遥感图像变化检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种遥感图像变化检测、装置、计算机设备和存储介质。所述方法包括：获取双时间遥感图像，并进行标注，得到训练样本；构建遥感图像变化检测网络；该网络包括两条由结构和参数均相同的残差网络和SAM模块组成的特征提取支路，由4个Transformer模块组成的多尺度的注意特征模块，以及输出网络；利用训练样本对该网络进行训练，并采用训练好的遥感图像变化检测网络对待测双时间遥感图像进行检测，得到遥感图像变化检测结果。SAM模块可更好的获取像素跟像素之间的关系，在图像的每个多尺度子区域引入Transformer，可捕获不同尺度上的特征信息。采用本方法可提高遥感图像变化检测的计算效率和检测准确率。的计算效率和检测准确率。的计算效率和检测准确率。

【技术实现步骤摘要】
遥感图像变化检测方法、装置、计算机设备和存储介质


[0001]本申请涉及图像识别
，特别是涉及一种遥感图像变化检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]现在的变化检测方法利用深度卷积强大的判别能力取得了显著的成功。然而，由于场景中物体的复杂性，高分辨率遥感图像变化检测方法仍然具有挑战性。具有相同语义概念的物体在不同的时间和空间位置上表现出不同的光谱特征。最近使用纯卷积作为网络结构仍在努力将时空中的长程概念联系起来。非局部的自我注意方法通过模拟像素间的密集关系表现出良好的性能，但计算效率较低，变化检测准确率不高。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种遥感图像变化检测方法、装置、计算机设备和存储介质。
[0004]一种遥感图像变化检测方法，所述方法包括：获取双时间遥感图像，并对所述双时间遥感图像进行标注，得到训练样本。
[0005]构建遥感图像变化检测网络；所述遥感图像变化检测网络包括两条由结构和参数均相同的残差网络和空间注意力模块组成的特征提取支路、由4个Transformer模块组成的多尺度的注意特征模块，以及输出网络；特征提取支路用于通过残差网络提取训练样本的特征，然后经过空间注意力模块，并将得到的拥有空间注意力的特征图通过卷积和下采样操作得到四份不同尺度的特征图；多尺度的注意特征模块用于将所述四份不同尺度的特征图输入到对应的Transformer模块中得到四份不同尺度的输出特征图，并对输出特征图采用上采样和合并操作，得到两幅双时间特征图；输出网络用于对两幅双时间特征图的差异特征图进行卷积和上采样操作，得到训练样本的变化检测预测结果图；利用训练样本的标注和将训练样本输入到遥感图像变化检测网络得到的训练样本的变化检测预测结果图对遥感图像变化检测网络进行训练，得到训练好的遥感图像变化检测网络。
[0006]采用训练好的遥感图像变化检测网络对待测双时间遥感图像进行检测，得到遥感图像变化检测结果。
[0007]一种遥感图像变化检测装置，所述装置包括：双时间遥感图像获取模块，用于获取双时间遥感图像，并对所述双时间遥感图像进行标注，得到训练样本。
[0008]遥感图像变化检测网络构建模块，用于构建遥感图像变化检测网络；所述遥感图像变化检测网络包括两条由结构和参数均相同的残差网络和空间注意力模块组成的特征提取支路、由4个Transformer模块组成的多尺度的注意特征模块，以及输出网络；特征提取支路用于通过残差网络提取训练样本的特征，然后经过空间注意力模块，并将得到的拥有
空间注意力的特征图通过卷积和下采样操作得到四份不同尺度的特征图；多尺度的注意特征模块用于将所述四份不同尺度的特征图输入到对应的Transformer模块中得到四份不同尺度的输出特征图，并对输出特征图采用上采样和合并操作，得到两幅双时间特征图；输出网络用于对两幅双时间特征图的差异特征图进行卷积和上采样操作，得到训练样本的变化检测预测结果图；遥感图像变化检测网络训练模块，用于利用训练样本的标注和将训练样本输入到遥感图像变化检测网络得到的训练样本的变化检测预测结果图对遥感图像变化检测网络进行训练，得到训练好的遥感图像变化检测网络。
