连结无东说念主机影像生成DSM和DOM的多线索建筑物变化检测海量激情文学

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.水能资源诓骗要津时期湖南省重心实践室，长沙 410021

3.河南省空间信息生态环境保护应用重心实践室，郑州 450046

选录:

跟着我国城镇化水平的不停擢升，城镇建筑物日月牙异，实时、准确地掌捏城镇建筑物的变化信息对城镇料理、违纪建筑查处及灾害评估有着紧迫意旨。该文建议了一种连结无东说念主机影像生成数字名义模子(digital surface model，DSM)和正射影像(digital orthophoto map，DOM)的多线索建筑物变化检测步调，主要包括4个要领: ①对无东说念主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)并索求植被区域; ②诓骗多层高差阈值索求候选变化区域，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，关于每个连通对象，诓骗其较高层的变化检测收尾剔除低层中的误检测; ④统计每个变化对象的正、负高差值数目关连，详情变化类型。实践收尾标明，该文步调不但大要保留较低高差阈值检测到的低矮变化建筑物，并且大要保证魁岸变化建筑物的正确性、无缺性。

0 小序

纠正绽放以来，我国城镇化水平不停擢升，罢休2020年，寰宇城镇化率达63.89%，城镇常住东说念主口达9.02亿。在高速城镇化的同期，《2022年新式城镇化和城乡交融发展重心任务》中指出要“深切鼓舞以东说念主为本的新式城镇化战略、擢升新式城镇化质地”。《天然资源部信息化建设总体决策》建议要“全面增强天然资源三维动态监测与态势感知才智”，这对城镇化的科学性、模范性以及城镇的天然资源监测才智建议了更高的条目。建筑物当作城镇主要的构成部分，对其进行高时效、高精度的变化检测，不仅成心于扶助城镇想象料理，并且在违纪建筑查处、灾害评估方面有紧迫意旨。

证明变化检测所用数据的不同，建筑物的变化检测步调主要可以分为二维变化检测和三维变化检测2大类。二维变化检测步调一样以航天、航空影像为数据源，天然经过了多年的发展，但受制于影像的透视变换、夹杂像元、植被季节性变化及暗影等多方面数据源的问题，二维变化检测步调存在一定的局限性。跟着比年来传感器时期和密集匹配时期的快速发展，激光点云、影像密集匹配点云的几何精度有了显耀的擢升。与二维影像数据比较，三维点云过火养殖数据家具包含高程数据，具有细致的几何性质。同期，建筑物的变化往往伴跟着高程变化，使得三维数据大要较好地反馈建筑物的变化情况，基于三维数据的建筑物变化检测步调也因此引起了平庸着重。

建筑物的三维变化检测步调可分为基于单一几何信息的建筑三维变化检测和贯串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步调一样以2个时相数据的高程差或欧式距离当作变化计算，然后使用阈值分割索求变化区域，在此基础上使用形态学处理和聚类对变化区域进详细化处理。Murakami等诓骗不同期相的激光点云生成数字名义模子(digital surface model，DSM)，然后通过对DSM的通俗几何比较初步索求变化区域，终末通过形态学处理滤除伪变化区域。Tian等[12]诓骗建议的鲁棒步调想象高差，并诓骗阈值初步索求变化建筑物，终末诓骗矩形度剔除误检测。Chaabouni-chouayakh等通过2个时相的数字高程模子(digital elevation model，DEM)作念差索求变化区域，然后诓骗形态学开闭处理优化检测区域。Sasagawa等最初诓骗DSM差分索求变化区域，然青年景变化区域的多边形。天然基于单一几何信息的变化检测步调竣事起来较通俗，但这类步调易受三维数据的质地、配准精度的影响。

