(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211184445.0 (22)申请日 2022.09.27 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 张伟平　王瑞琳　姜超　陈晓希　 贾东峰　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 廖程 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 20/10(2022.01) (54)发明名称 基于图像多参数提取的区域建筑损伤等级 评定方法 (57)摘要 本发明涉及一种基于图像多参数提取的区 域建筑损伤等级评定方法， 其特征在于， 包括以 下步骤： S1使用无人机获取待评估区域 建筑的图 像数据； S2使用面向对象的图像分析、 归一化数 字表面模型重建以及立面图像分类 分析方法， 从 步骤S1获取的无人机图像数据中提取震后建筑 面积、 高度变化以及屋顶、 立面破损情况四类建 筑震害参数并计算对应特征值； S3输入四类状态 特征值， 使用预先训练的模糊系统进行推断， 将 输出R映射为损伤等级， 集成所有建筑的评定结 果， 得到区域范围内建筑的破坏程度与空间分布 信息。 与现有技术相比， 本发明具有评定结果可 靠、 概念清晰、 可行性较高的优点， 可以在震后快 速准确获取区域建筑损伤情况， 为震后救援安置 工作提供依据。 权利要求书3页 说明书8页 附图5页 CN 115512247 A 2022.12.23 CN 115512247 A 1.一种基于 图像多参数提取的区域建筑损伤等级评定方法， 其特征在于， 包括以下步 骤： S1使用无 人机获取待评估区域建筑的图像数据； S2使用面向对象的图像分析、 归一化数字表面模型重建以及立面图像分类分析方法， 从步骤S1获取的无人机图像数据中提取震后建筑面积、 高度变化以及屋顶、 立面破损情况 四类建筑震 害参数并计算对应特 征值； S3将各单体建筑的四种特征值分别输入自适应模糊神经网络 中， 根据模糊规则与隶属 度函数， 计算输出、 并将输出映射为预先设定的损伤等级， 最终得到区域内不同损伤程度建 筑的分布情况。 2.根据权利要求1所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的步骤S1中建筑相关数据包括震前建筑高度、 面积信息以及震后采用无人 机倾斜摄影技术采集到的多视角图像。 3.根据权利要求1所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的步骤S2包括： S21拼接正射校正后的图像， 得到区域数字正射影像， 并采用面向对象的图像分析方 法， 对正射影像进 行多尺度分割和面向对象分类， 最 终按照跨尺度类别继承原则， 将之前分 类结果继承到最后一次分类结果中， 将地物划分为植被、 道路、 河流、 裸地和建筑五大类别， 其中建筑分为倒塌建筑和未倒塌建筑两类， 基于分类结果对屋顶纹理震害特征值的定义 为： S22基于地物分类结果构建矢量图形， 计算震后屋顶面积， 结合震前屋顶面积计算面积 变化率来衡量建筑物的震 害情况， 屋顶面积震 害特征值的定义 为： 其中， S1为灾前建筑物屋顶面积， S2为灾后建筑物的屋顶面积； S23采用逆向建模技术依据无人机图像计算区域数字表面模型， 并基于地物分类结果 选取区域数字表面模型中的地面点进 行插值得到数字地面模型， 将区域数字表面模型和数 字地面模型相减得到归一化数字表面模型， 从中批量提取震后建筑物高度， 结合震前建筑 高度计算高度变化 率来衡量建筑物的震 害情况， 高度变化震 害特征值的定义 为： 其中， H1为灾前建筑物高度， H2为灾后建筑物的高度； S24收集不同损伤程度的建筑图像作为训练集， 对轻量化CNN网络MobileNet  V2进行训 练， 利用训练好的CN N分类器， 对立面损伤程度进行评估， 结果表示 为立面纹理震害特征值：权　利　要　求　书 1/3 页 2 CN 115512247 A 24.根据权利要求1所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的步骤S2中采用面向对象的图像分析方法进行地物分类的具体过程包括： 步骤一， 针对不同的地物类型， 采用三类分割参数对步骤S1中获取 的无人机图像进行多尺 度分割， 获取一系 列具有光谱特征、 形状特征、 纹理特征的对象； 步骤二， 根据地物特征属性 选取分类对象特征， 在不同层次上建立分类规则， 形成面向对象 的两阶段分层分类法； 步骤 三， 将各个尺度上的分类结果按照跨尺度类别继承的原则汇总， 得到最终的分类结果。 5.根据权利要求4所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的三种分割参数包括： 尺度参数、 形状因子和紧致度因子 。 6.根据权利要求4所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的两阶段分层分类法具体为： 第一阶段针对区域内植被、 道路、 河流地物类 别， 采用特征阈值分类的方法将其逐层 掩膜提取出来； 第二阶段针对剩余的裸地、 未倒塌建 筑和倒塌建筑， 采用K最邻近分类的方法， 根据其在纹理和形状特征方面的规律性进 行分类 提取。 7.根据权利要求6所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的K最邻近分类方法选择长宽比、 亮度、 灰度共生矩阵同质性、 形状指数、 灰 度差异向量对比度和灰度共生矩阵熵作为特 征参数， 配置最邻近特 征空间。 8.根据权利要求1所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的步骤S3具体是以步骤S2中提取的屋顶纹理震害特征值、 屋顶面积震害特 征值、 高度变化震害 特征值和立面纹理震害 特征值四类状态特征值数据输入自适应模糊神 经网络， 根据自适应模糊神经网络的隶属度函数与模糊规则进 行推断， 将输出R映射为确定 的损伤等级， 最终得到区域内不同损伤程度建筑的分布情况： 9.根据权利要求1所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的步骤S3中隶属度函数与模糊规则的构建过程 为： S31收集屋顶 纹理震害特征值、 屋顶面积震害特征值、 高度变化震害特征值和立面纹理 震害特征值四类 状态特征值数据与相应的震 害等级， 作为模型训练数据集； S32在训练集上通过减法聚类的方法初步定义四类区域建筑震害特征值的隶属度模 型， 再在训练集上运用梯度反向传播算法对模型参数进行修正， 实现区域建筑震害等级的 评估模型的建立； S33采用BP算法和最小二乘法的混合学习算法， 同时结合先验知识和数据集对隶属度 函数的参数进行调整， 实现基于模糊规则的输入输出映射关系构建。 10.根据权利要求1所述的一种基于图像多参数提取的区域建筑损伤等级评定方法， 其 特征在于， 所述的步骤S1中无人机飞行高度、 航线布设、 航向重叠率、 旁向重叠率、 拍摄时相权　利　要　求　书 2/3 页 3 CN 115512247 A 3