一种遥感影像变化检测方法技术

本发明专利技术属于遥感影像变化检测技术领域，具体涉及一种遥感影像变化检测方法。该方法首先获取2个不同时相的遥感影像，然后输入至遥感影像变化检测模型中，得到与原始遥感影像相对应的变化检测结果；其中，遥感影像变化检测模型包括特征提取模块和嵌套U

【技术实现步骤摘要】
一种遥感影像变化检测方法


[0001]本专利技术属于遥感影像变化检测
，具体涉及一种遥感影像变化检测方法。

技术介绍

[0002]高分辨率遥感影像变化检测在土地利用调查、地理空间数据更新、灾情监测与评估等方面有着广泛的应用，也是遥感影像处理与分析中的重要研究内容之一。对于配准后的双时相遥感影像而言，变化检测的目的是区分对应像素对是否发生变化，通常情况下，发生变化的区域用1来标识，未发生变化的区域用0来标识。遥感影像变化检测方法大致可以分为4种，分别是直接像素比较法、面向对象的影像分析方法、基于机器学习的方法以及最新的基于深度学习的方法。通过逐像素的分析比较来判断对应位置的像素是否发生变化是最为朴素的变化思想，这方面的代表性工作有直接比较法和基于图像变换的方法。面向对象的变化检测方法不直接分析像素，而是将空间邻近且光谱相似的对象作为基本处理单元。相比于直接比较分析像素的方法，面向对象的变化检测方法具有更好的检测效果，但如何确定对象的最优尺度一直是亟待解决的问题。
[0003]近年来随着计算能力和数据获取能力的不断提升，基于学习的变化检测方法极大地提高了变化检测的精度。早期，以支持向量机、随机森林等为代表的浅层模型被广泛地应用在遥感影像变化检测任务中。但是不同时相遥感影像成像条件的不同会导致真正的变化区域混淆在背景中难以识别，这就会导致直接应用这些浅层模型检测效果往往不够理想。因此，这些浅层模型往往需要人工设计复杂的特征提取规则来保证对变化的检测效果，典型的特征提取方法有纹理特征、统计特征和空间结构特征。但是人工设计特征提取规则往往依赖专家知识，且需要根据不同的数据设置众多的超参数来保证检测效果。
[0004]与支持向量机、随机森林等浅层模型相比，深度学习模型能够自动学习提取用于下游任务的抽象特征，在足够的标记训练数据的支持下能够获得更高的识别精度，因此在遥感影像变化检测领域得到了广泛的关注。基于深度学习的变化检测方法大体上有两种思路，一种思路是直接将双时相遥感影像直接拼接，然后输入到全卷积网络中输出变化信息，经典的全卷积网络模型有FCN、U
‑
Net、DeepLab系列、PsPNet+、UperNet等。另一种思路是采用孪生网络结构来适应变化检测任务的双分支输入，然后将孪生网络输出的特征进行拼接，再输出变化检测结果。注意力机制能够使深度学习模型忽略掉无关信息，从而更加关注对于任务重要的区域，因此能够提升深度学习模型的识别性能。为此，研究人员探索了多种适用于变化检测任务的注意力机制。此外，高分辨率网络、循环神经网络、生成式对抗网络等模型也被引入到变化检测任务中以更好地识别变化区域。
[0005]虽然深度学习方法在变化检测任务中取得了极大进展，但现有方法大多将卷积神经网络作为特征提取的骨干网络，而卷积神经网络感受野受限，这就导致这些模型无法感知更大范围的上下文信息。而以视觉Transformer为代表的自注意力机制则具有更大范围的感受野，因此部分学者在CNN的基础上引入了Transformer作为解码器来克服CNN感受野受限的缺点。但将Transformer作为解码器无法充分发挥自注意力机制的优势，变化检测精
度低，且原始的Transformer计算复杂度较高。

