一种环境自适应的遥感影像变化检测方法与流程

本发明涉及图像分析，尤其涉及一种环境自适应的遥感影像变化检测方法。

背景技术：

1、变化检测是从不同时期的遥感数据中定量确定遥感影像中的地表变化区域。常用的方法是建立遥感影像的背景模型，通过将采集到的遥感影像与背景模型进行对比，来确定背景变化像素。

2、然而由于采集时间不同，同一地区不同时间采集到的影像特征差异大，如同一地区的冬季和夏季采集的影像，二者特征差异大，为变化检测算法中的背景建模和检测带来了巨大挑战；同时不同地区的遥感影像特征差异大，如在东北地区的遥感影像上训练的获得的变化检测模型，很难适应在海南地区遥感影像。因此有必要设计一个变化检测模型，使其能够适应不同的环境变化。

3、名词解释：

4、fsrcnn：英文为fast super-resolution by cnn，中文为超分辨率网络，整个网络可以被分解为5个部分：feature extraction(特征提取层)、shrinking(缩小层)、no-linear mapping(非线性映射层)、expanding(扩大)和deconvolution(反卷积)。fsrcnn学习从lr到hr的映射函数，训练速度变快，可以共享其中的映射层。

技术实现思路

1、本发明的目的就在于提供一种解决上述问题，避免因影像特征差异大造成变化检测不准确的一种环境自适应的遥感影像变化检测方法。

2、为了实现上述目的，本发明采用的技术方案是这样的：一种环境自适应的遥感影像变化检测方法，包括以下步骤；

3、s1，构造遥感影像数据集，包括原始数据集d和下采样数据集dd；

4、获取不同时间不同地点的遥感影像，并分别下采样得到对应的下采样影像，所有遥感影像构成原始数据集d，所有下采样影像构成下采样数据集dd；

5、s2，构造一融合网络，所述融合网络包括一特征统一网络和一超分辨网络；

6、所述特征统一网络用于将输入的原影像进行转换，得到转换影像，转换影像具有相同的特征分布，所述原影像包括遥感影像和下采样影像；

7、所述超分辨网络为fsrcnn，用于将转换影像中的每个像素点，映射为m×m个像素点，得到放大图像；

8、s3，设置训练次数，用遥感影像数据集训练融合网络至收敛，得到融合模型，其中一次训练包括步骤s31~s33；

9、s31，从d中随机选取两批原始遥感影像，构成样本集x和样本集y，从dd中选取两批下采样遥感影像，构成样本集xd和样本集yd，其中xd与x中原影像一一对应，yd与y中原影像一一对应；

10、s32，将x、y、xd、yd送入特征统一网络，对每张原影像，特征统一网络将其转换为具有相同特征分布的转换影像，将与x、y、xd、yd对应的转换影像，分别构成转换影像集合x'、y'、xd'、yd'；

11、s33，构造损失函数 l，并用 l训练融合网络；

12、               （1），

13、             （2），

14、          （3），

15、式（1）中，、分别为特征统一网络和超分辨网络的损失函数，为的权重；

16、式（2）中，为均值计算，为方差计算， d为特征统一网络输出的转换影像扁平化后的维度，||·||2为l2范数计算；

17、式（3）中， l fsrcnn(·)为fsrcnn的损失函数， x'为x中原影像 x的转换影像， x' d为xd'中与 x对应的转换影像， y'为y中原影像 y的转换影像， y' d为yd'中与 y对应的转换影像， s( x' d)、 s( y' d)分别为 x' d、 y' d对应的放大图像；

18、s4，待测区域的变化检测，包括s41~s44；

19、s41，获取测区域不同时刻的遥感影像，选取两张需要进行变化检测的遥感影像，将时刻靠前的遥感影像标记为p0，另一张标记为p1；

20、s42，将p0、p1送入融合模型，获取p0对应的放大图像pl0、p1对应的转换影像pc1；

21、s43，对pc1中每个像素点，找到其对应到pl0中的m×m个像素点，作为该像素点的对应像素集合；

22、对每个像素点，通过该像素点与对应像素集合的距离计算，判断其是否为背景点；

23、s44，将非背景点按坐标位置映射到p1中，得到变化检测结果。

24、作为优选：步骤s1中，使用3×3的最大池化层对数据集d中的遥感影像进行下采样。

25、作为优选：相同的特征分布，指所有转换影像的特征和方差相同。

26、作为优选：所述特征统一网络由五层依次连接的卷积层构成，所述卷积层的卷积核大小为3×3，步长为1，并采用零填充方式，使卷积层的输入输出尺寸相同。

27、作为优选：，式中，，为的初始化取值，n为预设的训练次数，n为第n次训练，1≤n≤n。

28、作为优选：所述m=3或5。

29、作为优选：步骤s43中，确定pc1中每个像素点的对应像素集合具体为：

30、p0经融合模型得到对应的转换影像pc0、放大图像pl0；

31、对pc0中第i行第j列的像素点p0(i,j)，将其映射到pl0中的m×m个像素点构成像素集合 m ij，作为pc1中第i行第j列的像素点p1(i,j)的对应像素集合。

32、作为优选：步骤s43中，判断p1(i,j)是否为背景点包括a1~a4；

33、a1，预设一距离阈值ε；

34、a2，对 m ij中1个像素点q，根据下式计算p1(i,j)与 q的距离d(p1(i,j),q)；

35、       （4），

36、式（4）中，c为通道数量，pc为p1(i,j)在c通道的取值，qc为q在c通道的取值；

37、a3，按步骤a2，得到 m ij中m×m个像素点与p1(i,j)的距离，并得到所有距离的最小值dmin；

38、a4，若dmin＜ε，则p1(i,j)为背景点。

39、作为优选：

40、      （5），

41、式（5）中，w和h分别为pc0的高度和宽度，d(p0(i,j),p1(i,j))为p0(i,j)与p1(i,j)的距离。

42、与现有技术相比，本发明的优点在于：

43、1、提出了一种新的遥感影像变化检测方法，构造了一种包含特征统一网络和超分辨网络的融合网络，其中，特征统一网络用于将不同特征的遥感影像转换为特征分布相同的转换影像，使用转换影像进行变化检测，使得变化检测能够适应不同的环境。同时通过超分辨网络进行背景建模，能充分利用相邻像素间的相关性，提高变化检测的相关性。

44、2、融合网络中，特征统一网络和超分辨网络协同训练，使得两者计算耦合性更强。另外，本发明根据公式调整的取值，从而能使的取值在 n次迭代的训练过程中有序下降。使得本发明在训练初期，更注重特征统一网络的学习，当特征统一网络能够使不同影像具有相似分布时，也就是训练后期，更注重超分辨网络的训练，即背景的建模能力。

45、4、待测区域变化检测时，利用p1对应的转换影像pc1与背景模型进行变化检测的计算。由于超分辨网络中充分利用了相邻像素的相关性，因此使用超分辨生成的pl0作为背景模型，在变化检测中可以充分利用相邻像素的相关性，提高变化检测的准确性。

46、5、本发明在统一特征分布时，仅使用均值计算和方差计算，使特征统一的计算简单、效率高、速度快。

47、综上，本发明尤其适用于因采集时间不同、采集地区不同等情况导致的影像特征差异大的遥感影像的变化检测。