【技术实现步骤摘要】
本专利技术属于遥感图像处理，更具体地说，涉及一种面向多尺度遥感图像变化检测方法。
技术介绍
1、遥感变化检测(rscd)是指识别同一地区的两期或多期遥感影像中的差异。监测这些差异对了解地表变化特别重要。利用遥感影像进行变化检测已经广泛应用于城市规划、灾害评估、资源管理等领域。
2、传统的rscd方法依赖于通过人眼识别和手动勾画来标注变化信息，这一做法不仅耗费大量人力物力，而且效率低下。为了减轻人力负担，研究人员开始探索使用遥感影像的光谱信息来检测变化，采用了如变化矢量分析(cva)、混合变化检测、主成分分析(pca)等技术。然而，这些方法在决策阶段通常需要选择一个最佳阈值，这不仅依赖于具体场景，而且过程繁琐耗时。为了克服这些限制，研究人员引入了支持向量机、决策树、k-近邻算法等机器学习技术到rscd中，以实现自动化决策。但这些方法仍旧严重依赖于手工提取的特征，并且难以有效地捕捉高级特征表示。
3、得益于深度学习架构的强大特征提取能力，现有的基于深度学习的rscd方法已经取得了一定进展。daudt等人首次将全卷积网络(fcn)应用于变化检测任务中，构建了几种基于u-net的网络，如fc-early fusion(ef)、fc-siam-conc和fc-siam-diff。然而，由于每个尺度的特征提取单一，这些网络难以满足多尺度变化对象的需求。受到这一思想的启发，peng等人改进了unet++的结构，以提高变化的提取能力。但由于cnn的全局特征提取能力有限，chen等人结合了cnn和transformer提出
4、尽管现有的遥感图像变化检测方法已经取得了一定进展，但仍然存在改进的空间。以往的研究主要集中在如何提高模型对变化和不变化的识别能力上，忽略了目标的尺寸、形状和纹理等特征变化可能带来的影响。但实际识别的变化目标是具有多样形态的，因此，有必要研究多尺寸特征提取的方法，提升模型对各种尺寸和分辨率特征的捕捉能力，以增强模型对不同数据条件的适应性和鲁棒性。基于此，亟需设计一种面向多尺度遥感图像变化检测方法。
技术实现思路
1、(一)技术问题
2、基于上述的技术缺陷，本专利技术提供了一种面向多尺度遥感图像变化检测方法，该方法除了能够应对目标的尺寸、形状和纹理等特征变化可能带来的影响，还能提升模型对各种尺寸和分辨率特征的捕捉能力，以增强模型对不同数据条件的适应性和鲁棒性。
3、(二)技术方案
4、本专利技术提供了一种面向多尺度遥感图像变化检测方法，该方法设计了msnet网络结构，所述msnet网络结构具体包括以下的编码器-解码器骨干：
5、编码器包括两组权重共享的编码器，第一组编码器由依次串联连接的en_block1～en_block4四个编码模块组成，第二组编码器由依次串联连接的en_block5～en_block 8四个编码模块组成，解码器包括两组权重共享的解码器和一组变化解码器，第一组解码器由依次串联连接的de_block1～de_block3三个解码模块组成，第二组解码器由依次串联连接的de_block7～de_block9三个解码模块组成，变化解码器由依次串联连接的de_block4～de_block6三个解码模块组成，九个解码模块de_block1～de_block9为双输入单输出的解码模块；
6、en_block4的输出端分别与de_block1和第一双时图像特征融合模块的输入端连接，en_block8的输出端分别与de_block7和第一双时图像特征融合模块的输入端连接，第一双时图像特征融合模块的输出端与de_block4的输入端连接，en_block3和en_block7的输出端分别与de_block1和de_block7的输入端跳跃连接，en_block2和en_block6的输出端分别与de_block2和de_block8的输入端跳跃连接，en_block1和en_block5的输出端分别与de_block3和de_block9的输入端跳跃连接，de_block1和de_block7的输出端与第二双时图像特征融合模块的两个输入端连接，第二双时图像特征融合模块的输出端与de_block4的输入端连接，de_block2和de_block8的输出端与第三双时图像特征融合模块的两个输入端连接，第三双时图像特征融合模块的输出端与de_block5的输入端连接，de_block3和de_block9的输出端与第四双时图像特征融合模块的两个输入端连接，第四双时图像特征融合模块的输出端与de_block6的输入端连接，de_block6的输出端经过上采样后最终输出变化特征。
7、优选的，所述编码模块en_block1～en_block8中还从多尺度出发设计了多尺度注意力机制msam，对于输入x∈rh×w×c通过多尺度卷积设计了4个具有不同感受野大小的映射层u1∈rh×w×c，u2∈rh×w×c，u3∈rh×w×c，u4∈rh×w×c,映射使用的常规cbr模块为conv基础卷积层、bn批标准归一化层及relu激活层的组合，卷积核大小分别为1×1、3×3、5×5、7×7，将u1、u2、u3、u4按元素求和得到u:
8、u＝u1+u2+u3+u4
9、接着，对特征图u同时进行最大池化和平均池化获得和然后通过权重共享的网络mlp后进行元素求和，经过sigmoid函数生成权重向量mc；其中σ为sigmoid函数，mlp结构为conv-relu-conv的组合，w0∈rc/r×c，w1∈rc×c/r，w0，w1为mlp的权重；
10、
11、
12、
13、
14、并将u与得到的通道注意力权重mc(f)相乘，以获得u′，
15、
16、然后，u′进入空间注意力模块，在模块中，首先通过全局平均池化和全局最大池化函数获得和然后通过concat函数进行连接，以进行通道数叠加操作，最后通过sigmoid函数生成权重向量ms∈r1×h×w，f7×7表示滤波器为7×7的conv卷积运算，concat为图像拼接函数；
17、
18、
19、ms(u′)＝σ(f7×7(concat[avgpool(u′),maxpool(u′)]))
20、并将u′与得到的空间注意力权重ms(u′)相乘得到u″
21、
22、其中为元素乘法，u″为最终输出。
23、优选的，所述编码模块en_block1～en_block8的结构具体为：特征本文档来自技高网...
