一种新增建设用地检测方法及装置

摘要

一种新增建设用地检测方法及装置，涉及遥感技术领域，该新增建设用地检测方法包括：先获取目标检测区域的卫星高分影像；再通过预先构建的新增建设用地预测模型对卫星高分影像进行预测处理，得到目标检测区域的建设用地热度图；然后根据预先设置的地表覆盖矢量数据对卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果；进一步地，对地块层检测结果和对象层检测结果进行决策级融合处理，得到融合检测结果；最后根据融合检测结果确定目标检测区域的目标新增建设用地检测结果，能够快速准确地对新增建设用地进行检测，误差小，适用性好。

权利要求

1.一种新增建设用地检测方法，其特征在于，包括：获取目标检测区域的卫星高分影像；

通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的建设用地热度图；

根据预先设置的地表覆盖矢量数据对所述卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果；

对所述地块层检测结果和所述对象层检测结果进行决策级融合处理，得到融合检测结果；

对所述融合检测结果进行去噪处理，得到去噪检测结果；

根据所述去噪检测结果，生成矢量格式的目标新增建设用地检测结果；

所述根据预先设置的地表覆盖矢量数据对所述卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果，包括：根据预先设置的所述地表覆盖矢量数据对所述卫星高分影像进行分割处理，得到地块层数据和对象层数据；

对所述地块层数据进行特征提取处理，得到地块层特征；

对所述地块层特征进行参数统计处理，得到新增建设用地指标体系；

根据所述新增建设用地指标体系，对所述地块层数据进行知识推理，得到地块层检测结果；

根据所述建设用地热度图和所述地块层检测结果对所述对象层数据进行建设用地目标检测，得到对象层检测结果。

2.根据权利要求1所述的新增建设用地检测方法，其特征在于，在所述获取目标检测区域的卫星高分影像之前，所述方法还包括：获取训练样本，所述训练样本包括样本区域的建筑物标注样本以及所述样本区域的道路标注样本；

构建原始检测模型；

通过所述建筑物标注样本和所述道路标注样本分别对所述检测模型进行训练处理，得到训练好的新增建设用地预测模型。

3.根据权利要求1所述的新增建设用地检测方法，其特征在于，所述通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的建设用地热度图，包括：

通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的道路热度图和所述目标检测区域的房屋热度图；

对所述道路热度图和所述房屋热度图进行拼接合并处理，得到建设用地热度图。

4.一种新增建设用地检测装置，其特征在于，所述新增建设用地检测装置包括：影像获取单元，用于获取目标检测区域的卫星高分影像；

模型预测单元，用于通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的建设用地热度图；

检测单元，用于根据预先设置的地表覆盖矢量数据对所述卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果；

融合单元，用于对所述地块层检测结果和所述对象层检测结果进行决策级融合处理，得到融合检测结果；

确定单元，用于根据所述融合检测结果确定所述目标检测区域的目标新增建设用地检测结果；

所述融合单元包括：

去噪子单元，用于对融合检测结果进行去噪处理，得到去噪检测结果；

生成子单元，用于根据去噪检测结果，生成矢量格式的目标新增建设用地检测结果；

所述检测单元包括：

分割子单元，用于根据预先设置的地表覆盖矢量数据对卫星高分影像进行分割处理，得到地块层数据和对象层数据；

提取子单元，用于对地块层数据进行特征提取处理，得到地块层特征；

统计子单元，用于对地块层特征进行参数统计处理，得到新增建设用地指标体系；

推理子单元，用于根据新增建设用地指标体系，对地块层数据进行知识推理，得到地块层检测结果；

检测子单元，用于根据建设用地热度图和地块层检测结果对对象层数据进行建设用地目标检测，得到对象层检测结果。

5.根据权利要求4所述的新增建设用地检测装置，其特征在于，所述新增建设用地检测装置还包括：

样本获取单元，用于在所述获取目标检测区域的卫星高分影像之前，获取训练样本，所述训练样本包括样本区域的建筑物标注样本以及所述样本区域的道路标注样本；

构建单元，用于构建原始检测模型；

训练单元，用于通过所述建筑物标注样本和所述道路标注样本分别对所述检测模型进行训练处理，得到训练好的新增建设用地预测模型。

6.根据权利要求4所述的新增建设用地检测装置，其特征在于，所述模型预测单元包括：

预测子单元，用于通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的道路热度图和所述目标检测区域的房屋热度图；

