一种卫星遥感影像建筑物变化检测方法技术

本发明专利技术提出一种卫星遥感影像建筑物变化检测方法，属于卫星影像变化检测技术领域。本发明专利技术基于训练好的建筑物变化检测模型实现建筑物的提取以及对建筑物是否发生变化的检测，该模型包括主干网络和头部网络。首先通过主干网络提取输入的两个时相遥感影像的多尺度特征，再通过头部网络中的两个建筑物提取网络分别实现两个时相遥感影像的建筑物提取，通过头部网络中的变化检测网络检测两个时相遥感影像的建筑物是否发生变化。相比与现有技术将遥感影像建筑物的提取与变换检测分开进行，本发明专利技术通过该模型同时实现建筑物的提取和变化检测，提高了工作效率，同时简化了处理步骤。同时简化了处理步骤。同时简化了处理步骤。

【技术实现步骤摘要】
一种卫星遥感影像建筑物变化检测方法


[0001]本专利技术涉及一种卫星遥感影像建筑物变化检测方法，属于卫星影像变化检测


技术介绍

[0002]遥感影像的处理和解译是测绘生产的重要任务之一，也是实现国土空间规划精准管控的关键技术之一。其中，实时、快速的建筑物提取对城市规划、灾害应急响应、基础地理信息更新等有着重要意义。
[0003]近年来，采用能够学习影像深层次特征的深度学习网络被广泛应用到建筑物的识别与提取中，例如基于Fast
‑
Rcnn探测建筑物、基于GAN的图像分割直接转换、基于FCN的建筑物分类、基于解码器
‑
编码器结构实现建筑物轮廓识别；同样在此基础上也进行了改进，提出各种顾及地物要素特征的遥感要素提取和变化更新方法，极大提高了要素提取的精度。
[0004]另外建筑物变化检测也是长期研究的重点，相比于建筑轮廓提取任务，变化检测要同时对比双时相的影像特征并提取变化图斑。基于卷积网络的变化检测方法一般分为两类，一是先提取每个时相的建筑信息，再通过对比确定差异图斑；二是通过设计网络结构实现直接提取变化图斑，最长被使用的卷积网络结构是全卷积孪生网络，其使用一个共享的编码器结构提取双时相影像特征，进而探测差异图斑。基于此网络，后续有研究将经典的深度卷积网络应用到编码解码结构当中。还有将注意力机制引入变化检测网络中，并设计了一个时空注意力模型进一步增强网络对特征的学习能力。但是现有大多网络都受限于训练样本的数量和差异性，基于卷积神经网络的影像分割与识别算法由于视觉退化问题，故在密集小目标探测、边缘高精度分类任务上表现不佳。当前的遥感影像建筑物提取与变换检测通常是分开进行的，这一方面限制了算法的精度，同时也存在效率与样本利用率的问题。

