遥感影像变化检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及遥感数据处理技术领域的一种遥感影像变化检测方法、装置、计算机设备和存储介质。所述方法中构建的用于遥感影像变化检测的孪生神经网络包括两条由结构和参数均相同的DeepLabv3+模型的骨干网络、ASPP模块以及双重注意力模块组成的特征提取支路，输出网络，本网络模型采用了残差连接、双注意力机制等一系列先进的网络模块，可以有效增强网络的特征表达能力，模型训练时的各种数据增强进一步增强了网络对色彩变化、阴影遮挡等因素的抗干扰能力，提高了模型的泛化能力，使得变化检测模型可以稳定、鲁棒地对有效地物变化进行高层次语义特征表达，实现对地形要素的高质量变化检测。化检测。化检测。

【技术实现步骤摘要】
遥感影像变化检测方法、装置、计算机设备和存储介质


[0001]本申请涉及遥感数据处理
，特别是涉及一种遥感影像变化检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着遥感大数据与人工智能技术的发展，传统的基于像元的分类、基于面向对象分析等方法对影像进行地物分类并对比分类后结果得到变化信息的方法已经难以满足当前对目标变化信息的精度和速度要求，而利用深度学习神经网络模型对遥感影像进行自动化智能解译，相较传统差值法、面向对象、机器学习等方法具有更高的精度、效率。
[0003]目前已有的利用深度学习算法应用于遥感影像的变化检测技术大多是利用深层神经网络强大的特征提取能力分别对前后时相影像特征提取，由前后时相特征图构造差异图，通过差异图提取变化区域。基于深度学习的变化检测将不同时相的影像组合叠加作为网络模型的输入，对于多种类别的变化地物来说，图像的差异性会从网络的浅层开始混淆，导致不同时相影像特征会互相影响，原始影像的高维特征难以保持。这种方法对分类结果依赖性高，低精度分类结果将对变化信息提取产生很大影响，进而影响到检测精度，且过程繁琐。
[0004]针对上述问题，本专利技术通过基于遥感数据进行快速高效的地物变化目标区域检测的方法，解决同一地物在不同时相影像上呈现出不同的效果如色彩变化、阴影等对地物变化目标检测造成干扰的问题，保持原始影像变化区域的高维特征。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种遥感影像变化检测方法、装置、计算机设备和存储介质。<br/>[0006]一种遥感影像变化检测方法，所述方法包括：
[0007]获取不同时间覆盖同一地区的两个多源遥感影像，并对所述多源遥感影像进行标注，并对标注后结果进行数据增强，得到训练样本。
[0008]构建用于遥感影像变化检测的孪生神经网络；所述孪生神经网络包括：两条由结构和参数均相同的DeepLab v3+模型的骨干网络、ASPP模块以及双重注意力模块组成的特征提取支路，输出网络；所述特征提取支路用于采用DeepLab v3+模型的骨干网络和ASPP模块对训练样本进行特征提取，然后采用双重注意力模块中并联的空间注意力模块以及通道注意力模块对提取得到的特征进行特征聚合，得到融合特征图；所述输出网络用于对两条特征提取支路输出的所述融合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。
[0009]利用训练样本的标注和将训练样本输入到孪生神经网络得到的训练样本的变化检测预测结果图对孪生神经网络进行训练，得到训练好的孪生神经网络。
[0010]采用训练好的孪生神经网络对不同时间覆盖同一地区的待测多源遥感影像进行
检测，得到遥感影像变化检测结果。
[0011]在其中一个实施例中，获取不同时间覆盖同一地区的两个多源遥感影像，并对所述多源遥感影像进行标注，并对标注后结果进行数据增强，得到训练样本，包括：
[0012]获取不同时间覆盖同一地区的多源遥感影像，并对所述多源遥感影像进行数据栅格转化、深度转换以及裁剪得到符合模型输入尺寸的数据集，并对所述数据集进行标注。
[0013]采用多种数据增强方式对标注后的数据集进行处理，得到训练样本。
[0014]在其中一个实施例中，所述训练样本包括：第一多源遥感影像训练样本和第二多源遥感影像训练样本。
[0015]利用训练样本的标注和将训练样本输入到孪生神经网络得到的训练样本的变化检测预测结果图对孪生神经网络进行训练，得到训练好的孪生神经网络，包括：
[0016]将所述第一多源遥感影像训练样本和第二多源遥感影像训练样本输入到分别输入到两条特征提取支路中，得到第一融合特征和第二融合特征。
[0017]将所述第一融合特征和所述第二融合特征输入到输出网络中，得到训练样本的变化检测预测结果图。
[0018]根据训练样本的变化检测预测结果图和训练样本的标注对所述孪生神经网络进行反向训练，得到训练好的孪生神经网络。
[0019]在其中一个实施例中，将所述第一多源遥感影像训练样本和第二多源遥感影像训练样本输入到分别输入到两条特征提取支路中，得到第一融合特征和第二融合特征，包括：
[0020]将所述第一多源遥感影像训练样本输入到所述第一条特征提取支路的DeepLab v3+模型的骨干网络中进行特征提取，并将得到的特征利用ASPP模块对多尺度信息进行提取，得到第一语义特征信息。
[0021]将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块中，得到第一融合特征。
[0022]将所述第二多源遥感影像训练样本输入到所述第二条特征提取支路，得到第二融合特征。
[0023]在其中一个实施例中，所述双重注意力模块包括：并联的空间注意力模块以及通道注意力模块。
[0024]将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块中，得到第一融合特征，包括：
[0025]将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块的空间注意力模块中，在空间上对所述第一语义特征信息进行两次的扁平化处理，得到第一特征和第二特征，并将转置后的所述第一特征与所述第二特征相乘，并将得到的结果通过Softmax激活函数，得到第一语义特征信息的特征权重矩阵，然后将所述特征权重矩阵与所述第一语义特征信息进行融合，得到第一空间注意力特征。
[0026]将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块的通道注意力模块中，得到第一通道注意力特征；所述通道注意力模块与所述空间注意力模块结构相似，唯一的区别点在于通道注意力模块没有进行两次扁平化处理。
[0027]将所述第一空间注意力特征和所述第一通道注意力特征相加融合后，得到第一融合特征。
[0028]在其中一个实施例中，将所述第一融合特征和所述第二融合特征输入到输出网络中，得到训练样本的变化检测预测结果图，包括：
[0029]将所述第一融合特征和所述第二融合特征输入到输出网络中，对所述第一融合特征和所述第二融合特征进行上采样，并将上采样后的2
×
2区域中的空值补成适当的特征值，然后进行卷积操作，得到训练样本的变化检测预测结果图。
[0030]在其中一个实施例中，根据训练样本的变化检测预测结果图和训练样本的标注对所述孪生神经网络进行反向训练，得到训练好的孪生神经网络，包括：
[0031]构建孪生神经网络的损失函数和重构网络的损失函数，并将孪生神经网络的损失函数和重构网络的损失函数的加权和作为总损失函数；所述孪生神经网络的损失函数：
[0032][0033]其中，L
s
为孪生神经网络的损失，为检测网络发生的变化的二进制映射，θ
s
、θ
c
、l
bce
分别为共享部分网络的参数、变化检测右上分支的参数和是第k个patch对中的(i，j)处的像素的二进制交叉熵损失，上本文档来自技高网...

