联合无人机影像生成DSM和DOM的多层次建筑物变化检测

doi:10.6046/zrzyyg.2023001

联合无人机影像生成DSM和DOM的多层次建筑物变化检测

柴佳兴^,¹, 张云生^,¹^,²^,³, 杨振¹, 陈斯飏¹, 李海峰¹

1.中南大学地球科学与信息物理学院,长沙 410012

2.水能资源利用关键技术湖南省重点实验室,长沙 410021

3.河南省空间信息生态环境保护应用重点实验室,郑州 450046

Multi-level building change detection based on the DSM and DOM generated from UAV images

CHAI Jiaxing^,¹, ZHANG Yunsheng^,¹^,²^,³, YANG Zhen¹, CHEN Siyang¹, LI Haifeng¹

1. School of Geosciences and Info-physics, Central South University, Changsha 410012, China

2. Hunan Provincial Key Laboratory of Key Technology on Hydropower Development, Power China Zhongnan Engineering Co., Ltd., Changsha 410021, China

3. Key Laboratory of Ecological Environment Protection of Space Information Application of Henan, Zhengzhou 450046, China

通讯作者: 张云生(1984-),男,博士,副教授,主要从事数字摄影测量研究。Email:zhangys@csu.edu.cn。

责任编辑: 陈昊旻

收稿日期: 2023-01-3 修回日期: 2023-06-3

基金资助:

国家自然科学基金资助项目“摄影测量点云自监督学习语义分类方法”(42171440)
水能资源利用关键技术湖南省重点实验室开放研究基金项目“联合地面激光扫描与无人机倾斜摄影测量的库岸滑坡监测”(PKLHD201805)
长沙科技计划项目重大科技专项“空天地一体化智能感知平台研究及农业应用示范”(kh2205030)
河南省空间信息生态环境保护应用重点实验室开放课题“基于注意力机制的高分遥感影像语义分割”(22-FW-07-0106)

Received: 2023-01-3 Revised: 2023-06-3

作者简介 About authors

柴佳兴(1996-),男,硕士,主要从事三维重建、变化检测等相关研究。Email: m15274822942@163.com。

摘要

随着我国城镇化水平的不断提高,城镇建筑物日新月异,及时、准确地掌握城镇建筑物的变化信息对城镇管理、违章建筑查处及灾害评估有着重要意义。该文提出了一种联合无人机影像生成数字表面模型(digital surface model,DSM)和正射影像(digital orthophoto map,DOM)的多层次建筑物变化检测方法,主要包括4个步骤: ①对无人机影像生成的密集点云和DOM进行预处理,生成差分归一化DSM(differential normalized DSM,dnDSM)并提取植被区域; ②利用多层高差阈值提取候选变化区域,并在此过程中剔除植被及面积较小区域; ③对低层候选变化区域进行连通域分析,对于每个连通对象,利用其较高层的变化检测结果剔除低层中的误检测; ④统计每个变化对象的正、负高差值数量关系,确定变化类型。实验结果表明,该文方法不但能够保留较低高差阈值检测到的低矮变化建筑物,而且能够保证高大变化建筑物的正确性、完整性。

关键词： 建筑变化监测; 无人机影像; 数字表面模型; 正射影像

Abstract

The continuous advancement of urbanization in China leads to frequently changing urban buildings. Hence, grasping the change information of urban buildings duly and accurately holds critical significance for urban management, investigation of unauthorized construction, and disaster assessment. This study proposed a multi-level building change detection method combined with the digital surface model (DSM) and digital orthophoto map (DOM) generated from unmanned aerial vehicle (UAV) images. The proposed method consists of four steps: ① The dense point cloud and DOM generated from UAV images were pre-processed to generate differential normalized DSM (dnDSM) and extract vegetation zones; ② Candidate change zones were extracted using multi-level height difference thresholds, with vegetation and smaller zones eliminated; ③ The connected component analysis was conducted for lower-level candidate change zones. For connected objects, their higher-level change detection results were used to eliminate false detection results in the lower level; ④ The quantitative relationship between positive and negative height difference values of change objects was statistically analyzed to determine the change types. As demonstrated by experimental results, the proposed method can retain the change information of low-rise buildings detected through the lower height difference thresholds while ensuring correct and complete change information of high-rise buildings.

Keywords： building change detection; unmanned aerial vehicle image; digital surface model; digital orthophoto map

PDF (11314KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

柴佳兴, 张云生, 杨振, 陈斯飏, 李海峰. 联合无人机影像生成DSM和DOM的多层次建筑物变化检测[J]. 自然资源遥感, 2024, 36(2): 80-88 doi:10.6046/zrzyyg.2023001

CHAI Jiaxing, ZHANG Yunsheng, YANG Zhen, CHEN Siyang, LI Haifeng. Multi-level building change detection based on the DSM and DOM generated from UAV images[J]. Remote Sensing for Land & Resources, 2024, 36(2): 80-88 doi:10.6046/zrzyyg.2023001

0 引言

改革开放以来,我国城镇化水平不断提高,截至2020年,全国城镇化率达63.89%,城镇常住人口达9.02亿^[1-2]。在高速城镇化的同时,《2022年新型城镇化和城乡融合发展重点任务》中指出要“深入推进以人为本的新型城镇化策略、提高新型城镇化质量”。《自然资源部信息化建设总体方案》提出要“全面增强自然资源三维动态监测与态势感知能力”,这对城镇化的科学性、规范性以及城镇的自然资源监测能力提出了更高的要求^[3-4]。建筑物作为城镇主要的组成部分,对其进行高时效、高精度的变化检测,不仅有利于辅助城镇规划管理,而且在违章建筑查处、灾害评估方面有重要意义^[5]。

根据变化检测所用数据的不同,建筑物的变化检测方法主要可以分为二维变化检测和三维变化检测2大类^[6]。二维变化检测方法通常以航天、航空影像为数据源,虽然经过了多年的发展,但受制于影像的透视变换、混合像元、植被季节性变化及阴影等多方面数据源的问题,二维变化检测方法存在一定的局限性^[7⇓-9]。随着近年来传感器技术和密集匹配技术的快速发展,激光点云、影像密集匹配点云的几何精度有了显著的提高。与二维影像数据相比,三维点云及其衍生数据产品包含高程数据,具有良好的几何性质。同时,建筑物的变化往往伴随着高程变化,使得三维数据能够较好地反映建筑物的变化情况,基于三维数据的建筑物变化检测方法也因此引起了广泛关注。

