本發(fā)明屬于建筑物變化遙感檢測領(lǐng)域，具體涉及一種集成建筑物與陰影方向關(guān)系自動建模的城市建筑物變化遙感檢測方法。

背景技術(shù)：

1、城市區(qū)域的建筑物是城市環(huán)境中用于居住、商業(yè)、工作和居住等活動的基本場所?？焖俚某鞘谢M(jìn)程帶來了城市地表的快速變化，其中建筑物的變化(拆除、新建)等尤為顯著。準(zhǔn)確地識別城市區(qū)域建筑物變化信息對于提高城市管理、規(guī)劃和災(zāi)害響應(yīng)的科學(xué)性和有效性具有重要意義，同時也為土地資源管理、城市環(huán)境檢測和城市可持續(xù)發(fā)展戰(zhàn)略制定等應(yīng)用提供了重要的數(shù)據(jù)支撐。

2、遙感技術(shù)的不斷發(fā)展提升了影像的空間分辨率，使高分辨率遙感影像在精細(xì)化建筑物變化識別方面具有巨大潛力。然而，目前城市建筑物變化檢測方法依然存在諸多挑戰(zhàn)。受不同時相影響，同一地點的高分辨率遙感影像由于不同圖像視角的影響，常會導(dǎo)致明顯的虛假變化。因此，基于高分辨率遙感影像，如何解決由于不同時相拍攝角度造成的偽變化，精準(zhǔn)識別城市區(qū)域的建筑物變化信息，成為當(dāng)前亟待解決的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種集成建筑物與陰影方向關(guān)系自動建模的城市建筑物變化遙感檢測方法，通過自動建模建筑物與陰影的方向性特征，解決了傳統(tǒng)孿生神經(jīng)網(wǎng)絡(luò)在遙感影像變化檢測中出現(xiàn)的偽變化問題；本發(fā)明方法不僅通過自動建模模塊提高了模糊景觀圖生成效率，還解決了物理模型生成過程對太陽高度角信息的依賴問題；此外，端對端的模型架構(gòu)有效提升了變化檢測效率，為高效獲取高分辨率影像中精細(xì)的城市建筑物變化信息提供技術(shù)支撐。

2、為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：一種集成建筑物與陰影方向關(guān)系自動建模的城市建筑物變化遙感檢測方法，包括以下步驟：

3、步驟s1、獲取研究區(qū)的雙時相高分辨率遙感影像；

4、步驟s2、制作表示建筑物與陰影方向性關(guān)系的模糊景觀圖，作為表示建筑物與陰影方向性關(guān)系的多模態(tài)數(shù)據(jù)；

5、步驟s3、設(shè)計模糊景觀生成器自動建模建筑物與陰影方向性關(guān)系，模糊景觀生成器包括建筑物與陰影方向性關(guān)系建模模塊、多模態(tài)特征融合模塊；構(gòu)建基于efficientnetv2為骨干的建筑物與陰影方向性關(guān)系建模模塊，該模塊通過自動建模建筑物與陰影方向性關(guān)系，生成表示方向關(guān)系的模糊景觀圖；隨后利用方向特征提取器來提取高層方向特征，以增強(qiáng)對真實變化和虛假變化的區(qū)分能力；

6、步驟s4、將模糊景觀生成器集成進(jìn)孿生多任務(wù)變化檢測模型，構(gòu)成模型由三個部分組成：變化特征編碼器、建筑物與陰影方向性關(guān)系建模模塊和多模態(tài)特征融合模塊；利用pvt-v2作為變化特征編碼器提取影像特征，學(xué)習(xí)雙時相高分辨率遙感影像之間的變化信息，將邊界信息作為輔助任務(wù)，對高層語義特征的學(xué)習(xí)進(jìn)行約束；

7、步驟s5、通過多模態(tài)特征融合模塊，融合步驟s3中提取的高層方向特征，構(gòu)建雙時相建筑物二值變化圖及變化邊界解碼器，以充分利用變化特征與方向性特征，有效消除冗余信息；

8、步驟s6、為不同任務(wù)設(shè)計專門的損失函數(shù)以優(yōu)化模型訓(xùn)練；對于變化檢測任務(wù)，采用基于交叉熵?fù)p失函數(shù)的改進(jìn)版focal?loss函數(shù)，以改善變化樣本和未變化樣本之間的不平衡問題；邊界檢測任務(wù)使用負(fù)對數(shù)似然nll損失函數(shù)；模糊景觀任務(wù)采用均方誤差mse損失函數(shù)；最后，通過聚合各任務(wù)的損失值，形成總損失函數(shù)用于模型的整體優(yōu)化；

9、步驟s7、模型訓(xùn)練與預(yù)測，最終獲得雙時相高分辨率遙感影像的建筑物變化區(qū)域圖、變化邊界圖和影像的模糊景觀圖。

10、在本發(fā)明一實施例中，步驟s1中，對獲取的研究區(qū)的雙時相高分辨率遙感影像，進(jìn)行預(yù)處理操作，包括輻射校正、正射校正、影像融合。

