NEWS CENTER
RS Matrix遥感影像智能变化检测解决方案
RS Matrix遥感影像智能解译平台针对变化检测功能需求，提供从样本分析、模型训练、影像解译全流程的解决方案
发布时间：
2022-05-27
来源：
锐思数智
世界无时无刻不在发生随机而有序的变化，而变化检测是度量变化的一种方式。特别是在存量已知的前提条件下，发生变化的信息才是人们最关心的也是最有价值的。同理映射到自然资源调查监测行业，以第三次全国国土调查成果为主，已初步形成自然资源“一张图”数据底板，其后每年开展的地理国情监测、年度变更调查等项目主要工作内容均以变化监测为主。
遥感影像变化检测是利用同一区域不同时期的多源遥感影像和相关地理空间数据，确定和分析该地域地物的变化，包括地物位置、范围的变化和地物性质、状态的变化，比如：水体、耕地、建筑物、动土等类别。多时相遥感影像变化检测技术能够监测生态环境变化、跟踪城市发展，对于研究人类与自然环境之间的交互关系有着重要的意义。
RS Matrix遥感影像智能变化检测解决方案
RS Matrix遥感影像智能解译平台针对变化检测功能需求，提供从样本分析、模型训练、影像解译全流程的解决方案。我们下面以BCD建筑物变化检测数据集为例，简要介绍基于RS Matrix遥感影像智能解译平台的实现。
BCD建筑物变化检测数据集前后时相影像均为0.2m分辨率航空正射影像，作业区域为新西兰某城镇区域，影像整体质量较好，建构筑物个体独立，边界清晰，变化图斑标注也符合样本采集要求。
为了更好地评价模型的训练效果及泛化能力，我们将数据集分为两个部分（如上图所示）:左侧区域（红色标注部分）作为训练集，影像面积约12.3 km²，包含变化图斑1546个; 右侧区域（绿色标注部分）作为评价集，影像面积约7.5 km²，包含变化图斑866个。
丨样本分析
RS Matrix遥感影像智能解译平台变化检测模块样本分析支持影像大图直接输入（常见如TIF、IMG格式等均支持），因此BCD数据集可以直接导入平台进行样本分析操作，不需要借助其他工具将其裁切为小图块数据形式。
按照平台提示设置好数据加载路径及配置标注文件类型对应映射表后即可提交任务。RS Matrix支持按属性信息进行类别的合并映射配置，既支持单类别的变化提取也支持多要素的变化提取，用户可以更为灵活地训练提取目标地物类型，满足项目定制化需求。
提交任务后，系统自动进行样本分析，并输出样本分析可视化结果，为下一步模型训练提供基础。
丨模型训练
高质量的样本是模型训练成功的关键，样本分析通过后，即可提交模型训练任务，只需要在模型训练选择上一步初步分析合格的样本库即可。模型训练完成后会可视化的呈现该模型的基本信息及一些基本指标评价结果（比如召回率、精准率等），以对该模型效果有一个初步的判断，同时也为后期模型调优提供了有利参考。
丨影像解译
解译结果对比分析如下：
▷训练集（样本区）解译结果
对样本区影像进行解译，筛除面积小于5 m²的不规则小图斑，结果为模型解译提取建筑物变化图斑共计1927个，正确识别的建筑变化图斑为1414个，样本区真实变化图斑共计1546个，其召回率（Recall）、准确率（Precision）精度评价指标计算及解译效果如下所示：
▷评价集（非样本区）解译结果
对非样本区影像进行解译，筛除面积小于5 m²的不规则小图斑，结果为模型解译提取建筑物变化图斑共计1289个，正确识别的建筑变化图斑为767个，非样本区真实变化图斑共计866个，其召回率（Recall）、准确率（Precision）精度评价指标计算及解译效果如下所示：
根据结果对比分析，模型具有较高召回率，可有效识别约90%发生变化的建筑物；但模型的识别准确率相对较低，无法有效区分集装箱、建筑物地基、停车场等地物，并会将部分柏油公路变化图斑错分为建筑物变化图斑 (如下图所示)。
丨总结
本次测试案例所用影像范围、变化图斑数量总体偏少。但对于建筑物变化检测需求场景，因建筑物整体比较规整、边界较为清晰，因此模型收敛更快且更稳定，因此通过增加样本可以有效优化改善该应用场景。同时针对提取结果边界弯曲的问题，还可以通过规则化的方式处理，使其更符合项目成果要求。
锐思数智,遥感影像解译,变化检测
相关新闻 / RELEVANT NEWS
微信公众号