[发明专利]基于深度学习的高分遥感影像林草变化检测装置及方法

说明书

本发明公开基于深度学习的高分遥感影像林草变化检测装置，包括：影像校正单元、影像绘制单元、数据处理单元、注意力模型构建单元、通信单元、终端设备；影像校正单元用于采集林草的高分辨率遥感影像，并获得林草校正影像；影像绘制单元用于绘制标签图；数据处理单元用于对林草校正影像和标签图进行分割处理；注意力模型构建单元用于通过注意力学习处理构建特征模型，获取林草的变化结果；通信单元用于将林草的变化结果传输至终端设备中。本发明通过采用注意力模块能够在特征维度融合时增加变化区域信息的权重，同时对非变化区域特征信息的抑制，忽略输入中的噪声和冗余，提升了模型的抗噪能力。

技术领域

本发明涉及遥感影像智能解译技术领域，特别涉及基于深度学习的高分遥感影像林草变化检测装置及方法。

背景技术

随着遥感卫星的技术不断进步，对地观测获取高空间分辨率遥感影像也越来越容易，因高分辨率遥感影像内各地物的各种纹理、色彩、空间等特征信息比较明显，所以高分辨率遥感影像逐渐成为遥感地物信息处理的重要影像数据。

伴随着城乡建设快速发展，人类活动逐渐加剧，土地利用类型变化的速度日益加快，幅度日益加大，如何快捷高效地监测并更新土地利用类型成为遥感学科亟待解决的问题。土地利用类型更新最重要的环节是变化区域提取，即变化检测。目前土地利用变化检测的方式主要为人工目视解译，不仅耗费大量的人力，而且时间长，效果差，缺漏严重。随着土地变化速度的加剧，环境复杂性的加深以及遥感数据多样性的增加，传统的方法已经不能很好适应变化检测的需求。

为了解决上述问题，近年来使用机器学习的方法对高分辨率遥感影像进行地物变化检测的研究不断深入，使用机器学习的方法一般先根据专家设定的特征描述子提取遥感影像的光谱、纹理和结构特征，然后进行特征分类(特征分类方法包括最大似然法、决策树和支持向量机等基于浅层特征判别的有监督分类方法)，这种方法一般需要人工确定特征值及核函数，很难跨越底层图像数据与高层逻辑信息的语义鸿沟，分类精度往往较差。

传统的基于深度学习(如全卷积网络、SegNet网络、U型网络等)的方法能够通过端到端地学习机制从数据中自动学习特征提取与特征分类模型，从而自适应地提取遥感影像的特征并进行分类。在具有充足有标记训练样本保障的前提下往往可以取得比较好的分类精度。然而，深度学习神经网络高度依赖数据学习，无法充分利用地物之间丰富的逻辑信息(如空间关系)进行自我纠错，其获取林草变化结果的可解释性较差(深度网络的黑盒特性仍然十分显著)，且精度有待提高。

发明内容

针对上述问题，本发明提出基于深度学习的高分遥感影像林草变化检测方法及装置，以解决现有技术中存在的技术问题，能够通过采用注意力模块能够在特征维度融合时增加变化区域信息的权重，同时对非变化区域特征信息的抑制，忽略输入中的噪声和冗余，提升了模型的抗噪能力。

为实现上述目的，本发明提供了如下方案：本发明提供基于深度学习的高分遥感影像林草变化检测装置，包括：影像校正单元、影像绘制单元、数据处理单元、注意力模型构建单元、通信单元、终端设备；

所述影像校正单元、影像绘制单元、数据处理单元、注意力模型构建单元、通信单元、终端设备依次相连；

所述影像校正单元用于采集林草的高分辨率遥感影像，并对所述高分辨率遥感影像进行预处理，获得林草校正影像；

所述影像绘制单元基于所述林草校正影像绘制标签图；

所述数据处理单元用于对所述林草校正影像和所述标签图进行分割处理，获取分割数据集；

所述注意力模型构建单元用于对所述分割数据集进行卷积操作，提取所述分割数据集的特征，并通过注意力学习处理构建特征模型，基于特征模型获取所述林草的变化结果；

所述通信单元用于将所述林草的变化结果传输至所述终端设备中。