一种双时相遥感图像变化检测方法、模型构建方法和装置制造方法及图纸

本发明专利技术公开了一种双时相遥感图像变化检测方法、模型构建方法和装置，属于遥感图像处理技术领域，采用加入了挤压

【技术实现步骤摘要】
一种双时相遥感图像变化检测方法、模型构建方法和装置


[0001]本专利技术涉及遥感图像处理
，尤其涉及一种双时相遥感图像变化检 测方法、模型构建方法和装置。

技术介绍

[0002]近年来，由于能够方便而准确地获取全球各地的地表信息，遥感图像被广 泛应用。变化检测作为遥感图像研究领域的重要分支，已经被研究了几十年。 现今，变化检测任务通常包括以下几个方面：土地利用变化检测、森林和植被 变化检测、城市扩张变化检测、地震和森林火灾等灾害监测和评估等。变化检 测任务通常涉及广阔的地表区域，手动执行费时费力，基于深度学习的变化检 测算法的引入大大节约了研究者的人力、物力和财力。
[0003]现有技术提出的针对双时相遥感图像的变化检测方法主要包括以下几种：
[0004]一、传统方法：首先对两幅双时相遥感图像进行预处理，再通过变化向量 分析法、小波融合等方法获取两幅图像的差异图，最后对差异图进行处理，生 成二值变化检测图像。传统方法很大程度依赖于工程师的经验判断和对算法长 时间的调试，传统方法实现的成本较高。
[0005]二、基于像素的变化检测方法：通过处理两幅双时相遥感图像相同位置像 素点对的光谱信息来提取其变化信息。这种方法对细节信息的保留是其他方法 所不具有的，而且简单易行，应用广泛。但这种方法对一些干扰因素，如光照 角度和强度的变化、配准误差等的鲁棒性比较差；并且没有充分发掘每个像素 点与临近像素点的空间位置信息。
[0006]三、基于对象的变化检测算法：先对遥感图像进行分割，再对分割产生的 对象进行变化检测。这种方法在一定程度上弥补了基于像素的变化检测方法的 缺陷，图像分割更加注重像素点之间的空间信息，并且此方法对噪声的鲁棒性 有所增强。但是由于现有分割技术的完整性和准确性尚需提升，这种方法也需 要进一步改进。
[0007]上述这几类方法针对复杂背景下不同尺寸的变化目标的检测效果较差；对 于遥感图像中变化区域和不变区域的识别能力尚需提升；并且不能有效解决由 于训练数据集正负样本不平衡导致的训练效果降低的问题。

