System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于全地物变化检测方法,尤其涉及一种全地物变化检测方法及计算机可读介质。
技术介绍
1、全地物变化检测是指通过遥感技术和图像处理方法来比较不同时间点的地球表面影像,以识别出地物(建筑物、植被、水体等)在时间上的变化情况。该技术在城市规划、农业监测、环境保护等领域具有广泛的应用。近年来,随着计算机视觉技术的快速发展以及高分辨率在轨光学卫星数量的不断增加,地物变化检测正日益成为一个重要而富有挑战性的研究课题。
2、一般来说,变化检测方法可以分为传统方法和基于深度学习的方法。传统的变化检测方法可归纳为以下三类:基于代数的方法、基于变换的方法和基于分类的方法。基于代数的方法利用算数运算,如图像比率和图像差值,通过生成包含变化幅度的差异特征来导出变化图。基于变换的方法将图像转换为特征向量,包括主成分分析和变化向量分析。以传统机器学习方法为代表的基于分类的方法,通过差异特征或时空特征来区分变化像素。总的来说,传统方法提取的特征表达能力弱,变化检测精度不高,且易受季节变化、光照条件、卫星传感器、太阳高度角等因素的影响。随着遥感数据源日益多样化,图像空间分辨率逐步提高,图像细节日趋丰富,传统方法的局限性也越来越明显,无法满足智能化的遥感图像变化检测需求。后期学者利用深度学习的方法进行变化检测,取得了较好的效果。基于卷积神经网络的深度学习方法提升了效率和精度,但由于卷积的感受野相对较小,无法很好地捕捉全局信息。基于变换器的深度学习方法通过建模长程依赖关系来实现全局信息交互,可以更好地掌握全局信息,并且可以更加关注重要区域的特
技术实现思路
1、为了解决局部特征提取能力较弱、边缘描述能力不足的问题,本专利技术提出一种全地物变化检测方法及计算机可读介质。
2、本专利技术方法的技术方案为一种全地物变化检测方法,其特征在于:
3、构建全地物变化检测模型,将每组前后时序地物图像对输入全地物变化检测模型进行图像检测,得到每组前后时序地物图像对的检测地物变化图像,结合每组前后时序地物图像对的真实地物变化图像构建损失函数模型,通过优化训练得到训练后全地物变化检测模型;
4、所述全地物变化检测模型包括:前时序双模态特征交错模块、后时序双模态特征交错模块、孪生聚合模块;
5、所述的前双模态特征交错模块、后时序双模态特征交错模块结构相同,均包括:大尺寸分割模块、大尺寸卷积模块、大尺寸特征提取模块、小尺寸分割模块、小尺寸卷积模块、小尺寸特征提取模块、交叉注意力模块、特征拼接模块;
6、所述的前时序、后时序交叉注意力模块,通过交叉注意力处理得到k张前时序、后时序每组地物图像的经过交叉注意力处理的大尺寸特征图、小尺寸特征图,并输出至前时序、后时序所述特征拼接模块;所述前时序、后时序特征拼接模块,通过上采样处理、拼接处理与卷积处理得到每组地物图像的特征图,并输出至所述孪生聚合模块;
7、利用训练后的全地物变化检测模型对实时采集的地物图像与先前采集的相同区域地物图像进行变化检测,得到当前区域的检测地物变化图像。
8、本专利技术方法的具体步骤如下:
9、步骤1:获取每组前后时序地物图像对、每组前后时序地物图像对的真实地物变化图像;
10、步骤2:构建全地物变化检测模型,将每组前后时序地物图像对输入全地物变化检测模型进行图像检测,得到每组前后时序地物图像对的检测地物变化图像,结合每组前后时序地物图像对的真实地物变化图像构建损失函数模型,通过优化训练得到训练后全地物变化检测模型;
11、步骤3:利用训练后的全地物变化检测模型对实时采集的地物图像与先前采集的相同区域地物图像进行变化检测,得到当前区域的检测地物变化图像。
12、作为优选,步骤1所述每组前后时序地物图像对包括:
13、每组前时序地物图像、每组后时序地物图像;
14、作为优选,步骤2所述全地物变化检测模型包括:前时序双模态特征交错模块、后时序双模态特征交错模块、孪生聚合模块;
