鄉(xiāng)鎮(zhèn)級農(nóng)居建筑物目標(biāo)判定方法及應(yīng)用
——以遼寧康平張強(qiáng)鎮(zhèn)為例

李雨佳,張欣然,于 浩,田雨佳,王姝婷

(遼寧省地震局,沈陽 110006)

0 引言

遼寧地處華北斷塊區(qū)北部,由遼東斷塊隆起帶、下遼河-遼東灣斷塊凹陷帶及遼西斷塊隆起帶組成,郯城-廬江斷裂帶北延帶縱向貫穿遼寧全省。從概率上來說,遼寧省農(nóng)村地區(qū)發(fā)生地震的概率極高,而大多數(shù)農(nóng)居建筑抗震設(shè)防等級未達(dá)標(biāo)或未進(jìn)行抗震設(shè)防,在地震中極易遭到破壞。農(nóng)居建筑物是農(nóng)村地區(qū)主要的地物類型之一,利用遙感影像準(zhǔn)確獲取其空間分布并將其用于震后災(zāi)害損失評估、重點(diǎn)救援區(qū)域判定及震前應(yīng)急備災(zāi)準(zhǔn)備中具有極其重要的意義[1]。

隨著遙感技術(shù)的發(fā)展,高空間分辨率遙感數(shù)據(jù)的應(yīng)用變得越來越普及,從圖像中提取建筑物目標(biāo)已經(jīng)成為遙感領(lǐng)域的一項(xiàng)工作任務(wù)。但從圖像中人工解譯建筑物耗時(shí)耗力,無法做到全方位實(shí)時(shí)檢測,故應(yīng)用深度學(xué)習(xí)算法從高空間分辨率遙感圖像中自動(dòng)、準(zhǔn)確地提取建筑物信息成為遙感影像目標(biāo)識別中的重要研究內(nèi)容。近年來,計(jì)算機(jī)硬件水平不斷提升,訓(xùn)練樣本規(guī)模持續(xù)增加,以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)為代表的深度學(xué)習(xí)方法在計(jì)算機(jī)視覺和遙感任務(wù)中展現(xiàn)出巨大的潛力[2]。CNN具有自動(dòng)學(xué)習(xí)并生成高度復(fù)雜非線性特征的能力,能夠改善人工設(shè)計(jì)特征帶來的不足,在建筑物檢測任務(wù)中得到了越來越廣泛的應(yīng)用。AlexNet、VGGNet[3]等傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型只為一個(gè)圖像輸出單個(gè)類別標(biāo)簽,即離散標(biāo)簽分類。2015 年,全卷積網(wǎng)絡(luò)(Fully ConvolutionalNetwork,FCN)得到迅猛發(fā)展并廣泛應(yīng)用于語義分割領(lǐng)域。FCN使用卷積層替換CNN中的全連接層,結(jié)合反卷積或上采樣操作生成最終的特征圖[4]。但是FCN及其一些擴(kuò)展網(wǎng)絡(luò)(如SegNet[5]、DeconvNet[6]、UNet[7]等)僅利用部分網(wǎng)絡(luò)層生成最終特征圖,導(dǎo)致邊緣精度較低,限制了對微小尺寸或大型建筑物的檢測能力?；贔CN框架提出了金字塔場景解析網(wǎng)絡(luò)(pyramid scene parsing network,PSPNet)及金字塔池化模塊,聚合基于不同子區(qū)域獲取圖像的全局上下文信息,適用于復(fù)雜場景下的圖像分割[8]。過去的研究多采用航空數(shù)據(jù),此類數(shù)據(jù)空間分辨率高,場景簡單,而遷移至高分辨率遙感影像數(shù)據(jù)集時(shí)存在提取結(jié)果不完整、提取結(jié)果精度低等問題,建筑物提取結(jié)果在實(shí)際生產(chǎn)工作中實(shí)用性較差。

1 研究區(qū)概況及數(shù)據(jù)預(yù)處理

張強(qiáng)鎮(zhèn)位于遼寧省沈陽市康平縣西北部,鎮(zhèn)域面積288 km2,轄14個(gè)行政村83個(gè)居民組204個(gè)自然 屯,截至2017年底總?cè)丝谶_(dá)到24 264人。2022年9月29日,遼寧康平發(fā)生了M3.0級地震(塌陷),12月13日發(fā)生了M2.1級礦震。兩次地震均發(fā)生在康平縣張強(qiáng)鎮(zhèn)內(nèi),因近期張強(qiáng)鎮(zhèn)地震活動(dòng)較頻繁,以快鳥衛(wèi)星獲取2023年2月張強(qiáng)鎮(zhèn)0.6 m分辨率的遙感影像。