【技术保护点】
1.一种面向多尺度遥感图像变化检测方法，其特征在于，该方法设计了MSNet网络结构，所述MSNet网络结构具体包括以下的编码器-解码器骨干：
2.根据权利要求1所述的面向多尺度遥感图像变化检测方法，其特征在于，所述编码模块En_block1～En_block8中还从多尺度出发设计了多尺度注意力机制MSAM，对于输入X∈RH×W×C通过多尺度卷积设计了4个具有不同感受野大小的映射层U1∈RH×W×C，U2∈RH×W×C，U3∈RH×W×C，U4∈RH×W×C，映射使用的常规CBR模块为Conv基础卷积层、BN批标准归一化层及ReLU激活层的组合，卷积核大小分别为1×1、3×3、5×5、7×7，将U1、U2、U3、U4按元素求和得到U：
3.根据权利要求2所述的面向多尺度遥感图像变化检测方法，其特征在于，所述编码模块En_block1～En_block8的结构具体为：特征图X经过两次2*CBR模块的映射后，经过所述多尺度注意力机制MSAM的残差映射后，实现残差网络的捷径连接，最后通过ReLU激活层输出最终的编码特征。
4.根据权利要求3所述的面向多
5.根据权利要求1～4任一项所述的面向多尺度遥感图像变化检测方法，其特征在于，所述MSNet网络结构还包括全局多尺寸特征融合模块，所述全局多尺寸特征融合模块位于En_block4与De_block1之间以及En_block8与De_block7之间；
6.根据权利要求1～4任一项所述的面向多尺度遥感图像变化检测方法，其特征在于，所述第一双时图像特征融合模块至所述第四双时图像特征融合模块的结构具体为：
7.根据权利要求1～4任一项所述的面向多尺度遥感图像变化检测方法，其特征在于，损失函数计算包括：通过对变化标签change label进行bilinear双线性下采样，scalefactor缩放因子为0.5，得到pseudo label伪标签，整体的损失由三部分组成，变化特征change mask的损失为Lchange，T1时像的损失为LT1，T2时像的损失为LT2，最终的损失函数表示为：
8.一种面向多尺度遥感图像变化检测系统，其特征在于，包括：
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项所述的面向多尺度遥感图像变化检测方法。
...【技术特征摘要】
1.一种面向多尺度遥感图像变化检测方法，其特征在于，该方法设计了msnet网络结构，所述msnet网络结构具体包括以下的编码器-解码器骨干：
2.根据权利要求1所述的面向多尺度遥感图像变化检测方法，其特征在于，所述编码模块en_block1～en_block8中还从多尺度出发设计了多尺度注意力机制msam，对于输入x∈rh×w×c通过多尺度卷积设计了4个具有不同感受野大小的映射层u1∈rh×w×c，u2∈rh×w×c，u3∈rh×w×c，u4∈rh×w×c，映射使用的常规cbr模块为conv基础卷积层、bn批标准归一化层及relu激活层的组合，卷积核大小分别为1×1、3×3、5×5、7×7，将u1、u2、u3、u4按元素求和得到u：
3.根据权利要求2所述的面向多尺度遥感图像变化检测方法，其特征在于，所述编码模块en_block1～en_block8的结构具体为：特征图x经过两次2*cbr模块的映射后，经过所述多尺度注意力机制msam的残差映射后，实现残差网络的捷径连接，最后通过relu激活层输出最终的编码特征。
4.根据权利要求3所述的面向多尺度遥感图像变化检测方法，其特征在于，所述解码模块de_block1～de_block9的结构具体为：第一特征图x1经过上采样后，通过concat函数与第二特征图x2拼接，以将输出映射...
【专利技术属性】
技术研发人员：唐立军，刘深波，赵东雪，周昱亨，谈颖，贺皇，黄可逸，
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。