一种基于实景三维模型的变化检测方法与流程

本发明涉及三维数字化技术领域，具体为一种基于实景三维模型的变化检测方法。

背景技术：

变化检测作为土地覆盖监测、土地利用监测、灾害评估、灾害预测、地理信息数据更新等领域的关键技术之一，一直备受关注，变化检测包括变化区域检测与变化类型识别，传统的变化检测流程为生成差异图及变化区域分类，差异图的获取方法包括图像差值、图像比值等，这些基于像素的方法只适用于大比例尺卫星影像或低分辨率航空影像，对于应用日渐频繁的高分辨率影像，则容易形成大量的碎片，以至产生过多的伪变化区域，不利于后期数据处理，传统的分类方法分为监督分类与非监督分类，但它们基于影像，仅利用了影像的颜色信息，分类依据过于单一，分类的准确率不高。

随着无人机技术的飞速发展，无人机影像以其获取成本低、效率高、分辨率高等优点，越来越多的应用到地理信息源数据采集，利用无人机影像生成的实景三维模型数据也成为重要的地理信息数据之一，实景三维模型数据同时具有颜色与几何信息，应用到变化检测当中，同时依据无人机影像分辨率较高的特性，应用面向对象的方法，以分割的对象作为基本单元进行变化检测，可大大提高变化检测精度。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本，深度学习通过构建具有很多隐层的机器学习模型和海量的训练数据，旨在学习更优质的特征，进而提高分类准确率，追根溯源，深度学习的概念源于对人工神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，专门解决图像分类识别问题的卷积神经网络(convolutionneuralnetworks，cnn)是一种带有卷积结构的深度学习网络，cnn能够自动的从图像中提取空间特征，将待分类像元及其邻域像元一同作为卷积神经网络的输入，进而转换为被机器学习任务有效利用的特征，近年来，神经网络方法用于解决图像分类问题已经日趋成熟，且应用领域也在扩展，较传统的分类方法，深度学习方法具有强大的从少数样本集中学习数据集本质特征的能力，能大大提高变化地物类型的识别准确度。

综上所述，本发明提出了一种基于实景三维模型的变化检测方法，利用实景三维模型数据，用面向对象的方法检测变化区域，并通过深度学习方法对变化类型进行识别，大大提高了变化检测精度与变化类型识别准确度。

技术实现要素：

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于实景三维模型的变化检测方法，解决了传统的基于影像的变化检测方法，仅利用了影像的颜色信息，在变化检测精度及变化类型识别准确率上难以达到满意效果的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于实景三维模型的变化检测方法，具体包括以下步骤：

s1、根据实景三维模型的范围，计算变化前后的重叠区域；

s2、多三维模型进行纹理重采样与高程重采样，生成数字正摄影像dom与数字地面模型dsm；

s3、将步骤s2中的数字正摄影像dom与数字地面模型dsm图像化处理后，进行面向对象的分割，生成图斑对象集；

s4、根据每个图斑对象内的高程变化，判断图斑是否为变化区域；

s5、分别采集不同地物类型的样本数据；

s6、样本训练；

s7、生成分类器；

s8、输入图斑颜色与高程信息，得到变化地物的类型。

优选的，所述步骤s1中计算重叠区域具体为：首先读入变化前后的实景三维模型数据，计算变化前后区域边界范围，得到变化前后的重叠区域，然后设置区块长宽，对重叠区域重新划分区块，对每个区块进行后面的处理。

优选的，所述步骤s2中的模型重采样分为纹理重采样和高程重采样，根据区块的边界范围，生成水平采样网格，网格的大小δx、δy根据模型的分辨率设定，已知网格的起始坐标(x0,y0)，可得到网格点(i,j)的水平坐标为：x＝x0+i*δx，y＝y0+j*δy。

优选的，所述根据网格点的水平坐标，在模型上取相应位置上的模型点的纹理颜色值作为z值，即可生成数字正摄影像dom，然后根据网格点的水平坐标，在模型上取相应位置上的模型点的高程值作为z值，生成数字地面模型dsm。

