[发明专利]一种基于改进Transformer孪生网络的遥感图像变化检测方法

权利要求书

1.一种基于改进Transformer孪生网络的遥感图像变化检测方法，其特征在于：所述方法包括以下步骤：

步骤1：图像预处理，判断两幅不同时期的遥感图像I¹、I²的巴氏系数是否小于阈值(取0.7)，如果小于阈值则进行步骤2，否则直接进行步骤3；

步骤2：对图像进行直方图匹配处理，得到两幅处理过后图像，记作

步骤3：将I₁、I₂(或)输入预训练好的CNN主干网络进行并行特征提取得到X₁、X₂；

步骤4：将X₁、X₂输入语义标记器，将X₁、X₂转换为一组紧凑的语义标签T¹、T²；

步骤5：拼接语义标签T¹、T²，组成含有两幅图像信息的新标签T；

步骤6：将T输入到Transformer编码器中，生成编码后的标签T_new；

步骤7：对两个语义标签集T¹和T²进行全局信息建模，生成包含丰富语义信息的新标签

步骤8：将高级语义信息表示映射到像素空间，获得像素级的特征，即将输入到Transformer解码器中，得到精细化的特征图

步骤9：将特征图输入预测头中，从两个精细化的特征图中计算特征差异图像，然后将它们输入到浅层CNN中，以生成像素级的变化预测M；

步骤10：对预测变化图M进行连通域滤波处理，得到最终结果图M_result。

2.根据权利要求1所述的一种基于改进Transformer孪生网络的遥感图像变化检测方法，其特征在于：步骤1、2中对图像进行预处理，若两时期图像巴氏系数小于阈值0.7则用第二时期图像作为标准直方图，然后对第一时期图像进行直方图匹配处理，使得两时期图像色彩风格一致，减少因天气、季节变化等外界因素导致色彩风格差异大对模型预测精度的影响。

3.根据权利要求1所述的一种基于改进Transformer孪生网络的遥感图像变化检测方法，其特征在于：步骤3中CNN主干网络提取特征的具体步骤为：

步骤3-1：将I₁、I₂通过两个卷积核大小为3x3，步长为2的卷积层，下采样4倍，初步提取特征；

步骤3-2：将卷积后的结果通过批归一化层和ReLU激活层让网络具有非线性表达能力；

步骤3-3：将上述输出通过4组Transition和Stage结构，不断增加尺度分支并进行特征融合，得到X₁、X₂。

4.根据权利要求1所述的一种基于改进Transformer孪生网络的遥感图像变化检测方法，其特征在于：步骤4的语义标记器由卷积、注意力机制构成；具体的：

步骤4-1：对于特征图Xⁱ(i＝1，2)上的每一个像素点用1x1卷积得到L组语义信息，每组语义信息代表一种语义概念；

步骤4-2：在HW维度上用softmax函数对每组语义信息计算，得到空间注意力特征图；softmax函数计算公式如下：

其中，z_i表示每个输出分量；

步骤4-3：利用计算得到的注意力特征图去计算像素集合Xⁱ的加权平均和，从而得到长度为L(L＝4)的token序列T¹、T²；Tⁱ(i＝1，2)的计算公式如下：

Tⁱ＝(Aⁱ)^TXⁱ＝(σ(φ(Xⁱ，w)))^TXⁱ

其中，φ(·)代表卷积核为的1x1卷积，W为可学习的参数，σ(.)是softmax函数，用于将语义信息归一化后得到注意力特征图Aⁱ。