遥感图像变化检测方法技术

本发明专利技术提供一种遥感图像变化检测方法，包括：获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像；对多对双时相遥感图像进行预处理，得到多对输入图像；将多对输入图像输入预先搭建的变化检测网络，使用基于像素的损失函数对变化检测网络中的参数进行优化，变化检测网络包括基于ConvNeXtV2的编码模块、基于M2SNet的特征融合模块和解码模块；使用基于搜索粒子的演化算法，对优化后的变化检测网络进行训练，得到训练好的变化检测网络；将待检测的双时相遥感图像输入训练好的变化检测网络，得到变化检测结果。本发明专利技术在变化检测网络的训练过程中避免陷入局部最优解，同时避免产生梯度消失和梯度爆炸现象，可以应用于物料分选作业。可以应用于物料分选作业。可以应用于物料分选作业。

【技术实现步骤摘要】
遥感图像变化检测方法


[0001]本专利技术涉及遥感图像检测
，尤其涉及一种遥感图像变化检测方法。

技术介绍

[0002]随着遥感技术的不断发展和应用，遥感图像在自然资源调查、环境监测、城市规划等方面起到了重要作用。然而，由于自然环境和人类活动的影响，遥感图像随着时间的推移可能会发生变化，如土地利用、植被覆盖、建筑物等等。因此，准确地检测遥感图像中的变化，对于保护自然资源和管理城市规划具有重要的意义。
[0003]目前，遥感图像变化检测方法主要采用像元差异法和特征差异法，但这些方法受到许多因素的影响，如云雾、影子、光照变化等。
[0004]CN201910845085.6提出一种基于孪生网络的SAR图像变化检测方法，通过基于独立性分析的预分类策略，能够获得更可靠的训练数据集，同时使用深度学习框架构建基于特征融合和自适应池化的孪生网络模型，提高了SAR图像变化检测的对噪声的鲁棒性，并且该方法具有较强的任务适应性和泛化能力。
[0005]CN202211188122.9提出一种融合多种变化检测算法的红树林动态监测方法，该方法基于多元光谱指数和年际时间序列，无需训练样本，可绘制历年生长红树林的区域；通过评估多个光谱指数检测红树林扩张的适用性，筛选出最优指数，提高了变化检测算法监测红树林动态变化的能力；通过融合7种变化检测算法提出了检测红树林历史扩张、监测其近实时变化和预测其未来发展趋势的方法，并在像点尺度和区域尺度上综合分析红树林的变化，更清晰地揭示了红树林的时空变化规律。
[0006]CN202211027648.9提出一种基于轻量级网络的建筑物变化检测方法，使用轻量级网络提取建筑物特征，降低了网络的参数量和计算量，保证网络拥有更小的体积和更快的运行速度；同时在特征融合阶段利用反卷积动态学习权重参数，减少在尺寸恢复阶段有用信息的丢失，从而保证建筑物变化检测的精度。
[0007]然而，上述现有的遥感图像变化检测方法仍然存在一些问题难以解决，尤其是对遥感图像的特征提取不充分，导致特征提取效果差，进一步导致变化检测精度低。此外，现有方法多使用梯度下降和误差反向传播的方式进行网络参数的优化，容易陷入局部最优解，同时容易产生梯度消失和梯度爆炸现象。