优选的，所述步骤s3中dom与dsm分割，并生成图斑对象集，是利用生成的数字正摄影像，采用基于图的有效分割方法，对影像进行分割，将影像分割成若干个特定的、具有独特性质的区域，它能保持低变化区域的细节，同时能忽略高变化区域的细节，从而减少细小碎片的产生，得到一个很好的分割效果，利用数字地面模型dsm，将网格点高程值拉伸到0-255范围，生成灰度影像，用阈值分割的方法，将影像分割成若干互不重叠的区域，将两种分割结果进行合并，即可得到最终的图斑对象集。

优选的，所述步骤s4中判断是否为变化区域是对每个图斑对象，统计图斑内的高差均值，设定阈值，若高差均值高于此阈值，则视为候选变化区域，否则视为无变化区域，生成初始的变化区域。

优选的，所述步骤s7中的生成分类器是采用深度学习的方法生成，深度学习网络由多个神经单元聚集在一起并构造出分层的结果，最简单的网络由一个输入层、一个输出层、一个隐含层组成，每一层上都有多个神经元，并且没一层上的神经元都和下一层的神经元连接在一起，上一层的输出作为下一层的输入，这样的网络也被成为全连接网络。

优选的，所述步骤s8中预测变化地物类型是输入地物图斑和分类器，进分类器进行计算，输出各个类别的概率，概率最高者即为变化地物的类别。

(三)有益效果

本发明提供了一种基于实景三维模型的变化检测方法。与现有技术相比具备以下有益效果：该基于实景三维模型的变化检测方法，具体包括以下步骤：s1、根据实景三维模型的范围，计算变化前后的重叠区域，s2、多三维模型进行纹理重采样与高程重采样，生成数字正摄影像dom与数字地面模型dsm，s3、将步骤s2中的数字正摄影像dom与数字地面模型dsm图像化处理后，进行面向对象的分割，生成图斑对象集，s4、根据每个图斑对象内的高程变化，判断图斑是否为变化区域，s5、分别采集不同地物类型的样本数据，s6、样本训练，s7、生成分类器，s8、输入图斑颜色与高程信息，得到变化地物的类型，可实现通过利用实景三维模型的颜色及几何信息，用面向对象的方法进行分割，以对象为基本单位进行变化检测，确定变化区域后，利用深度学习的方法，对地物变化类型进行识别，大大提高了变化检测精度与变化类型识别准确度，同时利用了颜色与几何信息，为进一步剔除伪变化区域提供了有利条件，提高了检测精度，并且丰富了分类依据。

附图说明

图1为本发明的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供一种技术方案：一种基于实景三维模型的变化检测方法，具体包括以下步骤：

s1、根据实景三维模型的范围，计算变化前后的重叠区域；

s2、多三维模型进行纹理重采样与高程重采样，生成数字正摄影像dom与数字地面模型dsm；

s3、将步骤s2中的数字正摄影像dom与数字地面模型dsm图像化处理后，进行面向对象的分割，生成图斑对象集；

s4、根据每个图斑对象内的高程变化，判断图斑是否为变化区域；

s5、分别采集不同地物类型的样本数据；

s6、样本训练；

s7、生成分类器；

s8、输入图斑颜色与高程信息，得到变化地物的类型。

本发明，步骤s1中计算重叠区域具体为：首先读入变化前后的实景三维模型数据，计算变化前后区域边界范围，得到变化前后的重叠区域，然后设置区块长宽，对重叠区域重新划分区块，对每个区块进行后面的处理。

本发明，步骤s2中的模型重采样分为纹理重采样和高程重采样，根据区块的边界范围，生成水平采样网格，网格的大小δx、δy根据模型的分辨率设定，已知网格的起始坐标(x0,y0)，可得到网格点(i,j)的水平坐标为：x＝x0+i*δx，y＝y0+j*δy。

本发明中，根据网格点的水平坐标，在模型上取相应位置上的模型点的纹理颜色值作为z值，即可生成数字正摄影像dom，然后根据网格点的水平坐标，在模型上取相应位置上的模型点的高程值作为z值，生成数字地面模型dsm。

