[发明专利]结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法

权利要求书

1.结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法，其特征在于，

包括以下步骤：

a.制作灾前建筑物提取样本库和灾后损毁建筑识别样本库；

b.构建灾前建筑物提取模型和灾后损毁建筑识别模型；

所述灾前建筑物提取模型采用FCN模型，所述FCN模型包括依次相连的卷积层、4个宽膨胀卷积残差单元、上采样层，所述4个宽膨胀卷积残差单元中的前两个宽膨胀卷积残差单元后设置有激活函数层和最大池化层，后两个宽膨胀卷积残差单元后仅设置激活函数层；

所述灾后损毁建筑识别模型采用CNN模型,所述CNN模型包括依次相连的卷积层、4个宽膨胀卷积残差单元、平均池化层和全连接层；所述4个宽膨胀卷积残差单元后均设置有激活函数层和最大池化层；

c.利用灾前建筑物提取样本库中的数据对灾前建筑物提取模型进行训练，利用灾后损毁建筑识别样本库中的数据对灾后损毁建筑识别模型进行训练；

d.采用训练好的灾前建筑物提取模型提取灾前影像中的建筑物，获得灾前影像建筑区域，并采用基于对象分割策略分割灾前影像建筑区域，得到灾前建筑物分割对象；

e.采用训练好的灾后损毁建筑识别模型处理灾后影像得到对应灾后影像的损毁建筑物置信矩阵，用于判断每个灾前建筑物分割对象是否损毁，得到灾后损毁建筑图。

2.如权利要求1所述的结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法，

其特征在于，步骤a中，通过人工解译的方式制作灾前建筑物提取样本库和灾后损毁建筑识别样本库。

3.如权利要求1所述的结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法，其特征在于，所述宽膨胀卷积残差单元包括：

第一卷积层、第二卷积层和5个并联的膨胀卷积层；其中第一卷积层的输出信号连接5个并联的膨胀卷积层的输入信号；所述5个并联的膨胀卷积层的输出信号级联后输入第二卷积层；所述第二卷积层的输出信号与第一卷积层的输入信号进行叠加融合作为输出；

其中，第一卷积层和第二卷积层的卷积核大小为均为1×1；5个膨胀卷积层的卷积核大小均为3×3，膨胀因子分别为1、3、5、7、9。

4.如权利要求1所述的结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法，

其特征在于，步骤d中，采用训练好的灾前建筑物提取模型提取灾前影像中的建筑物后，利用提取结果对灾前影像进行掩膜处理，获得灾前影像建筑区域。

5.如权利要求4所述的结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法，

其特征在于，步骤d中，所述并采用基于对象分割策略分割灾前影像建筑区域，得到灾前建筑物分割对象具体包括：

采用基于图的分割方式对灾前影像建筑区域进行分割，将视觉上一致的区域分割在一起，然后使用层次聚类算法依次合并周围相似的建筑物分割体，获得灾前建筑物分割对象。

6.如权利要求1所述的结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法，

其特征在于，步骤e中，采用训练好的灾后损毁建筑识别模型处理灾后影像得到对应灾后影像的损毁建筑物置信矩阵，具体包括：

把灾前建筑物分割对象映射到对应的灾后影像中，得到基于灾后影像的建筑物分割对象，基于CNN模型计算灾后影像置信矩阵，通过比较分割对象包含像素的总体置信度判断建筑物分割对象是否损毁。

7.如权利要求6所述的结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法，

其特征在于，步骤e中，所述基于CNN模型计算灾后影像置信矩阵具体包括：

依次截取100×100大小的场景影像块输入CNN模型，得到对应分类结果的置信向量，将该向量统一作为输入影像块中每个像素的置信向量，截取影像块的滑动窗口的滑动步长设置为10，大部分像素会被多个场景影像块覆盖，最终与多个置信向量对应，将像素对应的多个置信向量求平均值，作为像素最终的置信向量；

灾后影像的置信矩阵由每个像素的置信向量组成，其中像素点P的置信向量计算公式为:

其中n代表像素点P被n个场景影像块覆盖，I_i表示第i个场景块的置信向量。

8.如权利要求7所述的结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法，

其特征在于，步骤e中，所述通过比较分割对象包含像素的总体置信度判断建筑物分割对象是否损毁，具体包括：

将灾前建筑分割对象与灾后影像的置信矩阵叠加得到每个建筑物分割对象中包含像素的置信向量，对每个建筑分割对象包含像素的置信向量求和，作为每个建筑分割对象的置信向量，定义I_p是建筑物分割对象中包含像素的置信向量，m是分割体中像素的数量，建筑物分割对象的置信向量采用如下公式计算：

最后通过建筑物分割对象的置信向量识别损毁建筑：L＝argmaxI_o。