拼接合并子单元，用于对所述道路热度图和所述房屋热度图进行拼接合并处理，得到建设用地热度图。

7.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至3中任一项所述的新增建设用地检测方法。

8.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至3任一项所述的新增建设用地检测方法。

说明书

一种新增建设用地检测方法及装置

技术领域

[0001] 本申请涉及遥感技术领域，具体而言，涉及一种新增建设用地检测方法及装置。

背景技术

[0002] 新增建设用地作为城市建设和发展的重要组成部分，其快速发现和准确提取可协助城市自然资源管理部门对城市发展趋势和发展速度，实现动态监测与综合分析。现有的
新增建设用地检测方法通常通过利用前后两期影像，并结合前时相土地利用/覆盖分类图，
通过多元变化检测（MAD）和K‑均值聚类，识别变化区域，然后对变化区域后时相影像进行监
督分类，提取新增建设用地。然而，在实践中发现，现有的新增建设用地检测方法，采用影像
对影像的变化检测，容易受到大气条件、太阳高度角、土壤湿度、植被季相变化、匹配误差等
干扰因素影响，且前后两期影像的采集难度大，适用性差。可见，现有的新增建设用地检测
方法误差大，准确度低，适用性差。

发明内容

[0003] 本申请实施例的目的在于提供一种新增建设用地检测方法及装置，能够快速准确地对新增建设用地进行检测，误差小，适用性好。

[0004] 本申请实施例第一方面提供了一种新增建设用地检测方法，包括：

[0005] 获取目标检测区域的卫星高分影像；

[0006] 通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的建设用地热度图；

[0007] 根据预先设置的地表覆盖矢量数据对所述卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果；

[0008] 对所述地块层检测结果和所述对象层检测结果进行决策级融合处理，得到融合检测结果；

[0009] 根据所述融合检测结果确定所述目标检测区域的目标新增建设用地检测结果。

[0010] 在上述实现过程中，先获取目标检测区域的卫星高分影像；再通过预先构建的新增建设用地预测模型对卫星高分影像进行预测处理，得到目标检测区域的建设用地热度
图；然后根据预先设置的地表覆盖矢量数据对卫星高分影像进行地块层和对象层的新增建
设用地检测处理，得到地块层检测结果和对象层检测结果；进一步地，对地块层检测结果和
对象层检测结果进行决策级融合处理，得到融合检测结果；最后根据融合检测结果确定目
标检测区域的目标新增建设用地检测结果，能够快速准确地对新增建设用地进行检测，误
差小，适用性好。

[0011] 进一步地，在所述获取目标检测区域的卫星高分影像之前，所述方法还包括：

[0012] 获取训练样本，所述训练样本包括样本区域的建筑物标注样本以及所述样本区域的道路标注样本；

[0013] 构建原始检测模型；

[0014] 通过所述建筑物标注样本和所述道路标注样本分别对所述检测模型进行训练处理，得到训练好的新增建设用地预测模型。

[0015] 在上述实现过程中，建筑物标注样本和道路标注样本获取简单，有利于提升模型泛化能力，降低对样本的依赖度。

[0016] 进一步地，所述通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的建设用地热度图，包括：

[0017] 通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的道路热度图和所述目标检测区域的房屋热度图；

[0018] 对所述道路热度图和所述房屋热度图进行拼接合并处理，得到建设用地热度图。

[0019] 在上述实现过程中，通过新增建设用地预测模型来获取建设用地热度图，有利于提升新增建设用地检测精度。

[0020] 进一步地，所述根据预先设置的地表覆盖矢量数据对所述卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果，包括：

[0021] 根据预先设置的所述地表覆盖矢量数据对所述卫星高分影像进行分割处理，得到地块层数据和对象层数据；

[0022] 对所述地块层数据进行特征提取处理，得到地块层特征；

[0023] 对所述地块层特征进行参数统计处理，得到新增建设用地指标体系；

[0024] 根据所述新增建设用地指标体系，对所述地块层数据进行知识推理，得到地块层检测结果；

[0025] 根据所述建设用地热度图和所述地块层检测结果对所述对象层数据进行建设用地目标检测，得到对象层检测结果。

[0026] 在上述实现过程中，地块层检测结果提供了新增建设用地的起点和可能性，对象层检测结果则提供了终点和证据，有利于剔除由于矢量和影像几何配准误差造成的变化溢
出。

