[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

说明书

本发明涉及图像处理技术，其公开了一种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，首先通过人工解译的方式制作基于FCN的灾前建筑物提取和基于CNN的灾后损毁建筑识别样本库，并对构建的FCN模型和CNN模型进行训练。利用训练好的FCN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，最后利用训练好的CNN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。

技术领域

本发明涉及图像处理技术，具体涉及一种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。

背景技术

建筑密集区是人类活动的主要场所，同时也是自然灾害发生时人员伤亡和财产损失最严重的区域。地震等自然灾害损毁的建筑物严重威胁着居民的生命和财产安全，因此针对损毁建筑区域的居民营救是救援工作的主要内容。实时、准确、快速的识别和定位损毁建筑物是紧急救援、抢险以及灾后重建工作有序进行的关键和亟待解决的问题。

随着在轨高分辨率遥感卫星平台以及低空平台的轻小型航空飞机和无人机所构建的立体观测系统不断发展和完善，遥感技术全天候、全天时精确地观测和获取地表信息成为可能。由于遥感影像观测范围广、目前已经广泛被用于灾情获取的任务中。目前利用高分辨率遥感影像获取灾情成为一种有效的手段，其具有观测范围广、人工成本低、时效性高的优势，可以有效避免抢险人员进入灾区观测所面临的风险，并且不会因灾区道路阻塞影响观测。高分辨率遥感影像能够为解译损毁建筑提供更加精细的纹理和空间信息，并且获取日益便利，为损毁建筑物识别和定位提供了重要支撑和保障(Menderes et al.,2015)。

然而，从高分辨率遥感影像中解译损毁建筑非常困难，由于建筑物损毁程度不同，导致建筑损毁后形态各异，具有很强的类间相似性和较弱的类内相似性，例如完全倒塌的建筑很难与裸地区分，轻微损毁的建筑物又难以与未损毁建筑物区分。传统的高分辨率遥感影像自动解译方法对视觉特征的提取和解译能力较弱，一般需要基于大量的先验知识来人为设计特征，但大量的规则设置造成解译流程复杂繁琐，并且针对分辨率高和覆盖范围广的影像开展解译任务时会表现出泛化能力较弱的特点，难以满足实际应用的需求。因此，目前仍然主要依靠人工目视解译的方法对受灾区域的遥感影像进行解译，但是这种方式不仅需要消耗大量的人力物力，而且解译时间长，很难满足快速应急抢险救援的需求。

另一方面，以卷积神经网络(convolutional neural networks,CNN)模型为代表的深度神经网络的出现为复杂特征的自动提取和易混淆地物的解译提供可能，其基于一定数量的标注训练样本，能够自动从原始影像中学习到由低层次视觉特征到高层次语义特征的层次化特征，能够有效避免人为的特征设计对先验知识的依赖，极大地增加模型的泛化能力。目前，针对损毁建筑识别的问题，基于深度神经网络的模型主要有两种分析框架，即基于场景解译框架和基于语义分割框架。具体而言，基于场景解译的框架一般利用CNN将损毁建筑物所在场景标注为损毁建筑场景，却不能精确的定位损毁建筑物。为了弥补其不足，通常采用固定大小的滑动窗口对原始影像进行处理，滑动窗口以相同的步长对原始影像进行切分，通过依次对切分的影像块标注的方式实现像素级解译，解译结果往往较粗糙，细节信息大量丢失。基于语义分割框架的解译方法利用全卷积神经网络(Full convolutionalneural network,FCN)，它能够直接获得像素级的损毁建筑识别结果，但FCN模型所需的训练样本获取困难，需要大量专业人员手工勾绘，并且灾后影像中损毁建筑的边界模糊，导致难以制定制作训练样本的统一标准，除此之外，灾后影像中损毁建筑与背景所占的比例严重失衡，不利于FCN模型对损毁建筑特征的学习。因此，直接利用FCN模型得到理想的损毁建筑识别结果难以实现。

可见，单独利用CNN模型或者FCN模型进行损毁建筑的自动识别都存在一定的缺陷。此外，经过研究发现，单独利用灾后影像进行解译会因为影像信息不足而只能提取建筑损毁后的边界，不利于准确定位建筑基座位置和评估灾情，而结合灾前影像的先验信息可以有效的避免灾后影像信息的局限性。