基于生成对抗网络的建筑物损毁检测

建筑物作为自然灾害中最受影响的承灾体之一,其损毁信息的准确提取对灾后应急救援具有十分重要的意义。本文借鉴多模态的思想,提出了一种自动检测损毁建筑物的recursive-generative adversarial networks(RS-GAN)方法,将损毁建筑物检测分为灾前建筑物识别和灾后损毁建筑物检测两个任务,且分别在两个GAN分支中完成。RS-GAN加入联合损失函数将两个GAN分支进行连接,充分利用两个任务之间的潜在互利性提升检测效果。RS-GAN利用第1条GAN分支识别建筑物灾前形状与位置,并将识别结果作为第2条GAN分支的输入进行损毁建筑物检测任务,从而使检测结果具有更清晰的轮廓。该方法为端到端模型,在不需要过多的人工干预情形下,实现了损毁建筑物的自动检测。为了验证RS-GAN模型的效果,在圣罗莎和密苏里两个数据集上进行了测试。试验结果表明,RS-GAN方法拥有更好的检测性能,在圣罗莎数据集上的总体精度和平均精度分别达到了0.90和0.86。

基于高分一号卫星遥感图像的建筑物震害损毁检测研究——以2015年尼泊尔M_S8.1地震为例

在高分辨率遥感图像中,不同震害损毁程度的建筑物呈现不同的图像特征,鉴于此本文提出一种利用遥感图像多特征分析建筑物损毁程度的检测方法.以2015年尼泊尔MS8.1地震为例,结合震后高分一号卫星全色遥感图像和城市道路矢量数据提供的街区信息,以建筑物街区为单元进行图像纹理提取和局部空间统计等多类别图像特征参数分析,并构建多特征分类模型,将震后建筑物街区划分为基本完好、部分损毁和严重损毁等3个类别.试验结果表明,本文提取的参数能够有效地表征损毁建筑物的图像特征,而且建筑物震害损毁检测精度较高.该方法可用于建筑物震害损毁信息的快速提取,为震后应急救援提供指导;同时还可为我国自主研发高分卫星遥感数据在地震灾害信息提取中的应用提供技术参考与方法借鉴.

利用词袋模型检测建筑物顶面损毁区域

针对航空影像中已分割出的建筑物顶面,提出了一种利用视觉词袋模型检测建筑物顶面损毁区域的方法。该方法首先利用简单线性迭代聚类方法对建筑物顶面进行超像素分割,然后对超像素区域利用颜色和梯度方向直方图特征构建视觉词袋模型,最后使用支持向量机（support vector machine,SVM）对超像素区域中的损毁区域进行检测。实验结果表明,该方法能有效判定建筑物顶面损毁区域,对提高建筑物整体损毁检测精度具有重要意义。