阴影也不太一样。另一方面这些方法对数据也有着特殊的要求。有的要求不同波段的图像，有的要求多通道的数据。如果不能满足这些要求，那么这些方法的效果就会大打折扣甚至无法正常使用。
3 使用深度学习进行建筑物变化检测
近几年来人工智能行业异军突起，其主要是得益于最近几年处理器性能的大幅提升对神经网络的应用。而深度学习技术就是对于多层的神经网络的应用技术。人们为了解决分类等问题，设计发明了多种网络，其中包括经典的AlexNet、VGGNet等。这些网络分别在不同任务下有非常好的表现。但是对于语义分割任务，这些网络的效果往往不是非常理想。因为这些网络对输入有着严格要求，而且消耗的内存巨大，同时感知区域有限，速度也比较慢。
对于图像分割任务UC Berkeley的Jonathan Long等人提出了Fully Convolutional Networks（FCN）网络。该网络试图从抽象的特征中恢复出每个像素所属的类别。即从图像级别的分类进一步延伸到像素级别的分类。这种特性使得它的分割可以在任意大小的图像上进行，和传统的（Convolutional Neural Networks，CNN）网络相比，处理速度大大提高。但是这种网络由于采用像素分类的方式，它输出结果不够精细，对于卫星图来说，很难达到清晰直观的输出。而且如果只是对于像素进行独立分类，就很难考虑像素与像素之间空间和值的对应关系对于分类结果的影響，没有达到空间一致性。
基于这些原因，Olaf Ronneberger et al.提出了一种基于FCN网络的改进网络结构，他把这种网络结构命名为U-Net，U-Net采用了一种编码器解码器的结构，浅层的应用来解决像素定位的问题，而深层次的网络用来解决像素分类的问题。它添加了上采样阶段，这样可以吹扩大特征通道，允许网络保留更多的原图信息在高分辨率的网络层次传播。U-Net没有使用全连接层，全程使用valid来进行卷积。这样可以保证分割的结果都是基于没有缺失的全部特征。通过这些改动U-Net可以使用比较少的训练集就可以得到非常好的效果。
4 结论
深度学习在图像识别领域现今已经遍地开花，如何使用深度系学习来做出有价值有意义的事情是我们必须要考虑的事情。使用深度学习应用于遥感建筑物变化检测，能够在大尺度大范围内高效的工作，相比于传统的算法能应用于各种尺度，不同分辨率和色彩的卫星图像。而且不需要去做特殊的特征提取和人工计算。提高了工作效率，减轻了人力负担。
参考文献
[1]Beumier C， Idrissa M. Building Change Detection fromUniform Regions. In： Proceedings of Pattern Recognition， Image Analysis，Computer Vision， and Applications.Buenos Aires， Argentina： Springer Berlin Heidelberg， 2012.648- 655.
[2]Huang X， Zhang L，Zhu T.Building Change Detection From Multitemporal High-Resolution Remotely Sensed Images Based on a Morphological Building Index. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2013， 7（1）： 105-115.
[3]周则明，孟勇，黄思训，胡宝鹏.基于能量最小化的星载SAR图像建筑物分割方法[J].自动化学报，2016，42（02）：279-289.
[4]田昊，杨剑，汪彦明，李国辉.基于先验形状约束水平集模型的建筑物提取方法[J].自动化学报，2010，36（11）：1502-1511.
[5]施文灶，毛政元.基于图分割的高分辨率遥感影像建筑物变化检测研究[J].地球信息科学学报，2016，18（03）：423-432
[6]Krizhevsky A， Sutskever I， Hinton G E. ImageNet classification with deep convolutional neural networks. In： Proceeding of the International Conference on Neural Information Processing Systems. Nevada， USA： Curran Associates Inc.，2012. 1097- 1105
[7]Simonyan K， Zisserman A. Very Deep Convolutional Networks for Large Scale Image Recognition. arXiv： 1409.1556，2014.
[8]Long J， Shelhamer E， Darrell T. Fully convolutional networks for semantic segmentation. In： Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston， Massachusetts， USA： IEEE，2015. 3431-440.
转载注明来源:https://www.xzbu.com/1/view-14841887.htm
