本发明涉及图像变化检测方法，具体涉及一种深度卷积神经网络结合形态学检测图像变化的方法。
背景技术
近年来，随着计算机技术以及人工智能的高速发展，土地监管也日趋向智能化的方向发展。土地资源的监管有利于国家对国土资源的合理分配与利用。而土地监管中的一大难题就是国土资源极其庞大，现实生活中需要耗费大量的人力进行实地考察及调查。利用遥感图像对不同时相的图像进行对比，可以有效的找出不同时相建筑物的变化差异，从而实现土地资源的有效监管。然而，对于大区域的遥感图像，需要耗费大量的人力资源进行遥感图像的查看对比。利用传统的遥感图像处理技术虽然可以实现对同一区域不同时相的遥感图像中新增建筑物的识别，但这些传统的遥感图像处理算法中存在两个缺点：一是模型过于复杂，不利于实际的生活应用；二是识别精度低，可视化效果差。随着最近20年来gpu的不断进步与发展，使得深度学习的实现变得容易，深度学习开始应用于各行业中。但利用深度学习的优势应用于遥感图像的建筑物变化检测方面，经国内外文献及专利技术的调查和检索的分析，已有的研究成果目前仍处于少数，有待研究的深入。
针对建筑物的变化检测可以从两方面入手，一是通过深度学习方法实现建筑物的检测，通过差值来表现出同一地区不同时相的建筑变化情况；二是利用基于深度学习的变化检测研究方法，识别出变化，进行相应的算法改进实现建筑物变化检测。这两种方法都存在着一定的问题，第一个方法对同一区域不同时相的遥感图像利用深度学习的方法实现对建筑物的识别，通过差值得到建筑物的变化信息。这种方法的缺点是差值后的建筑变化信息会有较大的噪声，不易处理，且在实际应用中会产生较差的视觉效果。第二个基于深度学习的变化检测的方法，会提取出过多的变化信息，其中包含了建筑变化以外的信息。
技术实现要素：
发明目的：本发明的目的是提供一种深度卷积神经网络结合形态学检测图像变化的方法，解决现有检测图像变化方法噪声大，不易处理，检测精度低，视觉效果差的问题。
技术方案：本发明所述的深度卷积神经网络结合形态学检测图像变化的方法，其特征在于，包括以下步骤：
(1)对已配准的不同时相的遥感图像进行分割；
(2)对分割后的图像进行旋转和镜像，然后将不同时相对应位置的遥感图像合并为8通道的图像；
(3)将得到的8通道的图像数据输入到segnet网络模型中进行训练，输出2通道的图像；
(4)对图像采用并操作对图像进行孔洞填充，然后采用腐蚀操作去除噪声信息，得到图像处理模型；
(5)对待预检测数遥感图像进行分割后输入到所述步骤(4)的模型中进行处理，输出处理后的图像；
(6)把步骤(5)输出的图像合并为原始待检测遥感图像的大小，即完成图像变化检测。
为了在有限像素的图像中，得到更多的图像，有利于深度网络的训练，所述步骤(1)中采用滑动分割的方法将图像分割为224×224大小的图像。
为了对分割后的图像进行数据增强，增加模型的鲁棒性，所述步骤(2)中采用90°、180°和270°旋转，采用上、下和左、右镜像。
为了引入浅层的信息有利于网络的训练，避免测试的结果向一边倾斜，所述segnet网络模型在pool1、pool2和pool3操作后进行merge操作，将各个poll层分贝与inputs层的数据进行合并。所述为了所述步骤(3)中利用segnet网络模型进行训练时选用交叉熵作为损失函数，损失函数为：
其中，y0表示无变化区域，y1变化区域。y′0预测为无变化区域的概率，y′1为变化区域概率。
为了减少segnet输出结果边缘区域检测效果不理想的情况，所述步骤(5)中对待检测区域进行分割时，采用滑动重叠分割，分割大小为224×224，最后每个分割后的图像得到的结果只取中间200×200的部分。
有益效果：本发明采用深度卷积神经网络结合形态学的方法，检测精度高，有效去噪，方法简单，对建筑物变化检测具有较高的准确性和鲁棒性。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明进行进一步说明。
如图1所示，深度卷积神经网络结合形态学检测图像变化的方法，包括以下步骤：
(1)对以配准的2015和2017年的遥感图像进行分割，由于改进的segnet网络输入图像大小为224×224的8通道图像，因此，分别将2015年和2017年图像分割为224×224大小。为了合理利用数据资源，采用部分重叠滑动分割原始图像，这样能够增加小型的遥感图像分割后的训练数据量。如分割时，横向第一张图像左上角坐标为(0,0)，第二张为(112，0)，第三张为(224，0)依次类推，纵向时坐上角坐标依次为(0,112)，(0，224)依次类推。在样本量不够充足时，滑动分割有利于图像数据的最大化利用。分割成小区域224×224有利于深度网络的训练。
(2)对分割后的图像旋转和镜像操作以进行数据增强，可采用90°、180°和270°旋转，上、下以及左、右镜像的方法。然后将不同时相对应位置的遥感图像合并为8通道的图像。
(3)将步骤(2)的得到的8通道图像输入到改进的segnet网络模型里进行训练，输出2通道的图像。
其中，改进的segnet实现流程如表1所示，整个网络的流程一是减少了部分卷积操作，二是在pool1、pool2和pool3之后分别有个merge的操作，如merge1是将pool1和inputs进行一次池化的结果进行合并，按通道来合并，即pool1为112×112×64，inputs为224×224×8，池化后为112×112×8，合并后为112×112×72。后面依此类推。引入浅层的信息有利于网络的训练，同时实验证明其在最终的输出结果上有一定的提升效果。
表1改进的segnet实现流程
在利用segnet网络模型进行训练时，选用交叉熵作为损失函数，针对不同的实际情况，无变化区域与变化区域会有一定的差异，由于变化区域占整体的少数，因此需要对其赋予一定的权重比，训练时的损失函数为：
其中，y0表示无变化区域，y1变化区域。y′0预测为无变化区域的概率，y’1为变化区域概率。设置损失函数有利于网络的训练，避免测试的结果向一边倾斜。
(4)对步骤(3)的输出的图像结果采用形态学的处理方法进行处理，即采用了图像进行孔洞填充，然后采用腐蚀操作去除噪声信息，得到图像处理模型。
(5)对待预检测数遥感图像进行分割，用步骤(4)的模型对分割后的数据进行检测。在对待检测区域进行分割时，采用滑动重叠分割，分割大小为224×224，但最后每个分割后的图像得到的结果只取中间200×200的部分，这样可以有效减少改进的segnet输出后边缘区域检测效果不理想的结果。
(6)把步骤(5)输出的图像合并为原始待检测遥感图像的大小，即完成图像变化检测。
最后，对输出结果进行评价，以此来判断是否符合应用环境。采用f1值作为其评价指标，公式如下：
其中，precison为查准率，即预测为新增建筑且正确的像素点，占预测为新增建筑像素点的比例；recall为查全率，即预测为新增建筑且正确的像素点，占实际为新增建筑像素点的比例。根据实际需求和改评价指标可以确定在什么时候符合应用环境。