SAR图像变化检测方法和装置制造方法及图纸

本发明专利技术实施例公开了SAR图像变化检测方法和装置。该方法包括：获取两个时相的目标SAR图像；通过特征提取网络对图像进行特征提取；特征提取网络包括：第一特征提取模块用于对图像进行特征提取得到第一特征图；第二特征提取模块包括通道注意力模块和空间注意力模块；通道注意力模块用于对第一特征图进行处理确定通道注意力权重，基于该权重对第一特征图进行加权得到第二特征图；空间注意力模块用于对第二特征图进行处理确定空间注意力权重，基于该权重对第二特征图进行加权得到目标特征图；对两个目标特征图进行差异分析；根据目标差异图确定后一时相相对于前一时相发生变化的目标图像区域。基于该方法，可提高对于SAR图像的变化检测精度。检测精度。检测精度。

【技术实现步骤摘要】
SAR图像变化检测方法和装置


[0001]本专利技术实施例涉及计算机
，尤其涉及SAR图像变化检测方法和装置质。

技术介绍

[0002]遥感影像变化检测通过计算与分析同一地理区域不同时间影像的差异，提取出地表发生的变化信息，在农业调查、城市扩展、防灾预警与灾情评估等多个领域都有广泛的应用。与常见的光学遥感影像相比，合成孔径雷达(Synthetic Aperture Radar，SAR)系统利用主动微波遥感脉冲压缩和合成孔径原理提高成像的距离分辨率和方位分辨率，不仅能够全天时、全天候地获取重访周期短、覆盖范围广的影像数据，克服光学影像容易受到阴影干扰导致样本制作与信息提取难度大等问题，而且对于水体和金属具有较强的识别能力。分辨率不断提高的SAR图像中丰富和稳定的信息能够为目标识别、分类等方面研究提供可靠的数据基础，在变化检测方面具有较大的研究价值与发展潜力。
[0003]近年来国内外对于SAR图像变化检测方法开展深入研究，基于小波卷积神经网络、深度级联网络、金字塔池化卷积神经网络与多尺度胶囊网络等结构，先后提出了一系列变化检测深度学习算法，能够从大量数据中提取不同层次的复杂特征，大幅提高影像处理的速度与精度。但是上述方法在处理变化检测任务时容易受到SAR图像中各种因素的干扰，影响信息提取的效果。
[0004]注意力机制能够对特征图进行加权处理，突出图像中重要类型地物的变化特征，抑制不感兴趣的目标和复杂的背景因素，增强噪声鲁棒性，优化信息提取的效果。目前，针对光学影像，提出了多种基于注意力机制的变化检测方法，例如深度监督图像融合网络IFN将原始图像的多级深层特征与图像差异特征进行融合，提升变化特征图的边界完整性和语义一致性；时空注意力神经网络STANet由金字塔时空注意力模块组成，利用自注意力机制为不同时间位置的两个像素点计算权重以生成具有判别性的特征，通过探究不同时空像素点之间的关系来提升变化检测性能。
[0005]然而，基于注意力机制开展SAR图像深度学习变化检测在实际应用中仍具有一定的局限性：首先，现有的变化检测模型要求被分析影像具有较高的分辨率和稳定持续的重访周期，才能提供精确的变化检测结果。然而目前大部分SAR图像的空间分辨率和时间分辨率难以同时满足上述要求。因此，需要设计一种适用于SAR图像的，并可以实现精确检测的深度学习变化检测模型。其次，由于光学影像与SAR影像在成像原理、影像特征、语义信息等方面都存在较大差异，将用于光学影像的基于注意力机制的深度学习变化检测模型直接用于SAR图像会产生许多问题。因此，目前SAR图像深度学习变化检测方法的研究大部分仍停留在理论层面，或仅能实现极小范围变化情况的简单识别与分析，实际预测效果、鲁棒性和泛化性都十分有限。

