基于深度學習的建筑物變化檢測技術研究

摘 要：【目的】針對建筑物動態(tài)監(jiān)測的需求，綜合分析深度學習技術在變化發(fā)現(xiàn)中的應用案例，提出了一種基于深度學習的建筑物快速變化監(jiān)測技術路線。【方法】以多源、多時相遙感影像和地理國情監(jiān)測等專題數(shù)據(jù)為數(shù)據(jù)源，進行建筑物變化樣本標注，建立建筑物變化檢測樣本集。基于變化檢測樣本集，采用卷積神經網絡構建和優(yōu)化算法模型，進行建筑物變化信息提取?！窘Y果】選擇研究區(qū)，利用優(yōu)化后的建筑物變化檢測算法模型進行建筑物變化信息提取，準確率為79.07%，召回率為74.60%。【結論】基于深度學習的變化檢測技術效果較為理想，能顯著提升效率，可為自然資源調查監(jiān)測、城市規(guī)劃和體檢等提供數(shù)據(jù)和技術支撐。

關鍵詞：變化檢測；深度學習；建筑物；遙感影像

中圖分類號：P237 文獻標志碼：A 文章編號：1003-5168（2024）19-0104-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.19.021

Research on Building Change Detection Technology Based on

Deep Learning

YE Pingping TONG Xin

（Gansu Geomatic Information Center，Lanzhou 730000，China）

Abstract： [Purposes] In response to the demand for dynamic monitoring of buildings， a deep learning based rapid change monitoring technology route for buildings is proposed by comprehensively analyzing the application cases of deep learning technology in change discovery. [Methods] Based on multi-source and multi-temporal remote sensing images and thematic data such as geographical conditions monitoring， the building change samples are labeled and the building change detection sample set is established. [Findings] The study area is selected， and the building change detection algorithm model is optimize and use to extract building change information with an accuracy of 79.07% and a recall rate of 74.60%. [Conclusions] The results indicate that the change detection technology based on deep learning has a relatively ideal effect and can significantly improve efficiency， providing data and technical support for natural resource investigation and monitoring， urban planning， and physical examinations.

Keywords： change detection; deep learning; building; remote sensing images

0 引言

建筑物是人類生產生活的主要場所，在自然資源監(jiān)測中，建筑物一直是重要的監(jiān)測對象，建筑物的變化與經濟社會發(fā)展息息相關。利用遙感技術，開展建筑物動態(tài)監(jiān)測，及時掌握建筑物的變化信息，對城市發(fā)展和規(guī)劃等具有重要意義。

在遙感領域中，變化檢測研究是指通過分析兩幅在不同時間獲取的包含同一區(qū)域的影像，獲取地表變化情況的過程［1］。遙感變化檢測技術先后經歷人工目視解譯、人機交互式解譯、半自動解譯等階段。近年來，隨著人工智能、神經網絡、云計算、大數(shù)據(jù)等相關理論和技術的快速發(fā)展，深度學習，尤其是卷積神經網絡在圖像識別領域取得了重大突破和進展，遙感領域也逐漸引入深度學習應用于目標識別、變化檢測等任務場景中。相較于其他變化檢測方法，深度學習在提高解譯準確性的同時，減少了像素分割環(huán)節(jié)和特征提取的時間，提升了解譯工作效率。

本研究以白銀市白銀區(qū)為研究區(qū)，利用深度學習卷積神經網絡，提取2018、2019年兩期影像中建筑物變化信息，探索形成建筑物變化檢測技術，為執(zhí)法督察、城市國土空間監(jiān)測、城市體檢等提供遙感技術和數(shù)據(jù)支撐。

1 研究區(qū)概況

白銀區(qū)隸屬于甘肅省白銀市，位于黃河中上游，甘肅腹地，是白銀市的政治、經濟和文化中心，同時也是中國重要的有色金屬基地之一和甘肅省重要的能源化工基地。白銀區(qū)東接靖遠縣、北與景泰縣接壤、南臨黃河、與蘭州市榆中縣隔河相望，西與蘭州市皋蘭縣毗鄰，介于東經103°53′24″～104°24′55″，北緯36°14′38″～36°47′29″。

