一种遥感地图变化检测方法及系统与流程

1.本技术涉及图像处理技术领域，特别是涉及一种遥感地图变化检测方法及系统。


背景技术：

2.人们几乎每天都在对自然环境进行改造，小到建筑物的修建、大到填海造陆，而这些动态发展对于自然环境的利弊则需要监控与分析。随着深度学习的发展，在很多视觉处理的任务中，一些深度学习方法的识别水平甚至超过了人类的正常水平。
3.在遥感地图变化检测中，不同时期天气、光照角度等外界条件对拍摄的清晰度、色阶等影响很大，现有的遥感地图变化检测大多是基于不同时期的多张静态遥感地图以及图像分割方案在相互比较、多种处理手段下获取各种地表动态变化区域的方式来实现，例如使用deeplab、unet等方案进行改进，模型结构通常是cnn的结构，训练过程通常是有监督的学习方案。但在天气、光照强度以及清晰度等不同情况下，遥感地图变化检测的时间会较长且准确率较低。
4.因此，目前的遥感地图变化检测方式的检测精度较低、检测时间较长且模型泛化能力较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种模型泛化能力较强、检测时间较短且检测精度较高的遥感地图变化检测方法及系统。
6.第一方面，本技术提供一种遥感地图变化检测方法，应用于神经元网络，所述方法包括：
7.获取第一图像数据并将所述第一图像数据变化到固定区间范围中，以得到第二图像数据，其中，所述第一图像数据为配准好的遥感地图的特征数据，所述第二图像数据为变化到固定区间范围后的第一图像数据；
8.通过无监督训练模型对所述第二图像数据进行深度训练，以获取所述第二图像数据的权重，并在所述权重的基础上进行有监督模型训练，以获取第三图像数据，所述第三图像数据为遥感地图的变化数据；
9.通过损失函数计算所述第三图像数据与原图的损失；
10.通过设置第一阈值判断所述第三图像数据的像素类别，当所述第一阈值满足所述第一图像数据的区间范围时输出与所述第一图像数据对应变化的二值图像。
11.在其中一个实施例中，所述通过无监督训练模型对所述第二图像数据进行深度训练，包括：
12.通过编码器对所述第二图像数据进行编制，所述第二图像数据编制后用于进行差分函数处理。
13.在其中一个实施例中，所述通过无监督训练模型对所述第二图像数据进行深度训练，还包括：
14.对编制后的第二图像数据进行差分函数处理并获取卷积后的第二图像数据；
15.对所述卷积后的第二图像数据进行gent池化处理压缩并通过解码器对压缩后的第二图像数据进行翻译，以获取特征图数组。
16.在其中一个实施例中，所述通过无监督训练模型对所述第二图像数据进行深度训练，还包括：
17.通过reshape函数将所述特征图数组转化为新数组，并将转化后的特征图数组标记为第一认证数组；
18.对所述第一认证数组进行识别，以获取无法识别的第一认证数组，并将所述无法识别的第一认证数组输出至转换单元，所述转换单元用于获取所述无法识别的第一认证数组的表征。
19.在其中一个实施例中，所述通过无监督训练模型对所述第二图像数据进行深度训练，还包括：
20.将识别成功的第一认证数组进行顺序恢复，并将恢复后的识别成功的第一认证数组输送至所述转换单元，通过所述转换单元获取所述识别成功的第一认证数组的表征。
21.在其中一个实施例中，所述通过损失函数计算所述第三图像数据与原图的损失，包括：
22.通过所述损失函数计算所述转换单元输出的表征，以获取第三图像数据与原图的损失；
23.通过优化单元计算梯度，并根据所述优化单元的计算结果更新所述无监督训练模型的参数。
24.第二方面，本技术提供一种遥感地图变化检测系统，应用于神经元网络，所述系统包括：
25.获取模块，用于获取第一图像数据并将所述第一图像数据变化到固定区间范围中，以得到第二图像数据，其中，所述第一图像数据为配准好的遥感地图的特征数据，所述第二图像数据为变化到固定区间范围后的第一图像数据；
26.训练模块，用于通过无监督训练模型对所述第二图像数据进行深度训练，以获取所述第二图像数据的权重，并在所述权重的基础上进行有监督模型训练，以获取第三图像数据，所述第三图像数据为遥感地图的变化数据；
