本发明专利技术提供一种用于遥感矿斑层级特征增强的变化检测系统及方法，属于图像处理技术领域，解决了传统变化检测方法中的局限性问题；包括：数据预处理模块，编码器模块，解码器模块；原始遥感矿斑图像首先经过数据预处理模块，再将处理后的数据输入编码器模块中，提取遥感图像的多层语义信息，同时，编码器模块将深层次语义信息和浅层次语义信息合理结合，得到更有价值的特征图；在解码器模块，解码器由自适应尺度增强模块和监督注意力模块组成，实现对特征图的解码，最后逐级相加得到解码后的多个不同层级的特征图用于计算损失函数；本发明专利技术具有能充分挖掘、捕获遥感图像多层次信息特征的特点，能够高效的完成遥感矿斑图像的变化检测任务。检测任务。检测任务。
【技术实现步骤摘要】
一种用于遥感矿斑层级特征增强的变化检测系统及方法
[0001]本专利技术属于图像处理
，应用于遥感矿斑检测过程中，具体为一种用于遥感矿斑层级特征增强的变化检测系统及方法。
技术介绍
[0002]遥感图像(Remote Sensing Image，RS)是指记录各种地物电磁波大小的照片，主要分为航空相片和卫星相片，经转换成数字图像后，可用于计算机处理。随着遥感卫星技术的发展，遥感图像资源越来越丰富，遥感大数据也越来越全面。如今，遥感图像已在众多任务中得到应用并取得成效，诸如地物遥感的语义分割任务、变化检测任务等。
[0003]变化检测是计算机视觉中的基本任务，该任务是通过在不同时间观察的方式，来识别物体或现象状态差异的过程，达到检测目的；基于遥感数据的变化检测任务，已成为检测地球表面变化的重要方法，在环境资源监测、城市规划、农业调查、灾害评估和地图修订中都具有广泛的应用。和语义分割任务不同，变化检测研究的场景主要是遥感影像而非自然场景，因此变化检测方法的研究具有针对性。依据图像分析对象的不同，变化检测方法可以分为基于像素的变化检测和基于目标的变化检测。
[0004]随着遥感卫星技术的成熟，以遥感图像为载体进行地物遥感已成为常见且重要的手段。遥感图像数据视场角大、图像包含的信息丰富；但由于拍摄点与地面之间的距离遥远，遥感图像的清晰度和分辨率一般较低。现有技术中，利用图像的颜色、纹理等初级特征，进行遥感图像的变化检测；诸如直接比较法、影像变化类方法、分类后比较法等，这样的方法可以用于变化检测过程，但这类方法未能充分利用遥感图像的深层次信息，导致结果较差。
[0005]现有技术中，基于深度学习的变化检测方法，都是先对输入的多时序图像，独立的进行多层级编码来实现特征提取，得到从浅层次到深层次的多个特征图，然后将每个层级的特征图对应做差，得到差异图，再对差异图进行解码操作，从而得出变化预测的结果。但是，如今的很多方法在编码阶段，对各个层级的特征都是独立的处理，忽略了深层次特征和浅层次特征之间的关系。因此，如何加强在编码阶段不同层级特征之间的关联，如何保证当前层级特征的特异性，均是变化检测方法的关键，也是本领域技术人员的研究重点。
技术实现思路
[0006]本专利技术的目的是针对遥感矿斑影像的变化检测任务，给出一种新的检测系统及方法，同时避免现有技术中基于深度学习的变化检测方法中存在的问题；本专利技术的方法能充分挖掘遥感图像多层次信息，通过设计层级特征增强注意力模块，实现多层级特征关联；还设计了自适应尺度增强模块，其采用渐进式加和方式，对特征进行解码，从而更好的捕获图像多尺度特征。本专利技术应用于遥感图像变化检测任务中，具有重要的意义和价值。
[0007]本专利技术采用了以下技术方案来实现目的：
[0008]一种用于遥感矿斑层级特征增强的变化检测系统，包括：数据预处理模块、编码器
模块和解码器模块；
[0009]所述数据预处理模块，用于对原始遥感矿斑图像进行数据预处理过程，并将完成预处理后的数据传输至编码器模块中；
[0010]所述编码器模块，用于将完成预处理后的数据中的深层次语义信息和浅层次语义信息结合，得到信息结合后的特征图；
[0011]所述解码器模块，用于对信息结合后的特征图进行解码，解码完成后，计算损失函数，获得变化检测结果。
[0012]优选的，所述数据预处理模块中包括神经网络模型，所述神经网络模型用于接受原始遥感矿斑图像的输入。
[0013]具体的，所述神经网络模型中，输入的原始遥感矿斑图像为X0∈N
W
×
H
×
C
，其中，W、H代表图像的宽高尺寸，C代表遥感图像通道数；所述神经网络模型还用于，对原始遥感矿斑图像，计算图像整体数据的均值和方差，进行归一化处理，再进行数据增强过程，得出预处理后的遥感图像数据X
′0；同样的，预处理后的遥感图像数据X
′0∈N
W
×
H
×
C
。
