[发明专利]基于信息传递和注意力机制的图像变化检测方法

说明书

本发明提出了一种基于信息传递和注意力机制的图像变化检测方法，用于解决现有图像变化检测方法中存在的检测准确度低的技术问题。实现步骤为：读入图像并进行归一化处理，构建训练样本集，搭建一个基于信息传递和注意力机制的深度神经网络模型，设定深度神经网络的训练参数，判断深度神经网络的损失函数是否满足迭代停止条件，对深度神经网络的可训练参数进行更新，利用训练好的深度神经网络输出图像变化检测结果图。本发明结合信息传递和注意力机制，搭建深度神经网络提取的图像特征语义及结构信息丰富，对图像的表达能力及辨别性强，提高了变化检测检测准确度，可用于土地覆盖检测、灾难评估、视频监控等技术领域。

技术领域

本发明属于图像处理技术领域，涉及一种图像变化检测方法，具体涉及一种遥感图像变化检测技术领域中基于信息传递和注意力机制的图像变化检测方法，可用于土地覆盖检测、灾难评估、视频监控等技术领域。

背景技术

图像变化检测指利用多时相获取的覆盖同一地表区域的图像及其它辅助数据来确定和分析地表变化。它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。图像变化检测的关键在于提取丰富的图像特征，增强图像的变化信息。

图像变化检测方法从实现原理上可以分为两大类：一类是基于分割的图像变化检测，一类是基于分类的图像变化检测。基于分割的图像变化检测的一般流程是通过比值法、差值法等算子先获得两时相图像的差异图，再对差异图进行分割，分割的结果是直接得到变化检测结果图，该方法虽然一定程度上提高了变化检测的效率，但是检测结果较为粗糙，对细节保留能力差。

基于分类的图像变化检测是目前主流的图像变化检测方法，该方法以像素块为处理单元，采用分类算法对像素块进行分类得到预测类别，尽可能多的保留了图像原始信息，对细节的处理更为精确。基于分类的图像变化检测算法的传统做法是提取图像形状、轮廓、纹理等手工特征进行分类，这种做法提取的图像特征简单，对图像的表征能力弱，并且检测性能依赖于特征提取的结果，然而特征提取本身比较困难，因此研究人员提出通过卷积神经网络CNN自动提取表征能力更强的图像特征，例如申请公开号为CN106023154A，名称为“基于双通道卷积神经网络的多时相SAR图像变化检测方法”的专利申请，公开了一种基于卷积神经网络的多时相SAR图像变化检测方法，该方法先构造两个结构相同的CNN模型，随机挑选部分样本点，并人为标定这些样本点的变化检测结果，然后将这些样本点和人为标定的检测结果作为训练CNN的训练数据，再使用训练好的CNN对未分类样本进行变化检测获得最终的变化检测结果。该方法利用双通道卷积神经网络来提取图像的表征向量，在一定程度上提高了图像变化检测的准确度，但是存在的不足之处是，通过两个CNN独立提取两时相图像特征，提取的图像特征之间没有任何信息传递与交互，没有很好的利用两者之间丰富的语义信息，限制了图像变化检测准确度的提高。

又如Mou等人在2018年6月发表在期刊《IEEE Transactions on Geoscience andRemote Sensing》上的论文“Learning Spectral-Spatial-Temporal Features via aRecurrent Convolutional Neural Network for Change Detection in MultispectralImagery”中公开了一种基于CNN和RNN的深度神经网络的图像变化检测方法。该方法首先在部分标注的图像区域随机采样训练样本集，然后使用两个结构相同的CNN独立提取两时相图像的光谱-空间特征，然后通过RNN分析两时相图像的时间依赖性，最后采用两层的全连接层获取分类概率。该方法虽然在一定程度上提高了图像变化检测的准确度，但是存在的不足之处是，通过CNN和RNN得到的分类向量没有很好的辨识度，未能有效地区分变化和未变化像素点，影响了图像变化检测的准确度。

发明内容

本发明的目的在于针对上述已有技术的缺点，提出一种基于信息传递和注意力机制的图像变化检测方法，旨在提高图像变化检测的准确度。