27.计算模块，用于通过损失函数计算所述第三图像数据与原图的损失；
28.输出模块，用于通过设置第一阈值判断所述第三图像数据的像素类别，当所述第一阈值满足所述第一图像数据的区间范围时输出与所述第一图像数据对应变化的二值图像。
29.在其中一个实施例中，所述训练模块具体用于：
30.通过编码器对所述第二图像数据进行编制，所述第二图像数据编制后用于进行差分函数处理；
31.对编制后的第二图像数据进行差分函数处理并获取卷积后的第二图像数据；
32.对所述卷积后的第二图像数据进行gent池化处理压缩并通过解码器对压缩后的第二图像数据进行翻译，以获取特征图数组；
33.通过reshape函数将所述特征图数组转化为新数组，并将转化后的特征图数组标
记为第一认证数组；
34.对所述第一认证数组进行识别，以获取无法识别的第一认证数组，并将所述无法识别的第一认证数组输出至转换单元，所述转换单元用于获取所述无法识别的第一认证数组的表征；
35.将识别成功的第一认证数组进行顺序恢复，并将恢复后的识别成功的第一认证数组输送至所述转换单元，通过所述转换单元获取所述识别成功的第一认证数组的表征。
36.第三方面，本技术提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
37.获取第一图像数据并将所述第一图像数据变化到固定区间范围中，以得到第二图像数据，其中，所述第一图像数据为配准好的遥感地图的特征数据，所述第二图像数据为变化到固定区间范围后的第一图像数据；
38.通过无监督训练模型对所述第二图像数据进行深度训练，以获取所述第二图像数据的权重，并在所述权重的基础上进行有监督模型训练，以获取第三图像数据，所述第三图像数据为遥感地图的变化数据；
39.通过损失函数计算所述第三图像数据与原图的损失；
40.通过设置第一阈值判断所述第三图像数据的像素类别，当所述第一阈值满足所述第一图像数据的区间范围时输出与所述第一图像数据对应变化的二值图像。
41.第四方面，本技术提供一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤:
42.获取第一图像数据并将所述第一图像数据变化到固定区间范围中，以得到第二图像数据，其中，所述第一图像数据为配准好的遥感地图的特征数据，所述第二图像数据为变化到固定区间范围后的第一图像数据；
43.通过无监督训练模型对所述第二图像数据进行深度训练，以获取所述第二图像数据的权重，并在所述权重的基础上进行有监督模型训练，以获取第三图像数据，所述第三图像数据为遥感地图的变化数据；
44.通过损失函数计算所述第三图像数据与原图的损失；
45.通过设置第一阈值判断所述第三图像数据的像素类别，当所述第一阈值满足所述第一图像数据的区间范围时输出与所述第一图像数据对应变化的二值图像。
46.本发明的有益之处在于，上述遥感地图变化检测方法及系统，通过获取配准好的遥感图片并对其进行前处理，得到数据处理后的遥感图像数据及其固定区间范围。并在固定区间范围内将预处理后的遥感图像数据通过无监督训练模型进行训练，无监督训练模型具备遥感地图通用的特征表达能力，该通用的特征表达能力可根据不同的使用场景进行下游的有监督的模型训练，以获取遥感地图的变化数据。通过损失函数计算遥感地图的变化数据与原图的损失，最终通过设置阈值的方式进行遥感地图像素类别的判断，并在设置的阈值满足其固定区间范围时获取与遥感地图特征相对应变化的二值图像。因此，该方法能够提取不同尺度下局部语义特征和全局语义特征，使得模型的泛化性能和准确度更高，并将局部语义特征与全局语义特征进行融合，使得遥感地图检测精度提高的同时提升推理速度。
附图说明
47.图1为本技术中一个实施例的遥感地图变化检测方法流程图；
48.图2为本技术中一个实施例的遥感地图变化检测方法的无监督模型训练流程图；
49.图3为本技术中一个实施例的遥感地图变化检测方法的损失函数计算流程图；
50.图4为本技术中一个实施例的遥感地图变化检测方案的简易流程图；
51.图5为本实施例中遥感地图变化检测方案的变化检测模型训练、推理示意图；
