一种全尺度特征聚合的遥感影像变化检测的方法技术

本发明专利技术涉及遥感影像变化检测技术领域，具体为一种全尺度特征聚合的遥感影像变化检测的方法，其方法包括：采集原始遥感影像，并对所述原始遥感影像进行预处理；将预处理后的原始遥感影像裁剪成若干小块图片集，并将所述小块图片集分为训练集、测试集、验证集；构建注意力引导全尺度特征聚合变化检测网络模型AFSNet，并对AFSNet进行训练；在训练过程中，获取每一轮精度最高的权重文件；利用所述权重文件，获取预测结果数据，并进行精度评定。本发明专利技术通过构建AFSNet，可以更精确地检测遥感影像中变化区域边缘细节信息，适应检测多尺度变化区域边界更加清晰，对计算量与参数量有着较好的平衡效果。效果。效果。

【技术实现步骤摘要】
一种全尺度特征聚合的遥感影像变化检测的方法


[0001]本专利技术涉及遥感影像变化检测
，尤其涉及一种全尺度特征聚合的遥感影像变化检测的方法。

技术介绍

[0002]随着航天技术的快速发展，遥感影像的成像质量有了很大的改善。这些高分辨率遥感影像含有丰富的地物特征，但噪声干扰同样比较严重，且影像中包含更复杂的地物信息，同物异谱、异物同谱现象大量出现，传统方法难以达到满意结果。
[0003]传统的变化检测方法根据研究对象可分为两大类:基于像素的变化检测方法与基于对象的变化检测方法。常见的方法包括主成分分析(PCA，Principal Components Analysis)、k
‑
means聚类算法、变化向量分析(CVA，Change Vector Analysis)、慢特征分析(SFA，Slow Feature Analysis)等。基于像素的变化检测方法实现较为简单，但它们的鲁棒性较差，并在处理过程中容易产生椒盐噪声，往往难以达到理想的结果。基于对象的变化检测方法是将遥感影像按照一定的规则分割成不相交的同质对象，基于同质对象提取影像中的光谱、纹理、文本和几何信息，利用这些特征信息分析影像间的差异。与基于像素的变化检测方法相比，基于对象的变化检测方法利用了高分辨率遥感图像的空间上下文信息，但人工设计特征过程复杂且难度较大，在包含复杂的光谱和纹理特征的遥感影像中应用效果不理想。
[0004]与传统方法相比，深度学习不需要先验知识，可以从输入图像中自动学习丰富的上下文特征和高级语义特征，变化检测领域也开始关注基于深度学习方法的研究。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，本专利技术提出了一种全尺度特征聚合的遥感影像变化检测的方法，通过构建AFSNet(Attention
‑
Guided Full
‑
Scale Feature Aggregation Change Detection Network，注意力引导全尺度特征聚合变化检测网络)，可以更精确地检测遥感影像中变化区域边缘细节信息，适应检测多尺度变化区域边界更加清晰，出现空洞的现象很少，狭长变化区域可以较好的连通，对计算量与参数量有着较好的平衡效果。
[0006]本专利技术提出了一种全尺度特征聚合的遥感影像变化检测的方法，包括：
[0007]采集原始遥感影像，并对所述原始遥感影像进行图像预处理，得到预处理后的原始遥感影像；
[0008]将预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格的小块图片集，并将所述小块图片集分为训练集、测试集、验证集；
[0009]构建注意力引导全尺度特征聚合变化检测网络模型AFSNet，并基于所述训练集对所述AFSNet进行训练，获取每一轮次训练得出的权重文件；
[0010]基于所述验证集对所述权重文件进行验证，筛选出精度率最高的权重文件；
[0011]所述AFSNet基于所述精度率最高的权重文件对所述测试集进行预测，获取预测结果数据；
[0012]对所述预测结果数据进行精度评定。
[0013]所述采集原始遥感影像，并对所述原始遥感影像进行图像预处理包括：
[0014]基于ENVI软件对所述原始遥感影像进行几何精校正处理，得到几何精校正处理后的原始遥感影像；
[0015]对几何精校正处理后的原始遥感影像进行图像融合处理，得到预处理后的原始遥感影像。
[0016]所述将预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格的小块图片集，基于原始数据集的划分规则将所述小块图片集分为训练集、测试集、验证集包括：
[0017]基于LEVIR
‑
CD数据集收集预处理后、且尺寸大小为1024
×
1024像素规格的原始遥感影像，将所述预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格且没有重叠的小块图片集，基于原始数据集的划分规则将所述小块图片集分为训练集、测试集、验证集。
[0018]所述将预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格的小块图片集，并将所述小块图片集分为训练集、测试集、验证集还包括：
[0019]基于SVCD数据集收集预处理后的原始遥感影像，将所述预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格的小块图片集，并将所述小块图片集分为训练集、测试集、验证集。
