基于图像多参数提取的区域建筑损伤等级评定方法

1.本发明涉及土木建筑工程技术领域，尤其是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。

背景技术：

2.强烈地震往往会导致大量建筑倒塌，造成严重的人员伤亡和经济损失。因此在灾害发生早期，需要获取区域范围内建筑的破坏程度与空间分布信息，从而帮助救援人员及时准确地对重灾区进行定位，合理部署救援力量。目前，国际上较为通用的建筑损伤等级划分把建筑物损毁分为完好、轻微损毁、中度损毁、严重损毁和完全损毁五级，并通过文字和图形来对不同级别的震损建筑进行描述。限于早期评估的时效性需求，难以获取建筑内部信息，因此早期评估能够区分出轻中度损毁、严重损毁与完全损毁三种损伤等级即可。
3.相较于传统的人工踏勘，无人机摄影测量技术凭借其所得数据客观真实、机动性强且具有较强时效性的优势在区域建筑识别及大范围灾害信息获取中得到了较为广泛的应用。现有研究发现从影像中可提取出四种用于震损建筑评估的特征量：
4.建筑面积变化：建筑部分倒塌会导致建筑面积减少，因此该指标可以用于量化建筑破坏，指数值越大表示破坏越严重。计算各个建筑物的面积变化的一般流程为先进行图像分割，确定哪些像素属于建筑，进而统计出各个建筑的像素面积。
5.屋顶纹理：建筑物的倒塌部分变成废墟，非倒塌部分顶部表面也会分布有许多裂缝，均导致屋顶纹理不均匀。通过将不同的损伤程度与相应的纹理不均匀性相关联，可以将震害评估问题转化为图像分类问题。边缘、梯度分布、局部边缘图案、局部二值图案、灰度共生矩阵等人工特征可以作为描述子来量化纹理的复杂程度。一些研究还指出，可以通过机器学习方法从数据集中学习更稳健的特征，并略微提高分类精度。
6.立面状况：立面状况也是评估整体建筑物损坏的一个重要依据，因为某些倒塌模式只会在建筑物立面上产生外观变化而顶面保持完整，例如层叠式倒塌。由于立面图像是从不同角度、不同距离拍摄的，背景信息极为复杂，因此大多数研究采用深度学习方法，如resnet和vgg16，直接对整个图像进行分类。
7.建筑高度变化：倒塌会引起建筑物高度的变化，该变化可以通过测量地震前后阴影的长度来估计。而当光照条件不足以产生阴影时，也可以通过计算震前和震后的数字表面模型之间的差异来获取高度变化。
8.现有方法往往仅根据上述震害信息中的一种进行损伤评级，经过检索中国专利cn110580443a，该发明提供了一种低空近实时建筑震害评估方法，该方法包括相关数据准备、建筑图像分割和基于cnn模型进行震害评估等步骤，该方法期望为区域建筑震害的快速评估与应急救援提供参考。随着该图片分割方法在实际地震中的不断应用，将获得越来越多的建筑损伤图片，从而显著扩充用于训练cnn分类器的图片库，最终提升cnn分类器的预测精度与可靠性。但这类单因素区域建筑损伤等级评定方法容易因信息不全面产生误判，例如当建筑部分倒塌时，根据不同方位的建筑立面图像进行损伤评估会得到截然相反的结
果；除此之外，卷积神经网络等影像分析方法也并不能保证结果的绝对准确，导致用于损伤评估的特征量同样存在误差。两者的共同作用致使现有的区域震害评估精度有限。然而，当前尚缺乏依据含噪声震害信息组合进行损伤评估的方法，难以实现区域建筑震害的精确评估。