[0027] 进一步地，所述根据所述融合检测结果确定所述目标检测区域的目标新增建设用地检测结果，包括：

[0028] 对所述融合检测结果进行去噪处理，得到去噪检测结果；

[0029] 根据所述去噪检测结果，生成矢量格式的目标新增建设用地检测结果。

[0030] 在上述实现过程中，通过对融合检测结果进行去噪处理，能够提升目标新增建设用地检测结果的精度，减少误差。

[0031] 本申请实施例第二方面提供了一种新增建设用地检测装置，所述新增建设用地检测装置包括：

[0032] 影像获取单元，用于获取目标检测区域的卫星高分影像；

[0033] 模型预测单元，用于通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的建设用地热度图；

[0034] 检测单元，用于根据预先设置的地表覆盖矢量数据对所述卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果；

[0035] 融合单元，用于对所述地块层检测结果和所述对象层检测结果进行决策级融合处理，得到融合检测结果；

[0036] 确定单元，用于根据所述融合检测结果确定所述目标检测区域的目标新增建设用地检测结果。

[0037] 在上述实现过程中，影像获取单元先获取目标检测区域的卫星高分影像；模型预测单元再通过预先构建的新增建设用地预测模型对卫星高分影像进行预测处理，得到目标
检测区域的建设用地热度图；然后检测单元根据预先设置的地表覆盖矢量数据对卫星高分
影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结
果；进一步地，融合单元对地块层检测结果和对象层检测结果进行决策级融合处理，得到融
合检测结果；最后确定单元根据融合检测结果确定目标检测区域的目标新增建设用地检测
结果，能够快速准确地对新增建设用地进行检测，误差小，适用性好。

[0038] 进一步地，所述新增建设用地检测装置还包括：

[0039] 样本获取单元，用于在所述获取目标检测区域的卫星高分影像之前，获取训练样本，所述训练样本包括样本区域的建筑物标注样本以及所述样本区域的道路标注样本；

[0040] 构建单元，用于构建原始检测模型；

[0041] 训练单元，用于通过所述建筑物标注样本和所述道路标注样本分别对所述检测模型进行训练处理，得到训练好的新增建设用地预测模型。

[0042] 在上述实现过程中，建筑物标注样本和道路标注样本获取简单，有利于提升模型泛化能力，降低对样本的依赖度。

[0043] 进一步地，所述模型预测单元包括：

[0044] 预测子单元，用于通过预先构建的新增建设用地预测模型对所述卫星高分影像进行预测处理，得到所述目标检测区域的道路热度图和所述目标检测区域的房屋热度图；

[0045] 拼接合并子单元，用于对所述道路热度图和所述房屋热度图进行拼接合并处理，得到建设用地热度图。

[0046] 在上述实现过程中，通过新增建设用地预测模型来获取建设用地热度图，有利于提升新增建设用地检测精度。

[0047] 本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实
施例第一方面中任一项所述的新增建设用地检测方法。

[0048] 本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项
所述的新增建设用地检测方法。

附图说明

[0049] 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看
作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他相关的附图。

[0050] 图1为本申请实施例一提供的一种新增建设用地检测方法的流程示意图；

[0051] 图2为本申请实施例二提供的一种新增建设用地检测方法的流程示意图；

[0052] 图3为本申请实施例三提供的一种新增建设用地检测装置的结构示意图；

[0053] 图4为本申请实施例四提供的一种新增建设用地检测装置的结构示意图；

[0054] 图5为本申请实施例二提供的一种样本区域的影像切片示意图；

[0055] 图6为本申请实施例二提供的一种样本区域的道路标注样本示意图；

[0056] 图7为本申请实施例二提供的一种样本区域的建筑物标注样本示意图；

[0057] 图8为本申请实施例二提供的一种目标检测区域卫星高分影像的影像切片示意灰度图；

[0058] 图9为本申请实施例二提供的一种目标检测区域的道路热度图的局部示意图；

[0059] 图10为本申请实施例二提供的一种目标检测区域的房屋热度图的局部示意图；

[0060] 图11为本申请实施例二提供的一种目标检测区域的建设用地热度图的局部示意图；

[0061] 图12为本申请实施例二提供的一种新增建设用地自动检测流程示意图。

具体实施方式

[0062] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

[0063] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的
描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0064] 实施例1