52.图6为本实施例中遥感地图变化检测方案的遥感地图变化检测encode模块结构示意图；
53.图7为本实施例中遥感地图变化检测方案的去噪自编码器训练过程示意图；
54.图8为本实施例中遥感地图变化检测方案的遥感地图变化检测模型结构示意图；
55.图9为本实施例中遥感地图变化检测方案的下采样提取特征图模块设计成轻量级的结构示意图；
56.图10为本实施例中遥感地图变化检测方案的特征金字塔模块的衍生结构示意图；
57.图11为本实施例中遥感地图变化检测方案的多层感知器(mlp)模块的结构示意图；
58.图12为本技术中一个实施例的遥感地图变化检测系统结构示意图；
59.图13为本技术中一个实施例的计算机设备的内部结构图。
具体实施方式
60.为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例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。
61.如图1所示，在一个实施例中，一种遥感地图变化检测方法，应用于神经元网络，包括以下步骤：
62.步骤s110，获取第一图像数据并将第一图像数据变化到固定区间范围中，以得到第二图像数据，其中，第一图像数据为配准好的遥感地图的特征数据，第二图像数据为变化到固定区间范围后的第一图像数据。
63.具体地，检测终端获取配准好的遥感地图的特征数据并将其变化到固定区间范围中。
64.步骤s120，通过无监督训练模型对第二图像数据进行深度训练，以获取第二图像数据的权重，并在权重的基础上进行有监督模型训练，以获取第三图像数据，第三图像数据为遥感地图的变化数据。
65.具体地，检测终端通过无监督训练模型对变化到固定区间范围后的第一图像数据进行深度训练，以获取第二图像数据的权重，并在该权重的基础上进行有监督模型训练，以获取遥感地图的变化数据。
66.步骤s130，通过损失函数计算第三图像数据与原图的损失。
67.具体地，检测终端通过损失函数计算遥感地图数据与原图的损失。
68.步骤s140，通过设置第一阈值判断第三图像数据的像素类别，当第一阈值满足第
一图像数据的区间范围时输出与第一图像数据对应变化的二值图像。
69.具体地，检测终端通过设置第一阈值的方式判断遥感地图的变化数据的像素类别，并在第一阈值满足遥感地图特征数据的固定区间范围时输出与第一图像数据对应变化的二值图像。
70.上述遥感地图变化检测方法，通过获取配准好的遥感图片并对其进行前处理，得到数据处理后的遥感图像数据及其固定区间范围。并在固定区间范围内将预处理后的遥感图像数据通过无监督训练模型进行训练，无监督训练模型具备遥感地图通用的特征表达能力，该通用的特征表达能力可根据不同的使用场景进行下游的有监督的模型训练，以获取遥感地图的变化数据。通过损失函数计算遥感地图的变化数据与原图的损失，最终通过设置阈值的方式进行遥感地图像素类别的判断，并在设置的阈值满足其固定区间范围时获取与遥感地图特征相对应变化的二值图像。因此，该方法能够提取不同尺度下局部语义特征和全局语义特征，使得模型的泛化性能和准确度更高，并将局部语义特征与全局语义特征进行融合，使得遥感地图检测精度提高的同时提升推理速度。
71.如图2所示，在一个实施例中，本技术的遥感地图变化检测方法，通过无监督训练模型对第二图像数据进行深度训练，以获取第二图像数据的权重，并在权重的基础上进行有监督模型训练，以获取第三图像数据，第三图像数据为遥感地图的变化数据，包括以下步骤：
72.步骤s121，通过编码器对第二图像数据进行编制，第二图像数据编制后用于进行差分函数处理。
73.具体地，在无监督训练模型对第二图像数据进行深度训练的过程中，检测终端首先通过编码器对第二图像数据进行编制，编制后的第二图像数据用于差分函数处理。
74.步骤s122，对编制后的第二图像数据进行差分函数处理并获取卷积后的第二图像数据。
75.具体地，检测终端对编制后的第二图像数据进行差分函数处理和卷积处理，获取卷积后的第二图像数据，卷积后的第二图像数据便于压缩。
