[发明专利]一种基于监督领域自适应的遥感影像变化检测方法

说明书

本发明公开了一种基于监督领域自适应的遥感影像变化检测方法，属于遥感影像变化检测技术领域。本发明从图像自适应和特征自适应两个角度出发，图像自适应模块中，将对抗训练与循环一致性约束、风格一致性约束相结合，完成两个方向的图像风格迁移，在图像外观角度缩小前后时相图像之间的领域差异。特征自适应模块中，提取域不变特征来对齐不同特征空间的分布，进一步缩小前后时相图像之间的领域差异。此外将前时相域中的图像对、后时相域中的图像对和原来的图像对一起，输入到特征提取网络中得到最后的结果。本发明有效解决跨域变化检测中，前后时相之间的领域差异对变化检测结果的影响，并且能够与任意的变化检测网络结合，进一步提升检测性能。

技术领域

本发明属于高分辨率遥感影像变化检测技术领域，具体涉及一种基于监督领域自适应的遥感影像变化检测方法。

背景技术

变化检测任务是在不同的时间点指识别同一地理区域内的地理元素发生的显着变化，输入双时相或多时相的遥感影像，输出像素级的变化图。该任务在城市化监测、资源环境监测、灾害评估等方面应用广泛，逐渐成为一个热门的计算机视觉任务。近年来，随着高分辨率的遥感影像更易获得，深度学习技术发展迅速，变化检测任务迎来了新的机遇。然而，变化检测任务中仍旧存在诸多问题，例如：随着时间的推移，一些地理元素出现了复杂的外观变化，这种复杂的外观变化会影响变化检测的检测性能。

随着深度学习技术的发展，研究者提出了许多基于深度学习的变化检测方法，由于深度网络强大的特征提取能力，这些基于深度学习方法表现出了比传统方法更优越更稳定的检测性能。这些基于深度学习的方法通常包括两个步骤：(1)从输入的双时相图像对中提取判别特征，在这个过程中，各种卷积网络结构尤其是孪生卷积网络结构受到了研究者的广泛欢迎；(2)设计精细的决策策略来根据提取到的特征得到变化图，决策方法主要分为基于度量的决策方法和基于分割的决策方法。

理论上，为了获得精确的变化图，从双时相图像中提取的特征应该满足两个条件：1)与变化的像素相关的特征应该彼此远离，2)与非变化像素相关的特征应尽可能接近。

然而，在实际操作中，这两个假设很难完全满足。由于变化检测输入的图片是在不同的时间点拍摄的，地面覆盖物的外观会由于传感器、大气条件、光照条件、以及季节等外部因素的变化而发生变化，给双时相图像之间带来了相当大的域迁移，不可避免地会引入了许多我们不感兴趣的变化，给变化检测任务带来干扰。由于目前大部分基于深度学习的方法主要侧重于设计精细的神经网络来探索强大的特征表示，忽略了这些领域差异带来的伪变化，而这些伪变化给变化检测任务带来了新的挑战，如何将感兴趣的变化与无意义的变化区分开来成为了新的需要关注的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于监督领域自适应的遥感影像变化检测框架，该框架能够适配任意的深度学习变化检测网络，提升网络对于跨域问题的处理能力。具体来说，该框架由图像自适应模块和特征自适应模块组成，从图像级别和特征级别两个方面来进行领域自适应，以降低双时相图像之间的领域差异对变化检测结果的影响。同时，该框架是第一个用于解决跨域变化检测任务的框架，可以与任意不直接解决该问题的变化检测网络相结合，在原来网络的基础上添加应对跨域变化检测任务的能力。本发明可以有效解决双时相图像之间的领域差异对变化检测结果的影响，并且可以与任意的变化检测网络结合，进一步提升其检测性能。

为了实现上述发明目的，本发明采用的技术方案是：一种基于监督领域自适应的遥感影像变化检测方法，包括图像自适应模块和特征自适应模块，从图像级别和特征级别两个方面来进行领域自适应，以降低双时相图像之间的领域差异对变化检测结果的影响，具体实现包括如下步骤：

(1)在图像自适应模块中，使用图像到图像的风格迁移网络，在保证内容不受影响的前提下，完成两个相对方向的图像风格迁移，将输入的前时相图像转换为与后时相图像外观类似的图像，同时将输入的后时相图像转换为与前时相图像外观类似的图像，从图像外观角度缩小双时相图像之间的领域差异；