【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种基于相邻特征逐步融合的遥感变化检测方法、装置和设备。
技术介绍
1、目前，基于深度学习的变化检测方法已经成为一个研究热点。近年来，以卷积神经网络(cnn)为代表的深度学习方法取得了很好的变化检测效果。然而，由于双时图像之间复杂的成像条件和温度、光照、以及环境的差异的影响，如何有效地提取和融合双时图像的深层特征和保证变化区域边界的完整性，以提高变化检测的准确性仍然是一个挑战。
2、现有的深度学习的变化检测方法已经取得了一定的成果，如：用于变化检测的连体网络snunetcd，以通过紧凑的信息传输来减轻神经网络深层中定位信息的丢失；端到端超像素增强变化检测网络escnet，它结合了可微分超像素分割来解决变化区域的精确定位问题；深度监督图像融合网络ifn，将图像差分特征与原始图像的多层次深度特征融合进行变化图重构，提高了输出变化图中对象的边界完备性和内部紧凑性；基于注意机制的深度监督网络ads-net，用于检测双时遥感图像中的变化，结合空间和通道特征的自适应注意机制，以捕捉不同尺度变化之间的关系，并实现更准确的变化检测。现有的遥感变化检测研究过程表明，特征差分图可以更好地帮助模型提高提取变化特征以及保证变化区域边界的完整性。然而，现有工作要么没有充分利用差分图，要么利用了差分图而没有保留原始特征图。这样会使变化信息挖掘不充分，导致边界信息模糊。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于相邻特征逐步融合的遥感变化检测方法、装
2、一种基于相邻特征逐步融合的遥感变化检测方法，方法包括：
3、获取待测双时遥感图像对。
4、将待测双时遥感图像对输入到权重共享的孪生特征提取网络中，得到多尺度双时态特征图；
5、将多尺度双时态特征输入到通道缩减和差分增强模块中，得到多尺度差异特征；通道缩减和差分增强模块用于采用多分支分别对每个尺度的双时态特征图进行通道缩减和特征差分增强，增强后的特征输入到相邻尺度的分支中进行特征差分增强；
6、将多尺度差异特征输入到相邻特征逐步融合模块中，得到融合特征；相邻特征逐步融合模块用于通过边界弥补和知识回顾分支利用相邻尺度差异特征之间互补信息来增强变化特征，得到多尺度一级融合特征，继续对相邻尺度一级融合特征进行相邻特征的融合，直到得到单尺度的融合特征为止。
7、根据融合特征进行预测，得到遥感变化检测预测结果。
8、在其中一个实施例中，权重共享的孪生特征提取网络是由resnet网络中的四个残差模块构成的权重共享的孪生网络。
9、多尺度双时态特征图是权重共享的孪生特征提取网络的四个残差模块输出的特征。
10、在其中一个实施例中，多尺度时态特征包括4个不同尺度的双时态特征图；通道缩减和差分增强模块包括四个特征增强分支，特征增强分支包括一个通道缩减模块和一个特征差分增强模块。
11、将多尺度时态特征输入到通道缩减和差分增强模块中，得到多尺度差异特征，包括：
12、将4个不同尺度的双时态特征图分别输入到四个特征增强分支中，通过道缩减模块进行通道缩减。
13、将通道缩减后的第一尺度双时态特征图输入到第一个特征增强分支的特征差分增强模块中，得到第一尺度差异特征图。
14、将通道缩减后的第二尺度双时态特征图和第一尺度差异特征图输入到第二个特征增强分支的特征差分增强模块中，得到第二尺度差异特征图。
15、将通道缩减后的第三尺度双时态特征图和第二尺度差异特征图输入到第三个特征增强分支的特征差分增强模块中，得到第三尺度差异特征图。
16、将通道缩减后的第四尺度双时态特征图和第三尺度差异特征图输入到第四个特征增强分支的特征差分增强模块中，得到第四尺度差异特征图。
17、在其中一个实施例中，将通道缩减后的第二尺度双时态特征图和第一尺度差异特征图输入到第二个特征增强分支的特征差分增强模块中，得到第二尺度差异特征图，包括：
18、将通道缩减后的第二尺度双时态特征图通过逐元素的减法操作后再进行绝对值操作，得到粗略的差分特征图。
19、将粗略的差分特征图通过第一卷积层进行特征提取后通过第一空间注意力模块，得到第一特征差分注意力图。
20、将第一尺度差异特征图通过第二卷积层进行下采样，将下采样结果经过第二空间注意力模块后，得到第二特征差分注意力图。
21、将第一特征差分注意力图和第二特征差分注意力图进行权重平均，得到细化后的特征差分注意力图。
22、将通道缩减后的第二尺度双时态特征图分别与细化后的特征差分注意力图通过逐像素乘法操作，得到增强的双时态特征图。