技术实现要素：

9.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图像多参数提取的区域建筑损伤等级评定方法，可依据全面、模糊化的震害信息给出评价，避免因信息不全面与影像分析结果错误导致错判。
10.本发明的目的可以通过以下技术方案来实现：
11.一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：
12.s1使用无人机获取待评估区域建筑的图像数据；
13.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；
14.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。
15.进一步地，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。
16.进一步地，所述的步骤s2包括：
17.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：
[0018][0019]
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：
[0020][0021]
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；
[0022]
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，从中可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：
[0023][0024]
其中，h1为灾前建筑物高度，h2为灾后建筑物的高度；
[0025]
s24收集不同损伤程度的建筑图像作为输入对轻量化cnn网络mobilenet v2进行训练，利用训练好的cnn分类器，对立面损伤程度进行评估，结果可表示为立面纹理震害特征值，定义为：
[0026][0027]
进一步地，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。
[0028]
进一步地，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。
[0029]
进一步地，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。
[0030]
进一步地，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。
[0031]
进一步地，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。
[0032][0033]
进一步地，所述的步骤s3中隶属度函数与模糊规则的构建过程为：
[0034]
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；
[0035]
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；
[0036]
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。
[0037]
进一步地，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、拍摄时相机镜头与地面夹角参考《数字航空摄影测量空中三角测量规范》(gb/t23236-2009)中的规定确定。
[0038]
与现有技术相比，本发明具有以下有益效果：
[0039]
1.本发明采用面向对象的图像分析，从无人机图像中提取单体建筑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以及立面纹理震害特征值，综合考虑了震后区域内建筑屋顶、立面以及高度信息，有效解决了基于单一技术手段进行区域震害评估的不足，避免信息不全面导致的建筑损坏程度误判。
[0040]
2.本发明通过对单体建筑的四类形态特征分别进行评估，从建筑是否倒塌、屋顶面积变化率、建筑高度变化率以及立面损伤程度四个方面判断建筑震害情况，提供的方法在满足较高评估精度的同时，提高了建筑震害分级的细致程度，概念清晰，计算方法可靠，具有较高的工程应用价值。
附图说明
[0041]
图1为基于图像多参数提取的区域建筑损伤等级评定方法的示意图；
[0042]
图2为区域数字正射影像多尺度分割算法的示意图；
[0043]
图3为区域数字正射影像面向对象分类算法的示意图；
[0044]
图4为归一化数字表面模型的计算原理图；
[0045]
图5为立面图像分级采用的cnn网络架构示意图；
[0046]
图6为多因素损伤等级模糊评定模型的示意图；
[0047]
图7为北川地震遗址区域数字正射影像的语义分割结果图；
[0048]
图8为北川地震遗址的三类数字高程模型图；
[0049]
图9为人工判断的北川地震遗址震害分布图；
[0050]
图10为模型输出的北川地震遗址震害预测结果图。
[0051]
图中标识：
[0052]
面向对象的图像分析(obia)、区域数字正射影像(dom)、区域数字表面模型(dsm)、数字地面模型(dtm)、归一化数字表面模型(ndsm)、自适应模糊神经网络(anfis)。
具体实施方式
[0053]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0054]
如图1所示为基于图像多参数提取的区域建筑损伤等级评定方法的示意图，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：
[0055]
s1使用无人机获取待评估区域建筑的相关数据；
[0056]
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；无人机飞行高度、航线布设、航向重叠率、旁向重叠率、拍摄时相机镜头
与地面夹角参考《数字航空摄影测量空中三角测量规范》(gb/t23236-2009)中的规定确定。
[0057]
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；
[0058]
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：
[0059][0060]
s22基于地物分类结果计算震后屋顶面积，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：
[0061][0062]
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；
[0063]
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，从中可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：
[0064][0065]
