[发明专利]基于影像融合框架的高分辨率遥感影像变化检测方法

说明书

本发明公开了一种基于影像融合框架的高分辨率遥感影像变化检测方法。该方法通过一个预训练的深度特征提取网络提取双时相影像的高维特征，再将提取出的原始影像高维特征放入一个变化检测网络中进行变化检测。本发明提出的用于变化检测的网络框架在变化结果图重建过程中融入了原始影像的多级高维特征，使得产生的变化结果图具有较高的轮廓一致性和内部一致性，通过在变化检测网络中引入多级深度监督，实现比已有方法更高的变化区域精确率和召回率。

发明领域

本发明属于遥感图像处理领域，涉及计算机深度学习领域，特别是涉及一种基于影像融合框架的高分辨率遥感影像监督变化检测方法。具体地说是一种基于深度卷积神经网络的遥感影像变化检测方法，该方法将双时相遥感影像特征进行提取和融合，通过多级高维特征融合实现对图像上变化区域的检测。

背景技术

自然环境演变与人类行为的相互作用导致地球表面无时无刻不在发生着变化。对地表覆盖变化的及时发现以及周期性关注，对于人与自然和谐相处有着重要意义。基于遥感影像的地表变化检测是实现地表观测的重要途经和手段。随着近些年来高精度传感器技术和无人机、航拍技术的快速发展，遥感图像的空间分辨率越来越高，图像的地物特征越来越精细，数据量越来越大，传统的基于代数运算、图像转换和分类后比较的遥感影像变化检测方法在高分图像上难以获得较好的变化检测结果。近些年来随着深度学习技术以及计算机视觉分析能力的提升，利用深度学习的高层次特征提取能力进行高分辨率遥感影像变化检测任务成为一种高效可行的方案。

目前，主流的利用深度学习进行高分辨率遥感影像监督变化检测的方法分为两类：一类是早期融合方法，该方法将两张不同时间段采集到的遥感影像，按照波段数目进行组合，合成为一张具有多个波段的输入影像数据，然后将该多波段数据放入到一个接收单个数据输入的神经网络中进行变化像素点和非变化像素点的区分，目前该方法获得的变化检测结果精度最高，但是由于在输入数据中将两张原始影像的多个波段进行了叠加，在网络的后端进行变化图重建的过程中缺乏原始图像信息，导致生成的变化检测结果图具有较差的轮廓一致性和内部一致性；第二类是后期融合方法，该方法分别将两张影像作为一个深度学习网络的两个输入，利用网络的高维特征提取能力实现变化像素点的识别，该方法将深度学习网络作为一个黑盒子，将特征提取和变化区域识别作为一个整体任务来实现，但是由于该方法将特征提取与变化区域识别任务混合在了一起，网络的学习目标较为模糊，导致网络有较差的泛化能力。

发明内容

本发明要解决的技术问题在于针对上述方法的不足，提出了一个基于影像融合框架的高分辨率遥感影像监督变化检测方法，实现精度、轮廓一致性和内部一致性更高的变化检测结果。

为解决上述问题，该方法主要包括以下步骤：

步骤1，构建训练样本集与对应的真值标签，训练样本集中包括若干影像样本对，每个影像样本对包括两张不同时相的影像，真值标签包括五张不同大小的变化结果图；

步骤2，构建一个预训练的原始影像高维特征提取网络，该网络由VGG16的第五池化层之前的网络层构成；

步骤3，将两个不同时相的影像分别放入该预训练的特征提取网络中，每张原始影像获得五组高维特征，这五组高维特征是分别从特征提取网络的不同层抽取出的高维特征，即conv1_2，conv2_2，conv3_3，conv4_3，conv5_3，两张遥感影像一共获得五对影像高维特征；

步骤4，将步骤3提取出的双时相影像的高维特征放入到变化检测网络中进行变化区域检测；

所述变化检测网络的输入来自特征提取网络的5对影像高维特征，其中，最深层特征层对T1_conv5_3和T2_conv5_3作为该网络的初始输入特征，剩余的4对浅层特征层对(T1_conv4_3，T2_conv4_3)、(T1_conv3_3，T2_conv3_3)、(T1_conv2_2，T2_conv2_2)、(T1_conv1_2，T2_conv1_2)作为网络的中间层输入，T1、T2分别表示两个不同的时相；