76.步骤s123，对卷积后的第二图像数据进行gent池化处理压缩并通过解码器对压缩后的第二图像数据进行翻译，以获取特征图数组。
77.具体地，检测终端对卷积后的第二图像数据进行gent池化处理压缩并通过解码器对压缩后的第二图像数据进行翻译，以获取供reshape函数处理的特征图数组。
78.步骤s124，通过reshape函数将特征图数组转化为新数组，并将转化后的特征图数组标记为第一认证数组。
79.具体地，检测终端通过reshape函数将与第二图像数据相关的特征图数组转化为新数组，并将转化后的特征图数组标记为用于遥感地图变化识别的第一认证数组。
80.步骤s125，对第一认证数组进行识别，以获取无法识别的第一认证数组，并将无法识别的第一认证数组输出至转换单元，转换单元用于获取无法识别的第一认证数组的表征。
81.具体地，检测终端对第一认证数组进行识别，并获取无法识别的第一认证数组，该无法识别的认证数组即可判定为遥感地图的变化数据，随后将无法识别的第一认证数组输出至转换单元，通过转换单元可获得第一认证数组的具体表征。
82.步骤s126，将识别成功的第一认证数组进行顺序恢复，并将恢复后的识别成功的第一认证数组输送至转换单元，通过转换单元获取识别成功的第一认证数组的表征。
83.具体地，识别成功的认证数组即为遥感地图原先不变的图像数据，检测终端将识别成功的第一认证数据进行顺序恢复，并将恢复后的第一认证数组输送至转换单元，以获得识别成功的第一认证数组的具体表征。
84.本技术的遥感地图变化检测方法通过无监督训练模型对预处理后的遥感地图的图像数据进行训练的过程中，通过对图像数据的差分、卷积以及gent池化处理来获取特征图数组，并进行reshape操作将特征图数组转化为认证数组。最后通过对认证数组的识别认证得到遥感地图变化部分的表征信息，图片经过卷积需要降维，引入gent池化函数对图像数据进行池化处理实现对卷积后的特征图进行压缩，使得特征图变小，简化了网络计算的复杂度，通过无监督训练模型训练得到一个通用模型，根据具体的使用场景进行下游的有监督的模型训练，使得模型的泛化性能和准确度更高。
85.如图3所示，在一个实施例中，本技术的遥感地图变化检测方法，通过损失函数计算第三图像数据与原图的损失，包括以下步骤：
86.步骤s131，通过损失函数计算转换单元输出的表征，以获取第三图像数据与原图的损失。
87.具体地，检测终端通过损失函数计算转换单元输出的识别成功的认证数组和未识别成功的认证数组的具体表征，以获取遥感地图的变化数据与原图的损失。
88.步骤s132，通过优化单元计算梯度，并根据优化单元的计算结果更新无监督训练模型的参数。
89.具体地，检测终端通过优化单元计算梯度，并根据优化单元的计算结果更新无监督训练模型的参数。
90.本技术的遥感地图变化检测方法通过损失函数计算转化单元输出的认证数组的表征来获取遥感地图的变化数据与原图的损失，并通过优化单元计算梯度以更新无监督模型的参数，使得无监督模型可根据需求适应不同的训练场景。
91.如图4所示，在一个实施例中，一种遥感地图变化检测方案，基于预训练模型cnn和转换结构，预训练模型由无监督学习的方式训练得到，之后在预训练模型基础上进行微调(fine-tune)训练得到最终模型。
92.在预测阶段，需要将两张配准好的图片经过一些数据处理后，一起送入变化检测模型中，可得到与输入图片相同尺寸的单通道变化二值图，即最终结果，可视化二值图，可看到遥感地图变化的区域，最终完成遥感地图变化的预测。
93.如图5所示，在本实施例中，变化检测模型分为训练阶段和推理阶段两部分，训练阶段由两部分组成，分别为无监督模型的训练和在无监督模型训练的预权重基础上进行有监督的微调(fine-tune)训练，整个网络结构依次由编码器、差分模块、解码器组成，损失函数可选择focal loss、miou loss、ce loss等。
94.需要说明的是，编码器为用于将信号(如比特流)或数据进行编制，转换为可用于通讯、传输和存储的信号形式的设备。差分模块用于对由编码器输出的图像数据进行差分函数运算，其运算结果反映了离散量之间的变化，还用于对图像数据进行池化处理以获得最大池化和平均池化，最大池化的目的在于保留原特征的同时减少神经网络训练的参数，
