鄉鎮級農居建筑物目標判定方法及應用
——以遼寧康平張強鎮為例

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,遼寧省農村地區發生地震的概率極高,而大多數農居建筑抗震設防等級未達標或未進行抗震設防,在地震中極易遭到破壞。農居建筑物是農村地區主要的地物類型之一,利用遙感影像準確獲取其空間分布并將其用于震后災害損失評估、重點救援區域判定及震前應急備災準備中具有極其重要的意義[1]。

隨著遙感技術的發展,高空間分辨率遙感數據的應用變得越來越普及,從圖像中提取建筑物目標已經成為遙感領域的一項工作任務。但從圖像中人工解譯建筑物耗時耗力,無法做到全方位實時檢測,故應用深度學習算法從高空間分辨率遙感圖像中自動、準確地提取建筑物信息成為遙感影像目標識別中的重要研究內容。近年來,計算機硬件水平不斷提升,訓練樣本規模持續增加,以卷積神經網絡(Convolutional Neural Network,CNN)為代表的深度學習方法在計算機視覺和遙感任務中展現出巨大的潛力[2]。CNN具有自動學習并生成高度復雜非線性特征的能力,能夠改善人工設計特征帶來的不足,在建筑物檢測任務中得到了越來越廣泛的應用。AlexNet、VGGNet[3]等傳統的卷積神經網絡模型只為一個圖像輸出單個類別標簽,即離散標簽分類。2015 年,全卷積網絡(Fully ConvolutionalNetwork,FCN)得到迅猛發展并廣泛應用于語義分割領域。FCN使用卷積層替換CNN中的全連接層,結合反卷積或上采樣操作生成最終的特征圖[4]。但是FCN及其一些擴展網絡(如SegNet[5]、DeconvNet[6]、UNet[7]等)僅利用部分網絡層生成最終特征圖,導致邊緣精度較低,限制了對微小尺寸或大型建筑物的檢測能力。基于FCN框架提出了金字塔場景解析網絡(pyramid scene parsing network,PSPNet)及金字塔池化模塊,聚合基于不同子區域獲取圖像的全局上下文信息,適用于復雜場景下的圖像分割[8]。過去的研究多采用航空數據,此類數據空間分辨率高,場景簡單,而遷移至高分辨率遙感影像數據集時存在提取結果不完整、提取結果精度低等問題,建筑物提取結果在實際生產工作中實用性較差。

1 研究區概況及數據預處理

張強鎮位于遼寧省沈陽市康平縣西北部,鎮域面積288 km2,轄14個行政村83個居民組204個自然 屯,截至2017年底總人口達到24 264人。2022年9月29日,遼寧康平發生了M3.0級地震(塌陷),12月13日發生了M2.1級礦震。兩次地震均發生在康平縣張強鎮內,因近期張強鎮地震活動較頻繁,以快鳥衛星獲取2023年2月張強鎮0.6 m分辨率的遙感影像。

針對遙感影像覆蓋區域范圍大、地物聚集分布的特點,采用ArcGIS Pro,制作遙感影像深度學習樣本數據集。選取張強鎮周邊地區,包括典型農居建筑物的遙感影像作為樣本數據。由于PSPNet完成語義分割建筑物目標是一種對圖像進行逐像素的分類行為,故需對樣本圖像中的全部像元進行類別標注,不應出現未進行分類的樣本。對樣本影像進行二分類處理,農居建筑物標注為正樣本類別,其他像素標注為負樣本類別,標注結果如圖1所示。對樣本區域進行尺寸為256×256、疊置步長為128×128的矩形切片,如圖2所示。

圖1 樣本標注結果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網絡結構

PSPNet網絡結構如圖3所示。通過改進經典的FCN網絡,設置了4層的金字塔結構,引入更多的上下文信息進行運算,帶入更多的全局信息,降低誤分割概率。選用算法穩定的PSPNet網絡作為農居建筑物目標判定的基礎網絡結構。

圖3 PSPNet網絡結構Fig.3 PSPNet grid structure

2.2 結合形態學運算的農居建筑物判定方法

形態學運算的實質是利用數學中的非線性濾波對二值圖像進行非線性濾波處理,對圖像逐像素進行先腐蝕再膨脹操作,定義為:

A°X=(AΘB)⊕B

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

在這份報告里，課題組建議保持草案提出的每月5000元的基本減除費用標準不變，建立與基本消費品物價指數掛鉤的自動調整機制，同時，慎重審議專項附加扣除，明確其與基本減除費用的關系，并考慮使用定額抵免方式，建議降低最高邊際稅率，增加勞務報酬所得費用扣除，鼓勵創新。此外，對于個人納稅信息申報和稅收法定等也提出了意見和建議。