針對遙感影像覆蓋區(qū)域范圍大、地物聚集分布的特點(diǎn),采用ArcGIS Pro,制作遙感影像深度學(xué)習(xí)樣本數(shù)據(jù)集。選取張強(qiáng)鎮(zhèn)周邊地區(qū),包括典型農(nóng)居建筑物的遙感影像作為樣本數(shù)據(jù)。由于PSPNet完成語義分割建筑物目標(biāo)是一種對圖像進(jìn)行逐像素的分類行為,故需對樣本圖像中的全部像元進(jìn)行類別標(biāo)注,不應(yīng)出現(xiàn)未進(jìn)行分類的樣本。對樣本影像進(jìn)行二分類處理,農(nóng)居建筑物標(biāo)注為正樣本類別,其他像素標(biāo)注為負(fù)樣本類別,標(biāo)注結(jié)果如圖1所示。對樣本區(qū)域進(jìn)行尺寸為256×256、疊置步長為128×128的矩形切片,如圖2所示。

圖1 樣本標(biāo)注結(jié)果Fig.1 Result of sample labeling

圖2 樣本切片示例Fig.2 Sample slice example

2 原理及研究方法

2.1 PSPNet網(wǎng)絡(luò)結(jié)構(gòu)

PSPNet網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。通過改進(jìn)經(jīng)典的FCN網(wǎng)絡(luò),設(shè)置了4層的金字塔結(jié)構(gòu),引入更多的上下文信息進(jìn)行運(yùn)算,帶入更多的全局信息,降低誤分割概率。選用算法穩(wěn)定的PSPNet網(wǎng)絡(luò)作為農(nóng)居建筑物目標(biāo)判定的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)。

圖3 PSPNet網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 PSPNet grid structure

2.2 結(jié)合形態(tài)學(xué)運(yùn)算的農(nóng)居建筑物判定方法

形態(tài)學(xué)運(yùn)算的實(shí)質(zhì)是利用數(shù)學(xué)中的非線性濾波對二值圖像進(jìn)行非線性濾波處理,對圖像逐像素進(jìn)行先腐蝕再膨脹操作,定義為:

A°X=(AΘB)⊕B

即利用B腐蝕X,再進(jìn)行膨脹,修復(fù)小斑塊、毛刺及細(xì)小橋接,分離細(xì)微黏連的物體,平滑大物體輪廓,效果如圖4所示。

在這份報(bào)告里，課題組建議保持草案提出的每月5000元的基本減除費(fèi)用標(biāo)準(zhǔn)不變，建立與基本消費(fèi)品物價(jià)指數(shù)掛鉤的自動(dòng)調(diào)整機(jī)制，同時(shí)，慎重審議專項(xiàng)附加扣除，明確其與基本減除費(fèi)用的關(guān)系，并考慮使用定額抵免方式，建議降低最高邊際稅率，增加勞務(wù)報(bào)酬所得費(fèi)用扣除，鼓勵(lì)創(chuàng)新。此外，對于個(gè)人納稅信息申報(bào)和稅收法定等也提出了意見和建議。

圖4 形態(tài)學(xué)開運(yùn)算效果Fig.4 Morphological open operation effect

形態(tài)學(xué)閉運(yùn)算對圖像逐像素進(jìn)行先膨脹再腐蝕操作,定義為:

A?X=(A⊕B)ΘB

即利用B膨脹A,再進(jìn)行腐蝕,可使像素塊輪廓平滑且面積不明顯變化,消除狹窄的間斷及小空洞,填補(bǔ)裂縫,效果如圖5所示。

圖5 形態(tài)學(xué)閉運(yùn)算效果Fig.5 Morphological closed operation effect

利用上述二值圖像領(lǐng)域運(yùn)算,對通過PSPNet網(wǎng)絡(luò)運(yùn)算后的初級結(jié)果圖像進(jìn)行形態(tài)開、閉運(yùn)算,形成結(jié)合形態(tài)學(xué)運(yùn)算的農(nóng)居建筑物判定方法,流程如圖6所示。