使得训练时间减少，平均池化即对邻域内特征点只求平均，能够很好的保留背景。解码器又称为译码器，是电子技术中的一种多输入多输出的组合逻辑电路，负责将二进制代码翻译为特定的对象，其功能与编码器相反。
95.进一步需要说明的是，在cnn中，池化处理一般放在卷积层之后，图片经过卷积层获得的特征更加适合分类器的学习，然而如果进行的同卷积或者全卷积，得到的特征大小不比原来的小，此时需要降维，为此引入池化函数对图像数据进行池化处理。池化一般与卷积搭配使用，主要的目的是对卷积后得到的特征图进行压缩，进而使得特征图变小，简化网络计算的复杂度，在进行特征压缩的过程中可提取主要特征，其方式与卷积几乎完全相同，即按照一定的池化方式依次同时扫描一定范围的图像，得到该范围对应的结果再组合起来。
96.训练阶段的数据预处理由随机翻转、随机颜色抖动、随机高斯模糊、随机旋转等组成，训练策略可选择学习率warmup、混合精度训练以及学习率余弦衰减等。推理阶段的数据前处理只对数据进行尺寸大小的设置以及归一化操作。模型后处理阶段可以设置阈值进行像素类别的判断，也可以直接通过argmax(返回指定维度最大值的序号)选取类别。
97.其中，高斯模糊为均值模糊，高斯模糊按照加权平均，距离越近的点权重越大，距离越远的点权重越小，高斯滤波就是对目标图像进行加权平均的过程，每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到。warmup为一种学习率预热的方法，混合精度训练表示在训练过程中同时使用单精度(fp32)和半精度(fp16)，混合精度训练能有效加快训练时间并减少网络训练的时候所占用的内存，并且保存训练出来的模型精度的持平。学习率余弦衰减表示在训练神经网络时，使用学习率控制参数的更新速度，会大大降低参数的更新速度，学习率较大时，会使搜索过程中发生震荡，导致参数在极优值附近徘徊，为此，在训练过程中引入学习率衰减，使学习率随着训练的进行逐渐衰减，余弦衰减就是采用余弦的方式进行学习率衰减，衰减图和余弦函数相似。
98.如图6所示，在本实施例中，通过卷积神经网络等一系列操作得到特征图后，对特征图进行reshape函数操作，reshape函数操作表示将原数组转化为新数组，将reshape函数操作后的特征图数据即为tokens(身份认证数组)。之后随机shuffle(重组)这些tokens(身份认证数组)进行，按照mask ration(身份配给)随机对tokens(身份认证数组)进行识别，根据识别结果将无法识别成功的数组输出至encoder(将unicode编码转换成其他编码的字符串)中，得到无法识别成功的数组的表征。随后将得到的表征输出并结合识别成功的身份认证数组执行unshuffle(与shuffle操作相反)操作恢复顺序，一并输入至decoder(将其他编码的字符串转换成unicode编码)中。最后，计算decoder的输出与原图的损失，使用优化器计算梯度，更新无监督训练模型参数，其中，优化器可选用adamx、sgd等，损失函数可选用mse loss等。
99.具体操作如下：
100.(1)局部特征信息通过conv2d_1
×
1调整输出通道数，然后经过bn层，得到的输出记为local_tokens_x。
101.(2)全局特征信息通过conv2d_1
×
1调整输出通道数，经过bn层，再经过h-sigmoid激活函数，得到的结果记为global_tokens_x。
102.(3)将local_tokens_x与global_tokens_x进行融合，也就是对应位置相乘的操
作。
103.对应尺度的local_tokens和global_tokens经过fusion module即可得到对应尺度融合后的深层语义信息。
104.需要说明的是，head模块会将fusion module(融合)模块得到的语义信息，在通道维度进行拼接融合，经过两层卷积，最后输出，此head模块在无监督预训练模型中会使用到，在有监督的遥感地图变化检测中不进行使用。
