[发明专利]一种基于色彩-参数迁移的遥感建筑物震害信息提取方法

说明书

本发明公开了一种基于色彩‑参数迁移的遥感建筑物震害信息提取方法。方法包括：源域震害遥感影像的获取；源域样本集的创建划分和扩充增强；设计提取震后完整建筑物、损毁建筑物的深度卷积神经网络层深结构；利用参数随机初始化的方式获取最优层深结构模型和参数；目标域震害遥感影像的获取；目标域影像色彩迁移处理；目标域样本集的创建划分和扩充增强；利用目标域小样本结合最优源域模型参数进行目标域模型的训练；目标域影像建筑物震害信息的提取以及提取精度和效率的评价。公开的方法可以降低传统深度学习的模型获取成本，提高震害信息提取的精度和效率，满足抗震减灾部门快速准确获取震后灾损信息的需求。

技术领域

本发明涉及遥感建筑物震害信息提取技术领域，特别涉及一种基于深度学习和迁移学习的遥感建筑物震害信息提取方法。

背景技术

地震具有突发性强、破坏性大的特点，往往给建筑物造成毁灭性的破坏，给人民生命财产安全带来极大的威胁。灾区建筑物震害信息的快速准确提取，对降低地震灾害损失、保障人民生命财产安全和社会经济可持续发展具有重要意义。传统的建筑物震害信息遥感提取方法包括面向对象方法和变化检测方法，面向对象方法需要选择恰当的分割参数，其分类效率和精度相对较低。而变化检测方法需要获得震前的高分影像，需要严格震害前后影像配准，配准误差不能大于1/3像元大小，且检测结果中仍包含许多非地震震害引起的地表变化信息，影响到了其提取性能。新提出的基于深度学习的建筑物震害信息遥感提取方法，需要通过目视标绘对样本数据进行人工震害信息处理，大量训练样本消耗掉巨大的人工和时间成本，无法满足震后建筑物震害快速提取的需求。如何精确快速提取震害建筑物的损毁情况和数量信息，并将已有建筑物震害提取知识应用到更多的地震灾区影像处理中，同时提升知识迁移学习的能力、模型迁移的性能，以此提高遥感在震害提取中的快速应用性能，需要一种高效和性能更好的建筑物震害信息提取方法。

本发明的主要特点在于结合待迁移的源域模型的参数和少量的目标域样本训练目标域模型，以此减少训练网络模型的人工和时间成本，并采用图像色彩迁移算法，将源域数据的色彩统计特征迁移至目标域数据，增加目标域数据和源域数据之间的相似性，从而提高建筑物震害信息的提取精度，同时解决建筑物震害信息深度卷积神经网络训练时间和人工样本制作成本较大的问题。

发明内容

本发明的目的是提供一种基于深度学习和迁移学习的遥感建筑物震害信息提取方法，能有效减少震害信息提取深度学习模型训练的人工和时间成本。

具体步骤为：

(1)源域震害遥感影像获取：从防震减灾部门或遥感数据网站获取某一地区震后高分辨率历史遥感影像，作为迁移学习的源域影像数据。

(2)源域样本集创建划分和扩充增强：采用目视解译的方式，利用Labelme图像标绘工具对源域影像中的“完整建筑物”和“损毁建筑物”分别进行标绘，生成对应的语义标签数据，由影像与对应的两类震害语义标签构成深度学习样本集；将样本集划分为训练集和测试集，对样本进行随机裁剪数量扩充，采用虚拟样本增强技术对深度学习样本进行数据增强。

(3)网络层深结构设计：设计提取震后完整建筑物、损毁建筑物的层深增长卷积神经网络结构。

(4)源域模型训练：设置模型训练参数，在深度学习框架下完成模型训练，保存训练好的模型与参数。

(5)获取最优层深结构模型和参数：针对步骤(2)中扩充的源域样本集，按照步骤(3)中设计的层深增长网络结构对模型的层深结构进行调整，分别训练不同层深结构下的网络模型。结合源域测试集比较不同层深结构模型对建筑物震害信息的提取性能，并保存提取精度和模型训练时间最佳的网络层深结构和模型参数。

(6)目标域震害遥感影像获取：从防震减灾部门或遥感数据网站获取另一地区的地震后高分辨率遥感影像，作为迁移学习的目标域影像数据。