【技术实现步骤摘要】
本专利技术属于土地变化检测，尤其涉及一种结合矩阵分解和自适应传播的土地变化检测方法。
技术介绍
1、土地利用/土地覆盖变化检测是通过遥感技术和变化检测算法，对同一地区不同时相的遥感影像定量分析地表变化。通过检测土地变化，可以了解某一地区的发展趋势、环境变化以及人类活动对土地的影响。这对于可持续发展规划、资源管理和环境保护都有很重要的意义。传统的土地变化检测方法根据对象单元可以分为基于像素和基于对象两类。基于像素的变化检测方法仅考虑单个像元，未考虑空间上下文。而基于对象的变化检测方法在考虑地物空间结构和上下文信息方面更为优越，但需要更多的计算资源。
2、近年来，基于深度学习的土地变化检测方法被广泛应用于遥感领域。深度学习方法在语义分割任务中取得了显著的成果。典型的深度学习语义分割网络通常采用卷积神经网络结构，通过多层次的卷积和池化操作提取图像的特征信息，然后通过上采样或反卷积操作将特征图恢复到输入图像的分辨率，并逐像素地进行分类。基于卷积神经网络的分类方法与传统基于像素和对象的方法相比可以实现良好的效果。以往的基于后分类的深度学习方法，先训练一个卷积神经网络来对两个时间的遥感图像进行分类，然后对两个分类结果进行比较来获取变化信息。相较于后分类方法，孪生语义分割变化检测方法能实现端到端的高效的特征提取。同时，在语义分割中，全局注意力机制被广泛应用以提高模型的感知范围和语义理解能力。全局注意力机制允许网络更加关注图像中的重要区域，从而提高对特定目标的识别准确性。然而，全局注意力机制的计算和内存开销较大，尤其对于大规模的高分
3、通过上述分析，现有技术存在的问题及缺陷为：
4、传统的土地变化检测方法根据对象单元可以分为基于像素和基于对象两类。基于像素的变化检测方法仅考虑单个像元，未考虑空间上下文。而基于对象的变化检测方法在考虑地物空间结构和上下文信息方面更为优越，但需要更多的计算资源。基于后分类的深度学习方法和单流网络不能实现端到端的变化检测，孪生语义分割网络可以共享网络参数，减少训练时间和资源。语义分割网络通常使用全局注意力来增强特征捕捉能力但是计算和内存开销大，同时语义分割仍存在边缘分割不准确的问题，需要在网络中添加专门的边缘检测模块从而增强模型对边缘的感知能力。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种结合矩阵分解和自适应传播的土地变化检测方法。
2、本专利技术的土地变化检测方法具体使用一种结合矩阵分解和自适应传播的深度学习模型来对高分辨率遥感数据进行处理和变化检测。模型通过采用孪生差分结构，实现了前后时相遥感影像的端到端学习，共享网络参数以提高特征学习效率。关键创新点在于引入基于矩阵分解的全局注意力模块，将全局信息抽象为低秩矩阵，通过神经网络结构学习，降低了全局信息建模的计算和内存开销，提高了模型的计算效率。同时，采用自适应传播算法解决了边缘像素点采样问题，通过学习固定和可变的二维偏移量，加权平均局部邻域，提高了模型对地物边缘的捕捉能力。本专利技术方法实现了高分辨率光学数据上的自动化、精准土地利用/土地覆盖变化检测。
3、本专利技术的另一目的在于提供一种结合矩阵分解和自适应传播的土地变化检测方法包括：
4、步骤一，配置深度学习环境；
5、步骤二，高分辨率变化检测数据获取与预处理；
6、步骤三，搭建土地变化检测模型；
7、步骤四，模型训练，验证与测试评估。
8、进一步，所述配置深度学习环境方法如下：
9、基于pytorch开源的深度学习框架，运行环境为ubuntu20.04版本，python版本为3.10，处理器为intel(r)core(tm)i9-10900x，显卡为nvidia geforce rtx 3080，开发环境为pycharm。
10、进一步，所述高分辨率变化检测数据获取与预处理方法：
11、采用了whu建筑变化检测和levir-cd这两个公开的数据集；
12、whu建筑变化检测数据集中有各种各样的大规模变化的建筑；
13、该数据集由两周期的航空图像和变化标签组成，这两期图像分别获得于2012年和2016年，每张图像的分辨率为0.3米；由于此数据集不存在标准分割，故将每张图像裁剪为256×256大小的图像切片，并以7：1：2的比例将它们随机分成训练/验证/测试集，在分配过程中切片没有任何重叠的部分；
14、levir-cd数据集由从谷歌地球收集的637个超高分辨率图像对和对应的变化标签组成，每幅图像的分辨率为0.5米，大小为1024×1024；它是一个大规模的变化检测数据集，涵盖了不同种类的建筑；
15、levir-cd数据集提供了一个标准的训练/验证/测试分割，它将70％的样本用于训练，10％用于验证，20％用于测试；同样地，将样本裁剪为256×256大小的图像切片。
16、进一步，所述搭建土地变化检测模型：
17、(1)特征提取骨干网络