2 建筑物變化檢測技術路線

本研究以多源遙、多時相遙感影像為數(shù)據(jù)源，進行樣本標注，建立建筑物變化檢測樣本數(shù)據(jù)集。基于樣本數(shù)據(jù)集，構建變化檢測模型并進行優(yōu)化訓練，形成適用于建筑物變化檢測的專用模型，進行建筑物變化信息的提取，形成建筑物變化檢測的技術體系。具體流程如圖1所示。

2.1 數(shù)據(jù)來源與處理

2.1.1 多源遙感影像。本研究采用的多源遙感影像包括資源系列，高分系列等國產衛(wèi)星遙感影像。對獲取的多源、多時相影像數(shù)據(jù)進行正射糾正、融合、勻光勻色、鑲嵌、拼接裁切等處理，使研究區(qū)內影像連續(xù)完整、清晰易讀、反差適中、色調均勻［2］，以保證同類地物光譜特征的一致性，提高變化檢測的準確率。影像經過處理后，可以作為樣本標注和變化檢測的基底影像。

2.1.2 專題數(shù)據(jù)。包括地理國情監(jiān)測、第三次全國國土調查等數(shù)據(jù)。對專題資料進行坐標變換、格式轉化、空間匹配等處理，形成項目開展的空間一體化基礎數(shù)據(jù)資料。處理后的資料主要用于輔助樣本標注。

2.2 樣本數(shù)據(jù)集構建

樣本的數(shù)量和典型性是影響影像識別的關鍵。本研究主要針對建筑物進行變化檢測，由于甘肅省東西橫跨1 600 km，地貌復雜多樣，不同區(qū)域建筑物在影像上的特征表現(xiàn)不一致，為保證樣本的典型性和可分離性，樣本采集的時候要從不同的區(qū)域分別選取適量的樣本。

基于多源、多時相遙感影像，以工程化的方式進行樣本采集工作，生成標準格式的樣本數(shù)據(jù)。導入已經采集的樣本數(shù)據(jù)，加工為應用于深度學習的瓦片樣本數(shù)據(jù)。構建建筑物變化檢測樣本數(shù)據(jù)集，為深度學習提供重要的解譯樣本支撐。

樣本數(shù)據(jù)集按照8∶2的比例分為訓練集和驗證集，訓練集用于對模型進行優(yōu)化訓練，驗證集用于對模型訓練效果進行檢測。

2.3 變化檢測技術——深度學習技術

在變化檢測技術發(fā)展的初始階段，由于影像分辨率低，主要是使用差值法，通過對兩期影像中的同名像元的光譜灰度值進行計算，利用閾值來獲取變化信息。這種方法容易受到外界因素影響，而影像預處理的精細程度對變化檢測結果干擾較大。20世紀90年代后，隨著支持向量機、隨機森林等方法的面世，通過機器學習結合不同影像特征提高了檢測精度，與人工核驗相比所花費的時間也大大減少［3］。21世紀初始，面向對象的方法成為熱點，其基本思想是首先通過分割技術得到多邊形對象，其次計算對象的光譜、紋理、形狀等特征，最后運用分類器實現(xiàn)面向對象分類［4］。

2010年以后，深度學習逐漸進入大眾視野，利用深度學習神經網絡模型進行目標識別和變化信息提取已然優(yōu)于傳統(tǒng)方式［5］。Minh等［6］于2010年首次將深度學習應用于遙感領域，利用深度信息網絡模型對機載影像進行道路的目標識別。之后，很多研究人員將深度學習應用于衛(wèi)星遙感影像目標地物監(jiān)測和變化信息監(jiān)測中［7］。陳一鳴等［8］基于深度學習方法U-net神經網絡原理設計了一種新的網絡結構，并采用隨機梯度下降與Momentum組合的優(yōu)化方法訓練深度學習模型實現(xiàn)語義級別的圖像分割。