几何信息和光谱信息贯串使用的步调主要有后精化、平直特征交融及分类后处理3种。后精化步调一样诓骗几何信息比较初步索求候选变化区域，然后诓骗光谱信息对候选变化区域进行精化; 平直特征交融步调一样将2个时相三维数据的高差或欧氏距离当作一种特征，然后交融几何、光谱2类差分特征进行变化区域索求; 分类后处理步调将DSM当作光谱数据的补充波段以擢升分类精度，然后对分类收尾标签进行对比从而索求变化区域。Pang等诓骗2个时相的DSM作念差索求候选变化区域，然后通过候选变化对象的平整度和高度索求变化建筑物。彭代锋等对激光点云进行内插进而生成DSM，然后对DSM作念差并使用固定阈值索求变化区域，在此基础上将变化区域投影到影像从而剔除伪变化区域。杨钰琪等基于区域滋长对点云进行分割，并贯串差分DSM(differential DSM，dDSM)判断分割对象是否发生变化。Tian等诓骗Dempster-Shafer交融表面将全色影像的KL(kullback-leiber)散度特征和DSM的高差特征贯串索求候选变化区域，并诓骗多光谱影像剔除候选变化区域中的植被和暗影。Pang等将归一化DSM(normalized DSM，nDSM)和dDSM当作特征，诓骗图割算法索求候选变化区域，然后使用航空影像索求变化的建筑物。Wang等[20]将差分nDSM(differential nDSM，dnDSM)和形态学建筑物指数当作特征，诓骗图割算法索求变化建筑物。贯串几何与光谱信息的建筑物三维变化检测步调在大多数情况下大要取得可以的变化检测成果，但容易受几何对比收尾、交融参数和分类收尾等多种成分的影响。

针对以上问题，本文建议一种连结无东说念主机影像生成DSM和正射影像(digital orthophoto map，DOM)的多线索建筑物变化检测步调。诓骗多层高差阈值索求候选变化区域，并基于可见光植被指数剔除植被及面积较小区域; 对最低层变化检测收尾进行连通域分析，对每个连通对象使用较高层的变化检测收尾剔除最低层中的误检测; 统计每个变化对象的正、负高差值数目关连，详情变化类型。

1 接洽步调

本文的步调过程如图1所示。

图1本文步调过程

1.1 数据预处理 1.1.1 高差特征想象

在城镇场景的三维重建中，无东说念主机一样搭载多个高折柳率歪斜相机在近似的航高上，按照设定的航路从不同角度得到地物影像，从而生成高折柳率DOM和详细的三维数据。天然基于无东说念主机影像生成的三维数据相配详细，但这也使得大地的细节被突显出来，变化区域中的建筑物索求变得勤劳，因而在多数情况下需要剔除大地区域。本文使用布料模拟滤波算法对影像密集点云进行大场地和非大场地分割。

1.1.2 植被区域索求

城镇区域中的非大地区域中除建筑物除外，还包括植被、车辆、街灯等其他干预成分。相较于建筑物，车辆、街灯等其他地物一样高度较低、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，并且在公园、花园等特定的区域，植被的占大地积也大，容易干预建筑物的变化检测，因此需要在非大地区域中剔除植被区域。

1.2 多线索变化检测 1.2.1 多线索变化区域索求

诓骗较低的高差阈值索求dnDSM中的变化区域时(图2中对应的红色虚线)，大要较为无缺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讳饰的情况，或建筑物之间存在讳饰海量激情文学，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，而这部分植被处于暗影之中，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辰(图2中对应的红色虚线)，低矮的变化建筑物会被漏检，而魁岸的变化建筑物摒除了建筑物低处建模较差、建筑物角落与植被粘连的影响，从而能取得更高的检测精度。 T H m i n " role="presentation">

此外，通过单一面积阈值进行小块办法剔除时，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，而接管多线索阈值大要有用惩处此问题。本文通过较低的高差阈值保留低矮变化建筑物，诓骗较大的高差阈值优化魁岸建筑物的变化检测精度，并通过递加的面积阈值剔除具有一定高度的植被，保留低矮建筑物。

1.2.2 变化类型详情

通过1.2.1的多线索变化区域索求，可以详情哪些建筑物发生了变化，但无法明确变化类型。本文的高差特征是诓骗新时相的nDSM减去旧时相的nDSM想象得到，在理思情况下，如果连通对象的高差特征值齐是适值，则觉得是发生了增高(新建)变化，反之则觉得是发生了镌汰(撤销)变化，但由于存在噪声点干预，归拢个连通对象可能同期存在增高、镌汰2种变化。为此，针对每一个变化对象，本文通过比较对象内扫数点的2种变化占比，采纳占比较大者为其变化现象。

2 实践与分析2.1 实践数据

为考证本文建议步调的有用性，使用某地2019年4月和2022年9月2个时相的无东说念主机影像数据进行实践。影像具体信息如表1所示。

表1实践数据蚁合信息

实践区内地势较为平坦，主要包含植被、建筑物、裸地、说念路等类型地物，同类型地物在高度、体积上齐有着较大的各别。此外，因植被的季节性变化、建筑物外墙清除，归拢地物的神采也有着较为显耀的各别。实践数据如图3所示，遮蔽畛域为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的折柳率均为0.05 m。

