[发明专利]一种基于超分辨率的多分辨率遥感影像的变化检测方法

说明书

本发明提出一种基于超分辨率的多分辨率遥感影像的变化检测方法，解决了如何更准确的对遥感影像进行变化检测的问题，构建基于高分辨率遥感影像的双时相变化检测数据集，进行多分辨率预处理，得到低分辨率影像，利用超分辨率模块学习恢复低分辨率影像中的语义信息特征，恢复得到更真实的具有语义信息的样本，可以减少不确定性映射带来的误差累积，有助于提高后续高分辨率变化检测的精度，设计基于多层次注意力机制模块的深度学习变化检测网络模型并训练，多层次注意力模块增强多层次特征的有效信息，获取更具有可区分性的特征对，帮助深度学习变化检测网络模型学习到更准确的变化检测图，实现对多分辨率遥感影像土地覆盖的变化检测。

技术领域

本发明涉及遥感地理信息系统的技术领域，更具体地，涉及一种基于超分辨率的多分辨率遥感影像的变化检测方法。

背景技术

遥感影像变化检测的目的是识别同一区域内双时相图像之间的地表变化，为国土资源调查、生态监测与保护、城市规划等许多重要应用提供定量数据。遥感影像由于具有覆盖范围广、信息丰富、时效性高等特点，一直以来就是地物信息提取的主要数据来源。

传统的变化检测方法主要利用多光谱卫星图像中的光谱信息来检测变化，如变化向量分析(CVA)和主成分分析(PCA)方法。然而，由于图像的光谱分辨率和空间分辨率是相互制约的，因此，多光谱卫星图像通常空间分辨率较低，难以实现高精度的变化检测。近年来，随着遥感技术的快速发展，具有丰富空间信息的高分辨率图像(HRIs)已经成为变化检测的主要数据源，特别是城市等细粒度场景下。近年来，基于卷积神经网络(CNNs)的深度学习方法因其能更有效地从HRIs中分层提取空间和语义特征，已经成为高分辨率图像变化检测最主要的解决方案，这些变化检测方法都是对相同分辨率的双时相图像进行变化检测的。然而，由于HRIs观测范围小、时间分辨率低、易受云雾影响等原因，在实际应用中往往难以获得理想的同一分辨率的双时相图像用于高分辨率变化检测，特别是在大尺度范围上。例如，假设我们已经在某个区域的T1时刻获得了高分辨率(HR)的图像，而在时间T2只有低分辨率(LR)的图像可用，那么只能通过具有一定分辨率差异的HR影像和LR影像来检测T1和T2之间的变化，即受到数据的限制，在实际生产中往往需要使用不同分辨率的双时相图像进行变化分析。

目前，基于亚像素定位(SPM)的方法是多分辨率遥感变化检测最主要的解决方案。基于SPM的方法通过建立前一时相高分辨率土地覆盖图与后一幅粗分辨率图像之间的映射关系，得到高分辨率的变化图。这类方法在过去被广泛用于解决Landsat-MODIS图像变化检测的分辨率差异问题，并取得了有效的结果。然而，基于SPM的方法的变化结果图的精度在很大程度上受到原精细分辨率土地覆盖图精度的限制，存在一定的误差积累。由于HRIs本身的类内异质性和类间相似性，其在HRIs上会产生更严重的误差。因此，迫切需要建立面向高分辨率遥感影像的多分辨率变化检测方法。

此外，由于HRIs中类内异质性和类间相似性的影响，导致“变化”区域的特征容易与“不变”特征混淆，使得变化检测结果普遍存在严重的误报或漏报现象。为此，现有研究主要采用递归神经网络(RNN)和注意力机制来增强特征的鲁棒性。虽然RNN能够很好地捕捉多光谱图像的光谱关系，或者建立双时相影像之间的时间关联，但由于HRIs中的光谱信息不多，而且双时相图像中的时间序列信息较少，使得RNNs在这方面的效益受到限制。过去的方法探索了许多不同注意力机制对于特征增强的效果。如2020年1月17日，中国专利(公开号：CN110705457A)中公开了一种遥感影像建筑物变化检测方法，该方法通过应用注意力机制对特征进行筛选加权，突出显著特征，获得更好的检测性能，通过引入特征金字塔网络，将注意力机制用于各层级的多尺度特征融合过程中，逐层增强特征，然而，由于内存的限制，现有方法中的注意力机制通常只作用于高层语义特征，而忽略了对浅层特征的增强，导致浅层特征中的空间信息也被忽视。因此，需要探索更有效的整合注意力机制的方法来进行更准确的遥感影像变化检测。

发明内容