[发明专利]一种基于梯度图像引导的高分辨率遥感影像变化检测方法

说明书

本发明公开了一种基于梯度图像引导的高分辨率遥感影像变化检测方法，如下：步骤一、获取初始双时态影像的变化幅度图，并通过梯度计算获得变化幅度图的梯度影像；步骤二、将梯度影像以及初始双时态影像输入到双分支孪生神经网络中，提取得到两个特征信息；同时，在每一层加入多尺度模块，提取多尺度的语义特征信息；步骤三、将两个特征信息融合，再通过注意力模块突出语义特征信息；步骤四、将突出的语义特征信息进行上采样处理，并与两个特征信息和多尺度语义特征信息特征融合；步骤五：将特征融合结果与梯度影像，通过梯度引导模块进行特征信息提取，得到所预测的概率图。采用该检测方法需要较少的样本，改善了高分辨率遥感影像变化检测精度。

技术领域

本发明属于遥感影像分类技术领域，具体涉及一种基于梯度图像引导的高分辨率遥感影像变化检测方法。

背景技术

近年来随着卫星及航空遥感技术的快速发展，影像的时间分辨率和空间分辨率大幅度提高，因此通过对遥感影像和航空影像的分析和处理可以快速、有效地获取地表覆盖信息。利用双时相遥感影像进行土地覆被变化检测对监测地质灾害、评价生态系统健康协助确定城市发展获取森林大规模变形和土地利用管理具有重要意义。尽管影像分辨率的提高确实增强了获取地物信息的能力，能够提供更加丰富的地物细节信息。近年来，深度学习的迅猛发展，对高分辨率遥感影像变化检测提出了新的思路，也为高分辨率遥感影像变化检测提供了相应的技术，但是深度学习需要大量的学习样本，往往遥感影像所能提供的样本量不够，从而达不到较为理想的检测结果。

发明内容

本发明的目的是提供一种基于梯度图像引导的高分辨率遥感影像变化检测方法，需要较少的样本，且选择训练样本，改善了高分辨率遥感影像变化检测精度。

本发明采用以下技术方案：一种基于梯度图像引导的高分辨率遥感影像变化检测方法，该检测方法包括如下步骤：

步骤一、获取初始双时态影像的变化幅度图，并通过梯度计算获得变化幅度图的梯度影像；

步骤二、将步骤一中的梯度影像以及初始双时态影像输入到双分支孪生神经网络中，提取得到两个特征信息；

同时，并在每一层加入多尺度模块，提取多尺度的语义特征信息，并保留；

步骤三、将步骤二的两个特征信息融合，再通过注意力模块突出两个特征信息融合后的语义特征信息；

步骤四、将步骤三中得到的突出的语义特征信息进行上采样处理，并与步骤二中的两个特征信息和多尺度语义特征信息进行特征融合；

步骤五：将步骤四所获得的特征融合结果与步骤一的梯度影像，通过梯度引导模块进行特征信息提取，得到网络所预测的概率图，进行阈值分割，输出网络预测的效果。

进一步地，在步骤二中，选取步骤一中30％～50％的梯度影像以及初始双时态影像。

本发明的有益效果是：1.可以有效兼顾不同尺度下的信息，能够在较少的样本下进行变化检测，并且以梯度图像作为网络的引导，对更加感兴趣的区域提高注意，提高了变化检测的效果；且FA和TE都达到了最低的数值，所得结果的错误率较低。2.运用总样本30％的样本，达到了现有方法中的使用70％样本的精度，省去大量冗余的训练样本，且较大幅度的提高变化检测精度。

附图说明

图1为本发明实施的方法流程图；

图2为实例数据示意图；

2a为事件前实验图；

2b为事件后实验图；

2c为地面参考真值；

图3为本发明中方法与其他对比方法的效果图；

3a为对比方法FC_EF训练的结果图；

3b为对比方法KPCA_CMN训练的结果图；