[发明专利]一种差异指导的遥感影像变化检测方法

说明书

本发明公开了一种差异指导的遥感影像变化检测方法，首先输入双时相遥感场景图像，对双时相图像进行数据增广；然后使用孪生卷积网络架构从图像中提取出初级特征；再使用差异指导加权的方法对双时相各自不同深度特征图进行指导增强，得到各尺度的对应加权特征；接下来对双时相各自的特征进行解码，得到对应的最终特征；然后对双时相对应的最终特征进行做差，得到差异图像；最后对差异图像进行阈值分割，得到最终的变化检测结果。采用本发明方法检测出来的结果完整性强，精度高，和多个模型比较下有着优秀的准确率提升，证明了本发明有着良好的泛化性和鲁棒性。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种遥感影像变化检测方法。

背景技术

高分辨率的遥感影像可提供大范围且细致的地球表面图像，在城市规划、交通、农业、军事等领域有着极其重要的作用。变化检测是基于遥感影像中最重要的检测任务之一，该技术可广泛应用于其扮演着重要的角色在土地覆盖、灾害检测、城市化建设、军事应用等领域。它通过对同一地理区域内一段时间内的观测来识别物体或现象的差异，即为对双时相图像(同一地域在不同时间的拍摄图像)检测之间的变化。随着遥感技术的发展，对地物变化的智能自动识别对于探测地球的动态变化变得越来越重要。研究人员提出了多种思想算法来提高遥感影像的变化检测性能，根据深度特征利用的方式，这些方法可分为两类：

A、直接利用方法。早期基于深度学习的变化检测网络都是在语义分割模型上演化而来的，这种类型的方法都是先对双时相图像进行特征提取，其创新点大多在于特征提取网络部分，通过网络提取特征后，对网络特征直接做差而得到差分图像，后根据阈值分割、分类、聚类技术对差分图像进行变化区域的提取。此种方法主要借鉴了语义分割的特征模型，通过采用端到端的网络训练方式，特征学习的过程得益于误差的反向传播，然而，并未在前向传播的过程中对特征的提取进行差异增强，故此种方法提取的特征在于任务相关性上不可控。

B、差异引入方法。随着遥感影像获取技术的提升，遥感影像的分辨率获得了较大的进步，遥感场景变得更加复杂，内容结构变得更加丰富，对变化检测的语义理解提出了较大的要求。故大多数工作开始考虑通过在特征提取的过程中就增加差异信息的引入，通过引入差异特征，使得与任务相关性强的特征所占比重更大，反之更弱，起到了一定的初步选择作用。使用差异特征的主要优点是其在前向传播的过程中，便学习选择对应的变化语义。与直接利用特征做差相比，基于差异特征增强的特征不仅能在反向传播中学习，还能在正向传播中对特征进行选择增强。由于差异特征的选择能力，差异引入的方法目前取得了较高的分类准确率。

尽管变化检测的性能已经较为优越，但仍有一些问题需要解决。其中，通过对遥感双时相图像的观察，发现有些场景中数据分布不均衡，容易引导模型倾向于数量多的未变化区域；此外，由于遥感图像的复杂语义，对网络学习识别与任务相关性的语义有一定的困难。这种数据分布特征和图像特性限制了检测性能的进一步提升。

发明内容

为了克服现有技术的不足，本发明提供了一种差异指导的遥感影像变化检测方法，首先输入双时相遥感场景图像，对双时相图像进行数据增广；然后使用孪生卷积网络架构从图像中提取出初级特征；再使用差异指导加权的方法对双时相各自不同深度特征图进行指导增强，得到各尺度的对应加权特征；接下来对双时相各自的特征进行解码，得到对应的最终特征；然后对双时相对应的最终特征进行做差，得到差异图像；最后对差异图像进行阈值分割，得到最终的变化检测结果。采用本发明方法检测出来的结果完整性强，精度高，和多个模型比较下有着优秀的准确率提升，证明了本发明有着良好的泛化性和鲁棒性。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：输入双时相遥感场景图像，对双时相图像进行数据增广；

步骤2：使用孪生卷积网络架构，在数据增广后的双时相图像中分别对时相A、B进行特征提取，得到特征图F_A、F_B；