一种遥感影像变化检测方法、电子设备及存储介质技术

本发明专利技术公开了一种遥感影像变化检测方法，其包括：获取遥感影像；将所述遥感影像输入预先生成的深度学习模型内，所述深度模型包括不规则影像对象深度特征提取和深度特征融合分类两个模块，深度特征提取模块由非监督的栈式降噪自动编码器预训练生成，深度特征融合分类模块由预训练的降噪自动编码器、级联层、全连层及逻辑回归层组成；接收所述深度学习模型生成的变化检测结果图；根据所述变换检测结果图输出检测结果；上述的学习模型在训练的过程中，无需使用大量的有标签的数据进行训练，因此降低了深度学习的人力和时间成本，并且上述深度学习模型能够保持不规则对象的边缘和形状信息，从而能够表达和描述不规则影像对象的深度特征。

【技术实现步骤摘要】
一种遥感影像变化检测方法、电子设备及存储介质
本专利技术涉及影像处理
，尤其涉及一种遥感影像变化检测方法、电子设备及存储介质。
技术介绍
遥感对地观测技术已成为土地利用/覆盖变化动态检测的重要手段。高分辨率遥感影像变化检测，是处理和分析不同时间所获取的覆盖同一地区的多幅遥感影像，实现地表地物变化情况的动态检测。目前检测的方式主要有像素级变化检测和面向对象变化检测两大类，由于像素级变化检测可以减少结果中的椒盐噪声和斑点噪声，使得面向对象变化检测得到了广泛的应用，但是面向对象变换检测的方式，自动化程度不高，仍面临特征选择和样本选取问题。为了解决面向对象检测方式中的不足，基于深度学习的高分辨率遥感影像变化检测成了目前研究的热点，但是由于现实世界中的地理对象是不规则的，因此深度学习无法直接表达和描述不规则影像深度特征；另外，深度学习的方法需要大量的样本进行模型训练，而在遥感影像处理中收集大量有标记的样本数据所需要的人力和时间成本较高，从而使得深度学习的人力和时间成本较高。
技术实现思路
本专利技术的主要目的在于本文档来自技高网...

【技术保护点】
1.一种遥感影像变化检测方法，其特征在于，包括：/n获取遥感影像；/n将所述遥感影像输入预先生成的深度学习模型内，所述深度模型由降噪自动编码器、级联层、全连层及逻辑回归层组成；/n接收所述深度学习模型生成的变化检测结果图；/n根据所述变换检测结果图输出检测结果。/n

【技术特征摘要】
1.一种遥感影像变化检测方法，其特征在于，包括：
获取遥感影像；
将所述遥感影像输入预先生成的深度学习模型内，所述深度模型由降噪自动编码器、级联层、全连层及逻辑回归层组成；
接收所述深度学习模型生成的变化检测结果图；
根据所述变换检测结果图输出检测结果。


2.根据权利要求1所述的遥感影像变化检测方法，其特征在于，
所述深度学习模型的生成方法如下：
获取各时相的遥感影像，所述各时相遥感影像包括第一时相遥感影像及第二时相遥感影像；
将各时相的所述遥感影像向量化，分别构成各时相的输入特征向量；
使用所述输入特征向量预训练栈式降噪自动编码器；
使用n个预训练的降噪自动编码器叠加，输入对象特征序列，构造第一时相及第二时相的不规则影像对象深度特征提取模型；
在所述不规则影像对象深度特征提取模型上依次叠加级联层、第一全连层、第二全连层及逻辑回归层，生成深度神经网络分类器；
对所述深度神经网络分类器输入样本数据进行训练，生成深度学习模型。


3.根据权利要求2所述的遥感影像变化检测方法，其特征在于，
所述对所述深度神经网络分类器输入样本数据进行训练，生成深度学习模型包括：
将各时相的所述遥感影像进行叠加，构成联合影像；
对所述联合影像进行分割，生成同质的影像对象；
获得所述影像对象每个像素的模糊隶属度；
根据所述模糊隶属度获取每个像素的模糊不确定性程度的数值，选取模糊不确定性程度的数值最小的m个像素为训练样本，将非训练样本的像素作为测试样本；
使用所述训练样本输入深度神经网络分类器，对深度神经网络分类器进行训练，生成深度学习模型。


4.根据权利要求3所述的遥感影像变化检测方法，其特征在于，
所述对所述联合影像进行分割，生成同质的影像对象包括：
使用分型网络演化算法或分水岭分割算法或均值漂移分割算法对所述联合影像进行分割，生成同质的影像对象。


5.根据权利要求3所述的遥感影像变化检测方法，其特征在于，
所述获得所述影像对象每个像素的模糊隶属度包括：
使用变化向量分析方法，计算所述影像对象的变化强度特征图；
使用对象及快速模糊聚类方法，并根据所述变化强度特征图对所述影像对象的每个像素进行初始聚类，获得每个像素的模糊隶属度，所述模糊隶属度的计算方式如下：



其中，J为目标函...

【专利技术属性】
技术研发人员：张效康，潘文安，
申请(专利权)人：香港中文大学深圳，
类型：发明
国别省市：广东;44