[发明专利]一种遥感影像变化检测方法及检测装置

说明书

本发明提供一种遥感影像变化检测方法及检测装置，能够高模型对于变化区域的检测精度和变化发现能力。所述方法包括：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。本发明涉及遥感影像处理技术领域。

技术领域

本发明涉及遥感影像处理技术领域，特别是指一种遥感影像变化检测方法及检测装置。

背景技术

近年来，由于气候变化、人类社会发展等诸多因素，自然环境变化加剧，同时城市也在迅速发展，便出现各种自然灾害频频发生、城镇乡村违建愈演愈烈等诸多问题。地物目标变化检测技术随之快速崛起，遥感图像因其覆盖地域大的特点被广泛应用于地物目标的变化检测。遥感图像的变化检测在各领域具有广泛的应用，如城市规划、灾害预测和战场情报分析等，因此，开展遥感图像变化检测方法的研究具有重要的应用价值。

现有研究中，基于深度学习的遥感影像变化检测技术，往往只是将单一尺度的邻域光谱信息作为变化与否的判断依据输入模型，运用深度网络学习特征后，进行变化检测。由于深度网络的输入数据尺度单一、特征较少，导致模型的检测精度低。

发明内容

本发明要解决的技术问题是提供一种遥感影像变化检测方法及检测装置，以解决现有技术所存在的深度网络的输入数据尺度单一、特征较少，导致模型的检测精度低的问题。

为解决上述技术问题，本发明实施例提供一种遥感影像变化检测方法，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。

进一步地，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。

进一步地，渲染增强方式包括：百分比截断拉伸、标准差拉伸、直方图均衡化拉伸、直方图规定化拉伸或最值拉伸。

进一步地，所述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包括：

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根据所配置的颜色空间、波段、匹配率进行直方图匹配。

进一步地，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；