[0065] 请参看图1，图1为本申请实施例提供了一种新增建设用地检测方法的流程示意图。其中，该新增建设用地检测方法包括：

[0066] S101、获取目标检测区域的卫星高分影像。

[0067] 本申请实施例中，目标检测区域的卫星高分影像可以是三波段或四波段高分辨率遥感影像等，对此本申请实施例不作限定。

[0068] 本申请实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。

[0069] 在本申请实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。

[0070] S102、通过预先构建的新增建设用地预测模型对卫星高分影像进行预测处理，得到目标检测区域的建设用地热度图。

[0071] 本申请实施例中，新增建设用地预测模型具体可以为D‑LinkNet语义分割模型，对此本申请实施例不作限定。

[0072] 作为一种可选的实施方式，D‑LinkNet语义分割模型，采用Windows下的Pytorch 1.7深度学习框架，使用Pycharm软件进行程序训练优化，学习率设置为0.0002，道路迭代次
数为100次，建筑迭代次数为150次，批处理大小设置为一个GPU分4个，两个GPU共8个。训练
平台的配置如下：CPU：AMD Virtual CPU v5 3.70GHz；GPU：NVIDIA GeForce RTX 3090 24 
GB。

[0073] 本申请实施例中，D‑LinkNet使用带有预编码器的Linknet作为其骨干网络，并在中心部分具有附加的空洞卷积层（dilated convolution）。Linknet是一种语义分割神经网
络，它具有跳连接，残差块和编码器‑解码器体系结构的优势，运行速度较快；D‑LinkNet在
其基础上增加的空洞卷积层可以在不降低图像分辨率的前提下，增大感受野，保留遥感影
像多尺度的空间特征。用房屋和道路样本分别训练D‑LinkNet深度学习语义分割模型。

[0074] 作为一种可选的实施方式，在步骤S102之前，可以先以样本区域的建筑物标注样本和道路标注样本为样本，分别对原始检测模型进行训练，得到训练好的新增建设用地预
测模型。

[0075] 本申请实施例中，先通过新增建设用地预测模型对卫星高分影像进行处理，得到目标检测区域的建筑物热度图和道路热度图，然后将建筑物热度图和道路热度图进行合
并，得到目标检测区域的建设用地热度图。

[0076] 在步骤S102之后，还包括以下步骤：

[0077] S103、根据预先设置的地表覆盖矢量数据对卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果。

[0078] 本申请实施例中，地表覆盖矢量数据具体为预先配准的，具体可以为国土调查矢量或地理国情土地覆盖矢量等，对此本申请实施例不作限定。

[0079] 本申请实施例中，在实际使用中，地表覆盖矢量数据与卫星高分影像几何配准即可，对数据源的传感器和时相选择和预处理要求比较低，比较合适大范围、高精度业务化检
测项目。

[0080] 本申请实施例中，卫星高分影像为高分辨率遥感影像，具体可以为米级高分辨率卫星影像，三波段或四波段均可，生长季节大田作物覆盖情况下影像最佳，这时检测目标与
背景反差最大，能够进一步提升检测精度。

[0081] S104、对地块层检测结果和对象层检测结果进行决策级融合处理，得到融合检测结果。

[0082] S105、根据融合检测结果确定目标检测区域的目标新增建设用地检测结果。

[0083] 本申请实施例中，目标新增建设用地检测结果包括对象层新增用地和地块层新增用地，有6种类型的新增建设用地，具体的，包括T1耕地—T2建设用地、T1草地—T2建设用
地、T1林地—T2建设用地、T1园地—T2建设用地、T1水体—T2建设用地、T1未利用地—T2建
设用地6大类。

[0084] 可见，实施本实施例所描述的新增建设用地检测方法，能够快速准确地对新增建设用地进行检测，误差小，适用性好。

[0085] 实施例2

[0086] 请参看图2，图2为本申请实施例提供的一种新增建设用地检测方法的流程示意图。如图2所示，其中，该新增建设用地检测方法包括：

[0087] S201、获取目标检测区域的卫星高分影像。

[0088] S202、通过预先构建的新增建设用地预测模型对卫星高分影像进行预测处理，得到目标检测区域的道路热度图和目标检测区域的房屋热度图。

[0089] 作为一种可选的实施方式，在获取目标检测区域的卫星高分影像之前，还可以包括以下步骤：

[0090] 获取训练样本，训练样本包括样本区域的建筑物标注样本以及样本区域的道路标注样本；

[0091] 构建原始检测模型；

[0092] 通过建筑物标注样本和道路标注样本分别对检测模型进行训练处理，得到训练好的新增建设用地预测模型。

[0093] 在上述实施方式中，以样本区域的建筑物标注样本和道路标注样本为样本，分别对原始检测模型进行训练，得到训练好的新增建设用地预测模型。

[0094] 请一并参阅图5、图6和图7，图5为本申请实施例提供的一种样本区域的影像切片示意图，图6为本申请实施例提供的一种样本区域的道路标注样本示意图，图7为本申请实
施例提供的一种样本区域的建筑物标注样本示意图。

