本发明专利技术属于遥感信息处理技术领域，涉及一种基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法及系统。该检测方法，关注双时相图像之间的相关性，并充分挖掘了双时相图像差分信息的隐含信息，提高了变化特征的判别性；此外，使用级联融合方法充分利用了中间层信息，增强了不同尺度变化区域的精细化识别能力，使学习到的特征更具有表达性，从而提高变化检测的精度。
【技术实现步骤摘要】
本专利技术属于遥感信息处理，涉及一种多光谱变化检测方法，尤其涉及一种基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法及系统。
技术介绍
1、多光谱遥感影像的变化检测指从同一地方不同时间获取的两幅或多幅图像进行检测以识别其变化的过程，可判断场景内物体变化的具体位置。多光谱遥感影像可以从遥感卫星定期获取，并且其包含足够的光谱信息，为更好地检测地表变化提供了足够的知识。因此多光谱影像的变化检测在监测全球自然资源和城市环境的任务中变得越来越重要，这在城市规划、农业调查和灾害评估等诸多领域具有重要意义。
2、多光谱遥感图像的变化检测方法大致分为两类：传统的变化检测方法和基于深度学习的变化检测方法。传统变化检测方法普遍是获取相同位置、不同时间图像的差异图，然后将差异图按像素分为两类。然而，大多传统的变化检测方法依赖于手动创建的特征，无法满足高分辨率影像的检测要求。
3、随着深度学习技术的出现，人们发现深度学习具有自动提取复杂特征的优势，因此深度学习的方法逐渐被应用到光谱影像的变化检测领域。目前深度学习中的热点之一就是注意力机制，其能够使网络聚焦于有用和感兴趣的信息，从而屏蔽无用信息的干扰。因此，注意力模块被引入变化区域通过关注更有效的特征以提高变化检测性能，目前许多基于注意力机制的深度学习方法都取得了较好的变化检测效果。然而，这些方法大多仅在单时相图像上计算注意力矩阵，而没有关注到双时像图像之间的相关性，仍需构建交叉注意力机制模型，共同关注双时相图像的交互信息和差异信息，以更精准地识别变化检测区域。
<
br/>技术实现思路
1、本专利技术提供了一种基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法及系统，以解决现有深度网络方法中只在单时相图像上计算注意力矩阵，而没有关注到双时相图像之间的相关性，从而导致模型检测精度不高的问题。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、一方面，本专利技术提供了一种基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，具体如下：
4、步骤1、将多光谱图像切分为大小为a×a的图像块对，获取图像数据；
5、步骤2、将步骤1获取的图像数据按照指定比例划分为训练数据和测试集，在训练阶段将所述训练数据按照所述指定比例划分为训练集和验证集；
6、步骤3、将所述训练集的图像块对输入特征提取模块以得到双时多光谱影像的多尺度深层特征块对block；
7、步骤4、将所述多尺度深层特征块对block输入基于级联交叉注意力机制的差分特征学习模块得到融合特征ffusion；
8、步骤5、将所述融合特征ffusion进行扁平化处理并输入判别模块得到变化检测结果a；
9、步骤6、对基于级联交叉注意力机制的差分特征学习模块进行网络优化；
10、步骤7、获取优化后基于级联交叉注意力机制的差分特征学习模块的训练模型，利用最优的训练模型在所述测试集上进行测试，得到变化检测结果b。
11、进一步，所述步骤6使用复合损失函数引导网络训练，所述复合损失函数包含：focal损失和对比损失，即
12、lall＝λ1lfocal_loss+λ2lcon_loss式(1)
13、式(1)中，lall代表基于级联交叉注意力机制和差分特征学习的网络总损失，lfocal__代表focal损失函数，lcon_loss代表对比损失函数，λ1和λ2分别代表lfocal__和lcon_loss损失函数的权重系数；
14、所述focal损失是一种处理样本分类不平衡的损失函数，根据样本区分的难易程度给样本对应的损失分配权重，所述focal损失在判别模块的输出层上进行计算，其公式如下：
15、lfocal_loss＝-αt(1pt)γlog(pt)式(2)
16、式(2)中，pt反映与真实值的接近程度，pt越大表示越接近类别y，y＝1表示变化的样本对，y＝0表示未变化的样本对；调节因子γ控制困难和简单样品的不平衡性，αt是正负样本不平衡的调制因子。
17、进一步，在所述对比损失的基础上增加权重因子，构建针对不平衡数据的对比损失函数如下：
18、
19、式(3)中，nu表示批次中未变化样本对的数量，nc表示批次中变化样本对的数量，l表示输入样本对是否相似，l＝1表示相似，l＝0表示不相似，d指输入样本对特征之间的欧式距离，m表示不同样本对的余量。
20、进一步，所述步骤4具体如下：
21、步骤4.1、将多尺度深层特征块对block1、block2、block3和block4依次输入四个依赖范围不同的基于交叉注意力机制的差分特征学习子模块得到多尺度的基于交叉注意力机制的差分特征和
22、步骤4.2、将步骤4.1获得的多尺度的基于交叉注意力机制的差分特征和进行级联融合，得到更具判别性的融合特征ffusion。
23、进一步，所述步骤4.1具体包括：
