[发明专利]一种双时相遥感影像变化检测方法及系统

说明书

本发明公开了一种双时相遥感影像变化检测方法及系统，其中该方法包括：根据指定块的大小对前后时相影像进行分块裁切，生成前后时相影像分块数据集、分块影像信息的列表文件、以及记录分块影像位置和特征信息的矢量文件；利用深度学习网络模型对所述前后时相影像分块数据集进行高维特征提取，生成高维特征文件；计算前后时相影像块高维特征的特征距离，生成特征距离文件，调整特征距离参数，得到变化的影像块；通过对所述变化的影像块与参考数据的影像块进行比较，利用误差矩阵得到精度评价结果，并且判断所述精度评价结果是否满足要求。本发明提出一种双时相遥感影像变化检测方法及系统，能够提高变化检测的精度。

技术领域

本发明涉及遥感技术领域，特别是指一种双时相遥感影像变化检测方法及系统。

背景技术

遥感影像变化检测是地理国情监测、土地利用与覆盖变化监测等不可或缺的技术，主要有人工目视解译和计算机自动/半自动变化检测两种手段。

人工目视解译，就是用人工的方式，对不同时期影像上的响应光谱信息进行判别，从中找出不同的部分判定为变化。这种方法依赖解译人员自身对解译区域的认识和积累的解译先验知识，其优点是往往具有较高的准确率和精度，最大的缺点在于效率低下，人力成本较高，且不同的解译人员由于其解译经验和知识的不同，对影像分析的结果也可能不同。

计算机自动/半自动变化检测方法是当前研究的重点，从分析单元看，主要分为面向像素、面向对象两大类，面向像素方法包括直接比较(如差值、比值、回归)、基于变换的方法(如PCA主元分析方法、缨帽变换、变化向量分析、纹理分析)、分类后变化检测(如分类后比较、多时相直接比较)、机器学习(如人工神经网络、支持向量机、决策树)、GIS(地理信息系统)辅助方法等；面向对象方法包括对象直接比较、对象分类比较、多时相叠加检测等。这些方法各有其优缺点，针对不同的数据源与应用目的与需求，新方法层出不穷，但对于某一特定应用和研究区域选择一种合适的方法仍然十分困难，变化检测仍然是研究的热点。

随着人工智能、大数据等新一代信息技术的发展，研究新一代信息技术支撑的变化检测方法是十分必要而且与时俱进的，深度学习是近年来在大数据环境下兴起的一门机器学习技术，其实质是通过构建具有多层结构的机器学习模型和海量的训练数据来学习数据中的复杂特征，用于之后的分析、预测等应用。由于其具备海量数据的学习能力和高度的特征抽象能力，在语音识别、图像识别、信息检索等应用领域都取得了相比传统方法革命性的成功，在遥感领域主要应用于影像分类、对象探测、影像复原、影像融合等，关于变化检测的研究甚少，缺乏对遥感影像变化检测方法的研究。

发明内容

有鉴于此，本发明的目的在于提出一种双时相遥感影像变化检测方法及系统，能够提高变化检测的精度。

基于上述目的本发明提供的一种双时相遥感影像变化检测方法，包括：

根据指定块的大小对前后时相影像进行分块裁切，生成前后时相影像分块数据集、分块影像信息的列表文件、以及记录分块影像位置和特征信息的矢量文件；

利用深度学习网络模型对所述前后时相影像分块数据集进行高维特征提取，生成高维特征文件；

根据所述分块影像信息的列表文件、所述记录分块影像位置和特征信息的矢量文件、以及所述高维特征文件，计算前后时相影像块高维特征的特征距离，生成特征距离文件；

根据特征距离文件调整特征距离参数，得到变化的影像块；

通过对所述变化的影像块与参考数据的影像块进行比较，利用误差矩阵得到精度评价结果，并且判断所述精度评价结果是否满足要求；若满足要求则输出所述变化的影像块；若不满足要求则调整特征距离参数继续判断。

可选的，对前后时相影像进行分块裁切过程中，若发现某位置的影像块背景像素占比超过50％时，则将剔除该位置的前后时相影像块。