本发明专利技术公开了一种基于注意力机制的土地变化类型检测方法及装置，该方法包括：获取训练双时相SAR数据和训练双时相光学数据；将训练双时相SAR数据进行第一预处理得到第一训练数据，将训练双时相光学数据进行第二预处理得到第二训练数据；将第一训练数据和第二训练数据输入至预设神经网络中进行训练；获取待检测区域的双时相SAR数据和双时相光学数据，并将双时相SAR数据进行第一预处理得到第一数据，将双时相光学数据进行第三预处理得到第二数据；将第一数据和第二数据输入至训练好的预设神经网络中，从而得到土地变化类型识别检测结果，实现了快速准确地对土地变化类型进行检测，且无需复杂方程式，其适用性较高。其适用性较高。其适用性较高。
【技术实现步骤摘要】
一种基于注意力机制的土地变化类型检测方法及装置
[0001]本专利技术属于土地变化类型检测
，具体涉及一种基于注意力机制的土地变化类型检测方法及装置。
技术介绍
[0002]土地变化类型检测通常是通过变化检测算法来对同一地区不同时相的遥感影像定量地比较、分析和确定出地表变化特征的研究，也即由一种地物变成另一种地物的研究，随着世界人口的迅速增长，目前人类正面临严重的森林退化、荒漠化、土壤流失、土地减产和生物多样性消失等严重问题，土地覆盖的变化检测的必要性越来越凸显出来，遥感技术具有实时、快速、覆盖范围广以及周期性等特点，但是光学遥感图像在多云多雨地区难以获取高质量的影像，这对变化检测具有较大的影响，而不受云雨天气影响的合成孔径雷达数据(Synthetic Aperture Radar，SAR)成为其重要的可替代数据。
[0003]当前通过SAR数据进行土地变化检测的方法是通过勾绘变化矢量辅以实地调研的方式进行，这种方法人为主观因素的干扰，且效率低下，不利于获取大区域变化检测结果，难以适应高效的土地管理模式，一些的阈值分割、分类等算法在进行土地变化检测的时候，存在各种缺陷，例如仅使用初始特征进行运算，高维和抽象特征未经表达，并且特征需要人工定义和计算，通过复杂的目标方程式进行迭代，然后判断变化类型，其算法适用性较差。
[0004]因此，如何提供一种快速准确且适用性较高的土地变化类型检测方法是本领域技术人员有待解决的技术问题。
技术实现思路
[0005]本专利技术的目的是为了解决现有技术中对土地变化类型检测复杂性较高且适用性较低的技术问题。
[0006]为实现上述技术目的，一方面，本专利技术提供了一种基于注意力机制的土地变化类型检测方法，该方法包括：
[0007]获取训练区域的训练双时相SAR数据和训练双时相光学数据，所述训练双时相SAR数据和训练双时相光学数据是一一对应的；
[0008]将所述训练双时相SAR数据进行第一预处理得到第一训练数据，将所述训练双时相光学数据进行第二预处理得到第二训练数据；
[0009]将所述第一训练数据和第二训练数据输入至预设神经网络中进行训练，其中，所述预设神经网络为基于注意力模块和U
‑
Net网络建立的神经网络；
[0010]获取待检测区域的双时相SAR数据和双时相光学数据，并将所述双时相SAR数据进行所述第一预处理得到第一数据，将所述双时相光学数据进行第三预处理得到第二数据；
[0011]将所述第一数据和第二数据输入至训练好的预设神经网络中，从而得到土地变化类型识别检测结果，其中，所述训练区域和所述待检测区域为相同地形地貌特征的区域。
[0012]进一步地，所述土地变化类型具体包括未变化类型、耕地变果园类型、耕地变道路
类型、裸地变建筑用地类型和其他变化类型。
[0013]进一步地，所述预设神经网络具体为：将所述注意力模块分别插入所述U
‑
Net网络中编码器每层的卷积之后和池化之前，插入完成后的U
‑
Net网络即为所述预设神经网络，所述预设神经网络包括编码器和解码器，编码器用于特征提取，所述编码器包括反卷积和双线性差值两种上采样，通过跳跃连接融合经过注意力模块的特征图和经过上采样的特征图。
[0014]进一步地，所述双时相SAR数据和训练双时相SAR数据均为双时相全极化SAR数据，所述第一预处理具体包括：
[0015]根据所述输入数据的极化分解方式提取SAR特征影像，所述输入数据具体为训练双时相SAR数据或双时相SAR数据；
[0016]将所述SAR特征影像做对数比值从而获取特征差异影像；
[0017]将所述特征差异影像进行标准化；
[0018]将进行标准化后的特征差异影像依次进行裁剪和重采样。
[0019]进一步地，所述第二预处理具体包括：
[0020]将所述训练双时相光学数据依次进行辐射标定、大气校正和配准得到一级训练数据；
[0021]根据所述一级训练数据制作对应的矢量标签数据；
[0022]将所述矢量标签数据中各土地变化类型赋予属性，所述属性包括未变化属性、耕地变果园属性、耕地变道路属性、裸地变建筑用地属性和其他变化属性；
[0023]将赋予属性后的矢量标签数据进行栅格化得到对应的单通道标签图像；
[0024]将所述单通道标签图像转换为多通道的RGB标签图像；