11、在本發(fā)明一實施例中，步驟s2中具體包括以下步驟：

12、步驟s21、首先進(jìn)行陰影提取，采用基于大津閾值otsu的方法，從高分辨率遙感影像中自動提取建筑物陰影區(qū)域；具體地，將高分辨率遙感影像從rgb空間轉(zhuǎn)換至his空間，基于飽和度與亮度的比值進(jìn)行otsu閾值分割，從而精準(zhǔn)提取建筑物陰影區(qū)域；

13、步驟s22、為了消除植被對陰影提取的干擾，利用歸一化差異植被指數(shù)ndvi去除陰影區(qū)域中的植被區(qū)域；通過計算ndvi值，有效區(qū)分植被與非植被區(qū)域，將植被區(qū)域剔除后，再進(jìn)行陰影提取，以確保提取的陰影信息不受植被影響；

14、步驟s23、基于元數(shù)據(jù)中太陽方位角推導(dǎo)得出的方向角β和給定的陰影對象rs，定義隸屬度函數(shù)來量化圖像像素x滿足與rs的方向關(guān)系的程度；計算隸屬函數(shù)值時需要考慮角度θβ(x,b)和距離d(x,b)，其中b∈rs；角度θβ(x,b)指從x到b的矢量與單位矢量沿水平方向的夾角，距離d(x,b)是x到b之間的歐式距離；

15、步驟s24、模糊結(jié)構(gòu)元素v的計算由兩個部分組成，角度相關(guān)的vα(x)和距離相關(guān)的vd(x)，vα(x)通過角度θα(x,o)來量化，其中o為參考點，確保角度越接近，值越大；而vd(x)通過距離d(x,o)來量化，確保距離越近，值越大；vα(x)和vd(x)相乘得到最終的模糊結(jié)構(gòu)元素v；具體計算如下：

16、v＝vα(x)×vd(x)

17、

18、為了提高計算效率，使用rs的邊界像素δrs進(jìn)行擴(kuò)張操作；以下公式表示模糊景觀lβ(x,rs)的計算過程：

19、

20、其中，是擴(kuò)張算子，是rs的補(bǔ)集，v(x)是模糊結(jié)構(gòu)元素。

21、在本發(fā)明一實施例中，步驟s3中具體包括以下步驟：

22、步驟s31、建筑物與陰影方向性關(guān)系建模模塊的編碼器部分采用efficientnetv2作為骨干進(jìn)行特征提取，efficientnetv2引入fuse-mbconv塊，以降低計算復(fù)雜度；在解碼器部分，使用多個反卷積層逐步上采樣分辨率，增強(qiáng)區(qū)域細(xì)節(jié)表現(xiàn)，恢復(fù)建筑物與陰影方向性信息，生成更細(xì)致、更準(zhǔn)確的結(jié)果；此外，建筑物與陰影方向性關(guān)系建模模塊中還加入通道注意力機(jī)制se，為不同的通道賦予不同的權(quán)重，更好地捕捉方向性和距離相關(guān)性信息；

23、步驟s32、設(shè)計一個方向特征提取器，用于從步驟s2得到的表示建筑物與陰影方向性關(guān)系的模糊景觀圖中提取與建筑物及其陰影間相關(guān)的高層方向特征；方向特征提取器的編碼器部分包含兩個下采樣模塊，每個模塊執(zhí)行兩個3×3卷積操作和一個2×2最大池化操作；解碼器部分同樣包含兩個上采樣模塊，執(zhí)行四個3×3的卷積操作，兩個2×2的反卷積操作，并通過一個1×1的卷積進(jìn)行最終特征整合；方向特征提取器輸出精細(xì)的高層方向特征，增強(qiáng)模型對方向信息的捕捉能力。

24、在本發(fā)明一實施例中，步驟s4中具體包括以下步驟：

25、步驟s41、變化特征編碼器由兩個基于imagenet數(shù)據(jù)集預(yù)訓(xùn)練的pvt-v2組成，用于變化特征提??；

26、步驟s42、使用變化特征編碼器從雙時相高分辨率遙感影像中提取不同層級變化特征后，通過多尺度特征融合策略，在每個尺度上將兩個時相的特征進(jìn)行差異對齊與融合；在保持不同分辨率特征信息的同時，突出變化區(qū)域，并抑制無變化區(qū)域的干擾，從而有效捕捉各個尺度下的地物變化細(xì)節(jié)；

27、步驟s43、引入步驟s3提出的模糊景觀生成器和方向特征提取器，分別生成兩個時相的模糊景觀圖及其高層方向特征。

28、在本發(fā)明一實施例中，步驟s5中具體包括以下步驟：

29、步驟s51、經(jīng)過步驟s42和步驟s43得到變化特征信息和方向性特征信息；由于兩種模態(tài)特征的差異較大，且方向性特征在捕捉建筑物與陰影的幾何關(guān)系上具有獨特優(yōu)勢，因此引入多模態(tài)特征融合模塊進(jìn)行特征整合；在變化檢測過程中，充分利用方向性特征與變化特征之間的互補(bǔ)性；