[0095] 在上述实施方式中，建筑物标注样本和道路标注样本比新增建设用地样本容易获得，模型泛化能力强，对样本依赖度低。

[0096] 在上述实施方式中，原始检测模型具体可以为D‑LinkNet语义分割模型，用建筑物标注样本和道路标注样本分别对D‑LinkNet语义分割模型进行训练，可以得到训练好的新
增建设用地预测模型。

[0097] 在上述实施方式中，D‑LinkNet语义分割模型，采用Windows下的Pytorch 1.7深度学习框架，使用Pycharm软件进行程序训练优化，学习率设置为0.0002，道路迭代次数为100
次，建筑迭代次数为150次，批处理大小设置为一个GPU分4个，两个GPU共8个。训练平台的配
置如下：CPU：AMD Virtual CPU v5 3.70GHz；GPU：NVIDIA GeForce RTX 3090 24 GB。

[0098] 在上述实施方式中，D‑LinkNet使用带有预编码器的Linknet作为其骨干网络，并在中心部分具有附加的空洞卷积层（dilated convolution）。Linknet是一种语义分割神经
网络，它具有跳连接，残差块和编码器‑解码器体系结构的优势，运行速度较快；D‑LinkNet
在其基础上增加的空洞卷积层可以在不降低图像分辨率的前提下，增大感受野，保留遥感
影像多尺度的空间特征。用房屋和道路样本分别训练D‑LinkNet深度学习语义分割模型。

[0099] 请一并参阅图8、图9和图10，图8为本申请实施例提供的一种卫星真彩影像的影像切片示意灰度图，图9为本申请实施例提供的一种道路热度图的局部示意图，图10为本申请
实施例提供的一种房屋热度图的局部示意图。

[0100] 在步骤S202之后，还包括以下步骤：

[0101] S203、对道路热度图和房屋热度图进行拼接合并处理，得到建设用地热度图。

[0102] 请一并参阅图11，图11为本申请实施例提供的一种建设用地热度图的局部示意图。

[0103] 本申请实施例中，实施上述步骤S202 步骤S203，能够通过预先构建的新增建设用~
地预测模型对卫星高分影像进行预测处理，得到目标检测区域的建设用地热度图。

[0104] S204、根据预先设置的地表覆盖矢量数据对卫星高分影像进行分割处理，得到地块层数据和对象层数据。

[0105] 本申请实施例中，地表覆盖矢量数据包括待检测区域的矢量数据。

[0106] 本申请实施例中，以地表覆盖矢量数据为初始条件和控制边界，对卫星高分影像进行两次不同的分割，得到地块层数据和对象层数据。

[0107] 本申请实施例中，第一次分割时，不考虑卫星高分影像，完全根据地表覆盖矢量数据进行基于知识分割，得到地块层数据。

[0108] 本申请实施例中，第二次分割时，在地块层数据的基础上，考虑卫星高分影像的光谱、形状、纹理特征等进行基于数据细分割，得到均质度较高的对象层数据。

[0109] 本申请实施例中，地块层数据中一个地块由一到多个对象组成，对象之间的差异代表地块的变化和分异。一个对象由多个同质像素组成。反过来，一个像素属于唯一的对
象，一个对象属于唯一的地块。以像素为叶，以对象和地块为枝干，以场景为根，对像素、对
象、地块、场景不同的检测单元，以倒立树结构组成起来，形成层次结构，为新增建设用地自
动检测提供时间和空间场域，便于不同检测单元特征级和决策级融合。

[0110] S205、对地块层数据进行特征提取处理，得到地块层特征。

[0111] S206、对地块层特征进行参数统计处理，得到新增建设用地指标体系。

[0112] 本申请实施例中，根据建设用地在影像空间和特征空间纹理粗糙、灰度离散化和亮度高的综合表现，依据统计学原理，分地类进行地块层特征提取和参数统计，构建地块层
新增建设用地自适应指标体系。

[0113] 本申请实施例中，常用地块层特征可以从像素级和对象层两个角度进行提取，像素级的统计特征如蓝波段标准差（StdDev  B）、红波段标准差（StdDev  R）和明度
(Intensity)，对象层的统计特征如子对象红波段标准差(StdDev SO R)等，对此本申请实
施例不作限定。