[0025]将所述RGB标签图像进行依次裁剪和重采样。
[0026]进一步地，所述第三预处理具体包括：
[0027]将所述双时相光学数据依次进行辐射标定、大气校正和配准后得到一级数据；
[0028]将所述一级数据依次进行裁剪和重采样。
[0029]进一步地，所述将所述第一训练数据和第二训练数据输入至预设神经网络中进行训练，具体包括：
[0030]将所述第一训练数据和第二训练数据进行数据增强处理得到对应的第一增强训练数据和第二增强训练数据；
[0031]根据训练、测试和验证之间8:1:1的比例分别对所述第一增强训练数据和第二增强训练数据进行分配；
[0032]将分配好的第一增强训练数据和第二增强训练数据输入至所述预设神经网络中进行训练。
[0033]另一方面，本专利技术还提供了一种基于注意力机制的土地变化类型检测装置，所述装置包括：
[0034]第一获取模块，用于获取训练区域的训练双时相SAR数据和训练双时相光学数据，所述训练双时相SAR数据和训练双时相光学数据是一一对应的；
[0035]预处理模块，用于将所述训练双时相SAR数据进行第一预处理得到第一训练数据，将所述训练双时相光学数据进行第二预处理得到第二训练数据；
[0036]训练模块，用于将所述第一训练数据和第二训练数据输入至预设神经网络中进行训练，其中，所述预设神经网络为基于注意力模块和U
‑
Net网络建立的神经网络；
[0037]第二获取模块，用于获取待检测区域的双时相SAR数据和双时相光学数据，并将所述双时相SAR数据进行所述第一预处理得到第一数据，将所述双时相光学数据进行第三预处理得到第二数据；
[0038]识别检测模块，用于将所述第一数据和第二数据输入至训练好的预设神经网络中，从而得到土地变化类型识别检测结果，其中，所述训练区域和所述待检测区域为相同地形地貌特征的区域。
[0039]进一步地，所述预设神经网络具体为：将所述注意力模块分别插入所述U
‑
Net网络中编码器每层的卷积之后和池化之前，插入完成后的U
‑
Net网络即为所述预设神经网络，所述预设神经网络包括编码器和解码器，编码器用于特征提取，所述编码器包括反卷积和双线性差值两种上采样，通过跳跃连接融合经过注意力模块的特征图和经过上采样的特征图。
[0040]与现有技术相比，本专利技术具备以下有益效果：
[0041]本专利技术通本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的土地变化类型检测方法，其特征在于，所述方法包括：获取训练区域的训练双时相SAR数据和训练双时相光学数据，所述训练双时相SAR数据和训练双时相光学数据是一一对应的；将所述训练双时相SAR数据进行第一预处理得到第一训练数据，将所述训练双时相光学数据进行第二预处理得到第二训练数据；将所述第一训练数据和第二训练数据输入至预设神经网络中进行训练，其中，所述预设神经网络为基于注意力模块和U
‑
Net网络建立的神经网络；获取待检测区域的双时相SAR数据和双时相光学数据，并将所述双时相SAR数据进行所述第一预处理得到第一数据，将所述双时相光学数据进行第三预处理得到第二数据；将所述第一数据和第二数据输入至训练好的预设神经网络中，从而得到土地变化类型识别检测结果，其中，所述训练区域和所述待检测区域为相同地形地貌特征的区域。2.如权利要求1所述的基于注意力机制的土地变化类型检测方法，其特征在于，所述土地变化类型具体包括未变化类型、耕地变果园类型、耕地变道路类型、裸地变建筑用地类型和其他变化类型。3.如权利要求1所述的基于注意力机制的土地变化类型检测方法，其特征在于，所述预设神经网络具体为：将所述注意力模块分别插入所述U
‑
Net网络中编码器每层的卷积之后和池化之前，插入完成后的U
‑
Net网络即为所述预设神经网络，所述预设神经网络包括编码器和解码器，编码器用于特征提取，所述编码器包括反卷积和双线性差值两种上采样，通过跳跃连接融合经过注意力模块的特征图和经过上采样的特征图。4.如权利要求1所述的基于注意力机制的土地变化类型检测方法，其特征在于，所述双时相SAR数据和训练双时相SAR数据均为双时相全极化SAR数据，所述第一预处理具体包括：根据所述输入数据的极化分解方式提取SAR特征影像，所述输入数据具体为训练双时相SAR数据或双时相SAR数据；将所述SAR特征影像做对数比值从而获取特征差异影像；将所述特征差异影像进行标准化；将进行标准化后的特征差异影像依次进行裁剪和重采样。5.如权利要求1所述的基于注意力机制的土地变化类型检测方法，其特征在于，所述第二预处理具体包括：将所述训练双时相光学数据依次进行辐射标定、大气校正和配准得到一级训练数据；根据所述一级训练数据制作对应的矢量标签数据；将所述矢量标签数据中各土地变化类型赋予属性，所述属性包括未变化属性、耕地变果园属性、耕地变道路属性、裸地变建筑...
【专利技术属性】
技术研发人员：李世华，刘玉婷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。