[发明专利]一种遥感影像变化检测方法及检测装置

权利要求书

1.一种遥感影像变化检测方法，其特征在于，包括：

S1，获取同一地区的两时相影像进行预处理，其中，影像为遥感影像；

S2，在预处理后的两时相影像上，逐像素提取多尺度的光谱特征和纹理特征，得到训练数据集；

S3，以堆栈降噪自编码器作为深度学习模型，利用得到的训练数据集训练深度学习模型；

S4，获取需要测试的遥感影像并按照S1-S2生成测试数据集，利用训练好的深度学习模型对测试数据集进行检测，将检测到的像素结果逆向拼接为图像，得到最终检测图；

其中，所述在预处理后的两时相影像上，逐像素提取多尺度的光谱特征和纹理特征，得到训练数据集包括：

S21，利用图像金字塔算法，对预处理后的两时相影像各制作三层图像金字塔，逐层、逐像素遍历三层图像金字塔，提取像素邻域范围内的光谱特征，得到两个多尺度的光谱特征向量；

S22，利用图像金字塔和灰度共生矩阵算法，逐像素遍历预处理后的两时相影像，以像素邻域为对象，计算其灰度共生矩阵，并在灰度共生矩阵的基础上提取统计学特征，以代表该像素的纹理特征，得到两个多尺度的纹理特征向量；

S23，按时相对应，分别将两个纹理特征向量与两个光谱特征向量拼接，得到两时相影像中某像素的特征向量，将得到的两时相影像中某像素的特征向量进行拼接，得到训练数据集，其中，训练数据集作为深度学习模型进行变化检测的特征向量，该特征向量中包含该像素两时相、多尺度、邻域内的光谱特征及纹理特征；

所述利用图像金字塔算法，对预处理后的两时相影像各制作三层图像金字塔，逐层、逐像素遍历三层图像金字塔，提取像素邻域范围内的光谱特征，得到两个多尺度的光谱特征向量包括：

S211，利用图像金字塔算法，对预处理后的时相影像制作三层图像金字塔；

S212，逐像素遍历三层图像金字塔中的底层影像，对每一像素提取其邻域n×n范围内的光谱特征值，即RGB三通道特征值，将n×n×3个特征值拉伸为一个列向量，其中，底层影像为预处理后的时相影像；

S213，当S212进行逐像素遍历时，计算当前像素所在行列位置的百分比，通过该百分比计算得到三层图像金字塔的上两层影像所对应的像素坐标，逐层提取对应像素其邻域n×n范围内的光谱特征值，将n×n×3个特征值拉伸为一个列向量；

S214，对于同一时相影像的图像金字塔，将S212、S213中所得的三个尺度的光谱特征向量拼接为一个长向量，该长向量则包含预处理后的时相影像、单个像素的多尺度、邻域光谱特征；

S215，对预处理后的两时相影像分别执行S211-S214的操作，得到两个光谱特征长向量；

所述利用图像金字塔和灰度共生矩阵算法，逐像素遍历预处理后的两时相影像，以像素邻域为对象，计算其灰度共生矩阵，并在灰度共生矩阵的基础上提取统计学特征，以代表该像素的纹理特征，得到两个多尺度的纹理特征向量包括：

S221，利用图像金字塔算法，对预处理后的时相影像制作两层图像金字塔，逐像素遍历两层图像金字塔中的底层影像，对每一像素提取其邻域n×n范围内的邻域矩阵，以该邻域矩阵为对象，计算其灰度共生矩阵；

S222，对S221中所得的某像素的灰度共生矩阵，计算其均值、方差、同质性、差异性，通过统计学特征代表该像素的纹理特征，将4个纹理特征拼接为一个纹理特征列向量；

S223，当S221进行逐像素遍历时，计算当前像素所在原始影像中行列位置的百分比，通过该百分比计算得到两层图像金字塔中上层影像所对应的像素坐标，提取上层影像对应像素其邻域n×n范围内的邻域矩阵，以该邻域矩阵为对象，计算其灰度共生矩阵，进一步计算该像素的纹理特征列向量；

S224，对于同一时相影像的图像金字塔，将S222、S223中所得的两个尺度的纹理特征向量拼接为一个长向量，该长向量则包含预处理后的时相影像、单个像素的多尺度、邻域纹理特征；

S225，对预处理后的两时相影像分别执行S221-S224的操作，得到两个纹理特征长向量；

其中，在邻域纹理特征时，通过多进程并行提取不同像素的特征并存储于数据库中。

2.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述获取同一地区的两时相影像进行预处理包括：

S11，获取同一地区的两时相影像，对两时相影像进行渲染增强处理；

S12，将增强效果较好的一时相影像的渲染图与另一时相影像的原始图进行直方图匹配。