技术实现思路

[0005]本专利技术的目的是提供一种卫星遥感影像建筑物变化检测方法，以解决现有技术中建筑物提取与变换检测分步进行导致的效率不高的问题。
[0006]本专利技术提出一种卫星遥感影像建筑物变化检测方法，该方法包括以下步骤：
[0007]1)获取目标区两个时相的卫星遥感影像数据；
[0008]2)将获取的两个时相的卫星遥感影像输入到已训练的建筑物变化检测模型中，以实现对两个时相的卫星遥感影像的建筑物提取以及对所述两个时相的卫星遥感影像中的建筑物是否变化的检测；
[0009]所述建筑物变化检测模型包括主干网络和头部网络，所述主干网络用于分别提取第一时相影像的多尺度特征和第二时相影像的多尺度特征；
[0010]所述头部网络用于分别根据第一时相影像的多尺度特征和第二时相影像的多尺度特征提取第一时相影像的建筑物和第二时相影像的建筑物，并进行建筑物是否变化的检
测；该头部网络包括第一建筑物提取网络、第二建筑物提取网络和变化检测网络；其中，第一建筑物提取网络根据输入的第一时相影像的多尺度特征，提取第一时相影像的建筑物，第二建筑物提取网络根据输入的第二时相影像的多尺度特征，提取第二时相影像的建筑物，变化检测网络根据输入的第一时相影像的多尺度特征、第二时相影像的多尺度特征检测目标区建筑物是否发生变化。
[0011]本专利技术利用已经训练好的建筑物变化检测模型，通过模型中的主干网络对两个时相的卫星遥感影像分别进行多尺度特征提取，并基于提取出的两个时相的卫星遥感影像的多尺度特征，采用头部网络中的第一、第二建筑提取网络分别提取第一时相、第二时相的影像的建筑物，并利用变化检测网络检测目标区建筑物是否发生变化；相比与现有技术将遥感影像建筑物的提取与变换检测分开进行，本专利技术通过该模型同时实现建筑物的提取和变化检测，提高了工作效率，同时简化了处理步骤。
[0012]进一步地，所述变化检测网络包括多层子网络和一个卷积层，所述子网络包括依次连接的卷积层、归一化层和非线性激活层。
[0013]通过上述过程将获取的影像多尺度特征依次输入到每一层子网络进行处理，利用卷积层提取局部特征，利用归一化层进行规范化处理，利用非线性激活层剔除冗余信息，以得到更准确的影像特征，最后经过一个卷积层确定建筑物是否发生变化。
[0014]进一步地，所述第一建筑物提取网络和第二建筑物提取网络采用的网络结构相同，均包括三层感知器，第一层感知器用于对输入的多尺度特征进行对应尺度下的特征提取，并将提取出的多尺度特征上采样至同一尺度，得到同一尺度下的多尺度特征，第二层感知器用于对同一尺度下的多尺度特征进行拼接融合，得到拼接融合后特征，第三层感知器用于对拼接融合后特征进行建筑物预测。
[0015]通过上述过程利用多层感知器对得到的多尺度特征进行处理，通过第一层感知器对多尺度特征进行特征提取，将多尺度特征上采样到一致的空间大小与通道数，再通过第二层感知器对一致空间大小与通道数下的多尺度特征进行拼接融合，并降低通道数；拼接融合后的特征最终输入到第三层感知器实现建筑物的预测。
[0016]进一步地，所述建筑物变化检测模型采用的训练损失函数为：
[0017][0018]式中，Loss
MT
代表建筑物变化检测模型的损失函数，σ
BE1
和σ
BE2
分别代表第一建筑物提取网络和第二建筑物提取网络的参数，σ
CD
代表变化检测网络的参数，W
BE1
和W
BE2
分别代表第一建筑物提取网络和第二建筑物提取网络的权重，W
CD
代表变化检测网络的权重，Loss(W
BE1
)、Loss(W
BE2
)和Loss(W
CD
)分别代表第一建筑物提取网络、第二建筑物提取网络和变化检测网络的损失函数；其中，σ
BE1
＝σ
BE2
，W
BE1
＝W
BE2
。
[0019]通过构建损失函数对所构建的变化检测模型进行约束，保证提取的建筑物的准确性以及建筑物变化检测的准确性。
[0020]进一步地，所述主干网络包括影像分块模块和至少两层依次连接的特征提取子网络；其中，影像分块模块用于将输入影像裁剪成设定大小的图像块，第一层特征提取子网络
包括线性映射模块和移位transformer模块，用于对输入的特征进行线性映射和移位transformer操作；后续各层特征提取子网络均包括依次连接的图像块合并模块和移位transformer模块，用于对前一层输出的对应尺寸大小特征进行合并与移位transformer操作。
[0021]上述主干网络通过影像分块模块将输入影像裁剪成一定大小的图像块，基于每一个图像块的特征进行后续处理，保证输入影像特征的完整性，方便后续处理；并基于多层依次连接的特征提取子网络，以得到不同尺度下的影像特征，更有利于后续建筑物的提取与变化检测。通过上述移位transformer模块对每个窗口下的特征进行transformer操作，引入局部聚合的信息，保证不同窗口下的信息交流；通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卫星遥感影像建筑物变化检测方法，其特征在于，该方法包括以下步骤：1)获取目标区两个时相的卫星遥感影像数据；2)将获取的两个时相的卫星遥感影像输入到已训练的建筑物变化检测模型中，以实现对两个时相的卫星遥感影像的建筑物提取以及对所述两个时相的卫星遥感影像中的建筑物是否变化的检测；所述建筑物变化检测模型包括主干网络和头部网络，所述主干网络用于分别提取第一时相影像的多尺度特征和第二时相影像的多尺度特征；所述头部网络用于分别根据第一时相影像的多尺度特征和第二时相影像的多尺度特征提取第一时相影像的建筑物和第二时相影像的建筑物，并进行建筑物是否变化的检测；该头部网络包括第一建筑物提取网络、第二建筑物提取网络和变化检测网络；其中，第一建筑物提取网络根据输入的第一时相影像的多尺度特征，提取第一时相影像的建筑物，第二建筑物提取网络根据输入的第二时相影像的多尺度特征，提取第二时相影像的建筑物，变化检测网络根据输入的第一时相影像的多尺度特征、第二时相影像的多尺度特征检测目标区建筑物是否发生变化。2.根据权利要求1所述的卫星遥感影像建筑物变化检测方法，其特征在于，所述变化检测网络包括多层子网络和一个卷积层，所述子网络包括依次连接的卷积层、归一化层和非线性激活层。3.根据权利要求1所述的卫星遥感影像建筑物变化检测方法，其特征在于，所述第一建筑物提取网络和第二建筑物提取网络采用的网络结构相同，均包括三层感知器，第一层感知器用于对输入的多尺度特征进行对应尺度下的特征提取，并将提取出的多尺度特征上采样至同一尺度，得到同一尺度下的多尺度特征，第二层感知器用于对同一尺度下的多尺度特征进行融合，得到融合后特征，第三层感知器用于对融合后特征进行建筑物预测。4.根据权利要求1所述的卫星遥感影像建筑物变化检测方法，其特征在于，所述建筑物变化检测模型采用的训练损失函数为：式中，Loss
MT
代表建筑物变化检测模型的损失函数，σ
BE1
和σ
BE2
分别代表第一建筑物提取网络和第二建筑物提取网...

【专利技术属性】
技术研发人员：陈欣，余岸竹，邱春平，孙群，郭文月，李少梅，徐青，温伯威，徐立，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：