24、步骤4.1.1、将多尺度深层特征块对block1、block2、block3和block4依次输入四个依赖范围不同的时序注意力单元tau，获取含有双时图像交互信息的交叉注意力矩阵和
25、步骤4.1.2、对多尺度深层特征块对block1、block2、block3和block4进行相应层级的差分运算，获取差分特征和
26、步骤4.1.3、将步骤4.1.1获取的所述交叉注意力矩阵和和步骤4.1.2获取的所述差分特征和按照相应层级进行点乘操作，得到多尺度的基于交叉注意力机制的差分特征和
27、进一步，所述四个依赖范围不同的时序注意力单元tau的依赖范围依次为7×7、5×5、3×3和1×1。
28、进一步，所述步骤1中的多光谱图像数据为通过gf-1获取的hongqi canal，minfeng和weihe river数据集，波段数均为4，a为所述图像块对的像素，获取的图像数据为s×2×a×a×4，s为一整张图像的像素大小。
29、进一步，所述步骤7具体为：
30、利用最优的训练模型，分别在hongqi canal，minfeng和weihe river数据集中的测试集上进行测试，得到变化检测结果b。
31、进一步，所述hongqi canal和minfeng数据集中训练数据和测试集的划分比例为7:3，所述weihe river数据集中训练数据和测试集的划分比例为9:1。
32、另一方面，本专利技术还提供了一种基于级联交叉注意力机制和差分特征学习的多光谱变化检测系统，包括：
33、图像获取模块，用以获取多光谱图像的图像块对；
34、图像预处理模块，用以将所述图像获取模块获取的图像数据按照指定比例划分为训练数据和测试集，在训练阶段将所述训练数据按照所述指定比例划分为训练集和验证集；
35、特征提取模本文档来自技高网
...
【技术保护点】
1.基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，具体如下：
2.根据权利要求1所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述步骤6使用复合损失函数引导网络训练，所述复合损失函数包含：focal损失和对比损失，即
3.根据权利要求2所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，在所述对比损失的基础上增加权重因子，构建针对不平衡数据的对比损失函数如下：
4.根据权利要求1所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述步骤4具体如下：
5.根据权利要求4所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述步骤4.1具体包括：
6.根据权利要求5所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述四个依赖范围不同的时序注意力单元TAU的依赖范围依次为7×7、5×5、3×3和1×1。
7.根据权利要求1所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述步骤1中的多光谱图像数据为通过GF-1获取的Hongqi Canal，Minfeng和Weihe River数据集，波段数均为4，a为所述图像块对的像素，获取的图像数据为S×2×a×a×4，S为一整张图像的像素大小。
8.根据权利要求7所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述步骤7具体为：
9.根据权利要求7所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述Hongqi Canal和Minfeng数据集中训练数据和测试集的划分比例为7:3，所述Weihe River数据集中训练数据和测试集的划分比例为9:1。
10.基于级联交叉注意力机制和差分特征学习的多光谱变化检测系统，其特征在于，包括：
...
【技术特征摘要】
1.基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，具体如下：
2.根据权利要求1所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述步骤6使用复合损失函数引导网络训练，所述复合损失函数包含：focal损失和对比损失，即
3.根据权利要求2所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，在所述对比损失的基础上增加权重因子，构建针对不平衡数据的对比损失函数如下：
4.根据权利要求1所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述步骤4具体如下：
5.根据权利要求4所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述步骤4.1具体包括：
6.根据权利要求5所述的基于级联交叉注意力机制和差分特征学习的多光谱变化检测方法，其特征在于，所述四个依赖范围不同的时序注意力单元t...
【专利技术属性】
技术研发人员：张无瑕，张琴雨，杨俊毅，徐英杰，王斯敏，鲁钰，
申请(专利权)人：西安邮电大学，
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。