[发明专利]一种基于领域自适应的端到端多源异质遥感影像变化检测方法

说明书

本发明公开了一种基于领域自适应的端到端多源异质遥感影像变化检测方法。该方法通过一个预训练的非共享权重孪生深度特征提取网络提取双时相影像的高维特征，再将提取出的异质影像高维特征放入领域自适应域一致性约束层中进行特征空间一致性约束，最后解码部分融合特征提取得到的不同尺度特征，并进行深度监督融合得到最终变化检测结果。本发明提出的用于多源异质遥感影像变化检测的网络框架在编码解码过程之间加入了一个领域一致性约束块，并且在解码部分融合原始影像的多级高维特征，并通过深度监督融合方式得到结果，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，特别是涉及一种端到端的多源异质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，该方法将双时相异质遥感影像特征进行提取，通过领域一致性约束层实现多源异质特征的同质化，进而对异质图像上变化区域进行精准检测。

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。随着近些年来遥感传感器的快速发展，遥感图像的种类越来越丰富，空间分辨率越来越高，传统的基于代数运算、图像转换和分类后比较乃至深度学习方法的同源遥感影像变化检测方法在多源异质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，主流的进行多源异质遥感影像变化检测的方法分为两类：一类是非监督传统方法，针对异质图像变化检测这种复杂情况有极大不稳定性，而且实验中参数设置需要大量实验来验证，且同一套参数有很差的泛化性；第二类是两阶段方法，该方法第一阶段先将异质影像进行风格迁移得到相似特征分布的近似同源数据，然后第二阶段利用已有的同源变化检测方法检测变化区域，但是这类方法由于第一阶段不可避免地丢失掉部分原始数据的特有属性，造成特征利用的损失进而导致检测精度偏低。

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，提出了一个基于领域自适应的端到端多源异质遥感影像监督变化检测方法，实现了基于RGB影像和SAR影像的多源影像变化检测。

为解决上述问题，该方法主要包括以下步骤：

步骤1，多源异质遥感影像数据预处理以及构建变化检测数据集；对原始双时相异质遥感影像经过几何配准校正、大气校正的预处理方式，标注变化标签并制作变化检测数据集；

步骤2，构建一个原始影像高维特征提取孪生网络，该网络两个分支分别由预训练好的Resnet34的网络层构成；

将T1时相的RGB和T2时相的SAR影像分别放入该预训练的高维特征提取孪生网络中，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，两张异质遥感影像共获得五对影像不同尺度高维特征；

步骤3，将步骤2提取出的最后一对最高维特征输入到领域自适应性特征约束层，并将经过领域自适应性特征约束层后的异质影像最高维特征进行差值运算；

步骤4，将步骤3中得到的最高维差值特征图作为初始特征块输入到多尺度特征融合解码模块，并将步骤2中前面的四对不同尺度高维特征进行差值计算，利用跳跃连接方式将这些差值特征与多尺度特征融合解码模块中对应尺度特征进行拼接后进行卷积块处理，同时在卷积块之间进行上采样处理，并且每个卷积块旁向会利用1×1的卷积层处理得到共四个不同阶段不同尺度的变化检测结果图，最后再利用上采样将四张变化检测结果图统一到原始输入影像大小，并进行拼接卷积得到最终的变化检测结果；