多尺度融合双时相遥感图像的多分类变化检测方法及系统技术方案

本发明专利技术属于遥感图像处理技术领域，公开了一种多尺度融合双时相遥感图像的多分类变化检测方法及系统，所述多尺度融合双时相遥感图像的多分类变化检测方法包括：首先将两张单时相的图像放入第一阶段的ShelfNet网络当中提取各自的高层语义特征，然后将提取到的特征进行融合，映射到一个新的空间；在空间内构建第二阶段的语义分割网络PSPNet，将融合特征的深层次特征提取后进行相似性判断，使得未变化像素的相关性增大，变化像素之间的相关性减小，最后判定得出多分类变化检测的结果图。本发明专利技术加快了运行速度，减少了资源的消耗。减少了资源的消耗。减少了资源的消耗。

【技术实现步骤摘要】
多尺度融合双时相遥感图像的多分类变化检测方法及系统


[0001]本专利技术属于遥感图像处理
，尤其涉及一种多尺度融合双时相遥感图像的多分类变化检测方法及系统。

技术介绍

[0002]目前，遥感图像的变化检测指根据从不同时段获取的遥感图像和相关地理数据，结合遥感成像机理与地物特征，利用图像图形和数学模型来确定并分析调查区域的地表覆盖的变化及变化类型。其研究目的是在过滤掉无关信息的同时，提取调查区域的变化信息。该技术目前已经在多个领域得到应用，如土地利用、城市扩张、农田变化、地质灾害监测、生态环境保护、湿地监测、森林防护等。在早期遥感图像变化检测中，提出了许多传统的遥感图像变化检测方法。其中，阈值法和聚类法是最流行的两种。在阈值法中，需要找到一个最优阈值，用于将每个像素正确划分为变化类及未变化类，如KI算法和EM算法。而聚类法的核心思想是最大化属于同一聚类的数据点之间的相似性的同时，尽量减少不同聚类之间的相似性，如FCM等算法。早期大多数遥感变化检测方法专注于二分类。然而，随着遥感技术的发展，只确定每个像素是否变化，在实际应用中显得有些局限。因此，进一步将变化区域划分为积极变化和消极变化更有意义。例如，在城市变化分析中，一些旧建筑被拆除，而其他区域建造了一些新建筑，有必要从双时相遥感图像中区分这两种不同的变化。由此诞生了许多三元变化检测方法，例如C2VA等算法。但效果并不理想，其原因一方面在于遥感图像容易受到噪声的影响，而传统方法不能很好地处理噪声；另一方面，原始像素及其邻域的信息表示能力仍然很有限，导致分类准确性受到影响。
[0003]近年来，深度学习由于其强大的表征学习能力而成为研究热点，得到了学术界广泛的关注。深度学习是一种通过建立多层神经网络，从输入数据中学习抽象特征表示的技术。其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，在遥感图像变化检测方面得到了广泛的应用。
[0004]在基于深度学习的遥感图像变化检测中，每个像素在图像中并不是空间无关而独立存在的，合适的图像特征提取尤为重要。ShelfNet是一种快速语义分割框架，不同于标准的编码器
‑
解码器结构，它具有多个编码器
‑
解码器分支对，每个空间级别上都有跳跃连接。该框架结构为信息流提供了多条路径，提高了分割精度。因此，ShelfNet具有获得更复杂特征和产生更高精度的潜力。不同尺度的特征融合是神经网络中提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。PSPNet的核心模块是金字塔池化模块，它能够聚合不同区域的上下文信息，从而提高获取全局信息的能力。多尺度特征融合无疑增加了计算量，但PSPNet通过引入辅助loss，在增加少量计算量的同时形成了最终的金字塔池化全局特征。
[0005]通过上述分析，现有技术存在的问题及缺陷为：现有技术中二分类或三分类的变化检测不能满足实际应用。同时在传统的神经网络中，原始像素及其邻域的信息表示能力
仍然很有限，且下采样的过程中极容易丢失本身的主要特征信息。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术提供了一种多尺度融合双时相遥感图像的多分类变化检测方法及系统。
[0007]本专利技术是这样实现的，一种多尺度融合双时相遥感图像的多分类变化检测方法，所述多尺度融合双时相遥感图像的多分类变化检测方法包括：
[0008]首先将两张单时相的图像放入第一阶段的ShelfNet网络当中提取各自的高层语义特征，然后将提取到的特征进行融合，映射到一个新的空间；在空间内构建第二阶段的语义分割网络PSPNet，将融合特征的深层次特征提取后进行相似性判断，使得未变化像素的相关性增大，变化像素之间的相关性减小，最后判定得出多分类变化检测的结果图。
[0009]进一步，所述多尺度融合双时相遥感图像的多分类变化检测方法具体过程为：
[0010]步骤一，选取公开数据集，并对数据集进行预处理；数据集的预处理使得训练的数据样本更加复杂，使得训练得到的网络结构有更强的健壮性和鲁棒性；
[0011]步骤二，构建基于ShelfNet的网络模型，提取双时相图像特征；
[0012]步骤三，构建基于多分类检测的网络模型和基于PSPNet的语义分割网络，进行区分不同的变化；
[0013]步骤四，选取训练样本对网络模型训练，并选取测试集对网络模型进行测试，验证提取出网络模型的有效性。
[0014]进一步，所述步骤一中，数据集进行预处理包括裁剪和图像增强。
