基于图匹配模型的低配准精度下遥感图像变化检测方法技术

本发明专利技术公开了一种基于图匹配模型的低配准精度下遥感图像变化检测方法。该方法首先用多尺度自适应卷积的遥感图像语义分割模型进行建筑物分割，得到同一地区不同时相的分割结果，即二值图像；为了解决多个不同建筑物分割后区域相连的问题，采用基于实例分割方法的斑块提取，从而区分不同的斑块，得到不同时相的多个建筑物对应的区域；接下来根据斑块对应的位置信息和其他特征，进行基于图匹配模型的斑块匹配；最后根据匹配的信息，提取对应的变化信息。本发明专利技术是针对低配准精度下的不同时相的遥感图像，实现其高精度的变化检测。本发明专利技术提出的变化检测方案不依赖于精确的图像预处理，尤其是图像的校正和配准，降低了对图像校正和配准的需求。

【技术实现步骤摘要】
基于图匹配模型的低配准精度下遥感图像变化检测方法
本专利技术属于图像处理
，具体涉及一种遥感图像变化检测方法。
技术介绍
对于遥感图像变化检测问题，专利“一种基于卷积神经网络的遥感影像建筑物变化检测方法，CN110136170A”公开了一种基于深度学习的遥感图像变化检测方法。此专利采用深度学习网络模型对收集的各类样本进行学习，训练并构建语义分割模型，得到分割的二值图，进而得出变换检测的结果。专利所述方法只是在建筑物分割方面设计了新的模型，但并没有解决变换检测对图像预处理的依赖，尤其是图像的矫正和配准。设计的分割模型也只是MaskRCNN版本的一些变形，没有从根本上解决遥感图像尺度变化剧烈的问题。在低配准精度下，此专利很难做到高精度的变换检测。因此仅适用于高配准精度下的变换检测且图像尺度变换不是特别剧烈的场景，实用性不强。目前基于深度学习的语义分割方法，在多尺度分析和语义上下文建模方面已取得较大进展，分割精度得到较大提升。然而，不同于一般图像的语义分割任务，遥感图像中需要被分割的对象尺度变化更加剧烈，既有山川河流等大尺度的对象，又有本文档来自技高网...

【技术保护点】
1.一种基于图匹配模型的低配准精度下遥感图像变化检测方法，其特征在于，包括以下步骤：/n步骤1：构建语义分割网络进行遥感图像语义分割；/n步骤1-1：对遥感图像进行数据增强；/n步骤1-2：将经过数据增强的遥感图像输入ResNet50的backbone网络部分，输出得到中间特征图；/n步骤1-3：将中间特征图依次输入动态多尺度自适应模块、BatchNorm2D和激活函数ReLU，再用stride为2的反卷积进行上采样操作；/n步骤1-4：重复步骤1-3，直到输出图像特征维数和原始图像的维数相同；/n步骤1-5：再对步骤1-4得到的结果进行softmax操作归一化；/n步骤1-6：然后将步骤1-...

【技术特征摘要】
1.一种基于图匹配模型的低配准精度下遥感图像变化检测方法，其特征在于，包括以下步骤：
步骤1：构建语义分割网络进行遥感图像语义分割；
步骤1-1：对遥感图像进行数据增强；
步骤1-2：将经过数据增强的遥感图像输入ResNet50的backbone网络部分，输出得到中间特征图；
步骤1-3：将中间特征图依次输入动态多尺度自适应模块、BatchNorm2D和激活函数ReLU，再用stride为2的反卷积进行上采样操作；
步骤1-4：重复步骤1-3，直到输出图像特征维数和原始图像的维数相同；
步骤1-5：再对步骤1-4得到的结果进行softmax操作归一化；
步骤1-6：然后将步骤1-5完成softmax操作归一化的结果和地面真值groundtrurh做交叉熵损失函数，如式(1)，采用交叉熵损失函数对步骤1-2到步骤1-5组成的语义分割网络进行训练；



式中L代表交叉熵损失，N表示一个batch中的图像数量，yi表示样本图像的标签，yi＝0为负类，yi＝1为正类，pi表示样本预测为正类的概率；
步骤1-7：训练完成的语义分割网络即可进行遥感图像语义分割；
步骤2：在步骤1训练完成的语义分割网络中ResNet50的backbone网络部分后面增加目标检测网络，进行斑块提取，得到遥感图像中所有斑块的位置信息；
步骤3：基于图匹配模型的斑块匹配；
步骤3-1：对经过步骤1和步骤2处理后的图像通过ResNet50的backbone部分获得斑块的图像特征；
步骤3-2：提取步骤3-1得到的斑块图像特征的前G个通道作为斑块最终特征；
步骤3-3：对于同一地区两张不同时期的遥感图像A和B，分别获取A和B两幅遥感图像中斑块的位置信息和斑块最终特征；
步骤3...

【专利技术属性】
技术研发人员：王鹏，王洋，张林江，王云龙，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61