[发明专利]一种可全天候遥感监测自动分析方法及其系统

权利要求书

1.一种可全天候遥感监测自动分析方法，其特征在于，包括以下步骤：

S1.原始图像：获取不同时期土地的原始遥感影像；

S2.几何配准：利用地面控制点数据对遥感影像进行几何校正，及图像与图像间的配准；

S3.辐射校正：对影像中辐射失真或畸变的图像进行消除或改正，并进行影像的归一化处理；

S4.变化检测：利用基于卷积神经网络和迁移学习的变化检测算法，进行图像的变化检测，并生成变化结果；

S5.结果分析：对变化结果进行分析，并对用地情况作出预警处理。

2.根据权利要求1所述可全天候遥感监测自动分析方法，其特征在于，所述步骤S4中基于卷积神经网络和迁移学习的变化检测算法，包括以下步骤：

S41.预训练语义分割模型变化检测算法：输入两张大小相同的图像，通过卷积神经网络后赋予标签后，输出相同尺寸且含有标签的差异图；

S42.迁移损失函数的深度特征学习：对差异图中的像素点进行距离计算和聚类，得到假真值图，并通过差异图和假真值图共同指导迁移学习的进行；

S43.差异图获取和结果生成：将来自不同时相的图片送入训练完成的深度神经网络，得到对应的差异图，并根据差异图生成变化图。

3.根据权利要求2所述可全天候遥感监测自动分析方法，其特征在于，所述步骤S41包括以下步骤：

S411.图像通过卷积神经网络后赋予标签过程中，每一个像素被赋予变化或非变化的二值标签，对应标识地物在此空间位置上的变化情况；

S412.在卷积神经网络的特征提取中，对于非变化像元，其像素点的特征向量欧几里得距离较小；对于变化像元，其像素点的特征向量欧几里得距离较大。

4.根据权利要求2所述可全天候遥感监测自动分析方法，其特征在于，所述步骤S42包括以下步骤：

S421.将两张图像在通过卷积神经网络后，对逐个像素点计算特征向量之间的欧几里得距离；

S422.使用k-means聚类方法，将得到的差异图中的像素点聚为两类，根据差值大小分为变化像素和非变化像素，得到标示出变化区域的变化图，即假真值图；

S423.利用假真值图来提供目标变化检测数据集的语义信息，将之前生成的差异图接近该假真值图，共同指导迁移学习的进行。

5.根据权利要求2所述可全天候遥感监测自动分析方法，其特征在于，所述步骤S43包括以下步骤：

S431.迁移学习完成后，将来自不同时相的图片送入训练完成的深度神经网络，获得逐个像素的深度特征；

S432.对于来自不同时相图片的同一位置的像素点，再次逐个像素计算特征向量之间的欧几里得距离，得到差异图；

S433.根据差异图生成变化图。

6.根据权利要求1所述可全天候遥感监测自动分析方法，其特征在于，所述步骤S2中，图像之间配准误差小于半个像元。

7.一种可全天候遥感监测自动分析系统，其特征在于，系统框架包括：

应用程序平台：以集群计算平台作为遥感数据处理工具；

界面元素：用于包括二维、三维地图及其界面的显示和浏览；

视图控件：用于显示和操作包括地图联动、信息查询、分析对比、预警分析、成果展示、专题统计的控件；

流程定制及解析器：影像处理流程设计工具，将功能插件相串联，自定义一套处理流程，将获取到的影像数据，加工处理为业务产品数据信息；

插件管理器：管理并对接多个功能插件。

8.根据权利要求7所述可全天候遥感监测自动分析系统，其特征在于，所述功能插件包括：

几何处理插件：用于利用地面控制点数据对遥感影像进行几何校正，及图像与图像间的配准；

辐射处理插件：用于对影像中辐射失真或畸变的图像进行消除或改正，并进行影像的归一化处理；

影像分割插件：用于将地理图像分割成多尺度或全尺度的图片；

变化检测插件：用于利用基于卷积神经网络和迁移学习的变化检测算法，进行图像的变化检测，并生成变化结果。