图3实践数据

2.2 参数设立

伪娘 拳交

表2参数设立

2.3 实践收尾与分析

为分析本文步调过程，采纳了一些典型且存在显耀各别的中间收尾进行展示。

图4(a)是第1层的启动变化检测收尾，可以看到其中有许多植被区域，这些植被区域有的相对零丁，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收尾，不管是零丁的植被，一经与建筑物粘连的植被，大部分齐已被剔除，但仍然存在许多椒盐噪声、幻灭的小区域; 图4(c)是第1层去除小块的变化检测收尾，大齐的椒盐噪声、幻灭区域齐被剔除。从图4(c)中可以看到，经过植被剔除、去小块后的第1层变化检测收尾中，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收尾，与第1层最终收尾比较，零丁植被、与建筑物粘连植被引起的误检测齐被无缺地剔除，但微型建筑物也随之被剔除。因此交融多线索的变化收尾可以较好地均衡精度和准确率。

图5(a)是东说念主工标记的变化建筑物，图5(b)是本文步调的建筑物变化检测收尾，图5(c)是T-dnDSM步调的建筑物变化检测收尾(在高差阈值为12 m时精度最高，本文取12 m当作分割阈值)，图5(d)是DSM-GC步调的建筑物变化检测收尾。其中，灰色虚线框内主如果魁岸的变化建筑物，而粉色虚线框内主如果低矮的变化建筑物。关于魁岸的变化建筑物，本文步调解T-dnDSM步调相近似，均检测到了扫数的魁岸变化建筑物; DSM-GC方规定漏检了1个魁岸建筑物。关于低矮的变化建筑物，本文步调存在8个误检测区域，但仅漏检了1个低矮变化建筑物，而T-dnDSM步调误检测区域天然唯有4个，但存在大齐的低矮变化建筑物漏检; DSM-GC步调漏检了3个低矮变化建筑物，且存在12个误检测区域。概述商量误检、漏检区域的数目，本文步调取得了最好的变化检测收尾。

3种步调的精度如表3所示。T-dnDSM步调精准度最高，达到了95.37%，而DSM-GC步调精准度最低，仅为90.41%; 本文步调调回率最高，为93.57%，精准度较高的T-dnDSM调回率却最低，仅为78.35%; 本文步调的概述精度最高，为94.40%，而T-dnDSM最低，仅为86.03%。

表3建筑物变化检测精度

与基线步调比较，本文步调在保证索求低矮变化建筑物的同期，大要优化索求到的魁岸变化建筑物，达到较高的变化检测精度。

图6(a)是东说念主工标注的建筑物变化类型，图6(b)是诓骗本文步调想象得到的建筑物变化类型。可以看到，除开漏检、误检的建筑物除外，其他的建筑物变化类型齐与东说念主工标注数据一致，也反馈了本文所述建筑物变化类型详情步调的有用性。

3 论断

本文建议了一种连结无东说念主机影像生成DSM和DOM的多线索建筑物变化检测步调，该步调充分诓骗了多层高差阈值索求到的变化检测收尾，在保留低矮变化建筑物的同期，大要擢升魁岸建筑物的检测精度，克服了单一高差阈值索求变化建筑物时的不及。实践收尾标明本文步调均达到90%以上，考证了本文步调的有用性。但本文步调也存在一些不及，举例植被索求步调比较通俗。后续将探索基于深度学习的建筑物索求、对象分割步调，从而进一步擢升建筑物变化检测步调的精度和鲁棒性。

（原文有删减）

【作家简介】 柴佳兴(1996-)，男，硕士，主要从事三维重建、变化检测等有关接洽。

Email: m15274822942@163.com 。

【基金资助】国度天然科学基金资助现象“影相测量点云自监督学习语义分类步调”(42171440);水能资源诓骗要津时期湖南省重心实践室绽放接洽基金现象“连结大地激光扫描与无东说念主机歪斜影相测量的库岸滑坡监测”(PKLHD201805);长沙科技规画现象漏洞科技专项“空六合一体化智能感知平台接洽及农业应用示范”(kh2205030);河南省空间信息生态环境保护应用重心实践室绽放课题“基于介意力机制的高分遥感影像语义分割”(22-FW-07-0106)

【引文文本】 柴佳兴， 张云生， 杨振， 陈斯飏， 李海峰. 连结无东说念主机影像生成DSM和DOM的多线索建筑物变化检测[J]. 天然资源遥感， 2024， 36(2): 80-88.

社群换取/原创投稿/ 商务协作

着手：测绘学术资讯海量激情文学