【技术实现步骤摘要】
一种基于深度学习的遥感影像变化检测方法
本专利技术属于遥感影像变化检测领域，尤其是一种基于深度学习的遥感影像变化检测方法。
技术介绍
变化检测是通过对地物进行多次观测从而识别其状态变化的过程，自动和半自动的多时相遥感影像变化检测技术已经广泛应用于土地资源调查、城市建筑规划、生态系统监测以及军事侦察等领域。随着高分辩遥感影像资源日益丰富，硬件计算处理能力的大幅提升，通过计算机实现海量遥感数据的快速、准确的变化检测成为研究热点。传统的变化检测方法主要遵循以下步骤：(1)预处理，通过预处理方法，如影像配准、辐射校正等方法实现数据的匹配；(2)采用影像代数法、主成分分析等方法进行变化检测；(3)以二类k均值算法、EM阈值分割方法等算法实现变化检测结果的分割。在图像识别领域，深度神经网络尤其是卷积神经网络相较于传统的机器学习算法，无需手动实现特征工程，其网络结构中的浅层网络学习影像目标的轮廓、纹理、边缘等信息，深层的网络学习目标的高级语义信息，从而实现对象级变化检测精度，具备较强的抗干扰能力。然而，深度神经网络属于监督分类，尤...
【技术保护点】
1.一种基于深度学习的遥感影像变化检测方法，将UNet++作为网络结构基础，采用UNet的encoder-decode结构，以全尺度的跳跃连接把来自不同尺度特征图中的高级语义与低级语义结合，混合损失函数能够有效结合多尺度特征图的多精度表示，实现多尺度聚合的特征图的深度监督学习，显著提高变化类型检测的精度,包括以下步骤：/n步骤1)图像预处理：对多源遥感影像进行图像预处理，主要包括影像配准、辐射校正和色彩校正；/n步骤2)构建变化检测网络模型：基于UNet++网络，构建遥感影像的变化检测网络；/n步骤3)变化检测网络模型训练：以滑动窗口裁取固定大小的标记样本，在通道方向上进行...
【技术特征摘要】
1.一种基于深度学习的遥感影像变化检测方法，将UNet++作为网络结构基础，采用UNet的encoder-decode结构，以全尺度的跳跃连接把来自不同尺度特征图中的高级语义与低级语义结合，混合损失函数能够有效结合多尺度特征图的多精度表示，实现多尺度聚合的特征图的深度监督学习，显著提高变化类型检测的精度,包括以下步骤：
步骤1)图像预处理：对多源遥感影像进行图像预处理，主要包括影像配准、辐射校正和色彩校正；
步骤2)构建变化检测网络模型：基于UNet++网络，构建遥感影像的变化检测网络；
步骤3)变化检测网络模型训练：以滑动窗口裁取固定大小的标记样本，在通道方向上进行连接后作为训练数据进行网络模型的训练；
步骤4)形态学运算：使用形态学运算优化变化检测结果，将像素数较少的区域删除，聚合邻近的变化区域；
步骤5)区域地物类型辅助筛选：基于地物类型区域数据，辅助筛选特定种类的地物变化检测结果。
2.根据权利要求1所述基于深度学习的遥感影像变化检测方法，步骤1)包括，图像预处理阶段主要完成影像配准、辐射校正与色彩校正,影像配准是为了保证多时相遥感中同一像素对应同一地理位置坐标，通常使用手工地理配准或SIFT特征匹配、局部配准适应等算法进行配准误差校正,辐射校正是减少由于多时相遥感影像获取时间不同，受到太阳角度、大气条件等外界成像因素差异造成的同一地物表现为不同的光谱特征而产生的误差，主要方式有将影像DN值转化为地表反射率的绝对辐射校正和将目标影像辐射值同参考影像辐射值进行匹配的相对辐射校正,色彩校正包括根据对整体范围划分的子区域，收集覆盖各个子区域各个季节通过传感器所得的影像按照传感器、分辨率和时相信息分组，对相邻色彩存在差异的影像进行色彩匹配调整。
3.根据权利要求1所述基于深度学习的遥感影像变化检测方法，步骤2)包括，如图2所示，整个模型由标准卷积单元、上采样、下采样、跳跃连接、Sigmoid、通道串联等结构组成，该网络模型深度为4,对应于每一个深度的卷积都产生了相应的特征图，并通过跳跃连接使得深层的网络特征能够感知浅层网络特征，对每一个深度产生的特征图连接一个Sigmoid单元，使得特征图的值分布在0-1之间,使用针对多尺度特征图混合损失函数，保证训练过程中的损失能够方向传播至浅层的网络层,最后将各个深度得到的sigmoid特征图串联后进行1x1卷积运算，得到最终的变化检测结果；构建标准卷积单元，依次由卷积层、BN(BatchNormalization)层、卷积层、BN层构成；卷积核的大小统一为3x3，添加padding使得卷积前后的特征图大小保持一致，使用ReLU激活函数，该激活...
【专利技术属性】
技术研发人员：牛玉刚，赵辉，刁海，
申请(专利权)人：北京国遥新天地信息技术有限公司，
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。