[发明专利]一种高分辨率光学遥感影像建筑物变化检测方法

说明书

本发明属于遥感图像处理技术领域，具体公开了一种高分辨率光学遥感影像建筑物变化检测方法，包括：读入图像并进行预处理；对比预处理后的双时相遥感图像，得到对应的变化标签图，并将变化标签图处理为二通道数据；采用统一尺寸对双时相遥感图像和对应变化标签图进行切割，并进行数据增强，得到样本数据集；构建建筑物变化检测网络模型；利用训练样本训练建筑物变化检测网络模型；将测试样本输入至建筑物变化检测网络模型，输出检测结果图。本发明方法能够有效解决现有技术中对背景噪声的鲁棒性差、模型特征提取能力不够导致的错检率高，以及对多尺度、形状各异的建筑物特征挖掘利用不足导致的漏检率高等问题。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种高分辨率光学遥感影像建筑物变化检测方法。

背景技术

变化检测是指从同一地理位置的两个或多个时相图像中获取变化信息。随着大量高空间分辨率遥感图像的获取，人类能够观测到地表更为详细的目标，尤其是建筑物，它是人类在生产、生活中最有价值的人造地面目标之一。在这种情况下，建筑物变化检测一直备受关注，并被应用于众多领域，如地理信息更新、城市规划和灾害评估等。

传统的变化检测方法主要分为两类，检测后比较法和直接变化检测法。第一种方法首先从双时相图像中检测出建筑物，然后通过比较建筑物对象来获取变化的建筑物。然而，从双时相高分辨率遥感图像中获取准确的建筑物检测结果非常困难，可能会导致误差的累积。第二种方法通过设计或生成的手工特征来度量变化程度进而实现建筑物变化检测。然而，受到复杂应用场景的限制，检测精度无法满足要求。此外，传统的变化检测方法往往需要人为干预，自动化水平较低，无法满足日益增长的大数据处理需要和信息获取时效要求。

近年来，以卷积神经网络为代表的深度学习方法，在遥感领域受到极大关注，尤其是以UNet、ResNet为代表的的语义分割网络，在变化检测任务中得到广泛应用。虽然深度学习方法带来了巨大的进步，但仍然存在一些不足，阻碍了其性能的进一步提高。首先，高空间分辨率遥感图像能够观察到更多微小物体和空间细节信息，但在对高层特征进行编码时，由于现有模型结构中连续下采样操作会导致高分辨率特征丢失，不能有效定位微小目标和捕获变化物体的细节特征，对多尺度目标的检测能力不足。其次，由于双时相图像的几何配准误差，以及光照、复杂背景噪声和季节变化等引起的光谱差异，导致错检、漏检现象突出，现有模型在特征提取方面的能力有待提高。高层次特征语义信息丰富，但空间细节粗糙，低层次特征细节精细但缺乏语义信息。

因此，如何捕捉更具辨识力的多尺度建筑物特征，并将高层次语义信息和低层次空间细节信息融合起来，以产生更精细的表示，一直是变化检测领域需要进一步解决的问题。

发明内容

本发明的目的在于提供一种高分辨率光学遥感影像建筑物变化检测方法，该方法能够有效解决现有技术中对背景噪声的鲁棒性差、模型特征提取能力不够导致的错检率高，以及对多尺度、形状各异的建筑物特征挖掘利用不足导致的漏检率高等问题。

实现本发明目的的技术方案：

一种高分辨率光学遥感影像建筑物变化检测方法，所述方法包括以下步骤：

步骤(1)、读入图像并进行预处理；

步骤(2)、对比预处理后的双时相遥感图像，得到对应的变化标签图，并将变化标签图处理为二通道数据；

步骤(3)、采用统一尺寸对双时相遥感图像和对应变化标签图进行切割，并进行数据增强，得到样本数据集；

步骤(4)、构建建筑物变化检测网络模型；

步骤(5)、利用训练样本训练建筑物变化检测网络模型；

步骤(6)、将测试样本输入至建筑物变化检测网络模型，输出检测结果图。

所述步骤(1)包括：