105.如图7所示，通过使用无监督训练模型，可以训练出一个通用模型，模型具备遥感地图通用的特征表达能力，然后再根据具体使用场景下进行下游的有监督的模型训练，这会使得模型泛化性能和准确度更高。mae属于一种去噪自编码器，去噪自编码器是一类自动编码器，它破坏输入信号，并学会重构原始的、未被破坏的信号。mae的核心思想为：识别掉输入图像的随机切割图像并对其进行重建。mae更关注图像像素级别的特征，使网络模型能够学习到数据通用特征表达的同时，也能学习到像素级别的语义特征。
106.如图8所示，在本实施例中，遥感地图变化检测模型由三个部分组成，分别为encode模块、decode模块和difference模块。
107.encode模块的作用是提取遥感地图不同尺度的深层语义信息，本技术提出一种cnn与transformer结合的轻量级模型结构，该模型能够提取不同尺度下局部语义特征和全局语义特征，并结合局部语义特征与全局语义特征进行融合，这种结构会使得模型精度达到最优的同时，推理速度也能很快。
108.配准好的一组遥感地图经过数据前处理操作，输入到encode模块，得到两组输出，输出均为：输入尺寸大小的1/4、1/8、1/16、1/32的深层语义特征图。将两组输出中对应尺寸的特征图输入差分模块，提取出深层语义的差分信息，具体操作如下：
109.(1)分别将对应分辨率尺寸的两个特征图(feature map)在通道维度上进行拼接操作。
110.(2)顺序进行深度可分离卷积、bn、激活函数操作。
111.(3)顺序进行深度可分离卷积、bn、激活函数操作。
112.decode模块对差分模块的输出进行融合处理等一系列操作，最终输出变化的二值图，其中，decode模型的具体操作如下：
113.(1)将差分模块输出的各种分辨率的特征图进行融合拼接。
114.(2)拼接融合后的特征图经过深度可分离卷积、bn、激活，上采样操作。
115.(3)将(2)的输出结果x输入到mlp模块中，得到x1，将x与x1进行相加操作。
116.(4)将(3)的输出经过上采样后，输入classify(分类)模块，该模块可以是全连接层，最后输出的通道数维度为遥感地图变化的类别数，输出的分辨率与输入图片相同。
117.模块cnn部分包括stem模块、下采样模块以及fpn模块等，stem模块和下采样模块目的是提取出不同分辨率下的特征图，然后通过fpn模块融合不同尺度下的特征图的语义特征，此时提取的特征为局部特征，记为local tokens。下采样提取特征图模块设计成轻量级的结构mobilenetv2 block如图9所示，特征金字塔模块目前衍生出很多结构，例如bifpn、panet等结构，具体结构如图10所示，本实施例使用bifpn这个模型结构。
118.如图11所示，transformer(转换)部分的主要作用是进一步提取融合个人尺度下的语义特征，并提取全局特征，记为global tokens。transformer(转换)部分由多头注意力
机制(multi head attention)、多层感知器(mlp，multilayer perceptron)组成。
119.上述遥感地图变化检测方案，预训练模型由无监督学习方式训练得到，然后再预训练模型权重基础上进行微调(fine-tune)训练得到最终模型，在预测阶段，需要将两张配准好的图片经过一些数据预处理后，一起送入模型中进行推理，可得到和输入图片相同尺寸的单通道变化二值图，即完成最终的遥感地图变化的预测。本方案提出使用无监督模型进行预训练，目的是使模型具有遥感地图通用表征能力，这样可以使模型最终的泛化能力更高，准确度也会更高。同时有监督模型encode部分是cnn和transformer(转换)组成的轻量级模型，这样可使得模型的推理速度更快，效果更好，模型中的融合模块(fusion module)可以更好的融合局部语义特征和全局语义特征，使得模型具备更好的表达能力，差分模块可以有效地学习到两张图中不同的语义信息，更好的检测出遥感地图的变化区域。
120.如图12所示，在一个实施例中，一种遥感地图变化检测系统，包括获取模块1210、训练模块1220、计算模块1230和输出模块1240。