建筑物的三维变化检测方法可分为基于单一几何信息的建筑三维变化检测和结合几何与光谱信息的建筑物三维变化检测2大类^[10]。基于单一几何信息的建筑物三维变化检测方法通常以2个时相数据的高程差或欧式距离作为变化测度,然后使用阈值分割提取变化区域,在此基础上使用形态学处理和聚类对变化区域进精细化处理。Murakami等^[11]利用不同时相的激光点云生成数字表面模型(digital surface model,DSM),然后通过对DSM的简单几何比较初步提取变化区域,最后通过形态学处理滤除伪变化区域。Tian等^[12]利用提出的鲁棒方法计算高差,并利用阈值初步提取变化建筑物,最后利用矩形度剔除误检测。Chaabouni-chouayakh等^[13]通过2个时相的数字高程模型(digital elevation model,DEM)做差提取变化区域,然后利用形态学开闭处理优化检测区域。Sasagawa等^[14]首先利用DSM差分提取变化区域,然后生成变化区域的多边形。虽然基于单一几何信息的变化检测方法实现起来较简单,但这类方法易受三维数据的质量、配准精度的影响。

几何信息和光谱信息结合使用的方法主要有后精化、直接特征融合及分类后处理3种^[10]。后精化方法通常利用几何信息比较初步提取候选变化区域,然后利用光谱信息对候选变化区域进行精化; 直接特征融合方法通常将2个时相三维数据的高差或欧氏距离作为一种特征,然后融合几何、光谱2类差分特征进行变化区域提取; 分类后处理方法将DSM作为光谱数据的补充波段以提高分类精度,然后对分类结果标签进行对比从而提取变化区域。Pang等^[15]利用2个时相的DSM做差提取候选变化区域,然后通过候选变化对象的平整度和高度提取变化建筑物。彭代锋等^[16]对激光点云进行内插进而生成DSM,然后对DSM做差并使用固定阈值提取变化区域,在此基础上将变化区域投影到影像从而剔除伪变化区域。杨钰琪等^[17]基于区域生长对点云进行分割,并结合差分DSM(differential DSM,dDSM)判断分割对象是否发生变化。Tian等^[18]利用Dempster-Shafer融合理论将全色影像的KL(kullback-leiber)散度特征和DSM的高差特征结合提取候选变化区域,并利用多光谱影像剔除候选变化区域中的植被和阴影。Pang等^[19]将归一化DSM(normalized DSM,nDSM)和dDSM作为特征,利用图割算法提取候选变化区域,然后使用航空影像提取变化的建筑物。Wang等^[20]将差分nDSM(differential nDSM,dnDSM)和形态学建筑物指数作为特征,利用图割算法提取变化建筑物。结合几何与光谱信息的建筑物三维变化检测方法在大多数情况下能够取得不错的变化检测效果,但容易受几何对比结果、融合参数和分类结果等多种因素的影响。

针对以上问题,本文提出一种联合无人机影像生成DSM和正射影像(digital orthophoto map,DOM)的多层次建筑物变化检测方法。利用多层高差阈值提取候选变化区域,并基于可见光植被指数剔除植被及面积较小区域; 对最低层变化检测结果进行连通域分析,对每个连通对象使用较高层的变化检测结果剔除最低层中的误检测; 统计每个变化对象的正、负高差值数量关系,确定变化类型。

1 研究方法

本文的方法流程如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 本文方法流程

Fig.1 Workflow of the proposed method

1.1 数据预处理

1.1.1 高差特征计算

在城镇场景的三维重建中,无人机通常搭载多个高分辨率倾斜相机在近似的航高上,按照设定的航线从不同角度获取地物影像,从而生成高分辨率DOM和精细的三维数据^[21]。虽然基于无人机影像生成的三维数据非常精细,但这也使得地面的细节被凸显出来,变化区域中的建筑物提取变得困难,因而在多数情况下需要剔除地面区域。本文使用布料模拟滤波算法对影像密集点云进行地面点和非地面点分割^[22]。在得到地面点之后,利用反距离加权插值法对地面点云和原始点云分别进行内插,得到数字地面模型(digital terrain model,DTM)和DSM,在此基础上利用DSM与DTM做差得到nDSM,公式为:

(1)

n D S M = D S M - D T M

。

在2个时相的nDSM几何精度和配准精度较高时,直接对nDSM差分得到dnDSM并不会引起明显的误检测。无人机影像点云的几何精度受影像重叠度、影像分辨率、控制点刺点精度及重建算法等多种因素的影响,不同时相的无人机影像点云通常会存在小幅的偏移和旋转,直接差分得到dnDSM会在建筑物边缘形成误检测。本文使用Tian等^[12]提出的鲁棒的高差特征提取方法以减轻边缘部分的影响,具体计算公式为:

(2)

\{\begin{array}{l} Δ H_{(i, j)}^{P} = m i n (H_{(i, j)}^{2} - H_{(p, q)}^{1}) & H_{(i, j)}^{2} - H_{(p, q)}^{1} > 0 \\ Δ H_{(i, j)}^{N} = m a x (H_{(i, j)}^{2} - H_{(p, q)}^{1}) & H_{(i, j)}^{2} - H_{(p, q)}^{1} \leq 0 \end{array}

式中: i,j为点的横、纵坐标; $Δ H_{(i, j)}^{P}$ 为点 $(i, j)$ 正高差值; $Δ H_{(i, j)}^{N}$ 为点 $(i, j)$ 负高差值; $H_{(i, j)}^{2}$ 为点 $(i, j)$ 在第二时相nDSM上的值; $H_{(p, q)}^{1}$ 为点 $(i, j)$ 的邻近点 $(p, q)$ 在第一时相nDSM上的值; $p \in {i - w, i + w}$ , $q \in {j - w, j + w}$ , $w$ 为窗口大小(本文取11)。

1.1.2 植被区域提取

城镇区域中的非地面区域中除建筑物之外,还包括植被、车辆、路灯等其他干扰因素。相较于建筑物,车辆、路灯等其他地物通常高度较低、面积较小,因此通过高差阈值或面积阈值可以将其较好的去除。植被区域具有一定的高度,而且在公园、花圃等特定的区域,植被的占地面积也大,容易干扰建筑物的变化检测,因此需要在非地面区域中剔除植被区域。

本文采用可见光植被指数 $f$ 提取植被^[23],其计算公式为:

(3)

E X G = 2 G - R - B

(4)

