一种基于CIM-T架构的高分辨率影像变化检测方法技术

本发明专利技术公开了一种基于CIM

【技术实现步骤摘要】
一种基于CIM
‑
T架构的高分辨率影像变化检测方法


[0001]本专利技术涉及现实场景下两期遥感图像变化检测与图像处理领域，尤其涉及一种基于CIM
‑
T架构的高分辨率影像变化检测方法。

技术介绍

[0002]近年来，随着航天技术的不断发展，中国对地观测能力同步取得不断的提升，而且通过遥感卫星获得的图像的空间分辨率亦在不断提升。相对普通遥感影像，高分辨率遥感影像，特指高空间分辨率遥感影像，具有更加丰富的细节信息，并由此带来更加准确和客观的特点。因此，高分辨率遥感影像被广泛运用于城市违章建筑变化检测、土地荒漠化变化检测与农作物面积分析等重要领域。
[0003]在遥感图像应用领域中，遥感图像变化检测是遥感领域最为重要的下游任务之一。由于高分辨率遥感影像复杂的地物信息，过去的遥感图像配准仍然依赖人工解译，但人工解译方法需要高昂的人力成本，且存在较高的误检率和漏检率，满足不了实时检测的需求。为适应当今制造业的信息化和智能化的趋势，在生产环节上需要摆脱传统人力手工对产能和效率的束缚。
[0004]传统的高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CIM
‑
T架构的高分辨率影像变化检测方法，其特征在于，所述方法包括以下步骤：步骤1、采集两期遥感影像图像，获得变化检测数据集；步骤2、用所述变化检测数据集构建变化检测模型；步骤3、用所述变化检测数据集训练所述变化检测模型；步骤4、将待测图像数据集输入所述变化检测模型，得到变化检测结果；其中，所述步骤2中的所述变化检测模型是一种编码器
‑
解码器模型；编码器包括主干网络特征提取模块和标签生成器模块；解码器包括密集跳跃连接模块和ECAM模块；具体地，所述步骤2包括以下子步骤：步骤2.1、通过所述主干网络特征提取模块提取所述变化检测数据集中的多尺度特征，并记录在第一特征图中，再通过所述标签生成器模块对所述多尺度特征进行再生成；步骤2.2、通过所述密集跳跃连接模块对提取到的所述多尺度特征进行融合和增强；步骤2.3、采用所述ECAM模块对所述多尺度特征进行差异性同化，得到所述变化检测模型。2.如权利要求1所述的基于CIM
‑
T架构的高分辨率影像变化检测方法，其特征在于，所述步骤2中的所述主干网络特征提取模块由双路权值共享的孪生网络构成，把从所述两期遥感影像图像中获取的所述变化检测数据集输入所述孪生网络中，再采用CIM模块获得所述变化检测数据集中的所述多尺度特征。3.如权利要求2所述的基于CIM
‑
T架构的高分辨率影像变化检测方法，其特征在于，所述CIM模块包括卷积模块和内卷积模块，将输入的所述变化检测数据集先通过所述卷积模块进行处理，得到中间结果，再将所述中间结果输入到所述内卷积模块，得到所述多尺度特征。4.如权利要求3所述的基于CIM
‑
T架构的高分辨率影像变化检测方法，其特征在于，所述卷积模块包括：3
×
3的卷积层、第一批归一化层、激活层；所述内卷积模块包括：1
×
1的卷积核、第二批归一化层、激活函数、逐元素相加模块；通过残差连接的方式将所述内卷积模块所得的结果与所述变化检测数据集进行相加，得到所述多尺度特征，并记录在有四层的所述第一特征图中，所述第一特征图的每一层的大小不同、通道数不同；所述CIM模块由以下公式给出：x＝x+CIM(x)其中，x代表所述变化检测数据集，CIM代表的是卷积
‑
内卷积的操作所得的结果，相加操作代表所述残差连接的方式。5.如权利要求4所述的基于CIM
‑
T架构的高分辨率影像变化检测方法，其特征在于，所述标签生成器模块包含：标签编码模块和标签解码模块；所述标签编码模块是通过空间注意力模块与transformer编码模块对所述主干网络特征提取模块获得的所述多尺度特征进行编码，生成具有全局上下文信息的标签向量；所述标签解码模块是对所述标签向量采用多头层间注意力的方式，重新获得与所述第
一特征图一样大小且具有全局信息的第二特征图。6.如权利要求5所述的基于CIM
‑
T架构的高分辨率影像变化检测方法，其特征在于，对于一个上采样单元，所述密集跳跃连接模块采用双倍双线性插值的方式对所述第二特征图进行融合和增强，得到分辨率提升的所述第二特征图，再将所述第二特征图继续作为下一个上采样单元的输入，最终得到的所述第二特征图的每一层都大小相同；所述上采样单元包括：1
×
1的卷积层、批归一化层、激活函数层、双倍双线性插值层。7.如权利要求6所述的基于CIM
‑
T架构的高分辨率影像变化检测方法，其特征在于，所述ECAM模块的输入为所述第二特征图的四层特征图；所述步骤2.3包括以下子步骤：步骤2.3.1、对所述四层特征图进行直接相加，具体为：F
intra
＝x
(0,1)
+x
(0,2)
+x
(0,3)
+x
(0,4)
其中，x
(0,1)
表示第一层特征图，x
(0,2)
表示第二层特征图，x
(0,3)
表示第三层特征图，x
(0,4)
表示第四层特征...

【专利技术属性】
技术研发人员：吴徐旭，何小其，杨根科，褚健，
申请(专利权)人：上海交通大学宁波人工智能研究院，
类型：发明
国别省市：