[0114] 本申请实施例中，分地类进行特征的参数统计，分别统计各特征的均值（m）和标准2 2
差(σ)。按照距离均值一个标准差（m+σ）截取阈值存入指标变量Px（x=1，2，3，…，n），构成地
块层新增建设用地检测的自适应指标体系（即新增建设用地指标体系）。

[0115] 本申请实施例中，在影像特征空间，同一地类特征值个体之间差异比较小（聚集分布），一旦地块内土地利用方式部分或全部发生变化，该地块对应的特征与该类地块总体的
统计特征相比将会发生显著偏差（离散分布）。当耕地、草地、园地、林地、水体、未利用地等
非建设用地变为增建设用地时，首先表现为地块内像素之间的光谱离散化，组成地块的各
个对象之间的光谱差异也随之增大。除此之外，非建设用地变为建设用地，一般湿度会降
低，亮度也会显著增加。

[0116] 本申请实施例中，基于建设用地在影像空间和特征空间的综合表现，基于统计学原理，分地类进行特征提取，均值、标准差等参数统计，建立新增建设用地指标体系。

[0117] 在步骤S206之后，还包括以下步骤：

[0118] S207、根据新增建设用地指标体系，对地块层数据进行知识推理，得到地块层检测结果。

[0119] 作为一种可选的实施方式，运用新增建设用地指标体系，进行知识推理锁定潜在变化地块。具体做法是系统采用if…then语句构造知识算法，如在耕地地块范围内，If 
StdDev B>P0 or StdDev R > P1 or Stdev SO R > P2 or Intensity > P3 then 潜在变
化地块。同时排除下一步建设用地热度图中的“伪变化”干扰，特别是非建设用地中的高亮
田埂误分为建设用地的情况。

[0120] 在上述实施方式中，通过上述方法能够分地类在地块层通过知识推理锁定潜在变化地块，得到地块层检测结果。

[0121] 在上述实施方式中，在实际使用中，当地块矢量边界溢出到周边道路时，会造成“伪变化”，可以通过建设用地分布在地块边界附近且形状狭长的知识算法将其排除。

[0122] 在步骤S207之后，还包括以下步骤：

[0123] S208、根据建设用地热度图和地块层检测结果对对象层数据进行建设用地目标检测，得到对象层检测结果。

[0124] 作为一种可选的实施方式，以地块层检测结果中的潜在变化地块为控制边界，在此范围内检测变为建设用地的对象，得到对象层检测结果。具体地，在潜在变化地块范围
内，以建设用地热度图为特征，检测子对象内建设用地热度占比大于预设阈值（例如20%等）
的为新增建设用地对象，得到对象层检测结果。

[0125] 本申请实施例中，实施上述步骤S208，能够针对新增建设用地预测模型的弊端，将像素级深度学习结果融合到对象中，用对象边界替代深度学习语义分割边界，消除了空洞
和孤立点，使得边界更规整。

[0126] 本申请实施例中，实施上述步骤S204 步骤S208，能够根据预先设置的地表覆盖矢~
量数据对卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结
果和对象层检测结果。

[0127] S209、对地块层检测结果和对象层检测结果进行决策级融合处理，得到融合检测结果。

[0128] 本申请实施例中，地块层检测结果中的潜在变化地块提供了新增建设用地的起点和可能性，对象层检测结果中的新增建设用地对象则提供了终点和证据，根据对象层建设
用地的形状及其地块层中的分布位置，剔除由于矢量和影像几何配准误差造成的变化溢
出。

[0129] 本申请实施例中，依据相关行业标准将地块层检测结果和对象层检测结果通过关系特征和布尔运算进行决策级融合，得到最终的地块层新增建设用地和对象层新增建设用
地。

[0130] 本申请实施例中，即融合检测结果包括地块层新增建设用地和对象层新增建设用地。

[0131] 本申请实施例中，融合检测结果具体可以包括T1耕地—T2建设用地、T1草地—T2建设用地、T1林地—T2建设用地、T1园地—T2建设用地、T1水体—T2建设用地、T1未利用
地—T2建设用地6大类。

[0132] 在步骤S209之后，还包括以下步骤：

[0133] S210、对融合检测结果进行去噪处理，得到去噪检测结果。

[0134] 本申请实施例中，具体地，对地块层新增建设用地和对象层新增建设用地进行地类合并，对小地块或对象等进行去噪处理，以地块的上图面积达到预设面积阈值，具体地，
2 2
该预设面积阈值可以为建设用地最小上图面积100m ，农用地最小上图面积400m ，未利用地
2
最小上图面积600m，对此本实施例中不作任何限定。

