本申请提供了遥感影像变化检测方法、装置、电子设备及存储介质，涉及遥感影像处理技术领域，具体为：获取目标区域的前期遥感影像和目标区域的后期遥感影像；对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；将预处理后的目标区域的前期遥感影像和预处理后的目标区域的后期遥感影像合成为一个目标区域的多通道遥感影像；对目标区域的多通道遥感影像进行区域分割，得到多个影像对象；从每个影像对象中获取预设尺寸的影像对象块；通过训练完成的对象卷积神经网络对每个影像对象块进行处理，得到对应的影像对象是否发生变化的检测结果。本申请提高了遥感图像变化检测的效率和精度。测的效率和精度。测的效率和精度。
【技术实现步骤摘要】
遥感影像变化检测方法、装置、电子设备及存储介质
[0001]本申请涉及遥感影像处理
，尤其是涉及遥感影像变化检测方法、装置、电子设备及存储介质。
技术介绍
[0002]变化检测是通过不同时间观测到的数据，对同一地物或现象的位置、范围、性质、状态等变化进行识别的过程，广泛应用于自然资源、土地利用/土地覆被、城市、农业、林业、生态环境、减灾、军事等领域，变化检测已成为遥感领域研究的难点和热点问题之一。
[0003]早期变化检测主要采用中低分辨率遥感影像，常用方法是基于像元的直接比较法和分类后比较法。随着GIS技术和机器学习技术的发展，支持向量机、决策树、人工神经网络等机器学习分类算法逐渐应用于变化检测。随着高分辨率卫星遥感技术的快速发展，为克服基于像元技术的局限性，基于对象影像分析技术应运而生，并广泛应用于变化检测领域。目前，深度学习变化检测逐渐受到业界关注。
[0004]基于对象影像分析通过区域分割技术可以获取地物比较准确的边界，但只能人工提取对象的浅层特征用于分类，对专家的依赖强，比较费区时、费力，且精度有限。深度学习的卷积神经网络可以自动从数据中学习不同层次的特征，但由于多层抽象难以获取地物的准确边界。另外，基于像素卷积神经网络需要在输入的影像上按照一定的步长滑动预测，巨大的计算冗余量和计算开销造成预测效率低下。
技术实现思路
[0005]有鉴于此，本申请提供遥感影像变化检测方法、装置、电子设备及存储介质，以解决现有的像素卷积神经网络进行遥感图像变化检测时存在的效率和精度低的技术问题。
[0006]一方面，本申请实施例提供了一种遥感影像变化检测方法，包括：获取目标区域的前期遥感影像和目标区域的后期遥感影像；对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；将预处理后的目标区域的前期遥感影像和预处理后的目标区域的后期遥感影像合成为一个目标区域的多通道遥感影像；对目标区域的多通道遥感影像进行区域分割，得到多个影像对象；从每个影像对象中获取预设尺寸的影像对象块；通过训练完成的对象卷积神经网络对每个影像对象块进行处理，得到对应的影像对象是否发生变化的检测结果。
[0007]进一步的，对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；包括：对目标区域的前期遥感影像和目标区域的后期遥感影像分别进行正射校正；对校正后的目标区域的前期遥感影像和校正后的目标区域的后期遥感影像进行配准；
对配准后的目标区域的前期遥感影像和目标区域的后期遥感影像分别进行降位处理；在降位处理后的目标区域的后期遥感影像中，选取一块涵盖多种自然地物类型的区域作为模板区域，对模板区域进行调色匀色处理；对处理后模板区域的均值和方差进行统计，作为Wallis滤波器的均值和方差；采用所述Wallis滤波器对降位处理后的目标区域的前期遥感影像与降位处理后的后期遥感影像进行处理，使降位处理后的目标区域的前期遥感影像与降位处理后的后期遥感影像的对应波段在灰度空间进行整体对齐。
[0008]进一步的，所述Wallis滤波器的形式如下：其中，,分别为加性系数和乘性系数；当时，Wallis滤波器为高通滤波器；当时Wallis滤波器为低通滤波器；为Wallis滤波器的均值；为Wallis滤波器的方差；为均值的目标值，为方差的目标值；c为影像反差扩展常数，它的取值范围为[0,1]，b为小于1的系数；为输入Wallis滤波器的遥感图像；为Wallis滤波器输出的遥感图像。
[0009]进一步的，对目标区域的多通道遥感影像进行区域分割，得到多个影像对象之后还包括：在多个影像对象中，标注设定数量的变化影像对象和未变化影像对象，从标注的影像对象中选取出标注样本对象，利用标注样本对象对对象卷积神经网络进行训练。
[0010]进一步的，在多个影像对象中，标注设定数量的变化影像对象和未变化影像对象，从标注的影像对象中选取出标注样本对象，利用标注样本对象对对象卷积神经网络进行训练；包括：在区域分割得到的多个影像对象中，随机标注预设数量的变化和未变化的影像对象，作为标注对象；通过光谱统计对标注对象进行分组，在每个分组中抽取设定数量标注对象，作为标注样本对象；在每个标注样本对象中确定一个或多个采样位置点，以采样位置点为中心，在标注样本对象中裁切出与对象卷积神经网络输入尺寸一致的标注样本块；将多个标注样本块输入对象卷积神经网络，得到各个标注样本块的预测结果，根据各个标注样本块的预测结果和标注结果计算损失函数，通过损失函数更新对象卷积神经网络的参数。
