[发明专利]基于时-空-谱注意力机制的多时相高光谱影像变化检测方法

说明书

本发明公开了一种基于时‑空‑谱注意力机制的多时相高光谱影像变化检测方法，首先，引进了一种空间域和光谱域双分支神经网络框架，通过双分支分别提取高光谱差分影像的空间域特征和光谱域特征，从而利用高光谱影像多维度之间的相关性以提高变化检测的准确性；其次，在空间域分支上引入多尺度金字塔空间注意力机制，通过空洞卷积来扩大卷积的感受野，以获取多尺度上下文信息，并且通过空间注意力机制对感兴趣区域分配更多权重，从而抑制不必要的特征。在光谱域上引入时‑谱注意力模块，从而刻画多时相高光谱差分影像不同位置地物光谱之间的关联。实验结果表明，本发明有效提高了变化检测的精度。

技术领域

本发明涉及遥感影像处理领域，尤其是一种能有效利用时间维度、空间维度和光谱维度之间相关性的基于时-空-谱注意力机制的多时相高光谱影像变化检测方法。

背景技术

遥感图像变化检测技术是指利用不同时间获取的覆盖同一地表区域的遥感图像来确定地表变化的过程，目前已应用于城市增长跟踪、土地利用监测和灾害评估等领域。高光谱成像技术也被称作成像光谱技术，具有光谱学和光学成像的双重优势，其经过光谱反射率重建影像，能获取地物近似连续的光谱反射率曲线，因而通过结合高光谱影像的空间上下文信息和光谱信息进行变化检测可有效提升变化检测的精度。

Johnson等人于1998年提出的CVA(Change Vector Analysis,CVA)方法，作为一种典型的无监督方法通过光谱矢量做差形成变化矢量，然后通过判断变化矢量的幅值与给定阈值的大小进而确定两个时相对应的区域是否发生变化。然而，CVA方法对于多波段遥感影像效果较差，而且很难消除结果中由于噪声等因素造成的伪变化；Deng等人于2008年提出的主成分分析法(PCA)通过降维的方法选择有效特征，然后对低维度子空间数据进行变化检测，该方法可以有效压缩冗余数据，但通常会忽略光谱间的相关性信息，很难获得完整的变化信息矩阵；Yuan等人于2015年提出了一种新的用于噪声环境下变化检测的距离度量学习框架，利用高光谱影像丰富的光谱信息检测变化区域，但是缺少对高光谱影像空间信息的利用，其变化检测精度有待进一步提升。

近年来，深度学习的不断发展为遥感影像处理带来了新的思路，人们将其应用于高光谱影像的变化检测中使检测精度得到一定程度的提升，比如Kevin等人于2019年利用预先训练的用于语义分割的CNN模型以无监督的方式对变化区域进行检测，然而该方法的检测精度在很大程度上依赖于预训练模型执行语义分割的能力；Wang等人于2019年提出了一种通用的端到端二维CNN高光谱图像变化检测框架(GETNET)，该方法将解混获得的丰度信息与二维CNN相结合以提高变化检测精度，然而该方法需要通过其它变化检测方法获得伪训练集来训练整个网络，伪训练集的固有噪声通常会导致算法性能的降低；Li等人于2021年将结构相似性(SSIM)和变化向量分析(CVA)两种互补的模型驱动方法相结合生成可信标签，然后利用CNN进行训练；Zhan等人于2021年提出了一种基于孪生结构光谱空间CNN的高光谱影像变化检测框架，首先将多时相高光谱影像输入孪生CNN提取浅层光谱空间向量，然后计算两个向量的欧氏距离来确定张量对的相似性；Zhao等人于2022年提出了一种新的基于简化三维卷积自动编码器(S3DCAECD)的高光谱图像变化检测框架，可以有效减少高光谱图像的光谱冗余。

总体来看，现有方法一般只关注高光谱影像的单方面特性，而缺乏对高光谱影像多维度特征的挖掘和联合应用，在一定程度上影响了检测精度的提升；此外，现有方法大多对地物不同区域分配均衡权重，而变化点作为感兴趣区域其特征的特殊性与重要性未得到充分重视，缺少自适应的对感兴趣区域或特征分配更多权重，这也在一定程度上制约了检测精度的提升。

发明内容

本发明为了解决现有技术所存在的上述技术问题，提供了一种能有效利用时间维度、空间维度和光谱维度间相关性的基于时-空-谱注意力机制的多时相高光谱影像变化检测方法。

本发明的技术解决方案是：一种基于时-空-谱注意力机制的多时相高光谱影像变化检测方法，按如下步骤进行：