30、步驟s52、多模態(tài)特征融合模塊包括特征融合和特征增強(qiáng)兩個部分；特征融合部分包含兩個交叉注意力層：第一個交叉注意力層將變化特征作為鍵和值，方向性特征作為查詢，計算方向特征對變化特征的注意力；第二個交叉注意力層則將方向性特征作為鍵和值，變化特征作為查詢，計算變化特征對方向特征的注意力；兩者的結(jié)果拼接在一起，形成新的差異特征；隨后，使用自注意力機(jī)制對差異特征進(jìn)行進(jìn)一步處理，增強(qiáng)其語義表示；

31、步驟s53、設(shè)計變化區(qū)域解碼器和變化邊界解碼器、變化區(qū)域解碼器用于重建變化區(qū)域的細(xì)節(jié)，而變化邊界解碼器專注于恢復(fù)變化邊界，確保變化區(qū)域輪廓清晰，從而提升模型在變化檢測任務(wù)中的整體表現(xiàn)；將步驟s52得到的增強(qiáng)后的差異特征分別輸入到變化區(qū)域解碼器和變化邊界解碼器中。

32、在本發(fā)明一實施例中，步驟s6中具體包括以下步驟：

33、步驟s61、基于步驟s4構(gòu)建的孿生多任務(wù)變化檢測模型，設(shè)計多任務(wù)損失函數(shù)，以更新網(wǎng)絡(luò)權(quán)值并減少實際與預(yù)測結(jié)果之間的誤差；具體地，針對變化檢測任務(wù)使用focalloss函數(shù)，以應(yīng)對類別不平衡問題；針對邊界檢測任務(wù)，使用負(fù)對數(shù)似然損失；針對模糊景觀圖任務(wù)，使用均方誤差mse損失；

34、步驟s62、定義focal?loss函數(shù)如下：

35、lmask＝-α(1-ρt)λlog(ρt)

36、式中，其中α控制正樣本和負(fù)樣本在總損失中的份額權(quán)重；λ指的是一種調(diào)節(jié)因子，通過降低容易分類的實例的權(quán)重，使模型專注于難以分類的實例；ρt表示預(yù)測的概率值，代表模型在當(dāng)前類別(即正樣本或負(fù)樣本)上的預(yù)測概率；

37、步驟s63、定義負(fù)對數(shù)似然損失如下：

38、

39、其中，lboundary表示像素分類誤差，x表示圖像空間中的一個像素位置，ω表示圖像中的像素集合，logpboundary(x；lboundary(x))表示真實標(biāo)簽的預(yù)測概率的對數(shù)值；

40、步驟s64、定義mse損失如下：

41、

42、lshadow為兩個時相的模糊景觀得到的損失，表示模型的預(yù)測值，d(x)表示真實值；n代表總樣本數(shù)量；

43、步驟s65、基于變化檢測任務(wù)、邊界檢測任務(wù)和模糊景觀圖任務(wù)的損失，得到聯(lián)合損失

44、lsiam?multask＝w1lmask+w2lboundary+w3lshadow

45、式中：lsiam?multask表示孿生多任務(wù)變化檢測模型的總損失，w1、w2和w3表示不同損失對應(yīng)的權(quán)重。

46、在本發(fā)明一實施例中，步驟s7中具體包括以下步驟：

47、步驟s71、參數(shù)設(shè)置完成后，訓(xùn)練孿生多任務(wù)變化檢測模型并保存最優(yōu)模型權(quán)重；

48、步驟s72、使用步驟s71獲取的權(quán)重對研究區(qū)的雙時相高分辨率遙感影像進(jìn)行變化檢測，拼接檢測結(jié)果完成整個區(qū)域的檢測。

49、本發(fā)明還提供了一種集成建筑物與陰影方向關(guān)系自動建模的城市建筑物變化遙感檢測系統(tǒng)，包括存儲器、處理器以及存儲于存儲器上并能夠被處理器運(yùn)行的計算機(jī)程序指令，當(dāng)處理器運(yùn)行該計算機(jī)程序指令時，能夠?qū)崿F(xiàn)如上述所述的方法步驟。

50、本發(fā)明還提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有能夠被處理器運(yùn)行的計算機(jī)程序指令，當(dāng)處理器運(yùn)行該計算機(jī)程序指令時，能夠?qū)崿F(xiàn)如上述所述的方法步驟。

51、相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：

52、(1)本發(fā)明通過深度學(xué)習(xí)自動建模建筑物與陰影的方向性關(guān)系，克服了現(xiàn)有生成模糊景觀方法中人為控制物理參數(shù)產(chǎn)生誤差和元數(shù)據(jù)缺少影像建模參數(shù)的問題。

53、(2)本發(fā)明將模糊景觀生成器集成進(jìn)變化檢測模型中，結(jié)合建筑物與陰影的方向性特征，解決了變化檢測方法受雙時相視角造成的虛假變化，提升了城市建筑物變化檢測的精度。