技术实现思路

[0006]本专利技术的目的在于提供一种遥感影像变化检测方法，用以解决现有技术中遥感影像变化检测精度低的问题。
[0007]为解决上述技术问题，本专利技术所提供的技术方案以及技术方案对应的有益效果如下：
[0008]本专利技术的一种遥感影像变化检测方法，包括如下步骤：
[0009]1)获取2个不同时相的遥感影像，并称为2个原始遥感影像；
[0010]2)将2个原始遥感影像均输入至遥感影像变化检测模型中，得到与2个原始遥感影像相对应的变化检测结果；
[0011]所述遥感影像变化检测模型利用历史不同时相的遥感影像对以及对应的变化检测结果作为训练集训练得到；所述遥感影像变化检测模型包括特征提取模块和嵌套U
‑
Net网络，所述特征提取模块包括2个结构相同且权值共享的深度层次化Transformer网络；
[0012]所述深度层次化Transformer网络包括依次连接的patch partition单元和4个阶段，4个阶段分别为第1阶段、第2阶段、第3阶段和第4阶段；
[0013]所述嵌套U
‑
Net网络中节点X
i,j
输出的特征图x
i,j
的计算公式为：式中，i表示层数，j表示当前层的第j个卷积层，h(
·
)表示对特征先进行卷积操作再进行Relu激活函数操作，表示一个上采样层，[]代表特征的连接操作；
[0014]特征提取模块中2个深度层次化Transformer网络的输入分别为遥感影像变化检测模型的2个输入，嵌套U
‑
Net网络中节点X
0,4
的输出为遥感影像变化检测模型的输出，且2个深度层次化Transformer网络的第r阶段的输出拼接后连接至嵌套U
‑
Net网络中的节点X
r
‑
1,0
，r＝1,2,3,4。
[0015]上述技术方案的有益效果为：本专利技术的遥感影像变化检测模型，利用深度层次化Transformer网络来提取遥感影像的特征，该深度层次化Transformer网络能够同时兼顾局部和全局信息，从而提高变化检测精度；而且，为了充分利用不同尺度的特征，将提取得到的特征拼接后输入嵌套U
‑
Net网络中完成变化检测，在嵌套U
‑
Net结构中，不同尺度的特征之间有信息交流，能够更加充分地利用不同尺度的特征来提升变化检测的精度。
[0016]对上述方法进一步改进，步骤2)之后，还包括步骤3)～5)：3)将2个不同时相的原始遥感影像进行相同的增强处理，得到2个增强遥感影像；4)将2个增强遥感影像均输入至所述遥感影像变化检测模型中，将输出结果进行与增强处理相对应的反操作，从而得到与2个增强遥感影像相对应的变化检测结果；5)依据与2个原始遥感影像相对应的变化检测结果以及与2个增强遥感影像相对应的变化检测结果，确定2个不同时相的遥感影像的变化情况。
[0017]上述技术方案的有益效果为：除了利用与2个原始遥感影像相对应的变化检测结
果外，还利用增强后影像对的变化检测结果，综合多种检测结果，提升了最终的变化检测精度。
[0018]对上述方法进一步改进，步骤3)中，所述增强处理包括水平镜像、垂直镜像、旋转90度和旋转270度中的至少一种增强处理，则步骤4)中与增强处理相对应的反操作分别为水平镜像、垂直镜像、旋转270度和旋转90度。
[0019]对上述方法进一步改进，所述增强处理为水平镜像、垂直镜像、旋转90度和旋转270度，则步骤5)中，与2个原始遥感影像相对应的变化检测结果以及与2个增强遥感影像相对应的变化检测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感影像变化检测方法，其特征在于，包括如下步骤：1)获取2个不同时相的遥感影像，并称为2个原始遥感影像；2)将2个原始遥感影像均输入至遥感影像变化检测模型中，得到与2个原始遥感影像相对应的变化检测结果；所述遥感影像变化检测模型利用历史不同时相的遥感影像对以及对应的变化检测结果作为训练集训练得到；所述遥感影像变化检测模型包括特征提取模块和嵌套U
‑
Net网络，所述特征提取模块包括2个结构相同且权值共享的深度层次化Transformer网络；所述深度层次化Transformer网络包括依次连接的patch partition单元和4个阶段，4个阶段分别为第1阶段、第2阶段、第3阶段和第4阶段；所述嵌套U
‑
Net网络中节点X
i,j
输出的特征图x
i,j
的计算公式为：式中，i表示层数，j表示当前层的第j个卷积层，h(
·
)表示对特征先进行卷积操作再进行Relu激活函数操作，表示一个上采样层，[]代表特征的连接操作；特征提取模块中2个深度层次化Transformer网络的输入分别为遥感影像变化检测模型的2个输入，嵌套U
‑
Net网络中节点X
0,4
的输出为遥感影像变化检测模型的输出，且2个深度层次化Transformer网络的第r阶段的输出拼接后连接至嵌套U
‑
Net网络中的节点X
r
‑
1,0
，r＝1,2,3,4。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，步骤2)之后，还包括步骤3)～5)：3)将2个不同时相的原始遥感影像进行相同的增强处理，得到2个增强遥感影像；4)将2个增强遥感影像均输入至所述遥感影像变化检测模型中，将输出结果进行与增强处理相对应的反操作，从而得到与2个增强遥感影像相对应的变化检测结果；5)依据与2个原始遥感影像相对应的变化检测结果以及与2个增强遥感影像相对应的变化检测结果，确定2个不同时相的遥感影像的变化情况。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，步骤3)中，所述增强处理包括水平镜像、垂直镜像、旋转90度和旋转270度中的至少一种增强处理，则步骤4)中与增强处理相对应的反操作分别为水平镜像、垂直镜像、旋转270度和旋转90度。4.根据权利要求3所述的遥感影像变...

【专利技术属性】
技术研发人员：刘冰，王瑞瑞，余岸竹，邱春平，陈宇航，赵锦江，罗罡，闫博通，蒙柳翕，李尧，曾泽毅，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：