[0009]遥感图像变化检测模块，用于采用训练好的遥感图像变化检测网络对待测双时间遥感图像进行检测，得到遥感图像变化检测结果。
[0010]上述遥感图像变化检测方法、装置、计算机设备和存储介质，所述方法包括：获取双时间遥感图像，并对其进行标注，得到训练样本；构建遥感图像变化检测网络；该网络包括两条由结构和参数均相同的残差网络和空间注意力模块组成的特征提取支路、由4个Transformer模块组成的多尺度的注意特征模块，以及输出网络；利用训练样本对遥感图像变化检测网络进行训练，得到训练好的遥感图像变化检测网络；采用训练好的遥感图像变化检测网络对待测双时间遥感图像进行检测，得到遥感图像变化检测结果。空间注意力模块可以更好的获取像素跟像素之间的关系，将图像划分为多尺度子区域，并在每个子区域引入Transformer，可以捕获不同尺度上的特征信息，从而生成更好的表示来适应不同大小的变化对象。采用本方法可提高遥感图像变化检测的计算效率和检测准确率。
附图说明
[0011]图1为一个实施例中遥感图像变化检测方法的流程示意图；图2为一个实施例中遥感图像变化检测网络结构图，其中（a）为遥感图像变化检测网络总体结构图，（b）为SAM模块结构图，（c）为Transformer模块结构图；图3为一个实施例中Transformer模块的编码器和解码器结构图，其中（a）为编码器，（b）为解码器；图4为另一个实施例中实验数据部分实例，其中（a）为第一时间遥感图像，（b）为第二时间遥感图像，（c）为标签；图5为一个实施例中遥感图像变化检测装置的结构框图；图6为一个实施例中计算机设备的内部结构图。
具体实施方式
[0012]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0013]遥感图像变化检测网络的英文简称为：MSTNet。
[0014]在一个实施例中，如图1所示，提供了一种遥感图像变化检测方法，该方法包括以下步骤：步骤100：获取双时间遥感图像，并对双时间遥感图像进行标注，得到训练样本。
[0015]双时间遥感图像是在不同时间对同一地方拍摄的遥感图像。
[0016]步骤102：构建遥感图像变化检测网络。
[0017]遥感图像变化检测网络包括两条由结构和参数均相同的残差网络和空间注意力模块组成的特征提取支路、由4个Transformer模块组成的多尺度的注意特征模块，以及输出网络。遥感图像变化检测网络的结构图如图2所示，其中（a）为遥感图像变化检测网络总体结构图，（b）为SAM模块结构图，（c）为Transformer模块结构图；图中SAM模块为空间注意力模块。
[0018]特征提取支路用于通过残差网络提取训练样本的特征，然后经过空间注意力模块，并将得到的拥有空间注意力的特征图通过卷积和下采样操作得到四份不同尺度的特征图。
[0019]多尺度的注意特征模块用于将所述四份不同尺度的特征图输入到对应的Transformer模块中得到四份不同尺度的输出特征图，并对输出特征图采用上采样和合并操作，得到两幅双时间特征图。
[0020]多尺度的注意特征模块是由四个Transformer模块组成，目的是为了获得多尺度的信息。多尺度的注意特征模块通过聚合多尺度的Transformer来增强识别细节的能力。多尺度的注意特征模块通过整合不同尺度的Transformer，生成多尺度的注意特征。多尺度的注意特征模块有四个分支，每个分支将特征张量平均划分为若干个具有一定规模的子区域。