圖6 結(jié)合形態(tài)學(xué)運(yùn)算的農(nóng)居建筑物判定方法流程Fig.6 Determination method flow of farm buildings combined with morphological operation

在遙感影像經(jīng)過PSPNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行卷積及空間金字塔結(jié)構(gòu)運(yùn)算后,通過合理地疊加形態(tài)學(xué)開閉操作結(jié)果,依據(jù)影像空間分辨率設(shè)定模板閾值,去除碎片并填補(bǔ)孔洞,規(guī)則化建筑物對象形狀,增強(qiáng)正樣本結(jié)構(gòu)表達(dá),從而更準(zhǔn)確地對遙感圖像中的建筑物空間信息進(jìn)行提取分析。

3 實(shí)驗(yàn)與分析

3.1 網(wǎng)絡(luò)模型訓(xùn)練

實(shí)驗(yàn)平臺采用英特爾酷睿i5-6500k處理器,8 GB內(nèi)存,顯卡NVIDIA GeForce GT 730,顯存4 GB。軟件環(huán)境方面,操作系統(tǒng)為Windows 10,編程語言采用Python,深度學(xué)習(xí)框架選擇PyTorch?；A(chǔ)學(xué)習(xí)率為0.0001,每次以 0.9倍速率衰減,衰減因子為0.0001。由圖7可知,在訓(xùn)練次數(shù)迭代2000次后,損失值在0.1～0.2震蕩,認(rèn)為已經(jīng)完成深度網(wǎng)絡(luò)模型訓(xùn)練。

圖7 損失值迭代Fig.7 Loss-value iteration

3.2 實(shí)驗(yàn)結(jié)果及精度評價(jià)

利用結(jié)合形態(tài)學(xué)運(yùn)算的農(nóng)居建筑物判定方法對張強(qiáng)鎮(zhèn)進(jìn)行農(nóng)居建筑物目標(biāo)判定實(shí)驗(yàn),局部地區(qū)農(nóng)居建筑物遙感影像及目標(biāo)判定結(jié)果如圖8所示。

圖8 農(nóng)居建筑物遙感影像及目標(biāo)判定結(jié)果Fig.8 Results of remote sensing images of farm buildings and target determination

由圖8可知,實(shí)驗(yàn)結(jié)果能夠覆蓋區(qū)域內(nèi)彩鋼頂、混凝土平頂及小青瓦斜頂農(nóng)居建筑物房屋,建筑物能夠被完整地識別出來,但也存在極少量的不完全提取現(xiàn)象。

為了對所提網(wǎng)絡(luò)模型的整體性能進(jìn)行定量評價(jià),選用深度學(xué)習(xí)領(lǐng)域通用的混淆矩陣進(jìn)行真值及實(shí)際預(yù)測值比較。實(shí)驗(yàn)中,真值為影像底圖數(shù)字化成果,混淆矩陣如表1所示。

表1 混淆矩陣

其中,TP為農(nóng)居建筑物被正確識別的像素?cái)?shù)量,TN為其他地物被正確識別的像素?cái)?shù)量,FP為其他地物被誤識別為農(nóng)居建筑物的像素?cái)?shù)量,FN為農(nóng)居建筑物被誤識別為其他地物的像素?cái)?shù)量。

利用圖像識別通用的比率指標(biāo),即準(zhǔn)確率、查準(zhǔn)率及召回率進(jìn)行精度分析,公式如下所示:

Accuracy=(TP+TN)/(TP+TN+FP+FN)

Precision=TP/(TP+FP)

Recall=TP/(TP+FN)

準(zhǔn)確率(Accuracy)用于評估本方法的全局準(zhǔn)確程度,查準(zhǔn)率(Precision)用于表示所有判定為農(nóng)居建筑物的像素中實(shí)際為農(nóng)居建筑物的比例,召回率(Recall)用于表示所有實(shí)際為農(nóng)居建筑物的像素中被正確判定的比例。

