基于自适应融合NestedUNet的光学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自适应融合NestedUNet的光学遥感图像变化检测方法，包括如下步骤：首先，对光学遥感图像进行预处理，以获得数据分布一致的遥感图像；然后，对经预处理后的双时相光学遥感图像，标注图像中更新的部分，得到对应的变化标签图；然后对遥感图像和对应的标签图进行切割，得到训练样本；然后串联双时相图像，并将其输入到AFNUNet网络中，以增强对变化区域整体特征的提取以及变化目标边缘细节的识别；待训练结束后，将模型的所有参数信息保存下来；最后将经过预处理的待测样本输入至变化检测模型中，经计算输出检测结果图，检测出的变化图整体更加完整，细节更加完善。完善。完善。

【技术实现步骤摘要】
基于自适应融合NestedUNet的光学遥感图像变化检测方法


[0001]本专利技术涉及光学遥感图像变化检测领域，尤其涉及一种基于自适应融合NestedUNet的光学遥感图像变化检测方法。

技术介绍

[0002]遥感图像变化检测是针对某一区域的地物或现象在不同时间上观测出其不同区域部分，判断分析相应目标物体是否发生变化，获取其位置、形状、数量等属性的变化信息，具有重要的科研和应用价值，已经得到了一些相关领域的广泛关注。传统的变化检测方法根据研究对象可分为两类：基于像素的变化检测方法和基于对象的变化检测方法。基于像素的变化检测方法一般通过直接比较像素的光谱信息或纹理信息生成差异图，并通过阈值分割或聚类获得最终变化图；如基于图像代数的变化向量分析方法，基于图像分类的方法，基于图像变换的主成分分析方法，多元变化检测方法及其改进版本迭代加权多元变化检测方法等。虽然基于像素的变化检测方法实现起来较为容易，但这些方法忽略了空间上下文信息，这会引起在处理过程中出现大量椒盐噪声。基于对象的变化检测方法是通过将遥感图像划分为不相交的对象，并利用图像中丰富的光谱、纹理、结构和几何信息分析图像间的差异。虽然这种方法利用了遥感图像的空间特征信息，但是提取方法比较复杂，并且鲁棒性较差。
[0003]近年来，基于深度学习的变化检测方法一直在不断发展，并取得了非常出色的成绩。基于深度学习的变化检测方法模糊了传统基于像素和基于对象的方法之间的边界，因为它们从原始图像中预测像素分类图和高度语义抽象的空间上下文。与传统的基于像素和对象的变化检测方法相比，基于深度学习的变化检测方法不需要图像预处理，这不仅可以减少人工干预，而且可以避免由于预处理而导致的错误，也可以减少后处理工作量。基于深度学习的方法由于其非线性特征和出色的特征提取能力，可以更好地理解复杂场景，并且其性能远远超过传统方法。此外，卫星遥感技术近年来得到了飞速发展，越来越多的光学传感器被设计用于地球观测，光学遥感图像的日益丰富为遥感的各种应用提供了强有力的支持。由于这些优势，基于深度学习的光学遥感图像变化检测方法在解决遥感图像变化检测问题方面的使用呈指数增长。
[0004]基于深度学习的光学遥感图像变化检测算法已经具备了良好的性能，但是大多数算法直接利用深层网络提取到的特征信息进行变化检测，而没有考虑到与浅层网络进行结合。深层网络的语义信息表征能力强，但是物体的边缘细节信息和小物体目标容易随着网络多次的上采样和下采样而逐渐丢失；浅层网络的细节信息表征能力强，但是语义信息表征能力弱。因此，这些算法对于变化区域整体特征的提取往往不够完整并且缺乏对变化目标边缘细节的关注。

