【技术实现步骤摘要】
本专利技术涉及遥感图像变化检测，尤其涉及一种处理双时相遥感图像变化的多尺度特征交互网络实现方法。
技术介绍
1、地球观测技术和地理信息技术的发展使遥感图像变得越来越丰富和多样。卫星、飞机和其他传感器的广泛使用使我们能够捕捉地球表面的信息，这些信息包括地形、土地覆盖、植被、建筑和其他地理对象的特征。这种遥感技术还可以获取不同光谱范围内的数据，包括红外和紫外光谱，这有助于更全面地理解地表特征。然而，随着遥感技术的不断发展，变化检测问题变得更加复杂,其主要目标是从一对时间序列遥感图像中准确识别和定位发生了语义变化的区域，即真变化区域，并抑制伪变化区域的影响。从海量的遥感图像数据中快速、准确地检测变化区域成为了一个迫切的挑战。因此，如何有效地应对这一挑战成为了遥感图像变化检测研究的一个核心问题。
2、遥感影像变化检测方法根据不同的技术和需求可分为多个类别。首先，根据是否应用深度学习技术，可以划分为两大类：一是基于深度学习的方法，另一类是传统的检测算法。在传统方法中，根据是否需要进行先期分类，可进一步分为先分类再检测和直接变化检测方法。此外，考虑到是否需要人工标记信息的不同，变化检测方法也分为监督检测算法和非监督检测算法。根据变化检测的对象粒度，可以将方法划分为像素级、特征级和对象级。另一方面，根据不同的任务时间特性，变化检测方法可分为实时变化检测和非实时变化检测。
3、对遥感影像变化检测的发展历程进行梳理，可以将国际上遥感图像变化检测技术的发展路线分为四个不同阶段。第一个阶段，在这个时期，遥感技术受到硬件限制，如
4、《supervised change detection in vhr images using contextualinformation and support vector machines》一文中研究利用直方图统计量作为基本检测特征，然后采用支持向量机进行土地利用变化检测。im等人在《a change detectionmodel based on neighborhood correlation image analysis and decision treeclassification》中结合了图像邻域相关性分析和基于决策树分类的变化检测方法。基于机器学习算法的变化检测方法能够从大规模遥感数据中自动提取特征，对复杂和微小变化有出色的敏感性。然而，这类方法需要大量标记的训练数据，对于大规模高分辨率图像会面临计算开销问题。第三阶段，随着遥感成像技术的进步，对象级的变化检测逐渐出现。与像素级别的变化检测不同，它不仅关注图像中单个像素的变化，还着重于检测目标对象或物体层面的变化。举例来说，wang等人在《object-based change detection in urban areasfrom high spatial resolution images based on multiple features and ensemblelearning》提出了一种基于对象的变化检测方案，结合光谱、形状、纹理特征和多种监督分类器，通过加权投票的集成策略提高了城市区域的变化检测准确性。tan等人在《object-based change detection using multiple classifiers and multi-scale uncertaintyanalysis》提出了一种基于对象的多特征变化检测方法(ob-mmua)，这一方法使用多种特征，包括纹理特征和光谱特征，同时采用随机森林选择特征和确定最佳特征向量，以及变化向量分析。对象级的变化检测方法通常包括目标提取、特征表示、匹配和上下文建模等步骤，以获取更精确的变化信息。然而，该类方法只能提取影像中的低级特征，受辐射差异等因素影响明显，伪变化和误检现象较多。第四阶段，近些年深度学习在计算机视觉技术的最新进展为变化检测问题提供了许多有潜力的解决方案。传统的遥感图像变化检测方法通常依赖于手动设计的特征和规则，面对不断增长的高分辨率遥感数据，其性能逐渐受到限制。而深度学习技术，特别是卷积神经网络(cnn)和transformer模型的应用，为变化检测带来了新的活力。深度学习方法之所以在变化检测领域备受瞩目，是因为它们能够从数据中学习特征，无需手动提取特征，从而提高了对变化模式的适应能力。通过深度学习，模型能够自动捕获图像中的上下文信息、纹理特征和语义信息，这些都是传统方法难以处理的挑战。此外，深度学习还支持端到端的训练，可以直接从原始数据中进行学习，而无需繁琐的预处理步骤。深度学习还可以轻松扩展到多时相、多源数据，从而更好地适应不同的应用场景。
5、但是现有的基于深度学习的变化检测方法在编码阶段缺乏双时态图像之间的交互表达，导致双时态信息相互孤立，对目标变化区域的辨识度很有限。其次，是在解码阶段，采样倍数过大，且缺乏和编码模块之间的跳跃连接导致多尺度信息没法有效融合，上下文信息沟通不畅，进而影响图像特征的逐层恢复，最终导致检测图像的分割边缘出现了较多的误检和漏检。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种处理双时相遥感图像变化的多尺度特征交互网络实现方法，能实现充分利用cnn的局部感知和transform本文档来自技高网...
【技术保护点】
1.一种处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，通过构建双时态同源的全局导引特征，在图像尺寸恢复前整合丰富的双时态深层特征，包括以下步骤：
2.根据权利要求1所述处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，所述编码模块包括骨干网络、多尺度编码层模块、双时态特征交互层模块和双时态特征融合层模块；同层级骨干网络之间插入双时态特征交互层模块来实现多时相图像的信息交互，引导注意力汇聚在差异区域并抑制环境干扰的影响，同时在多尺度编码层模块末尾采用双时态特征融合层模块提取细小的差异特征；
3.根据权利要求1所述处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，所述解码模块包括transformer解码层和输出前的分类器，所述解码模块采用移动注意力窗口划分的连续的Swin Transformer Block作为解码模块，数学表达式为:
4.根据权利要求1所述处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，所述编码模块之间采用双线性插值逐层恢复特征，并将编码阶段当中交互层的信息跳跃连接到
5.根据权利要求1所述处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，步骤S2中，对变化检测数据集的处理步骤如下：
...【技术特征摘要】
1.一种处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，通过构建双时态同源的全局导引特征，在图像尺寸恢复前整合丰富的双时态深层特征，包括以下步骤：
2.根据权利要求1所述处理双时相遥感图像变化的多尺度特征交互网络实现方法，其特征在于，所述编码模块包括骨干网络、多尺度编码层模块、双时态特征交互层模块和双时态特征融合层模块；同层级骨干网络之间插入双时态特征交互层模块来实现多时相图像的信息交互，引导注意力汇聚在差异区域并抑制环境干扰的影响，同时在多尺度编码层模块末尾采用双时态特征融合层模块提取细小的差异特征；
3.根据权利要求1所述处...
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。