18、模型采用共享参数的孪生双分支结构，旨在同时学习前后时相遥感影像特征；采用vgg-16作为特征提取骨干网络，该网络由16个卷积层和3个全连接层组成，多个卷积层可以学习多层次的特征表示；由于vgg-16在模型大小和参数数量上较大，故采用前三层卷积结果作为特征图以减少模型的参数量；对于前后双时相的遥感图像，经过共享参数的特征提取骨干网络后，分别生成多尺度、多深度的特征图a1,a2,a3,b1,b2,b3；
19、(2)特征差分模块
20、为了进一步获取变化信息，对于(1)生成的前后双时相的特征图做差分，即fi＝|ai-bi|i＝1，2，3；这些差分特征图含有不同的尺度和通道数，能够提供不同价值的地面覆盖变化信息；
21、(3)特征融合模块
22、将(2)生成的不同尺度的差分特征图经过双线性采样成输入大小，并进行通道融合，通道融合可以提供更丰富的特征表示，最终生成特征差异图f；
23、(4)基于矩阵分解的全局注意力模块
24、为了解决全局注意力开销大的问题，本专利技术将(3)通道特征融合后的特征图f输入到一种全局信息模块中，该模块是一种矩阵分解的过程，即对于卷积神经网络而言，当输入图像后，网络会输出一个张量f∈rc×h×w；这个张量可以表示为一个矩阵f∈rc×h×w，由矩阵分解原理可知，是含有全局信息的线性相关的低秩矩阵，e是噪声矩阵；将求解低秩矩阵的算法封装为神经网络的模块结构，该结构包含两个线性变本文档来自技高网...
【技术保护点】
1.一种结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，结合矩阵分解和自适应传播的深度学习模型，针对高分辨率遥感数据进行土地变化检测；利用孪生差分结构实现前后时相遥感影像的端到端学习，并通过共享网络参数提高特征学习的效率；利用基于矩阵分解的全局注意力模块，降低全局信息建模的计算和内存开销，同时通过自适应传播算法解决边缘像素点采样问题，提高模型对地物边缘的捕捉能力；基于Pytorch框架实现，使用WHU建筑变化检测和LEVIR-CD数据集，进行高分辨率数据的获取、预处理、模型搭建、训练、验证和测试评估。
2.如权利要求1所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，具体包括以下步骤：
3.如权利要求2所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，所述配置深度学习环境方法如下：
4.如权利要求2所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，所述高分辨率变化检测数据获取与预处理方法：
5.如权利要求2所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，所述搭建土地变化检测模型：p>
6.如权利要求1所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，所述模型训练，验证与测试评估方法：
7.如权利要求5所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，所述模型训练：
8.如权利要求5所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，所述模型验证：
9.一种用于高分辨率遥感数据处理和变化检测的系统，其特征在于，包括：
10.一种用于自动化、精准土地利用/土地覆盖变化检测的系统，其特征在于，包含多个公开遥感数据集的数据获取模块，例如WHU建筑变化检测和LEVIR-CD数据集；
...【技术特征摘要】
1.一种结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，结合矩阵分解和自适应传播的深度学习模型，针对高分辨率遥感数据进行土地变化检测；利用孪生差分结构实现前后时相遥感影像的端到端学习，并通过共享网络参数提高特征学习的效率；利用基于矩阵分解的全局注意力模块，降低全局信息建模的计算和内存开销，同时通过自适应传播算法解决边缘像素点采样问题，提高模型对地物边缘的捕捉能力；基于pytorch框架实现，使用whu建筑变化检测和levir-cd数据集，进行高分辨率数据的获取、预处理、模型搭建、训练、验证和测试评估。
2.如权利要求1所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，具体包括以下步骤：
3.如权利要求2所述结合矩阵分解和自适应传播的土地变化检测方法，其特征在于，所述配置深度学习环境方法如下：
4.如权利要求2所述结合矩阵分解...
【专利技术属性】
技术研发人员：李世华，刘玉婷，罗富贵，行敏锋，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。