技术实现思路

[0005]本专利技术的目的是提供一种自适应融合NestedUNet的光学遥感图像变化检测方法，
能够准确有效地将双时相光学遥感图像间的细节差异识别出来。
[0006]本专利技术采用的技术方案为：
[0007]A、将双时相光学遥感图像依次进行正射校正、图像配准、图像拉伸以及图像数值归一化预处理，从而得到数据分布一致的遥感图像；
[0008]B、将上一步得到的经过预处理后的双时相光学遥感图像，标注遥感图像中更新的部分，得到对应的变化标签图；
[0009]C、将从B中得到的标签图以及A中预处理过的双时相光学遥感图像，采用同一尺寸对其进行切割，得到训练样本；
[0010]D、将训练样本中的双时光学遥感图像串联起来输入到AFNUNet中；
[0011]E、通过四层基于有效通道注意力的残差块编码器，提取更多与变化特征相关的特征图；
[0012]F、将上一步中得到的不同层次的特征图融合起来，得到包含不同语义信息的最终特征图F1，F2，F3；
[0013]G、将F中获得的最终特征图F1，F2，F3输入到自适应融合模块中，以便获得更多变化区域的细节信息，并得到预测变化图；
[0014]H、引入基于布雷克蒂斯距离的损失，并与二分类交叉熵损失结合形成混合损失函数以计算G中得到的双时相图像的预测变化图与对应的标签图之间的损失；
[0015]I、训练结束后，将训练好的模型的所有参数信息都保存下来；
[0016]J、将待检测的前后时相遥感图像依次经正射校正、图像配准、图像拉伸以及图像数值归一化预处理后，采用同一尺寸对其进行切割以获得待检测的样本；
[0017]K、将待测样本输入至I中得到的变化检测模型中，计算输出检测结果图。
[0018]本专利技术以光学遥感图像变化检测为应用背景，针对现有的变化检测方法训练出来的模型对于提取的变化区域不完整以及变化目标边缘不规整这一问题，提出了一种新的变化检测方法，提高了对变化区域整体特征的提取以及对细节特征的识别。具体的，本专利技术结合了NestedUNet和自适应融合模块，通过编码器和解码器之间以及解码器和解码器之间密集的特征传输，增强了整体特征的提取，使得提取到的变化区域更加完整。最后采用基于布雷克蒂斯距离损失和二分类交叉熵损失的混合损失更加准确地识别双时图像间的差异，从而捕捉到更多的边缘细节。本专利技术方案与传统算法相比，增强了对变化区域整体特征的提取以及变化区域细节边缘的识别，能够有效的解决其他的变化检测方法对于变化目标边缘识别能力不足的问题。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术的流程示意图。
[0021]图2为本专利技术的AFNUNet主干网络图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]如图1所示，本专利技术包括以下几个步骤：
[0024]A、将双时相光学遥感图像依次进行正射校正、图像配准、图像拉伸以及图像数值归一化预处理，从而得到数据分布一致的遥感图像；
[0025]B、将上一步得到的经过预处理后的双时相光学遥感图像，标注遥感图像中更新的部分(主要包括植被变化、新建城市建筑、郊区扩张、施工前的地基以及道路扩建等)，得到对应的变化标签图；
[0026]C、将从B中得到的标签图以及A中预处理过的双时相光学遥感图像，采用同一尺寸对其进行切割，得到训练样本；
[0027]D、大多数变化检测算法对变化区域整体特征的提取不够完整并且缺乏对变化目标边缘细节的关注。为了解决这一问题，本专利建立了一个基于NestedUNet的端到端的网络体系结构。通过编码器和解码器之间以及解码器和解码器之间的密集跳跃连接，它可以实现不同层次特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应融合NestedUNet的光学遥感图像变化检测方法，其特征在于：包括以下几个步骤：A、将双时相光学遥感图像依次进行正射校正、图像配准、图像拉伸以及图像数值归一化预处理，从而得到数据分布一致的双时相光学遥感图像；B、将上一步得到的经过预处理后的双时相光学遥感图像，标注遥感图像中更新的部分，得到对应的变化标签图；C、将从B中得到的变化标签图以及A中获得的预处理过的双时相光学遥感图像，采用同一尺寸对其进行切割，得到训练样本；D、将训练样本中的双时相遥感图像串联起来输入到AFNUNet中；E、将上一步得到的串联双时相遥感图像通过四层基于有效通道注意力的残差块编码器，提取具有不同感受野的多尺寸特征图；F、将E中的不同感受野的多尺寸特征图进行解码操作；通过编码器和解码器之间以及解码器和解码器之间密集的特征传输，增强对整体特征的提取，使提取到的变化区域更加完整，并得到最终的特征图F1、F2、F3；G、将F中得到的最终特征图F1，F2，F3输入到自适应融合模块中，以便获得更多变化区域的细节信息，并获得预测的变化图；H、引入基于布雷克蒂斯距离的损失，并与二分类交叉熵损失结合形成混合损失函数以计算步骤G中得到的双时相图像的预测变化图与对应的标签图之间的损失；I、训练结束后，将训练好的模型的所有参数信息都保存下来；J、将待检测的前、后时相遥感图像依次经正射校正、图像配准、图像拉伸以及图像数值归一化预处理后，接着采用同一尺寸对其进行切割以获得待测样本；K、将待测样本输入至I中得到的变化检测模型中，经计算输出检测结果图。2.根据权利要求1所述的基于自适应融合NestedUNet的光学遥感图像变化检测方法，其特征在于：所述的步骤E具体包括如下步骤：首先经过第一个3
×
3的卷积层对输入的特征图进行升维操作，接...

【专利技术属性】
技术研发人员：李军伟，李世杰，连猛猛，
申请(专利权)人：河南大学，
类型：发明
国别省市：