【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，所述方法包括：获取不同时间覆盖同一地区的两个多源遥感影像，并对所述多源遥感影像进行标注，并对标注后结果进行数据增强，得到训练样本；构建用于遥感影像变化检测的孪生神经网络；所述孪生神经网络包括：两条由结构和参数均相同的DeepLab v3+模型的骨干网络、ASPP模块以及双重注意力模块组成的特征提取支路，输出网络；所述特征提取支路用于采用DeepLab v3+模型的骨干网络和ASPP模块对训练样本进行特征提取，然后采用双重注意力模块中并联的空间注意力模块以及通道注意力模块对提取得到的特征进行特征聚合，得到融合特征图；所述输出网络用于对两条特征提取支路输出的所述融合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孪生神经网络得到的训练样本的变化检测预测结果图对孪生神经网络进行训练，得到训练好的孪生神经网络；采用训练好的孪生神经网络对不同时间覆盖同一地区的待测多源遥感影像进行检测，得到遥感影像变化检测结果。2.根据权利要求1所述的方法，其特征在于，获取不同时间覆盖同一地区的两个多源遥感影像，并对所述多源遥感影像进行标注，并对标注后结果进行数据增强，得到训练样本，包括：获取不同时间覆盖同一地区的多源遥感影像，并对所述多源遥感影像进行数据栅格转化、深度转换以及裁剪得到符合模型输入尺寸的数据集，并对所述数据集进行标注；采用多种数据增强方式对标注后的数据集进行处理，得到训练样本。3.根据权利要求1所述的方法，其特征在于，所述训练样本包括：第一多源遥感影像训练样本和第二多源遥感影像训练样本；利用训练样本的标注和将训练样本输入到孪生神经网络得到的训练样本的变化检测预测结果图对孪生神经网络进行训练，得到训练好的孪生神经网络，包括：将所述第一多源遥感影像训练样本和第二多源遥感影像训练样本输入到分别输入到两条特征提取支路中，得到第一融合特征和第二融合特征；将所述第一融合特征和所述第二融合特征输入到输出网络中，得到训练样本的变化检测预测结果图；根据训练样本的变化检测预测结果图和训练样本的标注对所述孪生神经网络进行反向训练，得到训练好的孪生神经网络。4.根据权利要求3所述的方法，其特征在于，将所述第一多源遥感影像训练样本和第二多源遥感影像训练样本输入到分别输入到两条特征提取支路中，得到第一融合特征和第二融合特征，包括：将所述第一多源遥感影像训练样本输入到所述第一条特征提取支路的DeepLab v3+模型的骨干网络中进行特征提取，并将得到的特征利用ASPP模块对多尺度信息进行提取，得到第一语义特征信息；将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块中，得到第一融合特征；将所述第二多源遥感影像训练样本输入到所述第二条特征提取支路，得到第二融合特
征。5.根据权利要求4所述的方法，其特征在于，所述双重注意力模块包括：并联的空间注意力模块以及通道注意力模块；将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块中，得到第一融合特征，包括：将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块的空间注意力模块中，在空间上对所述第一语义特征信息进行两次的扁平化处理，得到第一特征和第二特征，并将转置后的所述第一特征与所述第二特征相乘，并将得到的结果通过Softmax激活函数，得到第一语义特征信息的特征权重矩阵，然后将所述特征权重矩阵与所述第一语义特征信息进行融合，得到第一空间注意力特征；将所述第一语义特征信息输入到第一条特征提取支路的所述双重注意力模块的通道注意力模块中，得到第一通道注意力特征；所述通道注意力模块与所述空间注意力模块结构相似，唯...

【专利技术属性】
技术研发人员：王雄飞，胡小平，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：