技术实现思路

[0006]本专利技术实施例的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说
明的优点。
[0007]本专利技术实施例提供了SAR图像变化检测方法和装置，其可以提取不同时相的SAR图像中小尺度目标的精细变化信息，提高对于SAR图像的变化检测精度。
[0008]第一方面，提供了一种SAR图像变化检测方法，包括：
[0009]获取两个时相的目标SAR图像；
[0010]通过特征提取网络对所述两个时相的目标SAR图像进行特征提取，得到两个时相的目标特征图；
[0011]所述特征提取网络包括：
[0012]第一特征提取模块，用于对每个时相的目标SAR图像进行特征提取，得到每个时相的第一特征图；
[0013]第二特征提取模块，包括通道注意力模块和空间注意力模块；其中，所述通道注意力模块用于基于注意力机制对每个时相的第一特征图进行处理，确定每个时相的第一特征图的通道注意力权重，并基于所述通道注意力权重对每个时相的第一特征图进行加权处理，得到每个时相的第二特征图；所述空间注意力模块用于基于注意力机制对每个时相的第二特征图进行处理，确定每个时相的第二特征图的空间注意力权重，并基于所述空间注意力权重对每个时相的第二特征图进行加权处理，得到每个时相的目标特征图；
[0014]对所述两个时相的目标特征图进行差异分析，生成目标差异图；
[0015]根据所述目标差异图，确定所述两个时相的目标SAR图像中后一时相的目标SAR图像相对于前一时相的目标SAR图像发生变化的目标图像区域。
[0016]可选地，所述第一特征提取模块包括依次连接的第一卷积层、多个残差模块和第二卷积层；
[0017]所述第一卷积层用于对每个时相的目标SAR图像进行降维处理；
[0018]每个残差模块用于对自身的输入特征进行特征提取，第一个残差模块的输入特征为所述第一卷积层的输出特征；
[0019]所述第二卷积层用于对最后一个残差模块的输出特征进行升维处理，得到与每个时相的目标SAR图像维度相同的第一特征图。
[0020]可选地，所述通道注意力模块包括第一最大池化层、第一平均池化层、第三卷积层、第一融合层、第一sigmoid激活函数和第一输出层，其中，所述第一最大池化层和第一平均池化层并联于所述第三卷积层的输入端，所述第三卷积层、所述第一融合层、所述第一sigmoid激活函数和所述第一输出层依次连接；
[0021]所述第一最大池化层和所述第一平均池化层分别用于对每个时相的第一特征图进行空间维度的最大池化处理和平均池化处理；
[0022]所述第三卷积层用于分别对所述第一最大池化层和所述第一平均池化层的输出特征进行卷积处理，以得到两个通道注意力权重矩阵；
[0023]所述第一融合层用于对所述两个通道注意力权重矩阵相加，以得到总的通道注意力权重矩阵；
[0024]所述第一sigmoid激活函数用于对所述总的通道注意力权重矩阵进行激活处理，以得到通道注意力权重；
[0025]所述第一输出层用于基于所述通道注意力权重对每个时相的第一特征图进行加
权处理，得到每个时相的第二特征图。
[0026]可选地，所述空间注意力模块包括第二最大池化层、第二平均池化层、第二融合层、第四卷积层、第二sigmoid激活函数和第二输出层，所述第二最大池化层和所述第二平均池化层并联于所述第二融合层的输入端，所述第二融合层、所述第四卷积层和所述第二输出层依次连接；
[0027]所述第二最大池化层和所述第二平均池化层分别用于对每个时相的第二特征图进行通道维度的最大池化处理和平均池化处理；
[0028]所述第二融合层用于对所述第二最大池化层和所述第二平均池化层的输出特征进行向量拼接；
[0029]所述第四卷积层用于对向量拼接得到的输出特征进行卷积处理，以得到空间注意力权重矩阵；所述第二sigmoid激活函数用于对所述空间注意力权重矩阵进行激活处理，以得到空间注意力权重；