E X R = 1.4 R - G

(5)

f = E X G - E X R

式中: EXG为过绿指数; EXR为过红指数; $R$ 为影像的红波段; $G$ 为影像的绿波段; $B$ 为影像的蓝波段。

若 $f$ 大于植被分割阈值 $T_{f}$ ,认为该区域是植被区域,反之认为是非植被区域。

1.2 多层次变化检测

1.2.1 多层次变化区域提取

利用较低的高差阈值提取dnDSM中的变化区域时(图2中 $T_{H}^{m i n}$ 对应的红色虚线),能够较为完整地检测出变化建筑物,但存在2种主要的误检测: ①由于建筑物存在被植被遮挡的情况,或建筑物之间存在遮挡,使得部分建筑物底部重建变形从而引起误检测(如图2蓝色建筑物底部所示); ②部分建筑物与具有一定高度的植被粘连,而这部分植被处于阴影之中,通过可见光植被指数难以剔除这部分区域从而引起误检测(如图2左侧绿色植被所示)。在高差阈值较大的时候(图2中 $T_{H}^{m a x}$ 对应的红色虚线),低矮的变化建筑物会被漏检,而高大的变化建筑物排除了建筑物低处建模较差、建筑物边缘与植被粘连的影响,从而能取得更高的检测精度。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 多层次变化区域提取

Fig.2 Multi-level changed area extraction

此外,通过单一面积阈值进行小块目标剔除时,面积阈值过小易导致部分具有一定高度的植被难以被剔除,而面积阈值过大易导致低矮变化建筑物被误剔除。

综上,使用单一固定阈值进行变化检测时会引起误检或漏检,而采用多层次阈值能够有效解决此问题。本文通过较低的高差阈值保留低矮变化建筑物,利用较大的高差阈值优化高大建筑物的变化检测精度,并通过递增的面积阈值剔除具有一定高度的植被,保留低矮建筑物。具体步骤如下:

1)设定高差阈值下限 $T_{H}^{m i n}$ 、高差阈值增量 $Δ T_{H}$ 、高差阈值上限 $T_{H}^{m a x}$ ,以及面积阈值下限 $T_{S}^{m i n}$ 、面积阈值增量 $Δ T_{S}$ ,并将高差阈值 $T_{H}$ 赋值为 $T_{H}^{m i n}$ 。

2)提取高差阈值为 $T_{H}$ 时的候选变化区域,公式为:

(6)

C_{p} = \{\begin{array}{l} 1 & |d n D S M_{p}| > T_{H} \\ 0 & |d n D S M_{p}| \leq T_{H} \end{array}

式中: $C_{p}$ 为区域内任意点 $p$ 在高差阈值为 $T_{H}$ 时的变化检测结果; $d n D S M_{p}$ 为点 $p$ 的高差特征值; 0和1分别表示变化和非变化状态。

3)对于 $d n D S M$ 中大于0的点,选择第二时相植被掩码剔除变化检测结果中的植被区域; 对于 $d n D S M$ 中小于0的点,选择第一时相植被掩码剔除变化检测结果中的植被区域。

4)对变化检测结果进行连通域分析,剔除面积较小的区域。

5)保存处理后的变化检测结果 $C^{i}$ ( $i$ 为变化检测结果的索引,初值为0,每次循环增加1),并使用设定高差阈值增量 $Δ T_{H}$ 增加当前高差阈值 $T_{H}$ ,计算公式为:

(7)

T_{H} = T_{H} + Δ T_{H}

。

6)重复步骤2)—5),直至高差阈值 $T_{H}$ 大于高差阈值上限 $T_{H}^{m a x}$ 。

7)对于任一点 $p$ ,查找其在每一层高差阈值的变化检测结果,若判断为变化则将其变化次数增加1,计算公式为:

(8)

V_{p} = \overset{l}{\sum_{i = 0}} C_{p}^{i}, i < l

(9)

l = (T_{H}^{m a x} - T_{H}^{m i n}) / Δ T_{H}

式中: $V_{p}$ 为点 $p$ 判定为变化的次数; $l$ 为变化检测结果的总层数。

8)对最低层的变化检测结果 $C^{0}$ 进行连通域分析,并将联通区域记为对象 $o b j$ 。

9)根据 $V_{p}$ 选择对象的变化检测结果层,计算公式为:

(10)

L_{o b j} = \frac{r}{N_{o b j}} \overset{N_{o b j}}{\sum_{p = 1}} V_{p}

式中: $L_{o b j}$ 为对象选择的变化检测结果层; $N_{o b j}$ 为该对象包含点的数量; $r$ 为层数选择参数, $r$ 越接近1,所选择的层数越高,反之越低。

10)计算 $L_{o b j}$ 层变化检测结果的面积,如果面积大于对应的面积阈值 $T_{S}^{m i n} + L_{o b j} Δ T_{S}$ ,则将 $L_{o b j}$ 层变化检测结果赋值给该对象,否则认为是误检测,将其赋值为0,计算公式为:

(11)

C_{o b j}^{0} = \{\begin{array}{l} C_{o b j}^{L_{o b j}} & S_{o b j}^{L_{o b j}} > T_{S}^{m i n} + L_{o b j} Δ T_{S} \\ 0 & S_{o b j}^{L_{o b j}} \leq T_{S}^{m i n} + L_{o b j} Δ T_{S} \end{array}

式中: $C_{o b j}^{0}$ 为最低层连通对象的变化状态; $C_{o b j}^{L_{o b j}}$ 为对象在 $L_{o b j}$ 层的变化检测结果; $S_{o b j}^{L_{o b j}}$ 为对象在 $L_{o b j}$ 层变化区域的面积。

11)重复步骤9)和10),直至所有对象完成处理。

1.2.2 变化类型确定

通过1.2.1的多层次变化区域提取,可以确定哪些建筑物发生了变化,但无法明确变化类型。本文的高差特征是利用新时相的nDSM减去旧时相的nDSM计算得到,在理想情况下,如果连通对象的高差特征值都是正值,则认为是发生了增高(新建)变化,反之则认为是发生了降低(拆除)变化,但由于存在噪声点干扰,同一个连通对象可能同时存在增高、降低2种变化。为此,针对每一个变化对象,本文通过比较对象内所有点的2种变化占比,选择占比较大者为其变化状态。

2 实验与分析

2.1 实验数据

为验证本文提出方法的有效性,使用某地2019年4月和2022年9月2个时相的无人机影像数据进行实验。影像具体信息如表1所示。

表1 实验数据采集信息

Tab.1 Collection information of experimental data

时相	分辨率	航高/m	焦距/mm	数量
T1	4 000×6 000	约200	53.27	1 596
T2	7 952×5 304	约180	56	2 650

新窗口打开| 下载CSV

实验区内地势较为平坦,主要包含植被、建筑物、裸地、道路等类型地物,同类型地物在高度、体积上都有着较大的差异。此外,因植被的季节性变化、建筑物外墙褪色,同一地物的颜色也有着较为显著的差异。实验数据如图3所示,覆盖范围为589.8 m×349.9 m。其中,T1时相的密集点云的密度约为25 pts/m²,T2时相的密集点云的密度约为25 pts/m²; T1和T2时相DOM的分辨率均为0.05 m。

