本发明专利技术提供了一种遥感图像变化检测方法、装置、设备及存储介质，可以应用于遥感图像变化检测技术领域。该方法包括：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；对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；将所述多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。可以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。梯度消失和梯度爆炸现象。梯度消失和梯度爆炸现象。
【技术实现步骤摘要】
遥感图像变化检测方法、装置、设备及存储介质
[0001]本专利技术涉及遥感图像变化检测领域，尤其涉及一种遥感图像变化检测方法、装置、设备及存储介质。
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，这些方法受到许多因素的影响，如云雾、影子、光照变化等。且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，现有的基于深度学习的遥感图像变化检测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
[0004]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、装置、设备及存储介质，旨在提高变化检测的准确性和可靠性。
[0005]根据本专利技术的第一个方面，提供了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；对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；将所述多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。
[0006]根据本专利技术实施例，所述对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像包括：利用预先定义的化学反应模型，为每个像素计算一个稳定性值；根据预先定义的图像的局部特性和天气系统模型，为每个像素计算一个动态扩散系数值；初始化预先定义的非线性扩散模型，在每次扩散迭代中，每个像素值按照所述非线性扩散模型进行更新；利用初始化后的扩散模型进行扩散，在每次扩散迭代中，根据所述非线性扩散模型、像素稳定性值和动态扩散系数值更新遥感图像的每个像素值；
如果达到预设的扩散次数或遥感图像的变化小于预设阈值，则终止扩散，并将终止扩散后得到的遥感图像作为输入图像。
[0007]根据本专利技术实施例，令I表示输入的遥感图像，坐标（x，y）上的像素值为I（x，y），坐标（x，y）的像素稳定性值为S（x，y），动态扩散系数值为D（x，y）；所述预先定义的化学反应模型：
[0008]其中，是坐标（x，y）邻域内的像素均值，是该邻域内的像素标准差，和是权重系数；所述预先定义的图像的局部特性和天气系统模型：
[0009]其中，为一常数，用于控制扩散的最大值；所述预先定义的非线性扩散模型：
[0010]其中，是在第t次迭代后的遥感图像，是在第t+1次迭代后的遥感图像，是Laplacian算子，表示遥感图像的二阶导数，用于获取遥感图像的局部变化信息，是一个常数，表示扩散的时间步长。
[0011]根据本专利技术实施例，所述将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图包括：将所述多对输入图像输入所述卷积神经网络，提取所述多对输入图像的特征；将所述多对输入图像的特征输入所述孪生网络，得到所述多对输入图像的差异特征图；将所述多对输入图像的差异特征图特征输入所述金字塔网络，得到所述多对输入图像的多层次特征图；将所述多对输入图像的多层次特征图输入所述解码器，得到所述多对输入图像的变化特征图。
[0012]根据本专利技术实施例，所述卷积神经网络的第一层包括卷积层、激活函数层和最大池化层；所述卷积神经网络的第二层包括卷积层、激活函数层和最大池化层所述卷积神经网络的第三层包括卷积层和激活函数层。
[0013]根据本专利技术实施例，所述方法还包括：采用涌现学习法，对所述卷积神经网络的参数进行优化。
[0014]所述采用涌现学习法，对所述卷积神经网络的参数进行优化包括：利用分形理论，生成具有自相似性和多尺度特性的初始参数；在每一尺度上，根据所述卷积神经网络的参数和输入所述卷积神经网络的数据定义一个动力系统，所述动力系统用于描述所述卷积神经网络的参数在所述尺度上的变化规律；
采用分层的方式进行参数空间的探索，每一层对应一个尺度，并在所述尺度上进行参数的局部优化，得到参数在尺度上的概率密度函数；在不同尺度上的动力系统之间进行交互和协同学习，以使得高层的动力系统能够根据低层的学习结果进行调整和优化；在每一次迭代过程中，根据当前尺度上的动力系统和梯度信息进行参数的调整和优化；当迭代次数达到预设的最大次数，则停止迭代，完成对所述卷积神经网络的参数优化。
[0015]根据本专利技术实施例，所述预先训练好的分类器为采用蚂蚁算法优化的极限学习机；所述方法还包括：采用蚂蚁算法优化极限学习机中隐藏层的权重和偏置，得到优化后的隐藏层的权重和偏置；利用所述优化后的隐藏层的权重和偏置，对所述优化极限学习机进行训练，得到所述预先训练好的分类器。
[0016]本专利技术的第二方面提供了一种遥感图像变化检测装置，包括：获取模块，用于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；去噪模块，用于对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；变化检测模块，用于将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；分类模块，用于将所述多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。
[0017]本专利技术的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。
[0018]本专利技术的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。
[0019]本专利技术提出一种性能较好的网络，并设计一种更适合于遥感图像变化检测的损失函数，此外，本专利技术所采用的卷积神经网络优化算法对网络进行训练，使得在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。
附图说明
[0020]通过以下参照附图对本专利技术实施例的描述，本专利技术的上述内容以及其他目的、特征和优点将更为清楚，在附图中：图1示意性示出了根据本专利技术实施例的遥感图像变化检测方法的流程图；图2示意性示出了根据本专利技术实施例的变化检测网络的结构图；图3示意性示出了根据本专利技术实施例的遥感图像变化检测装置的结构框图；
图4示意性示出了根据本专利技术实施例的适于实现遥感图像变化检测方法的电子设备的方框图。
具体实施方式
[0021]以下，将参照附图来描述本专利技术的实施例。但是应本文档来自技高网...
【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：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；对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；将所述多对输入图像的变化特征图输入到预先训练好的分类器中，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，所述对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像包括：利用预先定义的化学反应模型，为每个像素计算一个稳定性值；根据预先定义的图像的局部特性和天气系统模型，为每个像素计算一个动态扩散系数值；初始化预先定义的非线性扩散模型，在每次扩散迭代中，每个像素值按照所述非线性扩散模型进行更新；利用初始化后的扩散模型进行扩散，在每次扩散迭代中，根据所述非线性扩散模型、像素稳定性值和动态扩散系数值更新遥感图像的每个像素值；如果达到预设的扩散次数或遥感图像的变化小于预设阈值，则终止扩散，并将终止扩散后得到的遥感图像作为输入图像。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，令I表示输入的遥感图像，坐标（x，y）上的像素值为I（x，y），坐标（x，y）的像素稳定性值为S（x，y），动态扩散系数值为D（x，y）；所述预先定义的化学反应模型：；其中，是坐标（x，y）邻域内的像素均值，是该邻域内的像素标准差，和是权重系数；所述预先定义的图像的局部特性和天气系统模型：；其中，为一常数，用于控制扩散的最大值；所述预先定义的非线性扩散模型：；其中，是在第t次迭代后的遥感图像，是在第t+1次迭代后的遥感图像，是Laplacian算子，表示遥感图像的二阶导数，用于获取遥感图像的局部变化信息，是一个常数，表示扩散的时间步长。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，所述将所述多对输入图
像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图包括：将所述多对输入图像输入所述卷积神经网络，提取所述多对输入图像的特征；将所述多对输入图像的特征输入所述孪生网络，得到所述多对输入图像的差异特征图；将所述多对输入图像的差异特征图特征输入所述金字塔网络，得到所述多对输入图像的多层次特征图；将所述多对输入图像的多层次特征图输入所述解码器，得到所述多对输入图像的变化特征图。5.根据权利要求1所述的遥感图像...
【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：
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。