[0011]进一步的，通过光谱统计对标注对象进行分组，在每个分组中抽取预设数量标注对象，作为标注样本对象；包括：计算每个标注对象的蓝波段、绿波段、红波段和近红外波段的平均值，根据所有标注对象的平均值的最小值和最大值确定亮度区间；基于亮度区间，根据标注对象的平均值对标注对象进行分组，得到多个分组；
从每个分组中随机抽取一定数量的标注对象，作为标注样本对象；其中，每个分组抽取的标注对象的数量，根据标注对象数目和对象卷积神经网络训练所需的样本数目确定。
[0012]进一步的，从各个影像对象中获取预设尺寸的影像对象块；包括：计算各个影像对象的最小外接矩形；计算最小外接矩形的两个长边的中点a和b的位置；计算中点a和b的连线与影像对象的边界的交点c和d的位置；计算c和d连线的中点e的位置，将中点e作为卷积中心点；以卷积中心点为中心，裁切出与对象卷积神经网络输入尺寸一致的影像对象块。
[0013]另一方面，本申请实施例提供了一种遥感影像变化检测装置，包括：获取单元，用于获取目标区域的前期遥感影像和目标区域的后期遥感影像；预处理单元，用于对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；将预处理后的目标区域的前期遥感影像和预处理后的目标区域的后期遥感影像合成为一个目标区域的多通道遥感影像；区域分割单元，用于对目标区域的多通道遥感影像进行区域分割，得到多个影像对象；影像对象块确定单元，用于从每个影像对象中获取预设尺寸的影像对象块；变化检测单元，用于通过训练完成的对象卷积神经网络对每个影像对象块进行处理，得到对应的影像对象是否发生变化的检测结果。
[0014]另一方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例的遥感影像变化检测方法。
[0015]另一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现本申请实施例的遥感影像变化检测方法。
[0016]本申请实施例通过对象卷积神经网络检测各个影像对象块，克服了传统像素卷积神经网络计算冗余和边界模糊的弊端，提高了遥感图像变化检测的效率和精度。
附图说明
[0017]为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种遥感影像变化检测方法，其特征在于，包括：获取目标区域的前期遥感影像和目标区域的后期遥感影像；对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；将预处理后的目标区域的前期遥感影像和预处理后的目标区域的后期遥感影像合成为一个目标区域的多通道遥感影像；对目标区域的多通道遥感影像进行区域分割，得到多个影像对象；从每个影像对象中获取预设尺寸的影像对象块；通过训练完成的对象卷积神经网络对每个影像对象块进行处理，得到对应的影像对象是否发生变化的检测结果。2.根据权利要求1所述的遥感影像变化检测方法，其特征在于，对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；包括：对目标区域的前期遥感影像和目标区域的后期遥感影像分别进行正射校正；对校正后的目标区域的前期遥感影像和校正后的目标区域的后期遥感影像进行配准；对配准后的目标区域的前期遥感影像和目标区域的后期遥感影像分别进行降位处理；在降位处理后的目标区域的后期遥感影像中，选取一块涵盖多种自然地物类型的区域作为模板区域，对模板区域进行调色匀色处理；对处理后模板区域的均值和方差进行统计，作为Wallis滤波器的均值和方差；采用所述Wallis滤波器对降位处理后的目标区域的前期遥感影像与降位处理后的后期遥感影像进行处理，使降位处理后的目标区域的前期遥感影像与降位处理后的后期遥感影像的对应波段在灰度空间进行整体对齐。3.根据权利要求2所述的遥感影像变化检测方法，其特征在于，所述Wallis滤波器的形式如下：其中，,分别为加性系数和乘性系数；当时，Wallis滤波器为高通滤波器；当时Wallis滤波器为低通滤波器；为Wallis滤波器的均值；为Wallis滤波器的方差；为均值的目标值，为方差的目标值；c为影像反差扩展常数，它的取值范围为[0,1]，b为小于1的系数；为输入Wallis滤波器的遥感图像；为Wallis滤波器输出的遥感图像。4.根据权利要求3所述的遥感影像变化检测方法，其特征在于，对目标区域的多通道遥感影像进行区域分割，得到多个影像对象之后还包括：在多个影像对象中，标注设定数量的变化影像对象和未变化影像对象，从标注的影像对象中选取出标注样本对象，利用标注样本对象对对象卷积神经网络进行训练。5.根据权利要求4所述的遥感影像变化检测方法，其特征在于，在多个影像对象中，标注设定数量的变化影像对象和未变化影像对象，从标注的影像对象中选取出标注样本对象，利用标注样本对象对对象卷积神经网络进行训练；包括：在区域分割得到的多个影像对象中，随机标注预设数量的变化和未变化的影像对象，
作为标注对象；通过光...
【专利技术属性】
技术研发人员：关元秀，王宇翔，范磊，刘江浩，容俊，赵楠，屈洋旭，田静国，沈鑫，孙月青，
申请(专利权)人：航天宏图信息技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。