图3-1

新窗口打开| 下载原图ZIP| 生成PPT

图3-1 实验数据

Fig.3-1 Experimental data

图3-2

新窗口打开| 下载原图ZIP| 生成PPT

图3-2 实验数据

Fig.3-2 Experimental data

2.2 参数设置

可见光植被指数的分割阈值 $T_{f}$ 根据推荐^[23]设置为0; 高差阈值下限 $T_{H}^{m i n}$ 需要将低矮建筑物与灌木、草丛进行区分,本文设置为1 m; 较小的高差阈值增量 $Δ T_{H}$ 可以细化层次,但会增加计算量,本文设置为0.5 m; 高差阈值上限 $T_{H}^{m a x}$ 需要将高大建筑物和植被分离开来,要尽可能地大于实验区域内植被高度,但较大的 $T_{H}^{m a x}$ 会增加计算量,本文设置为12 m; 在建筑物顶部是非平整的时候,在对应高度的变化检测结果层建筑物的面积不能合适的表达该建筑物的截面积,因此需要通过层数选择参数r来进行调整,本文设置为0.5; 考虑到建筑物的面积通常大于10 m²,因而面积阈值下限 $T_{S}^{m i n}$ 设置为10m²; 面积阈值增量 $Δ T_{S}$ 也是服务于高大植被剔除,因此与单个高大植被截面面积大小相似即可,本文设置为4m²。参数设置如表2所示。

表2 参数设置

Tab.2 Parameters setting

参数	本文取值
植被分割阈值 $T_{f}$	0
高差阈值下限 $T_{H}^{m i n}$	1 m
高差阈值增量 $Δ T_{H}$	0.5 m
高差阈值上限 $T_{H}^{m a x}$	12 m
层数选择参数 $r$	0.5
面积阈值下限 $T_{S}^{m i n}$	10 m²
面积阈值增量 $Δ T_{S}$	4 m²

新窗口打开| 下载CSV

2.3 实验结果与分析

为分析本文方法过程,选择了一些典型且存在显著差异的中间结果进行展示。

图4(a)是第1层的初始变化检测结果,可以看到其中有很多植被区域,这些植被区域有的相对孤立,也有一些与建筑物粘连; 图4(b)是第1层去除植被后的变化检测结果,无论是孤立的植被,还是与建筑物粘连的植被,大部分都已被剔除,但仍然存在很多椒盐噪声、破碎的小区域; 图4(c)是第1层去除小块的变化检测结果,大量的椒盐噪声、破碎区域都被剔除。从图4(c)中可以看到,经过植被剔除、去小块后的第1层变化检测结果中,低矮变化建筑物大部分被保留了下来,但一些植被引起的误检测也依旧存在。图4(d)是第22层经过植被剔除、去小块后的变化检测结果,与第1层最终结果相比,孤立植被、与建筑物粘连植被引起的误检测都被完整地剔除,但小型建筑物也随之被剔除。因此融合多层次的变化结果可以较好地平衡精度和准确率。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 中间结果样例

Fig.4 Example of intermediate result

为了进行实验对比,本文还实现了2种基线方法: 基于直接阈值分割的三维变化检测方法(direct threshold segmentation of dnDSM,T-dnDSM)和基于图割的三维变化检测方法(graph-cut based DSM segmentation,DSM-GC)^[20]。

为了定量地评价本文方法及对比方法的变化检测精度,将实验结果与人工标注数据进行了比较。定量评价指标包括精确率(Precession)、召回率(Recall)及 $F 1$ 得分。计算公式为:

(12)

P r e c e s s i o n = \frac{T P}{T P + F P}

(13)

R e c a l l = \frac{T P}{T P + F N}

(14)

F 1 = \frac{2 T P}{2 T P + F N + F P}

式中: $T P$ 为正确检测到的变化区域的点的数量; $F P$ 为伪变化区域的点的数量; $F N$ 为将变化区域检测为未变化区域的点的数量。

图5(a)是人工标记的变化建筑物,图5(b)是本文方法的建筑物变化检测结果,图5(c)是T-dnDSM方法的建筑物变化检测结果(在高差阈值为12 m时精度最高,本文取12 m作为分割阈值),图5(d)是DSM-GC方法的建筑物变化检测结果。其中,灰色虚线框内主要是高大的变化建筑物,而粉色虚线框内主要是低矮的变化建筑物。对于高大的变化建筑物,本文方法和T-dnDSM方法相类似,均检测到了所有的高大变化建筑物; DSM-GC方法则漏检了1个高大建筑物。对于低矮的变化建筑物,本文方法存在8个误检测区域,但仅漏检了1个低矮变化建筑物,而T-dnDSM方法误检测区域虽然只有4个,但存在大量的低矮变化建筑物漏检; DSM-GC方法漏检了3个低矮变化建筑物,且存在12个误检测区域。综合考虑误检、漏检区域的数量,本文方法取得了最佳的变化检测结果。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 建筑物变化检测结果

Fig.5 Building change detection result

3种方法的精度如表3所示。T-dnDSM方法精确度最高,达到了95.37%,而DSM-GC方法精确度最低,仅为90.41%; 本文方法召回率最高,为93.57%,精确度较高的T-dnDSM召回率却最低,仅为78.35%; 本文方法的综合精度最高,为94.40%,而T-dnDSM最低,仅为86.03%。

表3 建筑物变化检测精度

Tab.3 Building change detection accuracy

方法	$P r e c e s s i o n$ /%	$R e c a l l$ /%	$F 1$ /%
本文方法	95.23	93.57	94.40
T-dnDSM	95.37	78.35	86.03
DSM-GC	90.41	89.20	89.81

新窗口打开| 下载CSV

与基线方法相比,本文方法在保证提取低矮变化建筑物的同时,能够优化提取到的高大变化建筑物,达到较高的变化检测精度。

图6(a)是人工标注的建筑物变化类型,图6(b)是利用本文方法计算得到的建筑物变化类型。可以看到,除开漏检、误检的建筑物之外,其他的建筑物变化类型都与人工标注数据一致,也反映了本文所述建筑物变化类型确定方法的有效性。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 建筑物变化类型确定