[0030]所述第二输出层用于基于所述空间注意力权重对每个时相的第二特征图进行加权处理，得到每个时相的目标特征图。
[0031]可选地，所述对两个时相的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SAR图像变化检测方法，其特征在于，包括：获取两个时相的目标SAR图像；通过特征提取网络对所述两个时相的目标SAR图像进行特征提取，得到两个时相的目标特征图；所述特征提取网络包括：第一特征提取模块，用于对每个时相的目标SAR图像进行特征提取，得到每个时相的第一特征图；第二特征提取模块，包括通道注意力模块和空间注意力模块；其中，所述通道注意力模块用于基于注意力机制对每个时相的第一特征图进行处理，确定每个时相的第一特征图的通道注意力权重，并基于所述通道注意力权重对每个时相的第一特征图进行加权处理，得到每个时相的第二特征图；所述空间注意力模块用于基于注意力机制对每个时相的第二特征图进行处理，确定每个时相的第二特征图的空间注意力权重，并基于所述空间注意力权重对每个时相的第二特征图进行加权处理，得到每个时相的目标特征图；对所述两个时相的目标特征图进行差异分析，生成目标差异图；根据所述目标差异图，确定所述两个时相的目标SAR图像中后一时相的目标SAR图像相对于前一时相的目标SAR图像发生变化的目标图像区域。2.如权利要求1所述的SAR图像变化检测方法，其特征在于，所述第一特征提取模块包括依次连接的第一卷积层、多个残差模块和第二卷积层；所述第一卷积层用于对每个时相的目标SAR图像进行降维处理；每个残差模块用于对自身的输入特征进行特征提取，第一个残差模块的输入特征为所述第一卷积层的输出特征；所述第二卷积层用于对最后一个残差模块的输出特征进行升维处理，得到与每个时相的目标SAR图像维度相同的第一特征图。3.如权利要求1所述的SAR图像变化检测方法，其特征在于，所述通道注意力模块包括第一最大池化层、第一平均池化层、第三卷积层、第一融合层、第一sigmoid激活函数和第一输出层，其中，所述第一最大池化层和第一平均池化层并联于所述第三卷积层的输入端，所述第三卷积层、所述第一融合层、所述第一sigmoid激活函数和所述第一输出层依次连接；所述第一最大池化层和所述第一平均池化层分别用于对每个时相的第一特征图进行空间维度的最大池化处理和平均池化处理；所述第三卷积层用于分别对所述第一最大池化层和所述第一平均池化层的输出特征进行卷积处理，以得到两个通道注意力权重矩阵；所述第一融合层用于对所述两个通道注意力权重矩阵相加，以得到总的通道注意力权重矩阵；所述第一sigmoid激活函数用于对所述总的通道注意力权重矩阵进行激活处理，以得到通道注意力权重；所述第一输出层用于基于所述通道注意力权重对每个时相的第一特征图进行加权处理，得到每个时相的第二特征图。4.如权利要求1所述的SAR图像变化检测方法，其特征在于，所述空间注意力模块包括第二最大池化层、第二平均池化层、第二融合层、第四卷积层、第二sigmoid激活函数和第二
输出层，所述第二最大池化层和所述第二平均池化层并联于所述第二融合层的输入端，所述第二融合层、所述第四卷积层和所述第二输出层依次连接；所述第二最大池化层和所述第二平均池化层分别用于对每个时相的第二特征图进行通道维度的最大池化处理和平均池化处理；所述第二融合层用于对所述第二最大池化层和所述第二平均池化层的输出特征进行向量拼接；所述第四卷积层用于对向量拼接得到的输出特征进行卷积处理，以得到空间注意力权重矩阵；所述第二sigmoid激活函数用于对所述空间注意力权重矩阵进行激活处理，以得到空间注意力权重；所述第二输出层用于基于所述空间注意力权重对每个时相的第二特征图进行加权处理，得到每个时相的目标特征图。5.如权利要求1所述的SAR图像变化检测方法，其特征在于，所述对两个时相的目标特征...

【专利技术属性】
技术研发人员：赵江洪，李泽宇，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：