圖4 形態學開運算效果Fig.4 Morphological open operation effect

形態學閉運算對圖像逐像素進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,填補裂縫,效果如圖5所示。

圖5 形態學閉運算效果Fig.5 Morphological closed operation effect

利用上述二值圖像領域運算,對通過PSPNet網絡運算后的初級結果圖像進行形態開、閉運算,形成結合形態學運算的農居建筑物判定方法,流程如圖6所示。

圖6 結合形態學運算的農居建筑物判定方法流程Fig.6 Determination method flow of farm buildings combined with morphological operation

在遙感影像經過PSPNet網絡結構進行卷積及空間金字塔結構運算后,通過合理地疊加形態學開閉操作結果,依據影像空間分辨率設定模板閾值,去除碎片并填補孔洞,規則化建筑物對象形狀,增強正樣本結構表達,從而更準確地對遙感圖像中的建筑物空間信息進行提取分析。

3 實驗與分析

3.1 網絡模型訓練

實驗平臺采用英特爾酷睿i5-6500k處理器,8 GB內存,顯卡NVIDIA GeForce GT 730,顯存4 GB。軟件環境方面,操作系統為Windows 10,編程語言采用Python,深度學習框架選擇PyTorch。基礎學習率為0.0001,每次以 0.9倍速率衰減,衰減因子為0.0001。由圖7可知,在訓練次數迭代2000次后,損失值在0.1～0.2震蕩,認為已經完成深度網絡模型訓練。

圖7 損失值迭代Fig.7 Loss-value iteration

3.2 實驗結果及精度評價

利用結合形態學運算的農居建筑物判定方法對張強鎮進行農居建筑物目標判定實驗,局部地區農居建筑物遙感影像及目標判定結果如圖8所示。

圖8 農居建筑物遙感影像及目標判定結果Fig.8 Results of remote sensing images of farm buildings and target determination

由圖8可知,實驗結果能夠覆蓋區域內彩鋼頂、混凝土平頂及小青瓦斜頂農居建筑物房屋,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象。

為了對所提網絡模型的整體性能進行定量評價,選用深度學習領域通用的混淆矩陣進行真值及實際預測值比較。實驗中,真值為影像底圖數字化成果,混淆矩陣如表1所示。

表1 混淆矩陣

其中,TP為農居建筑物被正確識別的像素數量,TN為其他地物被正確識別的像素數量,FP為其他地物被誤識別為農居建筑物的像素數量,FN為農居建筑物被誤識別為其他地物的像素數量。

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

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

Precision=TP/(TP+FP)

Recall=TP/(TP+FN)

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

實驗結果的精度比率指標如表2 所示。

表2 精度指標表

由表2可知,結合形態學運算的農居建筑物判定方法查準率為80.65%,表明此方法對負樣本的區分能力很強,召回率為50.00%,對正樣本的識別能力完整,準確率為92.03%。從全局來看,本方法對農居建筑物及其他地物都能準確識別,具有良好的魯棒性、穩健性,實用性較強,能夠滿足實際應用要求。

4 鄉鎮級農居建筑物判定結果的應用

以張強鎮為例進行鄉鎮級的農居建筑物目標判定結果的應用研究,利用農居建筑物識別結果生成建筑物公里網格,能夠很好地展示出鄉鎮內農居建筑物分布密度情況。張強鎮農居建筑物目標判定結果如圖9所示。

圖9 張強鎮農居建筑物目標判定結果Fig.9 Result of target determination of rural residential buildings in Zhangqiang Town

由圖9可知,張強鎮內有大小不等的農居聚集地39處。對張強鎮全域按照公里網格劃分,共分為342個公里網格,建筑物公里網格如圖10 所示。

圖10 張強鎮建筑物公里網格Fig.10 Buildings kilometer grid of Zhangqiang Town

其中,108個網格無建筑物存在,有6個網格內建筑物占地面積超50 000 m2,疊加遙感影像如圖11所示。

從生成的建筑物網格圖中可以看出,張強鎮建筑物密集區域主要為鎮政府所在地、官寶窩堡村及東一棵樹村。結合影像內地物信息判讀及實地調查,建筑物判定應用成果符合張強鎮實際情況,鎮政府及周邊地區為當地建筑物最為密集區域,東一棵樹村內設大型廠礦,存在大量單層廠礦建筑聚集現象,官寶窩堡村內設大型牧業公司,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。依照目前的研究結果可以判定張強鎮內人口密集區域為鎮政府所在地、官寶窩堡村及東一棵樹村,在地震等自然災害發生時可考慮救援設備及救援力量的調配。

5 結束語

結合形態學運算的農居建筑物判定方法能夠完成單體農居建筑物的識別任務,通過建筑物公里網格,分析了張強鎮全域農居建筑物分布情況,可應用于地震災害預評估實地調研地選取、破壞性地震后現場調查點選擇、人口埋壓地點預判及計算地震直接損失經濟損失等方面。利用遙感影像信息量大、更新頻率高、獲取數據快速的特點,可對遼寧省的建筑物網格更新生產,掌握農居建筑物分布情況。科學、合理地應用遙感影像識別方法是減輕地物目標判定工作量、增加可信度的有效途徑。