本发明，步骤s3中dom与dsm分割，并生成图斑对象集，是利用生成的数字正摄影像，采用基于图的有效分割方法，对影像进行分割，将影像分割成若干个特定的、具有独特性质的区域，它能保持低变化区域的细节，同时能忽略高变化区域的细节，从而减少细小碎片的产生，得到一个很好的分割效果，利用数字地面模型dsm，将网格点高程值拉伸到0-255范围，生成灰度影像，用阈值分割的方法，将影像分割成若干互不重叠的区域，将两种分割结果进行合并，即可得到最终的图斑对象集。

本发明，步骤s4中判断是否为变化区域是对每个图斑对象，统计图斑内的高差均值，设定阈值，若高差均值高于此阈值，则视为候选变化区域，否则视为无变化区域，生成初始的变化区域。

伪变化区域剔除的方法有：1)利用植被指数剔除植被等不重要的变化区域，根据影像的rgb值，计算图斑对象的植被指数egi＝2g-r-borngei＝(2g-r-b)/(2g+r+b)，若变化前后的植被指数都超出阈值，则视为伪变化区域；2)细小孤立的区域，根据变化检测的变化区域面积一般较大，细小的孤立区域可视为伪变化；3)具有狭长、高度凹等非常规几何特性的图斑视为伪变化区域，若图斑判断为变化区域，则执行步骤s8，否则结束。

本发明，步骤s7中的生成分类器是采用深度学习的方法生成，深度学习网络由多个神经单元聚集在一起并构造出分层的结果，最简单的网络由一个输入层、一个输出层、一个隐含层组成，每一层上都有多个神经元，并且没一层上的神经元都和下一层的神经元连接在一起，上一层的输出作为下一层的输入，这样的网络也被成为全连接网络，深度学习一般使用多层神经网络，由三部分构成：1)输入层，负责数据获取；2)由n个卷积层和池化层的组合组成来提取特征，即隐层，对外不可见；3)输出层由一个全连接的多层感知机分类器构成。

分类模型的最后一层通常为softmax回归模型，其工作原理是将可以判定为某类的特征相加，然后将这些特征转化成判定是这一类别的概率，将特征描述成：

featuresi＝∑jwi,jxj+bi

i代表第i类，j代表一张图像的第j个像素，bi是bias(代表数据本身的倾向)，w代表权重参数，x表示输入的图像数据。

接下来对所有特征计算softmax，结果如下：

softmax(x)＝normalize(exp(x))

其中判定为第i类的概率就可由下面的公式得到。

为了训练模型，需要定义一个lossfunction来描述模型对问题的分类精度，损失函数越小，代表模型的分类结果与真实值的偏差越小，即模型越精确。对多分类问题，通常使用交叉熵(cross-entropy)作为损失函数，cross-entropy的定义如下，其中y是预测的分布概率，y′是真实的概率分布(即label的one-hot编码)，用它来判断模型对真实概率分布估计的准确程度。

随机梯度下降(stochasticgradientdescent，sgd)应用到神经网络中就是反向传播算法，采用常见的随机梯度下降优化算法来优化损失函数，梯度下降法，就是利用负梯度方向来决定每次迭代的新的搜索方向，使得每次迭代能使待优化的目标函数逐步减小，通过已知的输入值(图像)和真实的输出值(预测概率)，求出感知器最合适的权重参数。

由此，深度学习应用到变化检测中，主要分为3个步骤：1)样本采集，根据地物类别如道路、建筑物、土地、植被等，每个类别在图上选取一定数量、不同分辨率、不同视角、不同明暗程度的地物图斑，放入样本库；2)样本训练，定义分类算法公式及损失函数，然后定义优化算法，再进行迭代训练，在每一轮迭代时更新参数来减少损失，最终达到全局最优参数，为了更好的完成任务，本方法采用了两种不同的网络结构，即googleinceptionnetv3网络结构、segnet网络结构，对图像进行识别与分割；3)生成分类器，将训练输出的模型参数保存，以便预测时进行加载。

本发明，步骤s8中预测变化地物类型是输入地物图斑和分类器，进分类器进行计算，输出各个类别的概率，概率最高者即为变化地物的类别。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。