深度學習技術的主要思想是基于神經網絡進行信息識別［9］，通過對大量的樣本數(shù)據(jù)進行不斷迭代訓練，獲取適用于某類地物的最優(yōu)參數(shù)，并利用網絡框架通過輸入影像數(shù)據(jù)獲取地物分類或者變化信息。

深度學習基于多源多時相影像的空間和上下文信息學習分層特征，對影像特征進行分層提取，從低層到高層，由簡單特征到復雜特征［10］，提高自身的魯棒性和泛化能力，實現(xiàn)變化信息檢測。因其具有端對端的結構，可以從不同時間段的遙感影像中獲得變化檢測結果［3，11］。

2.4 算法模型構建與優(yōu)化

建立變化檢測的算法模型是深度學習的關鍵步驟，其中，最常見的深度學習網絡框架為卷積神經網絡（Convolutional Neural Network，CNN）?；诰矸e神經網絡卷積計算特點，該網絡被廣泛用于處理柵格類型數(shù)據(jù)［12］，在測繪及相關領域中卷積神經網絡被應用于遙感影像解譯［13］。卷積神經網絡充分利用影像的空間信息，有效地減少模型的參數(shù)數(shù)量［14］，對于復雜問題有優(yōu)秀的分線性歸納學習能力［15］。

算法模型構建：基于卷積神經網絡構建基礎的建筑物變化檢測算法模型。

算法模型優(yōu)化：通過建立“訓練-解譯-剔除”的漸進式、不斷循環(huán)的策略，實現(xiàn)模型的迭代優(yōu)化。具體方法為：基于建筑物變化檢測樣本數(shù)據(jù)集，通過對模型的參數(shù)進行動態(tài)調節(jié)，選擇合適的參數(shù)數(shù)值，對基礎算法模型進行優(yōu)化；基于優(yōu)化后的算法模型，對區(qū)域進行預測，使用預測結果對樣本數(shù)據(jù)集進行修正，剔除噪聲樣本，形成新的樣本集。通過不斷迭代優(yōu)化，最終得出效果較好的建筑物變化檢測模型。

3 建筑物變化信息提取

3.1 建筑物變化信息提取

本研究以白銀區(qū)2018、2019年兩期影像遙感影像為數(shù)據(jù)源，采用深度學習技術，基于建筑物變化檢測模型，對建筑物變化信息進行快速提取，獲取建筑物變化圖斑。

3.2 精度評價

變化檢測的本質是確認影像是否發(fā)生變化。對于變化檢測的結果，可以使用科學的評價指標來進行評價。這些指標都可以通過變化檢測的混淆矩陣來進行計算（見表1）。

其中，TP表示算法模型預測為變化區(qū)域并且實際也為變化區(qū)域的數(shù)量；FP表示算法模型預測為變化區(qū)域但是實際未發(fā)生變化區(qū)域的數(shù)量；FN表示算法模型預測為未發(fā)生變化區(qū)域但是實際為變化區(qū)域的數(shù)量。

本研究選取了比較常見的幾種評價指標，準確率precision，召回率recall，綜合評價指標F1-score。

準確率：反映模型檢測準確率，即預測為變化區(qū)域并且實際也為變化區(qū)域的圖斑個數(shù)與預測為變化的圖斑總數(shù)的比值，計算公式為式（1）。

precision=TP/（TP+FP） （1）

召回率：反映模型查全率，即預測為變化區(qū)域并且實際也為變化區(qū)域的圖斑個數(shù)與實際為變化的圖斑總數(shù)的比值，計算公式為式（2）。

recall= TP/（TP+FN） （2）

綜合評價指標：是準確率和召回率的調和平均值，計算公式為式（3）。

F1-score=2×precision×recall/（precision+recall） （3）

通過人工目視解譯獲得白銀區(qū)真實的變化圖斑數(shù)據(jù)，基于建筑物變化檢測算法模型獲得白銀區(qū)預測的變化圖斑數(shù)據(jù)。利用軟件的空間分析工具，疊加兩個矢量數(shù)據(jù)，得到TP=661，F(xiàn)P=175，F(xiàn)N=225。

