针对密度值信息的建筑物变化研究.pdf

第 39 卷 第 8 期 福 建 电 脑 Vol.39 No.8 2023 年 8 月 Journal of Fujian Computer Aug.2023 本文得到贵州省气象局科技基金项目基于数字标识符水印的气象数据安全技术研究资助。莫仕灯，男，1994年生，主要研究领域为气象信息技术。E-mail:。汤宁，男，1976 年生，主要研究领域为资料处理与档案管理。E-mail:。鲁霞，女，1995年生，主要研究领域为气象信息技术。E-mail:。杨远恒，女，1979年生，主要研究领域为气象数据服务与应用。E-mail:。李进讷，男，1992年生，主要研究领域为气象数据产品加工与服务。E-mail:。针对密度值信息的建筑物变化研究 莫仕灯 汤宁 鲁霞 杨远恒 李进讷 (贵州省气象信息中心 贵阳 550002)摘 要 为准确获取不同时间、同一位置影像中的建筑物变化情况，研究一个检测方法是十分必要的。本文基于影像中建筑物所在的区域密度与其它物体不同，探讨了一种基于依据密度值信息探测建筑物变化的检测方法。实验结果表明：在仿真模型和真实影像的建筑物变化状况探测中，均检测到建筑物的变化情况，且效果良好。关键词 密度值；建筑物变化；变化探测 中图法分类号 TP391.41 DOI:10.16707/ki.fjpc.2023.08.012 Research on Building Change Against Density Information MO Shideng,TANG Ning,LU Xia,YANG Yuanheng,LI Jinne(Guizhou Meteorological Information Center,Guiyang,China,550002)Abstract In In order to accurately obtain the changes of buildings in images at different times and at the same location,it is necessary to study a detection method.Based on the difference between the density of the area where the building is located in the image and other objects,this paper discusses a detection method for detecting building changes based on density information.The experimental results show that in the detection of building changes in both simulation models and real images,changes in buildings are detected,and has proved quite effective.Keywords Density Value;Building Changes;Change Detection 1 引言 随着我国城市建筑物变化日益频繁，准确获取建筑物这一重要人工地物目标的变化状况，能为相关部门进行土地管理、城区规划、可持续发展等方面的工作提供有力支撑1。在不同时间拍摄的同一位置的影像中探测变化事物适用于多种领域，如探测土地覆盖及使用、城市开发、森林变化、自然灾害变化等2。目前，通过高分辨率、超高分辨率航拍正射影像使得精细化识别建筑物变化成为可能，人们对建筑物变化探测的关注度越来越高3。建筑物变化探测算法可分为直接探测基础方法和后分类基础方法。直接探测的基础方法是生成与两个影像之间类似的图像，然后分析图像来检测变化。该方法需要复杂的实验临界值，因此很难广泛应用4-5。后分类基础方法是对不同时间拍摄的同一位置的各影像提取建筑物区域，比较提取的建筑物区域来检测变化的方法。其比较对象可分为 RGB色彩模式和灰度图像密度值。由于航拍正射影像分辨率越来越高，不同时间拍摄的正射影像分辨率不同，且时间相差越长，分辨率差别可能越大，使用RGB 色彩模式比较在分辨率不同时变化检测效果不好。本文使用后分类基础方法，基于影像中建筑物所在的区域密度与其它物体不同，探讨一种基于依据密度值信息探测建筑物变化的检测方法，并将其应用于建筑物变化探测工作中，同时使用不同分辨率的正射影像进行验证所提方法的有效性。54 莫仕灯等：针对密度值信息的建筑物变化研究 第 8 期 2 图像来源和处理方法 利用 Visual Studio 2015 画仿真建筑物模型，同时采用来源于某地 2012 年、2018 年和 2020 年的航拍正射影像。使用不同时间拍摄的同一位置的正射影像，通过比较其灰度图像的密度值变化，检测该地建筑物的变化情况，并过滤掉土地和河流等非建筑物的变化，同时过滤变化不大的建筑物区域。3 实验结果及分析 3.1 仿真图像 使用包含建筑物、土地和河流湖泊的模型进行仿真研究。这里图像检测的目标是，检测出建筑物的变化，同时过滤掉土地和河流湖泊的变化。初步提出了以下方案：首先，对两幅仿真模型进行差异对比，然后筛选出比较结果差异较大的点，再在结果差异较大的这些点中筛选出建筑物。表 1 建筑物仿真模型 A 的椭圆体参数 椭圆体 圆心 长轴 短轴 旋转角度 1(256,256)40 600 45 2(65,65)30 30 0 3(100,65)20 20 0 4(168,65)10 10 0 5(200,65)21 30 0 6(121,200)21 17 0 7(190,140)10 10 0 建筑物真模型 A 的矩形表达式：50110150200 xy 120150150200 xy 180200150200 xy (1)表 2 建筑物仿真模型 B 的椭圆体参数 椭圆体 圆心 长轴 短轴 旋转角度 1(256,256)40 600 45 2(445,445)30 30 0 3(412,445)20 20 0 4(350,445)10 10 0 5(312,445)21 30 0 6(390,312)21 17 0 7(190,140)10 10 0 8(445,200)25 25 0 建筑物仿真模型 B 的矩形表达式：400450300350 xy 360380300350 xy 300320300350 xy (2)仿真建筑物模型 A 的椭圆体参数和矩形表达式设计分别见表 1 和表达式(1)，仿真建筑物模型 B的椭圆体参数和矩形表达式设计分别见表 2 和表达式(2)，建筑物仿真模型如图 1(a)和(b)所示。