一种双时相的高分辨率遥感影像变化检测算法的制作方法

本发明涉及遥感测绘地理信息技术领域，具体为一种双时相的高分辨率遥感影像变化检测算法。

背景技术：

变化检测在遥感影像解译当中具有及其重要的意义，高分辨率遥感影像极大地提高了土地利用与覆盖变化监测的能力，多时相的高分辨率遥感图像中包含复杂的地理信息元素，利用深度学习进行遥感影像全自动变化检测，这两年飞速发展，精度与效率已经远超传统方法，针对双时相高分辨遥感变化检测问题，本专利提出一种针对目标变化区域的深度卷积神经网络，实现了多分辨率遥感影像端到端的变化检测功能，在公开的遥感卫星多时相数据集上取得了97％的变化检测准确率，实验结果表明，该网络在拥有较高准确率的同时还具有良好的泛化能力，能够用于实际生产，进而代替人工比较精准的找出影像变化区域。

大多数传统的变化检测方法是首先从单元的原始数据中构建信息特征，图像像素pixel与图像对象object是分析单元的两个主要类别，然后通过比较分析单元的特征表示来判断变化类别变化识别，一般的方法是计算特征差异图，通过阈值分割变化区域。

基于深度学习的变化检测方法，一种是通过比较双时相数据的参数化距离来确定是否发生变化，深度全卷积网络可以学习嵌入空间，它包含两个共享相同权值的相同网络，每个网络独立地生成每个时间图像的featuremap，然后通过每对特征点之间的度量，判断是否发生了变化，在模型的训练过程中，会尝试着采用不同的损失函数希望得到更好的检测效果。

通过对提取的双时态数据特征进行分类来识别变化类别，一般的方法是给图像的每个位置分配一个变化分数，其中变化的位置比没有变化的位置的得分要高，通过类别的权值设定解决类别不平衡问题，采取cnn的方法、rnn的方法，捕获序列关系，建模时间依赖性，一些结合cnn和rnn的模型，不同尺寸分辨率的影相数据很难有效检测变化区域。

技术实现要素：

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种双时相的高分辨率遥感影像变化检测算法，目的是为了针对双时相变化检测中存在的问题，变化对象区域可能有着不同的尺寸，通过对不同大小区域的特征进行组合，可以得到多尺度的特征，在此动机的驱动下，将图像空间平均划分为一定尺度下的子区域，并在每个子区域引入自注意机制，利用该尺度下对象的时空关系，通过将图像划分为多尺度的子区域，可以获得多尺度的特征表示，以更好地适应目标的尺度变化。

(二)技术方案

为达到以上目的，本发明采取的技术方案是：一种双时相的高分辨率遥感影像变化检测算法，所述方法包括如下步骤：

a、图像的采集：卫星拍照单元采集多时间的遥感影像数据并进行配准；

b、图像的预处理：对每张img源数据图片进行矢量、栅格、png格式转换；

c、数据集划分：将预处理的图片按照6∶3∶1比例随机划分训练集、测试集和验证集；

d、选取模型评价指标：针对变化检测问题设定oa、kappa等评价指标；

e、模型训练：深度学习训练神经网络，bn、batchsize、crop、flit等参数调优；

f、预测：选取最优的模型，输入测试的一期、二期影像，输出变化检测的结果。

优选的，所述步骤a-f的具体实现过程如下；

s1、读取图像数据image和对于的label数据；

s2、计算输入尺寸与输出尺寸比(outputstride＝16)，最后一个stage的膨胀率rate为2；

s3、因为aspp有四个不同的rate，所以额外做一个全局平均池化；

s4、先把encoder的结果上采样4倍，然后与resnet中下采样前的conv2特征concat一起，再进行3x3的卷积，最后上采样4倍得到最终结果；

s5、融合低层次信息前，先进行1x1的卷积，目的是降通道。

(三)有益效果

本发明的有益效果在于：

该双时相的高分辨率遥感影像变化检测算法，通过对不同大小区域的特征进行组合，可以得到多尺度的特征，在此动机的驱动下，将图像空间平均划分为一定尺度下的子区域，并且在每个子区域引入自注意机制，利用该尺度下对象的时空关系，通过将图像划分为多尺度的子区域，可以获得多尺度的特征表示，以更好地适应目标的尺度变化，能够显著解决两时相多分辨率影像变化检测问题，模型oa指标显著提升。