[0135] S211、根据去噪检测结果，生成矢量格式的目标新增建设用地检测结果。

[0136] 本申请实施例中，将去噪检测结果连同指标和变化类型以矢量格式输出。

[0137] 本申请实施例中，对去噪处理后的本申请实施例中，连同变化类型和诊断指标，以矢量格式输出。地块层新增建设用地可以直接挂接到地表覆盖矢量数据，进行矢量数据库
动态更新。对象层新增建设用地为矢量数据更新提供了具体变化位置参考。

[0138] 本申请实施例中，实施上述步骤S210 步骤S211，能够根据融合检测结果确定目标~
检测区域的目标新增建设用地检测结果。

[0139] 请一并参阅图12，图12是本申请实施例提供的一种新增建设用地自动检测流程示意图，举例来说，以目标检测区域B为例，针对B的新增建设用地检测可以包括以下步骤：

[0140] 第一步：获取B地的卫星高分影像。

[0141] 第二步：用预先训练好的新增建设用地预测模型对B地的卫星高分影像进行预测，得到道路热度图和房屋热度图（下图6示例），将二者分别拼接、合并得到B地的建设用地热
度图。

[0142] 第三步：获取预先设置的地表覆盖矢量数据（即T1矢量），以T1矢量为初始条件和控制边界对卫星高分影像（即T2高分影像）进行两次分割。第一次不考虑T2高分影像，完全
按照T1矢量边界进行基于知识的分割，得到地块层数据；第二次分割，在地块层数据的基础
上，考虑T2影像的光谱、形状和纹理特征进行基于数据的细分割，得到内部均质度比较高的
对象层数据。以像素为叶子，以对象和地块为枝干，以场景为根，将像素、对象、地块、场景不
同检测单元，用倒立树结构组织起来，成为新增建设用地检测的时间和空间场域，便于不同
检测单元特征级和决策级融合。

[0143] 第四步：分耕地、草地、林地、园地、水体、未利用地分别提取地块层数据的地块层特征，并进行各特征均值、标准差等参数统计，形成新增建设用地指标体系。

[0144] 第五步：根据新增建设用地指标体系，分地类对地块层数据进行基于知识推理的判断，锁定潜在新增建设用地地块，得到地块层检测结果，目的是排除建设用地热度图中一
些高亮田埂“伪变化”干扰。

[0145] 第六步：以建设用地热度图为特征，将对象层数据中建设用地热度图占比超过20%的判定为建设用地对象，进而得到对象层检测结果。针对深度学习结果边界模糊的弊端，将
深度学习热度图融入到对象边界中，排除了深度学习结果中的孤立点和空洞，边界更加规
整。

[0146] 第七步：根据对象层检测结果在地块层检测结果中的分布位置和形状，剔除矢量和影像配准误差造成的变化溢出，对地块层检测结果和对象层检测结果进行决策级融合处
理，得到融合检测结果。

[0147] 第八步：将融合检测结果中的小面积对象进行降噪处理，得到去噪检测结果，将去噪检测结果连同指标和变化类型（图7），以矢量格式输出，得到目标新增建设用地检测结
果。地块层新增建设用地矢量可以挂接到T1矢量，进行矢量动态更新。对象层新增建设用地
可以为内外业核查提供具体变化位置参考。

[0148] 本申请实施例中，将知识推理和深度学习相结合，模拟人类的认知和感知能力，提高检测效率。以T1矢量为初始条件和控制边界，分地类进行新增建设用地检测，由此简化问
题的复杂度，降低遥感影像的不确定性，提高检测精度、可靠性和自动化水平，可以得到所
有6种类型的新增建设用地地块层和对象层检测结果，更符合自然资源管理业务需求。

[0149] 本申请实施例中，该方法提供了多源数据集成、知识引导、整体分析的变化检测框架。基于T1矢量和T2影像，将传统知识推理和新兴深度学习语义分割相结合，像素、对象、地
块、场景不同检测单元综合判断，得到地块层和对象层新增建设用地及其变化类型，比单一
方法、单一检测单元下的结果更稳健，边界更规整。

[0150] 本申请实施例中，该方法能够将传统的知识推理和新兴的深度学习相结合，模拟人类的认知和感知能力，提高检测效率，以T1矢量为基准，以T2影像为依据，自动检测新增
建设用地并判断其变化类型，为国土空间规划和自然资源管理提供技术支撑。