23、将增强的双时态特征图与对应的通道缩减后的第二尺度双时态特征图相加后通过卷积操作后，得到细化的双时态特征图。
24、将细化后的双时态特征图拼接后输入到通道注意力模块中，将得到的结果与拼接结果相乘后，得到通道增强后的特征图。
25、将通道增强后的特征图通过卷积后与粗略的差分特征图相加，然后通过卷积层后，得到第二尺度差异特征图。
26、在其中一个实施例中，相邻特征逐步融合模块包括若干个特征融合模块。
27、将多尺度时态差异特征图输入到相邻特征逐步融合模块中，得到融合特征，包括：
28、将第一尺度差异特征图和第二尺度差异特征图输入到第一个特征融合模块中，得到第一尺度一级融合特征。
29、将第二尺度差异特征图和第三尺度差异特征图输入到第二个特征融合模块中，得到第二尺度一级融合特征。
30、将第三尺度差异特征图和第四尺度差异特征图输入到第三个特征融合模块中，得到第三尺度一级融合特征。
31、将第一尺度一级融合特征和第二尺度一级融合特征输入到第四个特征融合模块中，得到第一尺度二级融合特征。
32、将第二尺度一级融合特征和第三尺度一级融合特征输入到第五个特征融合模块中，得到第二尺度二级融合特征。
33、将第一尺度二级融合特征和第二尺度二级融合特征输入到第六个特征融合模块中，得到融合特征。
34、在其中一个实施例中，将第一尺度差异特征图和第二尺度差异特征图输入到第一个特征融合模块中，得到第一尺度一级融合特征为：
35、
36、
37、
38、
39、b＝1-a
40、d＝c·(1-a)+a·(1-c)
41、c＝mask(di)
42、
43、
44、其中，，为第一尺度一级融合特征，di为第一尺度差异特征图，di+1为第二尺度差异特征图，为第二尺度差异特征图的上采样特征，a和c分别为变化特征和di通过mask得到的预测变化图，d是在di和之间获得的冲突注意力图，b表示边界弥补注意力图，cat(·)是特征拼接操作，c本文档来自技高网...
【技术保护点】
1.一种基于相邻特征逐步融合的遥感变化检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述权重共享的孪生特征提取网络是由ResNet网络中的四个残差模块构成的权重共享的孪生网络；
3.根据权利要求1所述的方法，其特征在于，所述多尺度时态特征包括4个不同尺度的双时态特征图；通道缩减和差分增强模块包括四个特征增强分支，所述特征增强分支包括一个通道缩减模块和一个特征差分增强模块；
4.根据权利要求3所述的方法，其特征在于，将通道缩减后的第二尺度双时态特征图和所述第一尺度差异特征图输入到第二个特征增强分支的特征差分增强模块中，得到第二尺度差异特征图，包括：
5.根据权利要求1所述的方法，其特征在于，所述相邻特征逐步融合模块包括若干个特征融合模块；
6.根据权利要求5所述的方法，其特征在于，将第一尺度差异特征图和第二尺度差异特征图输入到第一个特征融合模块中，得到第一尺度一级融合特征为：
7.根据权利要求6所述的方法，其特征在于，所述变化图预测模块包括3×3的卷积层、一个批处理规范化层、一
8.根据权利要求1所述的方法，其特征在于，对所述融合特征进行预测，得到遥感变化检测预测结果，包括：
9.一种基于相邻特征逐步融合的遥感变化检测装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法。
...【技术特征摘要】
1.一种基于相邻特征逐步融合的遥感变化检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述权重共享的孪生特征提取网络是由resnet网络中的四个残差模块构成的权重共享的孪生网络；
3.根据权利要求1所述的方法，其特征在于，所述多尺度时态特征包括4个不同尺度的双时态特征图；通道缩减和差分增强模块包括四个特征增强分支，所述特征增强分支包括一个通道缩减模块和一个特征差分增强模块；
4.根据权利要求3所述的方法，其特征在于，将通道缩减后的第二尺度双时态特征图和所述第一尺度差异特征图输入到第二个特征增强分支的特征差分增强模块中，得到第二尺度差异特征图，包括：
5.根据权利要求1所述的方法，其特征在于，所述相邻特征逐步融合模块包括若干个特...
【专利技术属性】
技术研发人员：王威，夏罗成，王新，李骥，张文杰，
申请(专利权)人：长沙理工大学，
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。