其中，h1为灾前建筑物高度，h2为灾后建筑物的高度；
[0066]
s24收集不同损伤程度的建筑图像作为输入对轻量化cnn网络mobilenet v2进行训练，利用训练好的cnn分类器，对立面损伤程度进行评估，结果可表示为立面纹理震害特征值，定义为：
[0067][0068]
s3将四种特征值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。
[0069]
以步骤s2中提取的四类状态特征值c＝{c
roof
，c
area
，c
facade
，c
height
}作为自适应模糊神经网络输入，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。
[0070][0071]
本实施例应用上述技术方案，针对北川地震灾难遗址区，进行建筑损伤等级评定，遗址区采用了整体原址原貌地震场景保护，区域内存在大量震损程度不一的建筑，总面积达1.2km2，域内建筑进行损伤评估，包括以下步骤：
[0072]
s1使用无人机获取待评估区域建筑的相关数据；
[0073]
结合目标地面分辨率要求，目标区域内建筑物高度以及周边地理环境确定无人机飞行高度为50米，航线布设为东西方向，航向重叠率为75％，旁向重叠率为75％，拍摄时相机镜头与地面夹角为45度，镜头焦距固定为3.6mm。实验采用单架次无人机拍摄不同倾斜角度目标区域无人机影像共计1368幅，总计用时2h，实现了全目标区域的全覆盖影像采集，其次还通过设计资料获取建筑震前基本信息。
[0074]
s2采用面向对象的图像分析从无人机图像中提取所有建筑的四类状态特征值数据震害参数并计算对应特征值；
[0075]
面向对象的图像分析针对不同的地物类型，采用尺度参数、形状因子和紧致度因子三种分割参数进行分割，获取一系列具有光谱特征、形状特征、纹理特征的对象，获取对象特征之后再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，将各个地物类别的分类结果通过分类继承的方法汇总，得到最终的分类结果，所述的两阶段分层分类法具体为：第一阶段针对区域内具有明显光谱特征和形状特征的植被、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。
[0076]
s21倾斜影像进行正射校正与拼接，得到区域数字正射影像，而后采取多层次分割的方法，对于不同的地物类型，采用不同的多尺度分割参数进行交叉分割，参数取值为表1中的建议值：
[0077]
表1多尺度分割参数建议取值
[0078][0079]
如图3所示，在分类的第一阶段，采用表2中列举的规则将区域内的植被、道路、河流逐层掩膜提取出来；分类的第二阶段针对剩余的裸地、未倒塌建筑和倒塌建筑，通过对正射图像进行分析，发现未倒塌建筑的基本特点是形状规则，长宽比较为固定，且顶部灰度分布较为均匀，而倒塌建筑物顶部几何形状不规则，顶部纹理不均匀，边缘轮廓较为模糊，裸
地与倒塌建筑物在无人机影像中相似度较高，都具有灰度分布不均的特点，但裸地整体亮度偏暗，且轮廓边缘破碎，因此选择长宽比、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，从而根据训练样本特征数据生成多维的隶属度函数，实现基于多特征的自动分类，最后，利用类别继承算法，将之前各个影像层上分类结果继承到最后一次分类结果中，通过参数调整，对最邻近分类结果进行优化，面向对象的最终分类结果如图7所示，将分类结果转化为屋顶纹理特征值c
roof
；
[0080]
表2特征阈值分类规则集
[0081][0082]
s22本实例中，将分割后的区域数字正射影像导入arcgis中构建矢量图形，实现自动计算震后房屋的屋顶面积，结合相应建筑的震前面积计算建筑面积变化特征值c
area
；
[0083]
s23本实例利用专业摄影测量软件agisoft photoscan对无人机获取的倾斜影像进行影像间特征点的提取与匹配、空中三角测量、多视影像密集匹配以及点云模型构建，最终通过对密集点云进行网格化处理得到区域数字表面模型，而后将区域数字表面模型导入arcgis中，通过地形表面点内插计算得到数字地面模型，最后将区域数字表面模型与数字地面模型数据作差，即可得到区域归一化数字表面模型三种高程模型，如图7所示，依据区域归一化数字表面模型可批量计算震后建筑高度，结合震前建筑高度算得建筑高度变化特征值c
height
；
[0084]
s24采用来自reer hub的phi数据集训练cnn分类器，并通过颜变化、几何变换以及模糊处理等方式来扩充训练样本，从而增强模型的鲁棒性，本实例将数据集划分为80％训练集和20％测试集，模型的训练、验证和测试过程均在google的tensorflow1.8.0平台上进行，由于数据量较小，因此训练迭代次数设置为30，单次训练样本数设为16，学习率设为0.001，在训练迭代到19次左右时，分类准确率开始接近收敛并最终趋于平稳，最后达到97.6％，满足精度要求，将北川震后建筑影像输入训练好的模型中，可获得各单体建筑的立面评级，进一步转换为立面状况特征值c
facade
；
[0085]
s3输入四类状态特征值，将输出r映射为损伤等级，得到区域内不同损伤程度建筑的分布情况。
[0086]
s31收集典型建筑与废墟的震害特征值与相应的震害等级，作为模型训练数据集，将收集的北川地震遗址中建筑屋顶纹理、屋顶面积、立面纹理、建筑高程155组特征值数据按照80％、20％的比例随机划分为训练集和检验集；
[0087]
s32采用减法聚类的方法初始化模糊系统，如图4所示，通过减法聚类初步定义四类区域建筑震害特征值的隶属度模型，然后在训练集上运用梯度反向传播算法对模型参数进行修正，训练达到500次迭代，最终实现区域建筑震害等级的评估模型的建立；
[0088]
s33将测试集的多种特征量输入模糊推断系统中，根据模糊规则与隶属度函数计算输出并将输出映射确定为损伤等级，最终得到区域内不同损伤程度建筑的分布情况，图9和图10对比了人工评判结果与模型输出，结果具有较高一致性。
[0089]
进一步地，对本发明模型的评估结果进行误差分析。由表3可知，结果表明测试集的实际震害等级和模型预测震害等级基本保持一致，预测正确率达到87.10％，kappa系数为0.8，说明本发明提供的区域震害评估模型具有较高的可靠性和适用性。
[0090]
表1测试数据震害分级结果精度分析表
[0091][0092]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：

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cnn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：
4.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
机镜头与地面夹角参考《数字航空摄影测量空中三角测量规范》(gb/t23236-2009)中的规定确定。

技术总结

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。工作提供依据。工作提供依据。