[0020]所述构建注意力引导全尺度特征聚合变化检测网络模型AFSNet，并基于所述训练集对所述AFSNet进行训练，获取每一轮次训练得出的权重文件包括：
[0021]基于所述注意力引导全尺度特征聚合变化检测网络模型AFSNet提取所述训练集的双时相影像特征；
[0022]基于全尺度跳跃连接方式将所述双时相影像特征进行特征融合处理，得到全尺度特征信息。
[0023]所述基于注意力引导全尺度特征聚合变化检测网络模型AFSNet提取所述训练集的双时相影像特征包括：
[0024]基于VGG16网络将所述双时相影像的两期影像进行处理，分别得到所述双时相影像的两期影像对应的四层特征图和五层特征图；
[0025]将所述双时相影像的两期影像对应的四层特征图和五层特征图进行融合处理，得到所述双时相影像的五层特征图。
[0026]所述基于全尺度跳跃连接方式将所述影像特征进行特征融合处理，得到全尺度特征信息包括：
[0027]将所述双时相影像的五层特征图中相较于期望特征图尺寸较大的特征图进行最大值池化处理，得到与期望特征图相同尺寸的特征图；
[0028]基于卷积核大小为1
×
1的卷积层将所述双时相影像的五层特征图中相较于期望特征图尺寸较小以及相同的特征图以及所述与期望特征图相同尺寸的特征图进行通道数目减少处理，并将其连接在一起，得到具有全尺度特征信息的期望特征图。
[0029]所述基于所述验证集对所述权重文件进行验证，筛选出精度率最高的权重文件包括：
[0030]基于验证集对所述具有全尺度特征信息的期望特征图进行验证，筛选出精度率最高的具有全尺度特征信息的期望特征图；使用精度率F1作为衡量所述具有全尺度特征信息的期望特征图精度的评价标准，计算公式包括：
[0031][0032][0033][0034]，其中Precision为精度值，Recall为召回率，TP为真正类，FP为假正类，FN为假反类，TN为真反类。
[0035]所述AFSNet基于所述精度率最高的权重文件对所述测试集进行预测，获取预测结果数据包括：
[0036]基于CBAM注意力模块对所述具有全尺度特征信息的期望特征图进行特征细化处理，得到特征细化处理后的具有全尺度特征信息的期望特征图；
[0037]基于卷积核大小为3<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全尺度特征聚合的遥感影像变化检测的方法，其特征在于，所述方法包括：采集原始遥感影像，并对所述原始遥感影像进行图像预处理，得到预处理后的原始遥感影像；将预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格的小块图片集，并将所述小块图片集分为训练集、测试集、验证集；构建注意力引导全尺度特征聚合变化检测网络模型AFSNet，并基于所述训练集对所述AFSNet进行训练，获取每一轮次训练得出的权重文件；基于所述验证集对所述权重文件进行验证，筛选出精度率最高的权重文件；所述AFSNet基于所述精度率最高的权重文件对所述测试集进行预测，获取预测结果数据；对所述预测结果数据进行精度评定。2.如权利要求1所述的全尺度特征聚合的遥感影像变化检测的方法，其特征在于，所述采集原始遥感影像，并对所述原始遥感影像进行图像预处理包括：基于ENVI软件对所述原始遥感影像进行几何精校正处理，得到几何精校正处理后的原始遥感影像；对几何精校正处理后的原始遥感影像进行图像融合处理，得到预处理后的原始遥感影像。3.如权利要求1所述的全尺度特征聚合的遥感影像变化检测的方法，其特征在于，所述将预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格的小块图片集，并将所述小块图片集分为训练集、测试集、验证集包括：基于LEVIR
‑
CD数据集收集预处理后、且尺寸大小为1024
×
1024像素规格的原始遥感影像，将所述预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格且没有重叠的小块图片集，基于原始数据集的划分规则将所述小块图片集分为训练集、测试集、验证集。4.如权利要求3所述的全尺度特征聚合的遥感影像变化检测的方法，其特征在于，所述将预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格的小块图片集，并将所述小块图片集分为训练集、测试集、验证集还包括：基于SVCD数据集收集预处理后的原始遥感影像，将所述预处理后的原始遥感影像进一步裁剪处理成若干256
×
256像素规格的小块图片集，基于原始数据集的划分规则将所述小块图片集分为训练集、测试集、验证集。5.如权利要求1所述的全尺度特征聚合的遥感影像变化检测的方法，其特征在于，所述构建注意力引导全尺度特征聚合变化检测网络模型AFSNet，并基于所述训练集对所述AFSNet进行训练，获取每一轮次训练得出的权重文件包括：基于所述注意力引导全尺度特征聚合变化检测网络模型AFSNet提取所述训练集的双时相影像特征；基于全尺度跳跃连接方式将所述双时相影像特征进行特征融合处理，得到全尺度特征信息。6.如权利要求5所述的全尺度特征聚合的遥感影像变化检测的方法，其特...

【专利技术属性】
技术研发人员：阮永俭，张新长，姜明，
申请(专利权)人：广州大学，
类型：发明
国别省市：