【技术实现步骤摘要】
一种高分辨率遥感图像变化检测方法、系统及装置
本专利技术适用于遥感图像领域，尤其是一种多时相高分辨率遥感图像变化检测的方法和系统。
技术介绍
变化检测技术利用遥感影像进行地球表面特征的分析与处理，能够直观、快速、真实地获取地球表面特征的变化。变化检测在大量的应用中有着至关重要的作用，包括土地覆盖变化检测、建筑物变化检测、植被变化检测、湿地监测等。现有的变化检测技术通常分为两类：基于传统方法的变化检测方法和基于深度学习的变化检测方法。根据研究对象的粒度不同，基于传统方法的变化检测方法可以分为两类：基于像素的变化检测方法和基于对象的变化检测方法。基于像素的变化检测方法通常孤立了进行单个像素点的分类，没有考虑到上下文信息，并且计算量较大不适用于高分图像。而基于对象的变化检测方法，通常需要对图像中的对象进行分割，然后进行前后图像对象的比较，这种方法依赖于对象的分割效果。基于传统方法的变化检测效果鲁棒性较差，对特定的遥感数据类型就需要特征的检测方法，并且检测精度相对较差。近几年，基于深度学习的变化检测方法开始得到发展。...
【技术保护点】
1.一种高分辨率遥感图像变化检测方法，其特征在于，包括：/n构建孪生神经网络模型，以Dice损失函数和交叉熵损失函数构成的联合损失函数作为该孪生神经网络模型的损失函数；/n选取已知高分辨率遥感图像构建数据集，通过该数据集对该孪生神经网络模型进行训练及评估，得到图像变化检测模型；/n以该图像变化检测模型对目标高分辨率遥感图像进行变化检测，得到该目标高分辨率遥感图像的变化区域的分割结果。/n
【技术特征摘要】
1.一种高分辨率遥感图像变化检测方法，其特征在于，包括：
构建孪生神经网络模型，以Dice损失函数和交叉熵损失函数构成的联合损失函数作为该孪生神经网络模型的损失函数；
选取已知高分辨率遥感图像构建数据集，通过该数据集对该孪生神经网络模型进行训练及评估，得到图像变化检测模型；
以该图像变化检测模型对目标高分辨率遥感图像进行变化检测，得到该目标高分辨率遥感图像的变化区域的分割结果。
2.如权利要求1所述的高分辨率遥感图像变化检测方法，其特征在于，该联合损失函数其中：
为Dice损失函数，为交叉熵损失函数，gci为该孪生神经网络模型检测的高分辨率遥感图像的像素点的类别标签，pci为该孪生神经网络模型检测的高分辨率遥感图像的像素点属于类别的概率，∈为避免的分母为0的平滑项，wc为的类别权重项，w'c为的类别权重项，λ为调整和对贡献的平衡因子。
3.如权利要求1所述的高分辨率遥感图像变化检测方法，其特征在于，该孪生神经网络模型包括编码器、解码器和分类器；
该编码器包括第一编码子网络和第二编码子网络，该第一编码子网络具有N个分支，并根据相邻分支的特征图传递划分为N个阶段，其中，第n分支在第n阶段将特征图分别传递给第n+1阶段所有的n+1个分支；该第二编码子网络与该第一编码子网络具有相同结构且共享权重；该第一编码子网络以第一时间图像作为初始特征图输入，并输出N个对应分支的第一输出特征图，该第二编码子网络以第二时间图像作为初始特征图输入，并输出N个对应分支的第二输出特征图；其中N、n为正整数，N≥1，n∈[1,N]；
该解码器包括第一采样子网络、第二采样子网络和整合子网络，该第一采样子网络包括第一整合单元和第一采样单元，该第一整合单元用于对所有该第一输出特征图进行整合，该第一采样单元用于对该第一整合单元的整合结果进行上采样；该第二采样子网络与该第一采样子网络具有相同结构且共享权重，包括第二整合单元和第二采样单元，该第二整合单元用于对所有该第二输出特征图进行整合，该第二采样单元用于对该第二整合单元的整合结果进行上采样；该整合子网络用于对该第一采样单元的采样结果和该第二采样单元的采样结果进行整合得到该解码器的输出；
该分类器通过sigmoid激活函数对该解码器的输出进行激活，并通过与分类阈值比较以获得该分割结果。
4.如权利要求3所述的高分辨率遥感图像变化检测方法，其特征在于，第n分支内传递的特征图分辨率保持不变，第n分支向第n+1,n+2,…,N分支传递的特征图分辨率则依次递减。
5.一种高分辨率遥感图像变化检测系统，其特征在于，包括：
模型构建模块，用于构建孪生神经网络模型，以Dice损失函数和交叉熵损失函数构成的联合损失函数作为该孪生神经网络模型的...
【专利技术属性】
技术研发人员：万晓华，曹召宾，张法，谭光明，刘新宇，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。