15、所述前时序双模态特征交错模块与所述孪生聚合模块连接;
16、所述后时序双模态特征交错模块与所述孪生聚合模块连接;
17、所述前时序双模态特征交错模块,将每组前时序地物图像进行图像特征提取得到每组前时序地物图像的特征图,并输出至所述孪生聚合模块;
18、所述后时序双模态特征交错模块,将每组后时序地物图像进行图像特征提取得到每组后时序地物图像的特征图,并输出至所述孪生聚合模块;
19、所述孪生聚合模块,将每组前时序地物图像的特征图、每组后时序地物图像的特征图进行孪生聚合处理,得到每组前后时序地物图像对的检测地物变化图像;
20、所述前时序双模态特征交错模块包括前时序大尺寸分割模块、前时序大尺寸卷积模块、前时序大尺寸特征提取模块、前时序小尺寸分割模块、前时序小尺寸卷积模块、前时序小尺寸特征提取模块、前时序交叉注意力模块、前时序特征拼接模块;
21、所述的前时序大尺寸分割模块、前时序大尺寸卷积模块、前时序大尺寸特征提取模块依次连接;所述前时序大尺寸特征提取模块与所述前时序交叉注意力模块连接;所述前时序交叉注意力模块与所述前时序特征拼接模块连接;
22、所述的前时序小尺寸分割模块、前时序小尺寸卷积模块、前时序小尺寸特征提取模块依次连接;所述前时序小尺寸特征提取模块与所述前时序交叉注意力模块连接;所述前时序交叉注意力模块与所述前时序特征拼接模块连接;
23、所述前时序大尺寸分割模块,将每组前时序地物图像进行大尺寸图像分割得到每组前时序大尺寸分割后地物图像,并输出至所述前时序大尺寸卷积模块;
24、所述前时序大尺寸卷积模块,将每组前时序大尺寸分割后地物图像进行卷积处理得到每组前时序地物图像的大尺寸嵌入特征,并输出至所述前时序大尺寸特征提取模块;
25、所述前时序大尺寸特征提取模块,将每组前时序地物图像的大尺寸嵌入特征进行滑动窗口特征提取处理得到k张每组前时序地物图像的第k前时序大尺寸滑动窗口特征提取模块的输出特征图,并输出至所述前时序交叉注意力模块;
26、所述前时序小尺寸分割模块,将每组前时序地物图像进行小尺寸图像分割得到每组前时序小尺寸分割后地物图像,并输出至所述前时序小尺寸卷积模块;
27、所述前时序小尺寸卷积模块,将每组前时序小尺寸分割后地物图像进行卷积处理得到每组前时序地物图像的小尺寸嵌入特征,并输出至所述前时序小尺寸特征提取模块;
28、所述前时序小尺寸特征提取模块,将每组前时序地物图像的小尺寸嵌入特征进行滑动窗口特征提取处理得到k张每组前时序地物图像的第k前时序小尺寸滑动窗口特征提取模本文档来自技高网...
【技术保护点】
1.一种全地物变化检测方法,其特征在于:
2.根据权利要求1所述的全地物变化检测方法,其特征在于,包括以下步骤:
3.根据权利要求2所述的全地物变化检测方法,其特征在于:
4.根据权利要求3所述的全地物变化检测方法,其特征在于:
5.根据权利要求4所述的全地物变化检测方法,其特征在于:
6.根据权利要求5所述的全地物变化检测方法,其特征在于:
7.根据权利要求6所述的全地物变化检测方法,其特征在于:
8.根据权利要求7所述的全地物变化检测方法,其特征在于:
9.根据权利要求8所述的全地物变化检测方法,其特征在于:
10.根据权利要求9所述的全地物变化检测方法,其特征在于:
【技术特征摘要】
1.一种全地物变化检测方法,其特征在于:
2.根据权利要求1所述的全地物变化检测方法,其特征在于,包括以下步骤:
3.根据权利要求2所述的全地物变化检测方法,其特征在于:
4.根据权利要求3所述的全地物变化检测方法,其特征在于:
5.根据权利要求4所述的全地物变化检测方法,其特征在于:
<...【专利技术属性】
技术研发人员:杨威,梅礼哗,王颖,曹山根,常秀丰,胡容玲,徐川,叶昭毅,阳威,黄圣宇,
申请(专利权)人:武昌首义学院,
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。