[0015]进一步，所述步骤二中，提取双时相图像特征具体过程为：
[0016]在提取双时相图像特征阶段，采用ShelfNet作为基础网络提取特征；通过减少渠道的数量以提高速度，使用1
×
1卷积层后接BatchNormalization和Relu层，在空间水平上将通道的数量从256，512，1024，2048转变到64，128，256，512；输出的张量为提取的特征，在提取到的普遍特征的基础上自适应的调节参数，使得模型适合特定的数据集；
[0017]通过改进的残差块，减小模型尺寸并更有效地提取特征，同一块中的两个卷积层共享相同的权重，两个Normalization层不同；共享权重设计重用卷积的权重，并具有与递归卷积神经网络类似的特性；在两个卷积层之间添加一个脱落层，以避免过度拟合；共享权残差块结合跳跃连接、循环卷积和退出正则化，并且比标准残差块有更少的参数。
[0018]进一步，所述步骤三中，构建基于多分类检测的网络模型具体过程为：
[0019]将Shelf
‑
Net网络提取到的双时相特征图进行融合；将融合的特征图通过PSPNet中金字塔池化模块收集不同尺度的语境信息并融合生成不同级别的特征图，最终被展平并拼接起来，然后输入到全连接层中进行分类，得出最后的多分类变化检测图。
[0020]进一步，所述步骤四中，选取训练样本对网络模型训练并选取测试集对网络模型进行测试，验证提取出网络模型的有效性具体过程为：
[0021]1)损失函数
[0022]通过结合Dice Loss和交叉熵损失CrossEntropy Loss，以解决二值分类中样本不平衡的情况；在实践中，将Dice损失与CrossEntropy损失结合使用，以提高模型训练的稳定性，总损失定义为式为：
[0023]Loss＝L
Dice
+L
CrossEntropy (1)
[0024]2)评价标准
[0025]通过总体准确度和mIoU评估标准，评估不同变化检测算法的性能。
[0026]进一步，所述Dice损失具体为：
[0027]在进行多分类类变化检测时，首先获得二分类变化图，再在二分类变化图的指导下获得多分类类变化图，通过Dic本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度融合双时相遥感图像的多分类变化检测方法，其特征在于，所述多尺度融合双时相遥感图像的多分类变化检测方法包括：首先将两张单时相的图像放入第一阶段的ShelfNet网络当中提取各自的高层语义特征，然后将提取到的特征进行融合，映射到一个新的空间；在空间内构建第二阶段的语义分割网络PSPNet，将融合特征的深层次特征提取后进行相似性判断，使得未变化像素的相关性增大，变化像素之间的相关性减小，最后判定得出多分类变化检测的结果图。2.如权利要求1所述多尺度融合双时相遥感图像的多分类变化检测方法，其特征在于，所述多尺度融合双时相遥感图像的多分类变化检测方法具体过程为：步骤一，选取公开数据集，并对数据集进行预处理；数据集的预处理使得训练的数据样本更加复杂，使得训练得到的网络结构有更强的健壮性和鲁棒性；步骤二，构建基于ShelfNet的网络模型，提取双时相图像特征；步骤三，构建基于多分类检测的网络模型和基于PSPNet的语义分割网络，进行区分不同的变化；步骤四，选取训练样本对网络模型训练，并选取测试集对网络模型进行测试，验证提取出网络模型的有效性。3.如权利要求2所述多尺度融合双时相遥感图像的多分类变化检测方法，其特征在于，所述步骤一中，数据集进行预处理包括裁剪和图像增强。4.如权利要求2所述多尺度融合双时相遥感图像的多分类变化检测方法，其特征在于，所述步骤二中，提取双时相图像特征具体过程为：在提取双时相图像特征阶段，采用ShelfNet作为基础网络提取特征；通过减少渠道的数量以提高速度，使用1
×
1卷积层后接BatchNormalization和Relu层，在空间水平上将通道的数量从256，512，1024，2048转变到64，128，256，512；输出的张量为提取的特征，在提取到的普遍特征的基础上自适应的调节参数，使得模型适合特定的数据集；通过改进的残差块，减小模型尺寸并更有效地提取特征，同一块中的两个卷积层共享相同的权重，两个Normalization层不同；共享权重设计重用卷积的权重，并具有与递归卷积神经网络类似的特性；在两个卷积层之间添加一个脱落层，以避免过度拟合；共享权残差块结合跳跃连接、循环卷积和退出正则化，并且比标准残差块有更少的参数。5.如权利要求2所述多尺度融合双时相遥感图像的多分类变化检测方法，其特征在于，所述步骤三中，构建基于多分类检测的网络模型具体过程为：将Shelf
‑
Net网络提取到的双时相特征图进行融合；将融合的特征图通过PSPNet中金字塔池化模块收集不同尺度的语境信息并融合生成不同级别的特征图，最终被展平并拼接起来，然后输入到全连接层中进行分类，得出最后的多分类变化检测图。6.如权利要求2所述多尺度融合双时相遥感图像的多分类变化检测方法，其特征在于，所述步骤四中，选取训练样本对网络模型训练并选取测试集对...

【专利技术属性】
技术研发人员：苏临之，宋宇，郁建楠，王鑫阳，叶嘉鹏，王越，
申请(专利权)人：西北大学，
类型：发明
国别省市：