附图说明

图1为本发明工作流程图；

图2为本发明kappa系数公式图；

图3为本发明tverskyloss公式图；

图4为本发明建筑物变化检测结果的一期无建筑检测图；

图5为本发明建筑物变化检测结果的二期新建建筑检测图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-5所示，本发明提供一种技术方案：一种双时相的高分辨率遥感影像变化检测算法，所述方法包括如下步骤：

a、图像的采集：卫星拍照单元采集多时间的遥感影像数据并进行配准；

b、图像的预处理：对每张img源数据图片进行矢量、栅格、png格式转换；

c、数据集划分：将预处理的图片按照6∶3∶1比例随机划分训练集、测试集和验证集；

d、选取模型评价指标：针对变化检测问题设定oa、kappa等评价指标；

e、模型训练：深度学习训练神经网络，bn、batchsize、crop、flit等参数调优；

f、预测：选取最优的模型，输入测试的一期、二期影像，输出变化检测的结果。

步骤a-f的具体实现过程如下；

s1、读取图像数据image和对于的label数据；

s2、计算输入尺寸与输出尺寸比(outputstride＝16)，最后一个stage的膨胀率rate为2；

s3、因为aspp有四个不同的rate，所以额外做一个全局平均池化；

s4、先把encoder的结果上采样4倍，然后与resnet中下采样前的conv2特征concat一起，再进行3x3的卷积，最后上采样4倍得到最终结果；

s5、融合低层次信息前，先进行1x1的卷积，目的是降通道，例如有512个通道，而encoder结果只有256个通道。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种双时相的高分辨率遥感影像变化检测算法，所述方法包括如下步骤：

a、图像的采集：卫星拍照单元采集多时间的遥感影像数据并进行配准；

b、图像的预处理：对每张img源数据图片进行矢量、栅格、png格式转换；

c、数据集划分：将预处理的图片按照6∶3∶1比例随机划分训练集、测试集和验证集；

d、选取模型评价指标：针对变化检测问题设定oa、kappa等评价指标；

e、模型训练：深度学习训练神经网络，bn、batchsize、crop、flit等参数调优；

f、预测：选取最优的模型，输入测试的一期、二期影像，输出变化检测的结果。

2.根据权利要求1所述的一种双时相的高分辨率遥感影像变化检测算法，其特征在于：所述步骤a-f的具体实现过程如下；

s1、读取图像数据image和对于的label数据；

s2、计算输入尺寸与输出尺寸比(outputstride＝16)，最后一个stage的膨胀率rate为2；

s3、因为aspp有四个不同的rate，所以额外做一个全局平均池化；

s4、先把encoder的结果上采样4倍，然后与resnet中下采样前的conv2特征concat一起，再进行3x3的卷积，最后上采样4倍得到最终结果；

s5、融合低层次信息前，先进行1x1的卷积，目的是降通道。

技术总结
本发明公开了一种双时相的高分辨率遥感影像变化检测算法，涉及遥感测绘地理信息技术领域，包括如下步骤：A、图像的采集：卫星拍照单元采集多时间的遥感影像数据并进行配准；B、图像的预处理：对每张IMG源数据图片进行矢量、栅格、PNG格式转换。该双时相的高分辨率遥感影像变化检测算法，通过对不同大小区域的特征进行组合，可以得到多尺度的特征，在此动机的驱动下，将图像空间平均划分为一定尺度下的子区域，并且在每个子区域引入自注意机制，利用该尺度下对象的时空关系，通过将图像划分为多尺度的子区域，可以获得多尺度的特征表示，以更好地适应目标的尺度。

技术研发人员：赵金剑;王江安
受保护的技术使用者：陕西土豆数据科技有限公司
技术研发日：2020.12.21
技术公布日：2021.03.30