在每个分支中，多尺度的注意特征模块将Transformer应用于每个子区域的像素，以获得该尺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像变化检测方法，其特征在于，所述方法包括：获取双时间遥感图像，并对所述双时间遥感图像进行标注，得到训练样本；构建遥感图像变化检测网络；所述遥感图像变化检测网络包括两条由结构和参数均相同的残差网络和空间注意力模块组成的特征提取支路、由4个Transformer模块组成的多尺度的注意特征模块，以及输出网络；特征提取支路用于通过残差网络提取训练样本的特征，然后经过空间注意力模块，并将得到的拥有空间注意力的特征图通过卷积和下采样操作得到四份不同尺度的特征图；多尺度的注意特征模块用于将所述四份不同尺度的特征图输入到对应的Transformer模块中得到四份不同尺度的输出特征图，并对输出特征图采用上采样和合并操作，得到两幅双时间特征图；输出网络用于对两幅双时间特征图的差异特征图进行卷积和上采样操作，得到训练样本的变化检测预测结果图；利用训练样本的标注和将训练样本输入到遥感图像变化检测网络得到的训练样本的变化检测预测结果图对遥感图像变化检测网络进行训练，得到训练好的遥感图像变化检测网络；采用训练好的遥感图像变化检测网络对待测双时间遥感图像进行检测，得到遥感图像变化检测结果。2.根据权利要求1所述的方法，其特征在于，训练样本包括第一时间遥感图像训练样本和第二时间遥感图像训练样本；利用训练样本的标注和将训练样本输入到遥感图像变化检测网络得到的训练样本的变化检测预测结果图对遥感图像变化检测网络进行训练，得到训练好的遥感图像变化检测网络，包括：将所述第一时间遥感图像训练样本和所述第二时间遥感图像训练样本分别输入到两条特征提取支路中，得到第一空间注意力特征和第二空间注意力特征；将所述第一空间注意力特征和第二空间注意力特征分别进行卷积和下采样操作，得到第一多尺度特征图和第二多尺度特征图；所述第一多尺度特征图和所述第二多尺度特征图均包括四份不同尺度的特征图；将所述第一多尺度特征图和所述第二多尺度特征图输入到多尺度的注意特征模块中，得到两幅时间特征图；将两幅时间特征图输入到所述输出网络中，得到变化检测预测结果图；根据所述变化检测预测结果图和训练样本的标注对遥感图像变化检测网络进行反向训练，得到训练好的遥感图像变化检测网络。3.根据权利要求2所述的方法，其特征在于，将所述第一时间遥感图像训练样本和所述第二时间遥感图像训练样本分别输入到两条特征提取支路中，得到第一空间注意力特征和第二空间注意力特征，包括：将所述第一时间遥感图像训练样本输入到第一条特征提取支路的残差网络中，得到第一特征图；将所述第一特征图输入到第一条特征提取支路的空间注意力模块中，得到第一空间注意力特征；将所述将第二时间遥感图像训练样本输入到第二条特征提取支路的残差网络中，得到第二特征图；
将所述第二特征图输入到第二条特征提取支路的空间注意力模块中，得到第二空间注意力特征。4.根据权利要求3所述的方法，其特征在于，所述空间注意力模块包括3个具有相同结构的卷积层；将所述第一特征图输入到第一条特征提取支路的空间注意力模块中，得到第一空间注意力特征，包括：将所述第一特征图输入到空间注意力模块的3个具有相同结构的卷积层中，得到3个新特征图；将第一个新特征图进行形变和转置操作后与经过形变操作的第二个新特征图相乘后通过Softmax函数激活，得到注意力特征图；将第三个新特征图进行形变操作后与注意力特征图相乘后与所述第一特征图加和，得到第一空间注意力特征。5.根据权利要求2所述的方法，其特征在于，Transformer模块包括两个语义标记器、一个编码器和两个解码器；两幅时间特征图包括第一时间特征图和第二时间特征图；将所述第一多尺度特征图和所述第二多尺度特征图输入到多尺度的注意特征模块中，得到两幅时间特征图，包括：将所述第一多尺度特征图和所述第二多尺度特征图中尺寸相同的子特征图作为一组，得到4组不同尺度的子特征图，每组特征图包括第一多尺度特征图的子特征图和第二多尺度特征图的子特征图；将第一组子特征图的两个特征图分别输入到第一个Transfor...

【专利技术属性】
技术研发人员：王威，谭新爱，王新，刘冠群，王峰，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：