121.获取模块1210用于获取第一图像数据并将第一图像数据变化到固定区间范围中，以得到第二图像数据，其中，第一图像数据为配准好的遥感地图的特征数据，第二图像数据为变化到固定区间范围后的第一图像数据。
122.训练模块1220用于通过无监督训练模型对第二图像数据进行深度训练，以获取第二图像数据的权重，并在权重的基础上进行有监督模型训练，以获取第三图像数据，第三图像数据为遥感地图的变化数据。
123.计算模块1230用于通过损失函数计算第三图像数据与原图的损失。
124.输出模块1240用于通过设置第一阈值判断第三图像数据的像素类别，当第一阈值满足第一图像数据的区间范围时输出与第一图像数据对应变化的二值图像。
125.在本实施例中，本技术提供的一种遥感地图变化检测系统，训练模块1220具体用于：
126.通过编码器对第二图像数据进行编制，第二图像数据编制后用于进行差分函数处理；
127.对编制后的第二图像数据进行差分函数处理并获取卷积后的第二图像数据；
128.对卷积后的第二图像数据进行gent池化处理压缩并通过解码器对压缩后的第二图像数据进行翻译，以获取特征图数组；
129.通过reshape函数将特征图数组转化为新数组，并将转化后的特征图数组标记为第一认证数组；
130.对第一认证数组进行识别，以获取无法识别的第一认证数组，并将无法识别的第一认证数组输出至转换单元，转换单元用于获取无法识别的第一认证数组的表征；
131.将识别成功的第一认证数组进行顺序恢复，并将恢复后的识别成功的第一认证数组输送至转换单元，通过转换单元获取识别成功的第一认证数组的表征。
132.在本实施例中，本技术提供的一种遥感地图变化检测系统，计算模块1230具体用于：
133.通过损失函数计算转换单元输出的表征，以获取第三图像数据与原图的损失；
134.通过优化单元计算梯度，并根据优化单元的计算结果更新无监督训练模型的参数。
135.上述遥感地图变化检测系统，通过获取配准好的遥感图片并对其进行前处理，得到数据处理后的遥感图像数据及其固定区间范围。并在固定区间范围内将预处理后的遥感图像数据通过无监督训练模型进行训练，无监督训练模型具备遥感地图通用的特征表达能力，该通用的特征表达能力可根据不同的使用场景进行下游的有监督的模型训练，以获取遥感地图的变化数据。通过损失函数计算遥感地图的变化数据与原图的损失，最终通过设置阈值的方式进行遥感地图像素类别的判断，并在设置的阈值满足其固定区间范围时获取与遥感地图特征相对应变化的二值图像。因此，该系统能够提取不同尺度下局部语义特征和全局语义特征，使得模型的泛化性能和准确度更高。并将局部语义特征与全局语义特征进行融合，使得遥感地图检测精度提高的同时提升推理速度。
136.在一个实施例中，提供了一种计算机设备，该计算机设备可以是智能终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种遥感地图变化检测方法。
137.本领域技术人员可以理解，图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
138.在一个实施例中，一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
139.在一个实施例中，一种计算机存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
140.在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
141.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
142.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛
盾，都应当认为是本说明书记载的范围。
143.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。