[发明专利]MROCNet模型构建与多源遥感影像变化检测方法及系统

说明书

本发明公开了一种多源遥感影像对象类型变化检测深度学习模型MROCNet构建方法及应用，首先通过所提的精确匹配算法，完成多源遥感影像的匹配和对象语义标注，构建双时相多源遥感影像对象类型变化检测数据集；并构建基于孪生网络架构的MROCNet模型，该模型的每个主干网由四个长短型分支构成，其中两个分支包括轻量化串并联扩张残差网络模块和多尺度通道信息增强模块，另外两个分支包括轻量化串并联扩张残差网络模块和多尺度空间信息增强模块；最后基于构建的数据集训练模型，通过语义计算对比实现地物类型变化检测。本发明能够有效解决遥感影像中的类内不一致和类间相似性问题，提升网络模型的判别能力，为河湖健康管理的及时响应提供智能化方法。

技术领域

本发明涉及遥感影像的变化检测技术领域，具体涉及一种多源遥感影像对象类型变化检测深度学习模型MROCNet(Multi-source Remote Sensing Images Object TypeChange Detection Network，简称MROCNet)的构建及应用。

背景技术

遥感影像变化检测技术是一种涉及到遥感技术、图像处理、机器学习、深度学习等多知识领域交叉的技术。在科研领域，从同一地点、不同时间点拍摄的两幅或多幅遥感影像中提取出变化区域的过程称为遥感影像变化检测。遥感影像变化检测技术应用广泛，在土地覆盖、灾难评估、城市管理、生态保护等领域都有重要的应用。例如，利用变化检测技术能够及时监控建筑的建设与拆除情况，合理规划城镇发展，减少违法建筑的安全隐患及杜绝非法占用土地资源的情况；利用变化检测技术可以监测地表植被的变化情况，从而保护林业资源、打击乱采乱伐等行为。可以利用遥感影像变化检测技术对同一区域不同时相的影像数据进行对比和判读，及时发现河湖周边的违规建筑、垃圾堆积、滥采滥伐等违规行为。

传统的变化检测任务实际上是一个二分类任务，即对同一区域范围不同时相遥感影像上的每个像素进行识别，并根据识别结果进行二次判别后在后时相影像上分为两类：“发生变化”和“未发生变化”，不涉及不同时相影像的区域语义变化状态显示。但是，从管理者的角度而言，对于河湖健康问题的监管不仅需要知道发生变化的区域，还需要知道如何变化的，即要解决“什么对象变成了什么对象”的问题，我们称之为对象类型变化检测。随着深度学习的发展，卷积神经网络(CNN)在图像处理领域显示出优于传统方法的巨大优势。卷积神经网络具有强大的特征提取能力，可以从海量数据中学习特征向量，并且可以同时完成特征提取和特征分类功能，由于其强大的性能，卷积神经网络已经被引入图像处理的许多领域，如图像分类、语义分割、目标检测、目标跟踪、图像复原等。

对于遥感影像而言，语义分割旨在对图像中的每一像素点进行分类，以实现图像的区域划分。基于深度学习的变化检测方法通常使用语义分割的方式来实现，按照变化检测结果获取方式的不同，可以将基于语义分割的变化检测方法分为直接比较法和分类后比较法，直接比较法能够实现实时端到端检测，但是容易受配准精度、噪声等外在因素的影响，且只能检测出数据集中出现的变化。分类后比较法在训练时不需要变化检测的标签，且可以检测出数据集中从未出现的变化，但是步骤不够简洁，变化检测的精度依赖于语义分割的精度，然而在遥感影像中，同一类别因场景复杂、尺度变化大、颜色不同、形状不同等因素，类内差距较大，而不同的类别间因形状、颜色等外观相似，类间差距较小，这给遥感影像的语义分割带来很大的挑战。因此需要研究一种新型的、性能优良的遥感影像变化检测方法，实现从构建数据集到变化检测的完整流程。

发明内容

发明目的：为了克服现有技术在遥感影像变化检测方面的不足，本发明提供一种多源遥感影像对象类型变化检测深度学习模型MROCNet的构建以及基于该深度学习模型的遥感影像变化检测方法、系统，为智慧水利和河湖健康管理提供先进技术。

技术方案：为实现上述发明目的，本发明所采用的技术方案是：一种多源遥感影像对象类型变化检测深度学习模型构建方法，包括如下步骤：