[发明专利]一种用于异质遥感图像的无监督变化检测方法

说明书

本发明公开了一种用于异质遥感图像的无监督变化检测方法，基于Cycle GAN的域转化方式，通过风格迁移网络将异质图像转换到同一特征空间，在Cycle GAN的生成器与判别器中都添加了轻量级注意力机制，使其加速模型收敛，有效地完成异质空间的转化；轻量化的注意力机制，实现了图像空间域从低维到高维的有效转化，与现有其他方法相比，在仅增加少量模型参数的条件下，为生成差异图提供了大量高维特征信息；将处于同一特征空间的双时相影像逐通道计算它们之间的欧几里得距离，称为特征差异矩阵，然后取其通道维度的最大值作为差异图，最后经过一系列阈值计算和去噪操作生成变化检测图，增强了生成变化图的准确性和完整性，实现了变化检测精度的有效提升；另外，本发明提出的异质变化检测框架是无监督的，避免了有监督学习中收集标记数据花费的大量时间和精力。

技术领域

本发明属于遥感影像变化检测技术领域，具体涉及一种用于异质遥感图像的无监督变化检测方法。

背景技术

变化检测作为遥感领域一项重要的方法，旨在研究特定地理位置下获取的不同时间的遥感影像，并通过分析地物信息来识别变化区域(Gong等，2019)。随着遥感科学技术的快速发展，地球表面的实时图像可以很容易地获取，这使得CD技术应用更加广泛，例如城市变化监测(Wu等，2021)、自然灾害评估(Qiao等，2020)和地质资源调查等。

根据数据源的类型，变化检测方法可以分为同质和异质变化检测。同质变化检测依赖于同质数据，即由相同或相似的传感器获取的一组图像。而异质数据意味着两个图像具有不同域、不同的统计分布和不一致的类别特征，这使得利用异质图像进行变化检测任务的难度大于同质变化检测。目前，在大量同质遥感数据样本的驱动下，基于深度学习的同质变化检测已经取得了具有竞争力的效果。但在实际应用中，多时相同质图像的获取速度有限，对于突发事件和自然灾害引起的变化难以进行实时检测和有效评估，而异质数据更加便捷的可获取性为这类问题提供了解决思路。因此，基于异质遥感影像的变化检测方法在处理实时性任务中显得尤为重要。

目前常用基于深度学习的域转化方法来进行双时相异质遥感图像的变化检测。基于域转化的方法，是将双时相异质图像转化到相同的特征空间，然后根据同质变化检测方法生成最终变化图。在现有的基于域转化的异质变化检测方法中，常用到的模型主要有自编码器、生成对抗网络及其他们的变种网络。

域适应和数据转化文献中最重要的方法之一是生成对抗网络(GAN)(Goodfellow等，2014)，它是一种无监督深度学习模型，通过生成器和判别器的相互博弈，实现两个特征空间的有效转换。2019年Gong等人提出了基于GAN的耦合转换网络(CPTN)，将异质图像转换为同质图像，然后检测其观察空间的变化。2018年Niu等人，采用条件生成对抗网络(cGAN)将异构合成孔径雷达(SAR)和光学图像转换到其信息具有更一致表示的某个空间，用来进行变化检测。2021年Luppino等，基于CycleGAN提出了一种新的异质变化检测网络架构Adversarial Cyclic Encoder Network(ACE-Net)，通过添加循环一致性损失，保证了潜在空间与原始空间的相关性。

现有方法主要存在以下两点不足：第一，现有方法在异质图像之间的域转化仅适用于简单数据，如可见光、红外和SAR等，要想对多光谱异质图像进行域转化，就要设计更加复杂的网络，否则难以充分获取潜在的变化细节。第二，现有方法中几乎都是对转化后的异质图像直接进行比较，通过阈值分割生成最终变化图，缺少对域转化带来的噪声和误差的有效处理，使得变化检测区域不够精确和紧凑。

发明内容

有鉴于此，本发明的目的是提供一种用于异质遥感图像的无监督变化检测方法，在仅增加少量模型参数的条件下，为生成差异图提供了大量高维特征信息。

一种用于异质遥感图像的无监督变化检测方法，包括：

采用循环生成对抗网络Cycle GAN对异质遥感图像进行转化，其中，在Cycle GAN网络的生成器和判别器两个子网络中添加通道注意力模块和空间注意力模块，具体为：