图 1 中(a)图、(b)图和(c)图由 512512(像素)组成。其中，(a)图和(b)图中左上方和右下方不规则图形表示建筑物，中间不规则图形及其右下方圆形分别表示河流和湖泊，其余图形表示土地。对两幅仿真模型进行建筑物差异对比，输出对比结果，如图 1(c)所示。其中：黑色区域表示仿真建筑物模型A中存在建筑物而仿真建筑物模型B中不存在的建筑物的区域；灰色区域表示仿真建筑物模型A中不存在建筑物而仿真建筑物模型B中存在的建筑物的区域；白色区域表示仿真建筑物模型 A和 B 建筑物变化不大或非建筑物的区域。从图 1 可只，(c)中清晰地展示出了(a)与(b)的建筑物的差异情况，并过滤掉了非建筑物的变化。(a)建筑物仿真模型 A (b)建筑物仿真模型 B (c)A和B的建筑物差异 图 1 仿真模型的建筑物变化 3.2 正射影像 为了进一步验证所提算法的性能，采用来源于某地 2012 年和 2020 年、2018 年和 2020 年的航拍正射影像进行建筑物变化检测实验，如图2(a)和(b)、图 3(a)和(b)所示。其中，横纵坐标均代表影像的像素值，2012 年、2018 年和 2020 年的该地正射影像像素分别为 15431751(像素)、38574376(像素)和 77138749(像素),地图分辨率分别为 2.5 米分辨率、1.0 米分辨率和 0.5 米分辨率。为了更好地对纹理细节进行对比，对各白色正方形框内的感兴趣区域图像进行了放大，其结果同时也在图 2(c)和(d)、图 3(c)和(d)中进行了展示。使用此正射影像重复该实验（经实验验证，比例尺取 1：50000 时建筑物变化标记结果展示效果较好，因此以下实验的比例尺均取 1：50000）。2012年和 2020 年、2018 年和 2020 年正射影像的建筑物检测变化结果分别如图 2(e)和(f)、图 3(e)和(f)所示。2023 年 福 建 电 脑 55 其中，图像中的标黑区域为建筑物发生变化的区域。将建筑物变化标记结果与两幅初始图像进行比较来进行质量评估。可以看出，图 2(e)、(f)中清晰地展示出了图 2 中的(a)与(b)、(c)与(d)建筑物的差异情况，并过滤掉了土地和河流湖泊等非建筑物的变化；对比实验图 3 清晰地展示出了该方法对变化不大的建筑物的筛选情况，对变化不大的建筑物区域未进行标记，即过滤了变化不大的建筑物区域。(a)2012 年某地正射影像 (b)2020 年某地正射影像 (c)将(a)上的白色矩形区域放大 (d)将(b)上的白色矩形区域放大 (e)(a)和(b)的建筑物差异 (f)(c)和(d)的建筑物差异 图 2 2012 年和 2020 年正射影像建筑物变化标记结果 4 小结 本文使用不同时间拍摄的同一位置的航拍正射影像，通过比较图像的密度值变化，准确获取建筑物的差异情况。构建建筑物仿真模型和使用不同分辨率的真实正射影像，通过后分类基础方法，依据正射影像中建筑物所在的区域密度较大这一特点，采用依据密度值信息探测建筑物变化的检测方法，并将其应用于建筑物变化探测工作中。实验结果表明：在建筑物仿真模型和不同分辨率的真实正射影像的建筑物变化状况探测中，均检测到建筑物这一重要人工地物目标的变化情况，并过滤掉了土地和河流湖泊等非建筑物的变化，同时也过滤了变化不大的建筑物区域。因此该方法可广泛应用于不同分辨率航拍正射影像建筑物变化探测领域中。(a)2018 年某地正射影像 (b)2020 年某地正射影像 (c)将(a)上的白色矩形区域放大 (d)将(b)上的白色矩形区域放大 (e)(a)和(b)的建筑物差异 (f)(c)和(d)的建筑物差异 图 3 2018 年和 2020 年正射影像建筑物变化标记结果 参 考 文 献 1 Benedek C,Descombes X,Zerubia J.Building Development Monitoring in Multitemporal Remotely Sensed Image Pairs with Stochastic Birth-Death Dynamics.IEEE transactions on pattern analysis and machine intelligence,2012,34(1):33-50 2 Anju Asokan,J.Anitha.Change detection techniques for remote sensing applications:a survey.Earth Science Informatics,2019,12(2):143-160 3 Huiwei Jiang,Xiangyun Hu,Kun Li.PGA-SiamNet:Pyramid Feature-Based Attention-Guided Siamese Network for Remote Sensing Orthoimagery Building Change Detection.Remote Sensing,2020,12(3):484 4 Slum Segmentation and Change Detection:A Deep Learning Approach,https:/arxiv.org/abs/1811.07896 5 From Satellite Imagery to Disaster Insights,https:/arxiv.org/abs/1812.07033