[发明专利]基于密集连接和几何结构约束的遥感影像变化检测方法

说明书

本发明提供一种基于密集连接和几何结构约束的遥感影像变化检测方法，对前后期变化检测输入影像做预处理，包括计算影像归一化参数，进行前后期影像归一化和后期影像颜色校正；进行DCGC‑CD模型训练和测试，实现对前后期遥感影像进行变化区域信息提取；所述DCGC‑CD模型包括前后期变化特征差分编码模块和多分支几何结构约束解码模块，所述前后期影像变化特征差分编码模块包括针对输入前期影像的分支和针对输入后期影像的分支；所述多分支几何结构约束解码模块包括三个分支，分支一用于前期边缘预测，分支二用于变化区域预测，分支三用于后期边缘预测，分支一和分支三的结构和分支二的结构通过损失函数相互作用，实现通过几何结构信息有效约束最终变化检测结果。

技术领域

本发明涉及计算机视觉与遥感领域，尤其涉及一种基于密集连接和结构约束的卷积神经网络(CNN)遥感影像变化检测消除方法。

背景技术

近年来，随着云计算、大数据、和深度学习等技术大规模的应用，遥感影像智能变化检测技术取得了较大的发展。其中，基于卷积神经网络的高分辨率遥感影像变化检测技术，即通过前后期影像上CNN特征变化发现变化区域的技术，能广泛应用于遥感自然资源监测、地理国情数据更新和防震减灾等任务中，有着巨大的经济和社会价值。

传统的遥感影像变化检测方法，依据变化检测的处理粒度，可以分为像素级、对象级和场景级变化检测方法。像素级变化检测(PBCD)方法，以前后期遥感影像的对应像素为基础分析单元，通过设计的人工特征或经验指数，如HOG、SIFT、NDVI指数等，得到前后期影像上每一个像素的变化情况。常见的方法如影像差分、影像投票、回归分析等。这类方法通常依赖于经验阈值，通过阈值的设定来判断前后期遥感影像像元是否变化，因此阈值的自动选取是制约该方法的主要因素。同时，像素级变化检测方法将每个像元孤立分析，并未充分顾及相邻像元之间的空间约束关系。对象级变化检测(OBCD)方法，以遥感影像上处理的实例对象为处理单元，采用面向对象的影像分析方法发现前后期影像的变化，其包含了更多遥感地物的整体信息，是一种更加有效的高空间分辨率影像变化检测分析方法。与像素级变化检测方法相比，OBCD融合了影像的纹理、形状和空间关系，可以捕获到前后期影像中对象的空间上下文信息。OBCD方法通常依赖于影像的分割结果，在影像分辨率较低或者目标较小的情况下，很难使前后期目标一一对应，检测出可靠的变化区域。此外，前后期影像的分割方法需要设置诸多参数，进而产生较大的过分割误差；不同尺度的前后期影像，也会分割出不同的结果，导致变化区域不易判定。场景级变化检测方法，是以前后期遥感影像高层场景语义为单元，分析对应场景的语义类别是否发生变化以及发生了何种变化。以词代模型(BoW)为代表的传统遥感影像场景分析方法，是统计遥感影像地物场景特征的有效编码方式，可以用于跨越底层特征和高层场景感知信息之间的语义鸿沟。相比低层次像素级的变化分析，语义层次的变化分析，能提供遥感影像大范围内的变化信息，抑制以像元为基础分析方法的无关场景干扰。

自2012年ImageNet计算机视觉分析挑战赛以来，基于深度卷积神经网络(DCNN)的方法获得了广泛研究。与传统特征抽取方法相比，DCNN方法在具备充足训练数据条件下，能通过多层线性与非线性映射组合，获取目标函数的最佳逼近，是目前效果最好的一类方法。由于DCNN在特征抽取方面的优势，其在遥感影像变化检测任务中，也得到了大量研究和应用。例如，采用以孪生神经网络(Siamese network)为基础，通过通道合成方式，将变化检测问题转换为语义分割网络，获取变化/未变化区域的二值掩膜(图1(a))；或者以全卷积神经网络(FCN)结构为基础，通过降采样和上采样，获取真值标注的最优二值标记。也有一些方法，对全卷积神经网络进行改造，采用孪生网络双分支结构，分别编码前后两期影像特征，再利用逐层差分特征融合并预测二值标记的方式(如图1(b))，来预测前后期遥感影像上变化/未变化区域。相较传统方法，基于DCNN的方法在预测时，无需设定复杂的阈值，具有较好的鲁棒性。

上述的通道合成和双分支差分融合的DCNN结构，虽然能对影像的变化特征进行逐层抽象，但其无法对变化检测网络结构中的特征实现跨层重用，同时缺乏对几何结构信息(如边缘结构)变化的抽象描述。

发明内容