技术实现思路

[0008]鉴于上述问题，本专利技术提供了一种遥感图像变化检测方法，提高遥感图像变化检测的准确性和可靠性。
[0009]本专利技术一方面提供了一种遥感图像变化检测方法，包括：步骤S1，获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像；步骤S2，对多对双时相遥感图像进行预处理，得到多对输入图像；步骤S3，将多对输入图像输入预先搭建的变化检测网络，使用基于像素的损失函数对变化检测网络中的参数进行优化，其中，变化检测
网络依次包括基于ConvNeXtV2的编码模块、基于M2SNet的特征融合模块和解码模块；步骤S4，使用基于搜索粒子的演化算法，对优化后的变化检测网络进行训练，得到训练好的变化检测网络；步骤S5，将待检测的双时相遥感图像输入训练好的变化检测网络，得到变化检测结果。
[0010]根据本专利技术的实施例，步骤S1具体包括：从预设的多个变化检测数据集获取多对双时相遥感图像，其中，多个变化检测数据集包括LEVIR
‑
CD数据集和CDD数据集。
[0011]根据本专利技术的实施例，在步骤S2，对多对双时相遥感图像进行预处理，包括针对多对双时相遥感图像中的每张遥感图像，执行以下操作中的至少之一：将该张遥感图像裁剪为预定尺寸；对该张遥感图像进行降噪；去除该张遥感图像中的冗余数据；对该张遥感图像中的各个像素进行非线性低通滤波。
[0012]根据本专利技术的实施例，在步骤S3，基于ConvNeXtV2的编码模块依次包括：输入层，用于将接收多对输入图像中的每个输入图像；2D卷积层，用于提取每个输入图像的卷积特征图；第一层归一化，用于对卷积特征图中的每个特征值进行归一化，得到第一归一化特征图；第一ConvNeXt单元，使用完全卷积的自编码器结构，通过学习重构损失来学习第一归一化特征图的特征表示，并结合GRN层来增强第一归一化特征图的不同通道间的特征竞争，形成第一重构特征图；一个或多个组合块，每个组合块包括依次连接的下采样层和第二ConvNeXt单元，其中，下采样层用于对第一重构特征图进行降采样，第二ConvNeXt单元用于将降采样后的第一重构特征图转换为第二重构特征图；全局平均池化，用于对第二重构特征图的所有空间位置的特征值进行全局平均池化，得到池化特征图；第二层归一化，用于对池化特征图中的每个特征值进行归一化，得到第二归一化特征图；线性变换层，用于对第二归一化特征图在高维特征空间中进行特征表示，得到中间特征图；输出层，用于输出中间特征图。
[0013]根据本专利技术的实施例，第一ConvNeXt单元和第二ConvNeXt单元均采用ConvNeXt V2模型，包括基于稀疏卷积的自编码器和轻量级的解码器；ConvNeXt V2模型按照以下公式来计算：；式中，X是输入特征图，是重构特征图，f(
·
)是自编码器，g(
·
)是解码器。
[0014]根据本专利技术的实施例，在步骤S3，基于M2SNet的特征融合模块采用多尺度减法网络，用于针对每对输入图像对应的一对中间特征图：计算该对中间特征图在多个尺度下的差分特征，多个尺度包括顺序和感受野大小；对每个尺度下的差分特征进行汇聚，输出该对中间特征图对应的两个互补增强特征图。
[0015]根据本专利技术的实施例，在步骤S3，解码模块采用反卷积解码器，用于将两个互补增强特征图转换为与输入图像相同大小的输出图像。
[0016]根据本专利技术的实施例，在步骤S3，针对每对输入图像对应的输出图像，基于像素的损失函数L按照以下公式来表示：；
式中，y
i,j
和分别表示输入图像和输出图像中像素(i,j)的真实值和预测值，N和M分别表示输入图像的高和宽；w
i,j
是像素(i,j)的权重，w
i,j
按照以下公式来表示：；式中，σ
i,j
是像素(i,j)的标准差，表示该像素的置信度。
[0017]根据本专利技术的实施例，步骤S4具体包括：步骤S41，随机生成一组初始种群，初始种群包括多个搜索粒子个体，每个搜索粒子个体表征了优化后的变化检测网络的参数空间中的一个解，且是搜索粒子映射到参数空间的初始解；步骤S42，计算每个搜索粒子个体的适应度；步骤S43，根据适应度，采用轮盘赌的方式从初始种群中选择部分搜索粒子个体，采用选择和交叉的方式产生下一代种群；步骤S44，针对下一代种群中的每个新粒子个体，采用搜索粒子变异的方式生成参数空间的新解；步骤S45，基于新解，计算每个新粒子个体的适应度；步骤S46，重复上述步骤S42~步骤S45，直到达到预设的迭代次数，得到参数空间的最优解，形成训练好的变化检测网络。
[0018]根据本专利技术的实施例，在步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像变化检测方法，其特征在于，包括：步骤S1，获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像；步骤S2，对所述多对双时相遥感图像进行预处理，得到多对输入图像；步骤S3，将所述多对输入图像输入预先搭建的变化检测网络，使用基于像素的损失函数对所述变化检测网络中的参数进行优化，其中，所述变化检测网络依次包括基于ConvNeXtV2的编码模块、基于M2SNet的特征融合模块和解码模块；步骤S4，使用基于搜索粒子的演化算法，对优化后的变化检测网络进行训练，得到训练好的变化检测网络；步骤S5，将待检测的双时相遥感图像输入所述训练好的变化检测网络，得到变化检测结果。2.根据权利要求1所述的遥感图像变化检测方法，其特征在于，所述步骤S1具体包括：从预设的多个变化检测数据集获取所述多对双时相遥感图像，其中，所述多个变化检测数据集包括LEVIR
‑
CD数据集和CDD数据集。3.根据权利要求1所述的遥感图像变化检测方法，其特征在于，在步骤S2，对所述多对双时相遥感图像进行预处理，包括针对所述多对双时相遥感图像中的每张遥感图像，执行以下操作中的至少之一：将该张遥感图像裁剪为预定尺寸；对该张遥感图像进行降噪；去除该张遥感图像中的冗余数据；对该张遥感图像中的各个像素进行非线性低通滤波。4.根据权利要求1所述的遥感图像变化检测方法，其特征在于，在步骤S3，所述基于ConvNeXtV2的编码模块依次包括：输入层，用于将接收所述多对输入图像中的每个输入图像；2D卷积层，用于提取所述每个输入图像的卷积特征图；第一层归一化，用于对所述卷积特征图中的每个特征值进行归一化，得到第一归一化特征图；第一ConvNeXt单元，使用完全卷积的自编码器结构，通过学习重构损失来学习所述第一归一化特征图的特征表示，并结合GRN层来增强所述第一归一化特征图的不同通道间的特征竞争，形成第一重构特征图；一个或多个组合块，每个所述组合块包括依次连接的下采样层和第二ConvNeXt单元，其中，所述下采样层用于对所述第一重构特征图进行降采样，所述第二ConvNeXt单元用于将降采样后的第一重构特征图转换为第二重构特征图；全局平均池化，用于对所述第二重构特征图的所有空间位置的特征值进行全局平均池化，得到池化特征图；第二层归一化，用于对所述池化特征图中的每个特征值进行归一化，得到第二归一化特征图；线性变换层，用于对所述第二归一化特征图在高维特征空间中进行特征表示，得到中间特征图；
输出层，用于输出所述中间特征图。5.根据权利要求4所述的遥感图像变化检测方法，其特征在于，所述第一ConvNeXt单元和第二ConvNeXt单元均采用ConvNeXt V2模型...

【专利技术属性】
技术研发人员：黄智祺，王峰，尤红建，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：