Fig.6 Building change type determination

本文方法设置了一些参数,对建筑物变化检测精度有一定影响,因此对关键的参数进行了敏感性分析。图7是 $P r e c e s s i o n$ , $R e c a l l$ 和 $F 1$ 随相关参数设置的变化情况。图7(a)是精度随高差阈值下限 $T_{H}^{m i n}$ 的变化情况,其中 $R e c a l l$ 和 $F 1$ 都是随着 $T_{H}^{m i n}$ 的增大而先增大后减小,而 $P r e c e s s i o n$ 一直增大。图7(b)是精度随高差阈值增量 $Δ T_{H}$ 的变化情况,其中 $P r e c e s s i o n$ , $R e c a l l$ 和 $F 1$ 整体上都随着 $Δ T_{H}$ 的增大而先增大后减小。图7(c)、图7(d)分别是精度随着高差阈值上限 $T_{H}^{m a x}$ 和层数选择参数 $r$ 的变化情况,两者的变化规律类似, $P r e c e s s i o n$ 和 $F 1$ 都随着参数值的增大而先增大后减小,而 $R e c a l l$ 会随着参数值的增加而减小。图7(e)、图7(f)分别是精度随着面积阈值下限 $T_{S}^{m i n}$ 和面积阈值增量 $Δ T_{S}$ 的变化情况,两者的变化规律也类似, $P r e c e s s i o n$ 和 $F 1$ 都随着参数值增大先增大后减小,而 $R e c a l l$ 会随着参数值的增大而减小。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 精度随参数变化分析

Fig.7 Analysis of the variation of precision with parameters

在变化检测场景发生变化时,植被分割阈值 $T_{f}$ 、高差阈值下限 $T_{H}^{m i n} 、$ 面积阈值下限 $T_{S}^{m i n}$ 、层数选择参数 $r$ 具有一定的普适性,不需要进行较大调整。除此之外的参数则需要进行相应调整: ①高差阈值增量 $Δ T_{H}$ 需要综合考虑层次细化和效率,当高差阈值上、下限相差较大时需要增大,反之则需要减小; ②高差阈值上限 $T_{H}^{m a x}$ 与场景内植被高度有关,当场景内植被高大时,需要适当地增大,反之需要减小; ③面积阈值增量 $Δ T_{S}$ 也与场景内植被高度、面积有关,当场景内植被均比较高大时,需要适当地增大,反之需要减小。

3 结论

本文提出了一种联合无人机影像生成DSM和DOM的多层次建筑物变化检测方法,该方法充分利用了多层高差阈值提取到的变化检测结果,在保留低矮变化建筑物的同时,能够提高高大建筑物的检测精度,克服了单一高差阈值提取变化建筑物时的不足。实验结果表明本文方法 $P r e c e s s i o n$ , $R e c a l l$ 和 $F 1$ 均达到90%以上,验证了本文方法的有效性。但本文方法也存在一些不足,例如植被提取方法比较简单。后续将探索基于深度学习的建筑物提取、对象分割方法,从而进一步提高建筑物变化检测方法的精度和鲁棒性。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

宁启蒙, 胡广云, 汤放华,

等.

科技创新与新型城镇化相关性的实证分析——以长株潭城市群为例

[J]. 经济地理, 2022, 42(8):81-86.

DOI:10.15957/j.cnki.jjdl.2022.08.009 [本文引用: 1]

科技创新是实现新型城镇化高质量发展的重要手段。以国家自主创新示范区长株潭城市群为例,通过构建科技创新与新型城镇化相关性分析模型,实证分析了科技创新对新型城镇化发展的影响。结果表明：2000—2020年,长株潭城市群的科技创新水平和新型城镇化水平提升迅速;科技创新与新型城镇化呈正相关关系,科技创新对新型城镇化有显著影响,并且两者之间存在长期稳定的平衡关系;科技创新与人口城镇化、经济城镇化、社会城镇化等方面指标之间总体上存在显著正相关。最后,根据实证结果提出科技创新加快新型城镇化发展的对策建议。

Ning

Q M

, Hu

G Y

, Tang

F H

et al.

Correlation between technology innovation and new-type urbanization: A case study of the Changsha-Zhuzhou-Xiangtan urban agglomeration

[J]. Economic Geography, 2022, 42(8):81-86.

[本文引用: 1]

[2]

刘雪华, 孙大鹏.

政策工具视角下我国城镇化政策文本量化研究——基于2014—2020年的国家政策文本

[J]. 吉林大学社会科学学报, 2022, 62(2):211-222,240.

[本文引用: 1]

Liu

X H

, Sun

D P

Quantitative research on urbanization policy documents in China from the perspective of policy tools:Base on national policy documents from 2014 to 2020

[J]. Jilin University Journal Social Sciences Edition, 2022, 62(2):211-222,240.

[本文引用: 1]

[3]

国家发展改革委印发《2022年新型城镇化和城乡融合发展重点任务》

[J]. 小城镇建设, 2022, 40(4):117-119.

[本文引用: 1]

National development and reform commission issues “Key tasks of new urbanization and urban-rural integration development in 2022”

[J]. Development of Small Cities and Towns, 2022, 40(4):117-119.

[本文引用: 1]

[4]

朱庆, 张利国, 丁雨淋,

等.

从实景三维建模到数字孪生建模

[J]. 测绘学报, 2022, 51(6):1040-1049.

DOI:10.11947/j.AGCS.2022.20210640 [本文引用: 1]

从实景三维建模到数字孪生建模是国家数字经济和智慧社会建设与发展的基本需求。本文探讨了实景三维建模和数字孪生建模的关键技术内涵,介绍了数字乡村、未来社区和智能铁路等典型应用场景。广域范围实景三维建模在低成本高效数据采集和智能化自动化三维精细建模与动态更新方面面临挑战,城市级或重大工程级的数字孪生建模在全要素整体性的表征数据与机理模型集成表达方面还存在关键技术瓶颈。测绘技术亟须多学科交叉融合创新,突破天空地有机协同实时动态获取多细节层级实景三维数据、智能化处理多专业多尺度多模态时空数据、不完备数据条件下复杂场景的三维实体化精细建模、表征数据与机理模型结合的全生命周期数字孪生模型动态构建等核心关键技术,形成通用地理空间智能,实现测绘技术的高质量发展和对经济社会发展不可替代的更有力的基础支撑。

Zhu

, Zhang

L G

, Ding

Y L

et al.

From real 3D modeling to digital twin modeling

[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(6):1040-1049.

DOI:10.11947/j.AGCS.2022.20210640 [本文引用: 1]

From real 3D modeling to digital twin modeling is the basic requirement for the construction and development of the country's digital economy and smart society. This paper discusses the connotations and key technologies of real 3D modeling and digital twin modeling, and introduces three typical application scenarios: digital villages, future communities and intelligent railways. Wide-area real 3D modeling is facing challenges in low-cost and efficient data collection and intelligent automated modeling and dynamic updating. There are still key technical bottlenecks in the integrated expression of all-element holistic representation data and mechanism models for digital twin modeling at the city level or major engineering level. Surveying and mapping technology is in urgent need of multi-disciplinary cross-integration innovation, breakthroughs in organic collaboration between the sky and the ground, real-time and dynamic acquisition of multi-detailed real 3D data, automated intelligent processing of multi-specialty, multi-scale and multi-modal spatio-temporal data, and detailed 3D construction of complex scenes under incomplete data conditions. Core key technologies such as dynamic construction of full-life-cycle digital twin models that combine characterization data and mechanism models to form general geospatial intelligence to achieve high-quality development of surveying and mapping technology and an irreplaceable and more powerful basic support for economic and social development.