實(shí)驗(yàn)結(jié)果的精度比率指標(biāo)如表2 所示。

表2 精度指標(biāo)表

由表2可知,結(jié)合形態(tài)學(xué)運(yùn)算的農(nóng)居建筑物判定方法查準(zhǔn)率為80.65%,表明此方法對負(fù)樣本的區(qū)分能力很強(qiáng),召回率為50.00%,對正樣本的識別能力完整,準(zhǔn)確率為92.03%。從全局來看,本方法對農(nóng)居建筑物及其他地物都能準(zhǔn)確識別,具有良好的魯棒性、穩(wěn)健性,實(shí)用性較強(qiáng),能夠滿足實(shí)際應(yīng)用要求。

4 鄉(xiāng)鎮(zhèn)級農(nóng)居建筑物判定結(jié)果的應(yīng)用

以張強(qiáng)鎮(zhèn)為例進(jìn)行鄉(xiāng)鎮(zhèn)級的農(nóng)居建筑物目標(biāo)判定結(jié)果的應(yīng)用研究,利用農(nóng)居建筑物識別結(jié)果生成建筑物公里網(wǎng)格,能夠很好地展示出鄉(xiāng)鎮(zhèn)內(nèi)農(nóng)居建筑物分布密度情況。張強(qiáng)鎮(zhèn)農(nóng)居建筑物目標(biāo)判定結(jié)果如圖9所示。

圖9 張強(qiáng)鎮(zhèn)農(nóng)居建筑物目標(biāo)判定結(jié)果Fig.9 Result of target determination of rural residential buildings in Zhangqiang Town

由圖9可知,張強(qiáng)鎮(zhèn)內(nèi)有大小不等的農(nóng)居聚集地39處。對張強(qiáng)鎮(zhèn)全域按照公里網(wǎng)格劃分,共分為342個(gè)公里網(wǎng)格,建筑物公里網(wǎng)格如圖10 所示。

圖10 張強(qiáng)鎮(zhèn)建筑物公里網(wǎng)格Fig.10 Buildings kilometer grid of Zhangqiang Town

其中,108個(gè)網(wǎng)格無建筑物存在,有6個(gè)網(wǎng)格內(nèi)建筑物占地面積超50 000 m2,疊加遙感影像如圖11所示。

從生成的建筑物網(wǎng)格圖中可以看出,張強(qiáng)鎮(zhèn)建筑物密集區(qū)域主要為鎮(zhèn)政府所在地、官寶窩堡村及東一棵樹村。結(jié)合影像內(nèi)地物信息判讀及實(shí)地調(diào)查,建筑物判定應(yīng)用成果符合張強(qiáng)鎮(zhèn)實(shí)際情況,鎮(zhèn)政府及周邊地區(qū)為當(dāng)?shù)亟ㄖ镒顬槊芗瘏^(qū)域,東一棵樹村內(nèi)設(shè)大型廠礦,存在大量單層廠礦建筑聚集現(xiàn)象,官寶窩堡村內(nèi)設(shè)大型牧業(yè)公司,存在大量單層建筑。

建筑物的分布可以在一定程度上代表人口密度分布。依照目前的研究結(jié)果可以判定張強(qiáng)鎮(zhèn)內(nèi)人口密集區(qū)域?yàn)殒?zhèn)政府所在地、官寶窩堡村及東一棵樹村,在地震等自然災(zāi)害發(fā)生時(shí)可考慮救援設(shè)備及救援力量的調(diào)配。

5 結(jié)束語

結(jié)合形態(tài)學(xué)運(yùn)算的農(nóng)居建筑物判定方法能夠完成單體農(nóng)居建筑物的識別任務(wù),通過建筑物公里網(wǎng)格,分析了張強(qiáng)鎮(zhèn)全域農(nóng)居建筑物分布情況,可應(yīng)用于地震災(zāi)害預(yù)評估實(shí)地調(diào)研地選取、破壞性地震后現(xiàn)場調(diào)查點(diǎn)選擇、人口埋壓地點(diǎn)預(yù)判及計(jì)算地震直接損失經(jīng)濟(jì)損失等方面。利用遙感影像信息量大、更新頻率高、獲取數(shù)據(jù)快速的特點(diǎn),可對遼寧省的建筑物網(wǎng)格更新生產(chǎn),掌握農(nóng)居建筑物分布情況?？茖W(xué)、合理地應(yīng)用遙感影像識別方法是減輕地物目標(biāo)判定工作量、增加可信度的有效途徑。