技术实现思路

[0008]本专利技术提供一种双时相遥感图像变化检测方法、模型构建方法和装置，旨 在解决现有技术中针对双时相遥感图像的变化检测方法存在对复杂背景下不 同尺寸变化目标的检测效果较差、对变化区域和不变区域的识别能力较差、由 训练数据集正负样本不平衡导致的训练效果降低的问题。
[0009]本专利技术提供的具体技术方案如下：
[0010]一方面，本专利技术提供的一种双时相遥感图像变化检测模型构建方法包括：
[0011]采用加入了挤压
‑
激励模块的深度残差网络模型构建双时像遥感图像特征 提取器；
[0012]构建用于计算双时相特征图像素对之间的相关性并以相关性为权重对特 征图加权计算的金字塔注意力模块，其中，所述金字塔注意力模块的内部嵌套 设计共同注意力算法；
[0013]采用预设的遥感图像数据集，并对所述预设的遥感图像数据集进行图像偏 移、亮度和对比度变换，之后利用复合损失函数训练所述双时像遥感图像特征 提取器和所述金字塔注意力模块组成的双时相遥感图像变化检测模型，所述双 时相遥感图像变化检测模型用于根据双时相遥感图像获取二值变化检测图像。
[0014]可选的，构建双时像遥感图像特征提取器具体为：
[0015]保留深度残差网络模型的第一卷积层至第五卷积层且删除其后的全局池 化层、全连接层和激活函数层后作为双时像遥感图像特征提取器的基础网络；
[0016]在深度残差网络模型的第二卷积层之后添加1x1卷积层，在第三卷积层和 第四卷积层之后分别添加1x1卷积层和上层采样层，在第五卷积层的输出之后 添加全局平均池化层、1x1卷积层、上层采样层和级联层；
[0017]在所述级联层之后添加挤压
‑
激励模块后整体构成双时像遥感图像特征提 取器，其中，所述挤压
‑
激励模块用于对特征图的各通道进行加权学习。
[0018]可选的，构建金字塔注意力模块的具体过程为：
[0019]构建一个基于相邻子图边缘像素重叠机制切割双时像遥感图像特征提取 器输出的特征图得到特征子图；
[0020]针对每一对特征子图采用共同注意力算法进行预测得到注意力子图；
[0021]构建一个用于将所述注意力子图进行拼接的图像拼接模块，其中，拼接后 的注意力特征图与切割前的图像尺寸相等，重叠像素区域的拼接结果等于其所 在的两幅相邻注意力子图对应像素区域的预测结果以相等权重进行加权的结 果；
[0022]构建一个由1个级联层和1个1x1卷积层组成的级联卷积模块，所述级联 卷积模块用于将拼接后的注意力特征图进行融合，融合后产生的注意力特征图 与输入金字塔注意力模块前的特征图尺寸相等。
[0023]可选的，针对每一对特征子图采用共同注意力算法进行预测得到注意力子 图，具体为：
[0024]将一对双时相子图中包含的两幅子图分别变换到预设尺寸后相乘，得到相 关特征图，其中，相关特征图的每个元素代表两幅子图中两个像素点的相关程 度；
[0025]将相关特征图作为权重分别与两幅子图相乘得到两幅加权特征图，将加权 特征图与两幅子图进行融合得到注意力子图。
[0026]可选的，利用复合损失函数训练双时相遥感图像变化检测模型的过程中使 用Adam优化器对模型参数进行优化。
[0027]可选的，所述复合损失函数为：
[0028][0029]其中，h、w分别表示注意力特征图的高度和宽度；y
ij
表示标签图像的取 值，n
u
、n
c
分别表示注意力特征图中不变像素点对的总数和变化像素点对的总 数，Posdist、Negdist分别完成对距离过小的变化像素点对的距离进行扩大和对 距离过大的不变像素点对的距
离进行缩小；Posdiff、Negdiff用于实现使模型更 加注重难分样本的学习。
[0030]可选的，注意力特征图中不变像素点对的总数和变化像素点对的总数分别 采用如下公式计算：
[0031][0032][0033]其中，h、w分别表示注意力特征图的高度和宽度；y
ij
表示标签图像的取 值，n
u
、n
c
分别表示注意力特征图中不变像素点对的总数和变化像素点对的总 数。
[0034]可选的，Posdist
ij
＝max{m
‑
D
ij
，0}
[0035]Negdist
ij
＝max{D
ij
‑
τ，0}
[0036][0037][0038]其中，D
ij
代表所述距离图D中第i行第j列位置处的取值，α、β为加权 系数，τ、m为阈值，α＞β＞1，m＞τ。
[0039]另一方面，本专利技术还提供一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双时相遥感图像变化检测模型构建方法，其特征在于，所述双时相遥感图像变化检测模型构建方法包括：采用加入了挤压
‑
激励模块的深度残差网络模型构建双时像遥感图像特征提取器；构建用于计算双时相特征图像素对之间的相关性并以相关性为权重对特征图加权计算的金字塔注意力模块，其中，所述金字塔注意力模块的内部嵌套设计共同注意力算法；采用预设的遥感图像数据集，并对所述预设的遥感图像数据集进行图像偏移、亮度和对比度变换，之后利用复合损失函数训练所述双时像遥感图像特征提取器和所述金字塔注意力模块组成的双时相遥感图像变化检测模型，所述双时相遥感图像变化检测模型用于根据双时相遥感图像获取二值变化检测图像。2.根据权利要求1所述的双时相遥感图像变化检测模型构建方法，其特征在于，构建双时像遥感图像特征提取器具体为：保留深度残差网络模型的第一卷积层至第五卷积层且删除其后的全局池化层、全连接层和激活函数层后作为双时像遥感图像特征提取器的基础网络；在深度残差网络模型的第二卷积层之后添加1x1卷积层，在第三卷积层和第四卷积层之后分别添加1x1卷积层和上层采样层，在第五卷积层的输出之后添加全局平均池化层、1x1卷积层、上层采样层和级联层；在所述级联层之后添加挤压
‑
激励模块后整体构成双时像遥感图像特征提取器，其中，所述挤压
‑
激励模块用于对特征图的各通道进行加权学习。3.根据权利要求1所述的双时相遥感图像变化检测模型构建方法，其特征在于，构建金字塔注意力模块的具体过程为：构建一个基于相邻子图边缘像素重叠机制切割双时像遥感图像特征提取器输出的特征图得到特征子图；针对每一对特征子图采用共同注意力算法进行预测得到注意力子图；构建一个用于将所述注意力子图进行拼接的图像拼接模块，其中，拼接后的注意力特征图与切割前的图像尺寸相等，重叠像素区域的拼接结果等于其所在的两幅相邻注意力子图对应像素区域的预测结果以相等权重进行加权的结果；构建一个由1个级联层和1个1x1卷积层组成的级联卷积模块，所述级联卷积模块用于将拼接后的注意力特征图进行融合，融合后产生的注意力特征图与输入金字塔注意力模块前的特征图尺寸相等。4.根据权利要求3所述的双时相遥感图像变化检测模型构建方法，其特征在于，针对每一对特征子图采用共同注意力算法进行预测得到注意力子图，具体为：将一对双时相子图中包含的两幅子图分别变换到预设尺寸后相乘，得到相关特征图，其中，相关特征图的每个元素代表两幅子图中两个像素点的相关程度；将相关特征图作为权重分别与两幅子图相乘得到两幅加权特征图，将加权特征图与两幅子图进行融合得到注意力子图。5.根据权利要求1所述的双时相遥感图像变化检测模型构建方法，其特征在于，利用复合损失函数训练双时相遥感图像变化检测模型的过程中使...

【专利技术属性】
技术研发人员：于建志，曹书语，丁兆旭，王智慧，崔宾阁，刘成龙，曹越，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：