[5]

冯文卿, 眭海刚, 涂继辉,

等.

高分辨率遥感影像的随机森林变化检测方法

[J]. 测绘学报, 2017, 46(11):1880-1890.

DOI:10.11947/j.AGCS.2017.20170074 [本文引用: 1]

基于面向对象分析（OBIA）的遥感影像变化检测研究已取得显著的进展，代表了遥感影像变化检测的发展范式，未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法，其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势，提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割，通过最优超像素个数评价指数来获取最佳的影像分割结果，并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据，用于模型的训练。在初始像素级检测结果之上，自动进行分类样本选择并构建分类器模型，用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验，结果表明，本文方法在变化检测精度上要优于对比方法。

Feng

W Q

, Sui

H G

, Tu

J H

et al.

Change detection method for high resolution remote sensing images using random forest

[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(11):1880-1890.

DOI:10.11947/j.AGCS.2017.20170074 [本文引用: 1]

Studies based on object-based image analysis (OBIA) representing the paradigm shift in remote sensing image change detection (CD) have achieved remarkable progress in the last decade.Their aim has been developing more intelligent interpretation analysis methods in the future.The prediction effect and performance stability of random forest (RF),as a new kind of machine learning algorithm,are better than many single predictors and integrated forecasting method. This paper presents a novel RF OBIA method for high resolution remote sensing image CD that makes full use of the advantages of RF and OBIA. Firstly,the entropy rate segmentation algorithm is used to segment the image for the purpose of measuring the homogeneity of super-pixels. Then the optimal image segmentation result is obtained from the evaluation index of the optimal super-pixel number.Afterwards,the spectral features and Gabor features of each super-pixelareextracted and used as feature datasets for the training of RF model.On the basis of the initial pixel-level CD result,the changed and unchanged samples are automatically selected and used to build the classifier model in order to get the final object-level CD result.Experimental results on Quickbird,IKONOS and SPOT-5 multi-spectral images show that the proposed method out performs the compared methods in the accuracy of CD.

[6]

Qin

R J

, Tian

J J

, Reinartz

3D change detection-approaches and applications

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 122:41-56.

[本文引用: 1]

[7]

Qin

R J

, Huang

, Gruen

et al.

Object-based 3D building change detection on multi-temporal stereo images

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(5):2125-2137.

[本文引用: 1]

[8]

叶沅鑫, 孙苗苗, 王蒙蒙,

等.

结合邻域信息和结构特征的遥感影像变化检测

[J]. 测绘学报, 2021, 50(10):1349-1357.

DOI:10.11947/j.AGCS.2021.20200130 [本文引用: 1]

为提高像元级变化检测方法的精度，提出一种结合邻域信息和结构特征的遥感影像变化检测方法。该方法涵盖邻域相关影像（neighborhood correlation image，NCI）、匹配误差和结构特征3种属性特征。首先，通过邻域相关分析技术获得表示上下文信息的邻域相关影像，利用邻域间像素的互相关性进行模板匹配获得匹配误差。然后，基于方向梯度信息提取能抵抗影像间光谱差异的结构特征。随后将邻域相关影像、匹配误差、结构特征作为决策树的分类属性，获取初始变化检测结果。最后，利用马尔可夫随机场（Markov random field，MRF）对其进行优化，获得最终的二值变化图。本文通过采用两组不同传感器的双时相遥感影像进行试验。结果表明，相较于采用变化向量分析法（change vector analysis，CVA）、单一邻域信息法及邻域信息和纹理特征相结合的方法，本文方法有效提高了变化检测的精度。

Y X

, Sun

M M

, Wang

M M

et al.

Change detection of remote sensing images by combining neighborhood information and structural features

[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(10):1349-1357.

DOI:10.11947/j.AGCS.2021.20200130 [本文引用: 1]

In order to improve the accuracy of pixel-level change detection methods, this paper proposes a novel change detection method for remote sensing images by combining neighborhood information (including the neighborhood correlation image (NCI) and matching errors) and structural features. First, a technique of neighborhood correlation analysis is used to obtain the NCI which represents the context information, and the cross-correlation of neighborhood pixels is used to obtain matching errors by a template matching scheme. Then, structure features of images are extracted using orientated gradient information, which are robust to spectral differences between images. Subsequently, the initial change detection results is obtained by using the NCI, the matching errors, and structural features as the classification attributes of a decision tree. Finally, the Markov Random Field (MRF) is used to optimize the results, yielding the final binary map. The proposed method has been evaluated with two sets of bi-temporal remote sensing images from different sensors. Experimental results demonstrate that this method effectively improves the accuracy of change detection compared with the change vector analysis method, the single neighborhood information method and the method combining neighborhood information and texture features.

[9]

S J

, Zhang

Y S

, Qin

R J

et al.

Building change detection using old aerial images and new LiDAR data

[J]. Remote Sensing, 2016, 8(12):1030.

[本文引用: 1]

[10]

张祖勋, 姜慧伟, 庞世燕,

等.

多时相遥感影像的变化检测研究现状与展望

[J]. 测绘学报, 2022, 51(7):1091-1107.

DOI:10.11947/j.AGCS.2022.20220070 [本文引用: 2]

变化检测作为摄影测量与遥感领域的研究热点之一,也是人工智能体系中极具研究价值的技术分支。二者的快速发展与深度融合,已使海量、复杂和多样的遥感数据快速智能化处理成为可能,广泛应用于资源监测、城市规划、灾害评估等诸多领域。随着遥感技术和计算能力的不断革新,变化检测体系也在不断发展和演化。本文主要从几何和语义两个角度对变化检测方法进行了分析和归纳总结,重点分析了几何信息的利用方式及深度神经网络的特征融合方式,随后总结了常用的变化检测公开样本数据集,最后对当前变化检测应用中遇到的核心问题及未来发展趋势进行了梳理与展望。

Zhang

Z X

, Jiang

H W

, Pang

S Y

et al.

Review and prospect in change detection of multi-temporal remote sensing images

[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(7):1091-1107.

DOI:10.11947/j.AGCS.2022.20220070 [本文引用: 2]

Change detection (CD), as one of the hot spots in the field of photogrammetry and remote sensing, is a technology branch with important research value in artificial intelligence (AI) systems. The rapid development and deep integration of the two subjects have made it possible to automatic and intelligent process the massive, complex and diverse remote sensing datasets. It has been widely used in many areas, such as resources monitoring, urban planning, disaster assessment, etc. With the development of the remote sensing and computing power, change detection is also evolving. This paper mainly analyzes and summarizes the current change detection methods from the perspectives of geometry and semantics. We focus on the utilization of geometric information and the feature fusion method of deep neural networks. Furthermore, the paper provides a summary of open datasets derived from different sensors, along with information related to change detection. Finally, we point out the challenges of the change detection and the future trends of the area are summarized and prospected.

