[发明专利]一种新增建设用地监测方法及装置

说明书

本申请提供一种新增建设用地监测方法及装置，涉及遥感信息提取技术领域。其中，新增建设用地监测方法包括：接收前时相真彩色正射影像图、后时相真彩色正射影像图和基础矢量；将前时相真彩色正射影像图和后时相真彩色正射影像图分别从RGB色彩空间变换到Lab色彩空间；将基础矢量转为基础影像对象层；对前时相Lab图像和后时相Lab图像进行大小两种尺度参数的分割；分别提取大尺度参数影像对象层内和小尺度参数影像对象层内各对象的空间特征；确定小尺度参数影像对象层的土地利用类型是否由非建设用地变为了建设用地。这样，能够更加准确地描述地物特征，更加全面、准确地监测出新增建设用地。

技术领域

本申请涉及遥感信息提取技术领域，尤其涉及一种新增建设用地监测方法及装置。

背景技术

在国土资源管理中，对于进行土地执法监察和土地督察等业务，需要监测新增建设用地，以实现新增违法建设用地的监测。

目前，通过高分一号、高分二号等卫星采集的高分辨率影像进行新增建设用地提取，具体包括以下三种方式：第一种：基于像元的分类方法。具体的，结合构建出的各种新增建设用地指数，例如：形态学建筑物指数(MBI)、像元形状指数(PSI)和建筑物存在指数(PanTex)，如果像元的值超过阈值，则提取为新增建设用地。第二种：基于对象的分割分类方法。具体的，通过不同的像元聚类算法将像元扩展至对象级，采用多尺度对影像进行分割，形成多个对象层，进而利用更丰富的特征库，例如：光谱、形状、大小、纹理、空间关系特征和上下文关系特征等，以实现新增建设用地的提取，或者利用特定的模型，例如：基于PanTex定义的建设用地识别模型，以实现新增建设用地的分类。第三种：深度学习方法。具体的，采集海量的新增建设用地样本库并进行人工统一标记，确定合适的网络架构，例如：AlexNet、VggNet、FCN、U-Net等网络，再通过样本库优化训练确定的网络，以优化更新网络的参数，最后将优化训练好的网络应用于目标区域，以自动提取目标区域内的新增建设用地。

但是，在工程化应用中，提取新增建设用地时所用的影像一般会被处理成真彩色正射影像图(DOM)。而从真彩色影像图中无法获取需要近红外波段才能计算的指数，例如：NDVI、NDWI等，从而导致依赖近红外光谱信息的新增建设用地提取方法无法使用。若采用上述第一种中的基于像元的分类方法，容易出现“椒盐现象·”，同时也无法保证较低的漏检率。若采用上述第二种中的基于对象的分割分类方法，当影像图上目标的大小与假设模型中的情况相差较大，或者，建设用户周围没有明显的阴影时，特征图像的假设模型不成立，如果仍采用假设模型进行建设用地提取，会出现偏差，提取效果较差。而若采用上述第三种中的深度学习方法，由于需要获取海量的标记样本，以进行网络优化训练，对于工程化实现建设用地的提取造成了一定的障碍，并且查全率和虚警率之间的矛盾也无法得到有效解决。

发明内容

本申请实施例的目的是提供一种新增建设用地监测方法及装置，能够更加全面、准确地监测出新增建设用地。

为解决上述技术问题，本申请实施例提供如下技术方案：

本申请第一方面提供一种新增建设用地监测方法，包括：

接收前时相真彩色正射影像图、后时相真彩色正射影像图和基础矢量，所述前时相真彩色正射影像图和所述后时相真彩色正射影像图为同一地区不同时相的真彩色正射影像图，所述基础矢量用于表征所述前时相真彩色正射影像图获取时间或比所述前时相真彩色正射影像图获取时间早的某一时段各区域的土地利用类型；

将所述前时相真彩色正射影像图和所述后时相真彩色正射影像图分别从RGB色彩空间变换到Lab色彩空间，得到前时相Lab图像和后时相Lab图像；

将所述基础矢量转为基础影像对象层，在所述基础影像对象层中，每个矢量图斑对应一个影像对象，每个影像对象都继承了对应矢量图斑的所有属性信息；