按照式（1）至式（3）進行計算，可以得出準確率precision為79.07%，召回率recall為74.60%，F(xiàn)1-score為76.77%。

4 結論

本研究以多源、多時相影像數(shù)據(jù)為基礎，利用深度學習技術搭建技術體系，形成建筑物快速變化監(jiān)測技術路線。通過對變化檢測結果進行精度評價，結果表明，基于深度學習的解譯技術較為理想，能夠快速、準確地提取建筑物變化信息，準確率為79.07%，召回率為74.60%。

目前，該算法模型已經應用到實際生產中。在建設用地核查項目和避險搬遷項目中，利用算法模型快速提取建筑物變化信息，輔以人工編輯，獲得指定區(qū)域的變化圖斑，為建設用地核查和避險搬遷提供技術和數(shù)據(jù)支持。

雖然深度學習顯著提升了解譯精度和效率，但是在實際生產中，還需要進行人工查漏補缺。后續(xù)可以通過神經網絡的設計與優(yōu)化，構建更適合本地的算法模型，更好地提升建筑物變化檢測的精度。

參考文獻：

［1］張緣.基于多尺度連體網絡的遙感影像建筑物變化檢測［D］.武漢：武漢大學，2021.

［2］王昕寧.遙感數(shù)字正射影像圖制作［J］.北京測繪，2014（1）：104-107.

［3］吳子媛.基于U-Net模型的遙感影像變化檢測［D］.哈爾濱：哈爾濱師范大學，2021.

［4］張繼賢，顧海燕，楊懿，等.高分辨率遙感影像智能解譯研究進展與趨勢［J］.遙感學報，2021，25（11）：2198-2210.

［5］史文中，張敏.人工智能用于遙感目標可靠性識別：總體框架設計、現(xiàn)狀分析及展望［J］.測繪學報，2021，50（8）：1049-1058.

［6］MNIH V，HINTION G E. Learning to detect roads in high-resolution aerial images［C］//Proceedings of the 11th European Conferenceon Computer Vision. Berlin Heraklion，Crete，Greece： Springer：2010，210-223.

［7］石婷婷，戴騰，厲芳婷，等.基于深度學習的耕地“非農化”遙感監(jiān)測初探［J］.地理空間信息，2022，20（3）：34-37.

［8］陳一鳴，彭艷兵，高劍飛.基于深度學習的遙感圖像新增建筑物語義分割［J］.計算機與數(shù)字工程，2019，47（12）：3182-3186.

［9］吳海平，黃世存.基于深度學習的新增建設用地信息提取試驗研究：全國土地利用遙感監(jiān)測工程創(chuàng)新探索［J］.國土資源遙感，2019，31（4）：159－166.

［10］張鑫龍，陳秀萬，李飛，等.高分辨率遙感影像的深度學習變化檢測方法［J］.測繪學報，2017，46（8）：999-1008.

［11］眭海剛，馮文卿，李文卓，等.多時相遙感影像變化檢測方法綜述［J］.武漢大學學報（信息科學版），2018，43（12）：1885-1898.

［12］楊光迪.基于孿生神經網絡的建筑物變化檢測研究［D］.南京：南京師范大學，2021.

［13］黨宇，張繼賢，鄧喀中，等.基于深度學習AlexNet的遙感影像地表覆蓋分類評價研究［J］.地球信息科學學報，2017，19（11）：1530-1537.

［14］孫鵬林.基于孿生神經網絡的高分辨率遙感影像建筑物變化檢測研究［D］.重慶：重慶交通大學，2022.

［15］韓星.基于深度學習的高分辨率遙感影像建筑物變化檢測［D］.西安：長安大學，2022.