深度學習在建筑物變化檢測中的應用
來源:用戶上傳
作者:
摘要 建筑物檢測的研究由來已久，在過去幾十年里，人們通過遙感圖片的色彩以及反射率等對建筑物的變化進行檢測分割。但是分割的效果并不理想，因為色彩和反射率等特征的提取往往需要人手動的調整，不同建筑物的材料也各不相同，如何更好的提取建筑物特征成為該項目中的一個難點。隨著近幾年深度學習的發展，提取遙感影像中的特征變得簡單起來。
【關鍵詞】建筑物檢測變化檢測深度學習語義分割
1 背景介紹
隨著我國城市化率的進一步提升，城市建設也在快速發展。而國土監察業務中，最重要的一項工作就是監管地面上建筑物的建、拆、改、擴。如果一塊地塊沒有經審批而存在建筑物，那么就需要實地派人去調查是否出現了非法占地行為。如果一塊地賣給了開發商但是沒有實際建設，那么就需要調查是否開發商捂地惜售或者是開發商資金鏈出現問題而不能按期完成建設。如果居民住房或者商業用地出現異常擴大的情況，那么就要調查是否存在違章建筑。對于我國現階段的城市發展速度來說，不可能靠國土局人力來每天全城巡查，如果依靠高分辨率的遙感衛星圖像和一些圖像算法來結合，則可以大大提高工作效率，革新工作流程。
2 目前存在的算法及其特點
過去研究人員采用的一般是傳統的像元級變化檢測方法。高分辨率的遙感影像已經具有比較豐富的紋理特征，而像元級變化檢測主要是根據不同類型的物體具有不同的紋理特征來對物體進行分類和分割。但是此類方法往往需要根據不同的地理情況來設置提取不同的紋理特征，紋理特征往往是破碎的，不完整的，即使是同類物體也可能存在較大的紋理特征區別，同一物體也可能局部出現不同的紋理。而目前的城市發展速度快，建筑材料和樣式多樣，此方法的精度難以滿足現在的需求。而后來的檢測方法逐漸向面向對象發展，提出了諸如均質區域識別、主成分分析法、聚類提取、形態學指數計算等。這些方法的共同特點是把建筑物看作一個整體，改善了原來基于像元紋理的破碎和雜質過多的問題。但是這些方法同樣存在一些問題。一方面對遙感衛星的精準匹配要求過高，而衛星圖一般都是由無數圖片拼接而成，而且不同時間拍攝角度可能不太一樣。不同時間的光照條件不同，建筑物陰影也不太一樣。另一方面這些方法對數據也有著特殊的要求。有的要求不同波段的圖像，有的要求多通道的數據。如果不能滿足這些要求，那么這些方法的效果就會大打折扣甚至無法正常使用。
3 使用深度學習進行建筑物變化檢測
近幾年來人工智能行業異軍突起，其主要是得益于最近幾年處理器性能的大幅提升對神經網絡的應用。而深度學習技術就是對于多層的神經網絡的應用技術。人們為了解決分類等問題，設計發明了多種網絡，其中包括經典的AlexNet、VGGNet等。這些網絡分別在不同任務下有非常好的表現。但是對于語義分割任務，這些網絡的效果往往不是非常理想。因為這些網絡對輸入有著嚴格要求，而且消耗的內存巨大，同時感知區域有限，速度也比較慢。
對于圖像分割任務UC Berkeley的Jonathan Long等人提出了Fully Convolutional Networks（FCN）網絡。該網絡試圖從抽象的特征中恢復出每個像素所屬的類別。即從圖像級別的分類進一步延伸到像素級別的分類。這種特性使得它的分割可以在任意大小的圖像上進行，和傳統的（Convolutional Neural Networks，CNN）網絡相比，處理速度大大提高。但是這種網絡由于采用像素分類的方式，它輸出結果不夠精細，對于衛星圖來說，很難達到清晰直觀的輸出。而且如果只是對于像素進行獨立分類，就很難考慮像素與像素之間空間和值的對應關系對于分類結果的影響，沒有達到空間一致性。
基于這些原因，Olaf Ronneberger et al.提出了一種基于FCN網絡的改進網絡結構，他把這種網絡結構命名為U-Net，U-Net采用了一種編碼器解碼器的結構，淺層的應用來解決像素定位的問題，而深層次的網絡用來解決像素分類的問題。它添加了上采樣階段，這樣可以吹擴大特征通道，允許網絡保留更多的原圖信息在高分辨率的網絡層次傳播。U-Net沒有使用全連接層，全程使用valid來進行卷積。這樣可以保證分割的結果都是基于沒有缺失的全部特征。通過這些改動U-Net可以使用比較少的訓練集就可以得到非常好的效果。
4 結論
深度學習在圖像識別領域現今已經遍地開花，如何使用深度系學習來做出有價值有意義的事情是我們必須要考慮的事情。使用深度學習應用于遙感建筑物變化檢測，能夠在大尺度大范圍內高效的工作，相比于傳統的算法能應用于各種尺度，不同分辨率和色彩的衛星圖像。而且不需要去做特殊的特征提取和人工計算。提高了工作效率，減輕了人力負擔。
參考文獻
[1]Beumier C， Idrissa M. Building Change Detection fromUniform Regions. In： Proceedings of Pattern Recognition， Image Analysis，Computer Vision， and Applications.Buenos Aires， Argentina： Springer Berlin Heidelberg， 2012.648- 655.
[2]Huang X， Zhang L，Zhu T.Building Change Detection From Multitemporal High-Resolution Remotely Sensed Images Based on a Morphological Building Index. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2013， 7（1）： 105-115.
[3]周則明，孟勇，黃思訓，胡寶鵬.基于能量最小化的星載SAR圖像建筑物分割方法[J].自動化學報，2016，42（02）：279-289.
[4]田昊，楊劍，汪彥明，李國輝.基于先驗形狀約束水平集模型的建筑物提取方法[J].自動化學報，2010，36（11）：1502-1511.
[5]施文灶，毛政元.基于圖分割的高分辨率遙感影像建筑物變化檢測研究[J].地球信息科學學報，2016，18（03）：423-432
[6]Krizhevsky A， Sutskever I， Hinton G E. ImageNet classification with deep convolutional neural networks. In： Proceeding of the International Conference on Neural Information Processing Systems. Nevada， USA： Curran Associates Inc.，2012. 1097- 1105
[7]Simonyan K， Zisserman A. Very Deep Convolutional Networks for Large Scale Image Recognition. arXiv： 1409.1556，2014.
[8]Long J， Shelhamer E， Darrell T. Fully convolutional networks for semantic segmentation. In： Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston， Massachusetts， USA： IEEE，2015. 3431-440.
轉載注明來源:http://www.hailuomaifang.com/1/view-14841887.htm