[0014]变化检测任务时，原始矿斑图像以图像对形式存在，即X0∈N
W
×
H
×
C
和X1∈N
W
×
H
×
C
；两幅图像在裁剪时需选择相同的经纬度坐标，以完成配准；当数据预处理结束后，得到对应两幅图像的遥感图像数据为X
′0∈N
W
×
H
×
C
和X
′1∈N
W
×
H
×
C
。
[0015]在预处理模块中进行的数据增强过程，其中训练集遥感图像尺寸为128
×
128
×
3；对于训练集图像，一是对图像上采样，得到尺寸256
×
256
×
3的遥感图像；二是以50％概率翻转遥感图像；三是对图像进行随机裁剪。
[0016]进一步的，所述编码器模块，由主干网络和层级增强注意力模块组成；编码器模块用于对预处理后的数据中的多层级特征进行提取，并通过元素相减的方式得到编码后的差异特征图，实现多层次语义信息的结合过程。
[0017]优选的，所述主干网络采用轻量级主干MobileNetV2网络，来提取双时态特征；主干网络的每个阶段都包含一个步长为2的卷积层，并将轻量级主干MobileNetV2网络中原有的平均池化层和最后一个全连接层移除，从而得到四个阶段的输出特征。
[0018]进一步的，所述解码器模块，由自适应尺度增强模块和监督注意力模块组成，其中自适应尺度增强模块用于结合输入此模块的特征图尺寸大小，匹配一个对应大小的感受野来进行特征提取；解码器模块用于对信息结合后的特征图的解码过程，通过逐级相加的方式，得到多个不同层级的解码后特征图，并依据解码后特征图，计算损失函数，从而获得变化检测结果。
[0019]本专利技术同时提供一种用于遥感矿斑层级特征增强的变化检测方法，包括如下步骤：
[0020]S1、获取原始遥感矿斑图像X0∈N
W
×
H
×
C
，其中，W、H代表图像的宽高尺寸，C代表遥感图像通道数；
[0021]S2、对原始遥感矿斑图像X0进行数据预处理，得到预处理后的遥感图像数据X
′0，同样的，X
′0∈N
W
×
H
×
C
；
[0022]S3、提取遥感图像数据X
′0中的多层语义信息并结合，得到信息结合后的特征图；
[0023]S4、对信息结合后的特征图进行解码，通过逐级相加的方式，得到多个不同层级的解码后特征图；
[0024]S5、依据多个不同层级的解码后特征图，计算损失函数，获得变化检测结果。
[0025]具体的，所述S2中，数据预处理过程具体为：计算原始遥感矿斑图本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于遥感矿斑层级特征增强的变化检测系统，其特征在于，包括：数据预处理模块、编码器模块和解码器模块；所述数据预处理模块，用于对原始遥感矿斑图像进行数据预处理过程，并将完成预处理后的数据传输至编码器模块中；所述编码器模块，用于将完成预处理后的数据中的深层次语义信息和浅层次语义信息结合，得到信息结合后的特征图；所述解码器模块，用于对信息结合后的特征图进行解码，解码完成后，计算损失函数，获得变化检测结果。2.根据权利要求1所述的一种用于遥感矿斑层级特征增强的变化检测系统，其特征在于：所述数据预处理模块中包括神经网络模型，所述神经网络模型用于接受原始遥感矿斑图像的输入。3.根据权利要求2所述的一种用于遥感矿斑层级特征增强的变化检测系统，其特征在于：所述神经网络模型中，输入的原始遥感矿斑图像为X0∈N
W
×
H
×
C
，其中，W、H代表图像的宽高尺寸，C代表遥感图像通道数；所述神经网络模型还用于，对原始遥感矿斑图像，计算图像整体数据的均值和方差，进行归一化处理，再进行数据增强过程，得出预处理后的遥感图像数据X
′0；同样的，预处理后的遥感图像数据X
′0∈N
W
×
H
×
C
。4.根据权利要求1所述的一种用于遥感矿斑层级特征增强的变化检测系统，其特征在于：所述编码器模块，由主干网络和层级增强注意力模块组成；编码器模块用于对预处理后的数据中的多层级特征进行提取，并通过元素相减的方式得到编码后的差异特征图，实现多层次语义信息的结合过程。5.根据权利要求4所述的一种用于遥感矿斑层级特征增强的变化检测系统，其特征在于：所述主干网络采用轻量级主干MobileNetV2网络，来提取双时态特征；主干网络的每个阶段都包含一个步长为2的卷积层，并将轻量级主干MobileNetV2网络中原有的平均池化层和最后一个全连接层移除，从而得到四个阶段的输出特征。6.根据权利要求1所述的一种用于...
【专利技术属性】
技术研发人员：许廷发，穆峰，李佳男，沈宁，秦昊林，黄诗琪，
申请(专利权)人：北京理工大学重庆创新中心，
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。