[11]

Murakami

, Nakagawa

, Hasegawa

et al.

Change detection of buildings using an airborne laser scanner

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(2/3):148-152.

[本文引用: 1]

[12]

Tian

J J

, Chaabouni-Chouayakh

, Reinartz

et al.

Automatic 3D change detection based on optical satellite stereo imagery

[J]. International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2010, 38(7B):586-591.

[本文引用: 2]

[13]

Chaabouni-Chouayakh

, Krauss

, d’Angelo

et al.

3D change detection inside urban areas using different digital surface models

[J]. International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2010, 38(3B):86-91.

[本文引用: 1]

[14]

Sasagawa

, Baltsavias

, Kocaman-Aksakal

et al.

Investigation on automatic change detection using pixel-changes and DSM-changes with ALOS-PRISM triplet images

[J]. International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2013, 40(7/W2):213-217.

[本文引用: 1]

[15]

Pang

S Y

, Hu

X Y

, Wang

Z Z

et al.

Object-based analysis of airborne LiDAR data for building change detection

[J]. Remote Sensing, 2014, 6(11):10733-10749.

[本文引用: 1]

[16]

彭代锋, 张永军, 熊小东.

结合LiDAR点云和航空影像的建筑物三维变化检测

[J]. 武汉大学学报(信息科学版), 2015, 40(4):462-468.

[本文引用: 1]

Peng

D F

, Zhang

Y J

, Xiong

X D

3D building change detection by combining LiDAR point clouds and aerial imagery

[J]. Geomatics and Information Science of Wuhan University, 2015, 40(4):462-468.

[本文引用: 1]

[17]

杨钰琪, 陈驰, 杨必胜,

等.

基于UAV影像密集匹配点云多层次分割的建筑物层高变化检测

[J]. 武汉大学学报(信息科学版), 2021, 46(4):489-496.

[本文引用: 1]

Yang

Y Q

, Chen

, Yang

B S

et al.

3D change detection of buildings based on multi-level segmentation of dense matching point clouds from UAV images

[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4):489-496..

[本文引用: 1]

[18]

Tian

J J

, Cui

S Y

, Reinartz

Building change detection based on satellite stereo imagery and digital surface models

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 52(1):406-417.

[本文引用: 1]

[19]

Pang

S Y

, Hu

X Y

, Cai

Z L

et al.

Building change detection from bi-temporal dense-matching point clouds and aerial images

[J]. Sensors, 2018, 18(4):966.

[本文引用: 1]

[20]

Wang

, Lv

X L

, Zhang

K Y

et al.

Building change detection based on 3D co-segmentation using satellite stereo imagery

[J]. Remote Sensing, 2022, 14(3):628.

[本文引用: 2]

[21]

任超锋, 蒲禹池, 张福强.

顾及地理空间信息的无人机影像匹配像对提取方法

[J]. 自然资源遥感, 2022, 34(1):85-92.doi:10.6046/zrzyyg.2021035.

[本文引用: 1]

Ren

C F

, Pu

Y C

, Zhang

F Q

A method for extracting match pairs of UAV images considering geospatial information

[J]. Remote Sensing for Natural Resources, 2022, 34(1):85-92.doi:10.6046/zrzyyg.2021035.

[本文引用: 1]

[22]

Zhang

W M

, Qi

J B

, Wan

et al.

An easy-to-use airborne LiDAR data filtering method based on cloth simulation

[J]. Remote Sensing, 2016, 8(6):501.

[本文引用: 1]

[23]

Meyer

G E

, Neto

J C

Verification of color vegetation indices for automated crop imaging applications

[J]. Computers and Electronics in Agriculture, 2008, 63(2):282-293.

[本文引用: 2]

科技创新与新型城镇化相关性的实证分析——以长株潭城市群为例

2022

... 改革开放以来,我国城镇化水平不断提高,截至2020年,全国城镇化率达63.89%,城镇常住人口达9.02亿^[1-2].在高速城镇化的同时,《2022年新型城镇化和城乡融合发展重点任务》中指出要“深入推进以人为本的新型城镇化策略、提高新型城镇化质量”.《自然资源部信息化建设总体方案》提出要“全面增强自然资源三维动态监测与态势感知能力”,这对城镇化的科学性、规范性以及城镇的自然资源监测能力提出了更高的要求^[3-4].建筑物作为城镇主要的组成部分,对其进行高时效、高精度的变化检测,不仅有利于辅助城镇规划管理,而且在违章建筑查处、灾害评估方面有重要意义^[5]. ...

科技创新与新型城镇化相关性的实证分析——以长株潭城市群为例

2022

政策工具视角下我国城镇化政策文本量化研究——基于2014—2020年的国家政策文本

2022

政策工具视角下我国城镇化政策文本量化研究——基于2014—2020年的国家政策文本

2022

国家发展改革委印发《2022年新型城镇化和城乡融合发展重点任务》

2022

国家发展改革委印发《2022年新型城镇化和城乡融合发展重点任务》

2022

从实景三维建模到数字孪生建模

2022

从实景三维建模到数字孪生建模

2022

高分辨率遥感影像的随机森林变化检测方法

2017

高分辨率遥感影像的随机森林变化检测方法

2017

3D change detection-approaches and applications

2016

... 根据变化检测所用数据的不同,建筑物的变化检测方法主要可以分为二维变化检测和三维变化检测2大类^[6].二维变化检测方法通常以航天、航空影像为数据源,虽然经过了多年的发展,但受制于影像的透视变换、混合像元、植被季节性变化及阴影等多方面数据源的问题,二维变化检测方法存在一定的局限性^[7⇓-9].随着近年来传感器技术和密集匹配技术的快速发展,激光点云、影像密集匹配点云的几何精度有了显著的提高.与二维影像数据相比,三维点云及其衍生数据产品包含高程数据,具有良好的几何性质.同时,建筑物的变化往往伴随着高程变化,使得三维数据能够较好地反映建筑物的变化情况,基于三维数据的建筑物变化检测方法也因此引起了广泛关注. ...

