[发明专利]一种遥感影像变化检测方法及装置

权利要求书

1.一种遥感影像变换检测方法，其特征在于，包括：

基于训练后的深度卷积神经网络，预测前后期影像对的变化区域，所述深度卷积神经网络是对已标注真实变化区域的高分辨率遥感影像对进行有监督训练得到的；利用预训练的编码结构从输入的两期遥感影像中逐层提取特征，然后将特征做差，根据逐层的特征差进行高层-低层的特征融合，加入到解码结构，最后得到变化概率图；

提取两期遥感影像的影像特征，将两期遥感影像作为输入，将预训练的全卷积网络基础网络作为主干网络；在遥感影像中，一副影像有不同尺度大小的变化区域，通过不同层的卷积和降采样操作，在编码阶段，得到了一系列尺度不同的特征图，即其中w和h分别代表原输入遥感影像图像的宽度和高度，将高层特征图和低层特征图结合，通过解码，预测像素级的变化概率图；高层特征图即i＝4,分辨率为低层特征图即i＝1,分辨率为

将得到的高层和低层特征，用通道信息融合的方法分别得到权重，先用16*16*c的平均池化层对特征图进行降采样，即高层c＝128,低层c＝16，其次用1*1*c的卷积进行通道融合，得到通道数为1的特征图，最后再用16*16*c的上采样得到与输入特征图分辨率及通道数一样的权重图；

将得到的权重图分别与对应的特征图相乘，再与原来的特征图进行相加得到通道信息融合后的高低特征图；对低层特征用卷积和降采样操作得到与高层特征分辨率一样的特征图然后与高层特征进行通道拼接；对高层特征则相反，即用卷积和上采样操作得到与低层特征分率一样的特征图然后进行通道拼接；将结合后的高-低层特征与i＝2，3的特征图进行逐层解码操作；输出分辨率w×h×2像素级变化概率图；

所述基于训练后的深度卷积神经网络，预测前后期影像对的变化区域，包括：基于训练后的深度卷积神经网络，预测与原始影像尺寸相同的像素级变化概率图；将所述变化概率图按概率大小进行分类，获得前后期影像对发生变化的区域；

其中，所述深度卷积神经网络的损失函数为：

其中，S′为预测像素的变化概率(0～1)，S为真实像素的标签，0或1，p为变化图上每个像素位置，N为所有像素个数；

其中，所述预测与原始影像尺寸相同的变化图，包括：基于预训练的编码结构，从输入的遥感影像中提取影像特征；基于高层-低层特征结合的解码结构，预测像素级的变化概率图。

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，所述高层-低层特征结合的解码结构，通过以下步骤获得：

基于通道信息融合分别提取高低层特征的权重；

基于不同的权重对高-低层特征进行融合。

3.一种遥感影像变化检测装置，所述遥感影像变化检测装置用于实现如权利要求1至2任一项所述遥感影像变化检测方法的步骤，其特征在于，包括：

预测模块，用于基于训练后的深度卷积神经网络，预测影像发生变化的区域，所述深度卷积神经网络是对已标注真实变化区域的高分辨率遥感影像进行有监督训练得到的。

4.根据权利要求3所述的遥感影像变化检测装置，其特征在于，

所述预测模块包括：变化概率图预测单元，用于基于训练后的深度卷积神经网络，预测与原始影像尺寸相同的像素级变化概率图；

分类单元，用于将所述变化概率图按概率大小进行分类，获得前后期影像对发生变化的区域。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任一项所述遥感影像变化检测方法的步骤。

6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述遥感影像变化检测方法的步骤。