[0151] 本申请实施例中，该方法能够以T1矢量为初始条件和控制边界，降低遥感影像的不确定性和变化检测问题的复杂度，提高检测精度、可靠性和自动化水平，可以得到所有6
种类型的目标新增建设用地检测结果，更符合自然资源管理业务需求。

[0152] 可见，实施本实施例所描述的新增建设用地检测方法，能够快速准确地对新增建设用地进行检测，误差小，适用性好。

[0153] 实施例3

[0154] 请参看图3，图3为本申请实施例提供的一种新增建设用地检测装置的结构示意图。如图3所示，该新增建设用地检测装置包括：

[0155] 影像获取单元310，用于获取目标检测区域的卫星高分影像；

[0156] 模型预测单元320，用于通过预先构建的新增建设用地预测模型对卫星高分影像进行预测处理，得到目标检测区域的建设用地热度图；

[0157] 检测单元330，用于根据预先设置的地表覆盖矢量数据对卫星高分影像进行地块层和对象层的新增建设用地检测处理，得到地块层检测结果和对象层检测结果；

[0158] 融合单元340，用于对地块层检测结果和对象层检测结果进行决策级融合处理，得到融合检测结果；

[0159] 确定单元350，用于根据融合检测结果确定目标检测区域的目标新增建设用地检测结果。

[0160] 本申请实施例中，对于新增建设用地检测装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。

[0161] 可见，实施本实施例所描述的新增建设用地检测装置，能够快速准确地对新增建设用地进行检测，误差小，适用性好。

[0162] 实施例4

[0163] 请一并参阅图4，图4是本申请实施例提供的一种新增建设用地检测装置的结构示意图。其中，图4所示的新增建设用地检测装置是由图3所示的新增建设用地检测装置进行
优化得到的。如图4所示，新增建设用地检测装置还包括：

[0164] 样本获取单元360，用于在获取目标检测区域的卫星高分影像之前，获取训练样本，训练样本包括样本区域的建筑物标注样本以及样本区域的道路标注样本。

[0165] 构建单元370，用于构建原始检测模型。

[0166] 训练单元380，用于通过建筑物标注样本和道路标注样本分别对检测模型进行训练处理，得到训练好的新增建设用地预测模型。

[0167] 作为一种可选的实施方式，模型预测单元320包括：

[0168] 预测子单元321，用于通过预先构建的新增建设用地预测模型对卫星高分影像进行预测处理，得到目标检测区域的道路热度图和目标检测区域的房屋热度图。

[0169] 拼接合并子单元322，用于对道路热度图和房屋热度图进行拼接合并处理，得到建设用地热度图。

[0170] 作为一种可选的实施方式，检测单元330包括：

[0171] 分割子单元331，用于根据预先设置的地表覆盖矢量数据对卫星高分影像进行分割处理，得到地块层数据和对象层数据；

[0172] 提取子单元332，用于对地块层数据进行特征提取处理，得到地块层特征；

[0173] 统计子单元333，用于对地块层特征进行参数统计处理，得到新增建设用地指标体系；

[0174] 推理子单元334，用于根据新增建设用地指标体系，对地块层数据进行知识推理，得到地块层检测结果；

[0175] 检测子单元335，用于根据建设用地热度图和地块层检测结果对对象层数据进行建设用地目标检测，得到对象层检测结果。

[0176] 作为一种可选的实施方式，融合单元340包括：

[0177] 去噪子单元341，用于对融合检测结果进行去噪处理，得到去噪检测结果。

[0178] 生成子单元342，用于根据去噪检测结果，生成矢量格式的目标新增建设用地检测结果。

[0179] 本申请实施例中，对于新增建设用地检测装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。

[0180] 可见，实施本实施例所描述的新增建设用地检测装置，能够快速准确地对新增建设用地进行检测，误差小，适用性好。

[0181] 本申请实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本申请实施例1或实施例2中任一项新
增建设用地检测方法。

[0182] 本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项新增建设用
地检测方法。

[0183] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图
显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、
功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一
部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执
行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于
附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也
可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每
个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基
于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0184] 另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

[0185] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对
现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算
机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人
计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而
前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储
器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

[0186] 以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的
任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和
字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图
中不需要对其进行进一步定义和解释。

[0187] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵
盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

[0188] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存
在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖
非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要
素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在
包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。