Object-based 3D building change detection on multi-temporal stereo images

2015

结合邻域信息和结构特征的遥感影像变化检测

2021

结合邻域信息和结构特征的遥感影像变化检测

2021

Building change detection using old aerial images and new LiDAR data

2016

多时相遥感影像的变化检测研究现状与展望

2022

... 建筑物的三维变化检测方法可分为基于单一几何信息的建筑三维变化检测和结合几何与光谱信息的建筑物三维变化检测2大类^[10].基于单一几何信息的建筑物三维变化检测方法通常以2个时相数据的高程差或欧式距离作为变化测度,然后使用阈值分割提取变化区域,在此基础上使用形态学处理和聚类对变化区域进精细化处理.Murakami等^[11]利用不同时相的激光点云生成数字表面模型(digital surface model,DSM),然后通过对DSM的简单几何比较初步提取变化区域,最后通过形态学处理滤除伪变化区域.Tian等^[12]利用提出的鲁棒方法计算高差,并利用阈值初步提取变化建筑物,最后利用矩形度剔除误检测.Chaabouni-chouayakh等^[13]通过2个时相的数字高程模型(digital elevation model,DEM)做差提取变化区域,然后利用形态学开闭处理优化检测区域.Sasagawa等^[14]首先利用DSM差分提取变化区域,然后生成变化区域的多边形.虽然基于单一几何信息的变化检测方法实现起来较简单,但这类方法易受三维数据的质量、配准精度的影响. ...

... 几何信息和光谱信息结合使用的方法主要有后精化、直接特征融合及分类后处理3种^[10].后精化方法通常利用几何信息比较初步提取候选变化区域,然后利用光谱信息对候选变化区域进行精化; 直接特征融合方法通常将2个时相三维数据的高差或欧氏距离作为一种特征,然后融合几何、光谱2类差分特征进行变化区域提取; 分类后处理方法将DSM作为光谱数据的补充波段以提高分类精度,然后对分类结果标签进行对比从而提取变化区域.Pang等^[15]利用2个时相的DSM做差提取候选变化区域,然后通过候选变化对象的平整度和高度提取变化建筑物.彭代锋等^[16]对激光点云进行内插进而生成DSM,然后对DSM做差并使用固定阈值提取变化区域,在此基础上将变化区域投影到影像从而剔除伪变化区域.杨钰琪等^[17]基于区域生长对点云进行分割,并结合差分DSM(differential DSM,dDSM)判断分割对象是否发生变化.Tian等^[18]利用Dempster-Shafer融合理论将全色影像的KL(kullback-leiber)散度特征和DSM的高差特征结合提取候选变化区域,并利用多光谱影像剔除候选变化区域中的植被和阴影.Pang等^[19]将归一化DSM(normalized DSM,nDSM)和dDSM作为特征,利用图割算法提取候选变化区域,然后使用航空影像提取变化的建筑物.Wang等^[20]将差分nDSM(differential nDSM,dnDSM)和形态学建筑物指数作为特征,利用图割算法提取变化建筑物.结合几何与光谱信息的建筑物三维变化检测方法在大多数情况下能够取得不错的变化检测效果,但容易受几何对比结果、融合参数和分类结果等多种因素的影响. ...

多时相遥感影像的变化检测研究现状与展望

2022

Change detection of buildings using an airborne laser scanner

1999

Automatic 3D change detection based on optical satellite stereo imagery

2010

... 在2个时相的nDSM几何精度和配准精度较高时,直接对nDSM差分得到dnDSM并不会引起明显的误检测.无人机影像点云的几何精度受影像重叠度、影像分辨率、控制点刺点精度及重建算法等多种因素的影响,不同时相的无人机影像点云通常会存在小幅的偏移和旋转,直接差分得到dnDSM会在建筑物边缘形成误检测.本文使用Tian等^[12]提出的鲁棒的高差特征提取方法以减轻边缘部分的影响,具体计算公式为: ...

3D change detection inside urban areas using different digital surface models

2010

Investigation on automatic change detection using pixel-changes and DSM-changes with ALOS-PRISM triplet images

2013

Object-based analysis of airborne LiDAR data for building change detection

2014

结合LiDAR点云和航空影像的建筑物三维变化检测

2015

结合LiDAR点云和航空影像的建筑物三维变化检测

2015

基于UAV影像密集匹配点云多层次分割的建筑物层高变化检测

2021

基于UAV影像密集匹配点云多层次分割的建筑物层高变化检测

2021

Building change detection based on satellite stereo imagery and digital surface models

2013

Building change detection from bi-temporal dense-matching point clouds and aerial images

2018

Building change detection based on 3D co-segmentation using satellite stereo imagery

2022

... 为了进行实验对比,本文还实现了2种基线方法: 基于直接阈值分割的三维变化检测方法(direct threshold segmentation of dnDSM,T-dnDSM)和基于图割的三维变化检测方法(graph-cut based DSM segmentation,DSM-GC)^[20]. ...

顾及地理空间信息的无人机影像匹配像对提取方法

2022

... 在城镇场景的三维重建中,无人机通常搭载多个高分辨率倾斜相机在近似的航高上,按照设定的航线从不同角度获取地物影像,从而生成高分辨率DOM和精细的三维数据^[21].虽然基于无人机影像生成的三维数据非常精细,但这也使得地面的细节被凸显出来,变化区域中的建筑物提取变得困难,因而在多数情况下需要剔除地面区域.本文使用布料模拟滤波算法对影像密集点云进行地面点和非地面点分割^[22].在得到地面点之后,利用反距离加权插值法对地面点云和原始点云分别进行内插,得到数字地面模型(digital terrain model,DTM)和DSM,在此基础上利用DSM与DTM做差得到nDSM,公式为: ...

顾及地理空间信息的无人机影像匹配像对提取方法

2022

An easy-to-use airborne LiDAR data filtering method based on cloth simulation

2016

Verification of color vegetation indices for automated crop imaging applications

2008

... 本文采用可见光植被指数

f

提取植被^[23],其计算公式为: ...

... 可见光植被指数的分割阈值

T_{f}

根据推荐^[23]设置为0; 高差阈值下限

T_{H}^{m i n}

需要将低矮建筑物与灌木、草丛进行区分,本文设置为1 m; 较小的高差阈值增量

Δ T_{H}

可以细化层次,但会增加计算量,本文设置为0.5 m; 高差阈值上限

T_{H}^{m a x}

需要将高大建筑物和植被分离开来,要尽可能地大于实验区域内植被高度,但较大的

T_{H}^{m a x}

会增加计算量,本文设置为12 m; 在建筑物顶部是非平整的时候,在对应高度的变化检测结果层建筑物的面积不能合适的表达该建筑物的截面积,因此需要通过层数选择参数r来进行调整,本文设置为0.5; 考虑到建筑物的面积通常大于10 m²,因而面积阈值下限

T_{S}^{m i n}

设置为10m²; 面积阈值增量

Δ T_{S}

也是服务于高大植被剔除,因此与单个高大植被截面面积大小相似即可,本文设置为4m².参数设置如表2所示. ...

〈

〉