一种异源遥感影像对象级变化检测方法技术

本发明专利技术公开了一种异源遥感影像对象级变化检测方法，通过设计一种多尺度特征提取差分模块实现多尺度特征差分图的提取，并作为UNet++的补充输入，以提高网络对变化区域特征的学习能力；在此基础上，为实现像素级结果到地理对象的映射，设计不同尺度的自适应证据置信度指标，进而构建一种基于DS证据理论的WDSEF识别策略，实现像素级检测结果到对象的跨越。通过对ZY

【技术实现步骤摘要】
一种异源遥感影像对象级变化检测方法


[0001]本专利技术涉及一种异源遥感影像对象级变化检测方法，属于遥感影像变化检测


技术介绍

[0002]遥感影像变化检测通过对多时相图像进行对比分析从而获得变化的地理对象，目前已广泛应用于土地利用规划、灾害评估等领域。相较于单源影像方法，基于异源遥感影像的变化检测方法通过利用多模式数据的差异性与互补性有助于发现隐藏的知识和规律，同时具有更高的数据选择灵活性及方法可用性。近年来，随着不同对地观测平台的日益丰富，面向异源遥感影像的变化检测技术已成为遥感技术与应用领域中的研究热点。
[0003]与此同时，不同传感器带来的光谱、纹理及成像视角等差异降低了对象内部像素的空间一致性，导致变化检测过程面临的“伪变化”问题更为突出，即跨多传感器实现变化检测比单传感器更具挑战性。为此，学者们已经开展了广泛的研究工作并取得了诸多成果。Touati R等提出A Reliable Mixed
‑
Norm
‑
Based Multiresolution Change Detector in Heterogeneous Remote Sensing Images，将成像模态不变算子与多尺度特征相结合，以应对异源卫星图像中各结构区域高频特征的差异；WAN Ling等提出Object
‑
based method for optical and SAR images change detection，先通过分割将图像划分为均匀的图像目标集合，再根据分类对象的隶属度定义判别准则对图像进行分类，进而获得异源图像的变化检测结果；杨进一等则联合视觉与语义特征，提出了一种基于词袋(Bag
‑
Of
‑
Words，BOW)模型和主动学习的变化检测方法，有助于减少由于异源影像成像差异而造成的“伪变化”。尽管如此，以上方法均采用用户定义的变化特征，检测性能容易受到先验知识、成像环境差异等制约因素的影响。
[0004]近年来，基于深度学习的遥感影像处理技术获得了学者们的广泛关注，并已在异源遥感影像变化检测任务中展现出了优异的性能。基于深度学习的变化检测方法从影像自身出发，利用神经网络强大的抽象化表示能力，自动提取多层次、多维度深层变化特征。LIU Jia等提出了一种面向光学和SAR影像的深度卷积耦合网络，该网络由对称的卷积层和耦合层组成，通过将多时相图像分别转换到特征空间，从而得到更一致的特征表示。WANG Moyang等则提出了一种基于深度Siamese卷积网络与混合卷积特征提取模块(Hybrid Convolutional Feature Extraction Module，HCFEM)的异源图像监督变化检测方法，其具有的扩张卷积网络结构能够有效地提取深度变化特征。此外，采用UNet及其改进模型UNet++等分割网络的变化检测模型由于提取的特征与输入图像尺寸具有很好的一致性，且具有很强的细节特征提取能力，受到了学者们的广泛重视。PENG Xueli等新设计了一种面向光学影像变化检测的差分增强密集注意卷积神经网络(Difference
‑
enhancement Dense
‑
attention Convolutional Neural Network，DDCNN)，其使用UNet++结构作为主干，有效模拟高、低级特征之间的内在相关性，并结合差分增强(Difference Enhancement，DE)单元实现了聚合特征的加权提取。ZHENG Zhi等提出了一种基于UNet的跨层卷积神经网络(Cross
‑
layer Network，CLNet)，其通过嵌入所设计的跨层块(Cross
‑
Layer Block，CLB)以合并多尺度特征和多级上下文信息，在异源变化检测中取得了很好的效果。
[0005]尽管如此，在异源变化检测任务中，变化区域通常分布更加离散且表现形式差异显著，因而对变化信息的准确提取提出了更高要求。另一方面，传统UNet结构忽略了对变化区域的自主定位及变化特征的强化学习。此外，UNet作为一种语义分割网络，其输出的像素级变化检测结果与真实地理对象之间存在着显著的语义鸿沟，限制了其在变化检测领域中的实际应用。

技术实现思路

[0006]本专利技术所要解决的技术问题是：提供一种异源遥感影像对象级变化检测方法，设计一种多尺度特征提取差分模块实现多尺度特征差分图的提取，在此基础上，结合深度网络输出的像素级变化检测结果，提出一种加权DS证据融合策略，从而实现像素级检测结果到对象的跨越。
[0007]本专利技术为解决上述技术问题采用以下技术方案：
[0008]一种异源遥感影像对象级变化检测方法，包括如下步骤：
[0009]步骤1，对于待检测区域，获取两个不同时相下的遥感影像T1和T2，且T1和T2的分辨率不相同，以分辨率较低的遥感影像为基准，对分辨率较高的遥感影像进行重采样，获得相同分辨率的双时相遥感影像，并对双时相遥感影像进行配准处理；
[0010]步骤2，对配准后的双时相遥感影像进行影像分割，根据分割结果提取分割对象集合；
[0011]步骤3，采用UNet++_MSOF作为基础网络进行语义分割，在UNet++_MSOF的编码器部分设计多尺度特征提取差分模块MFED，所述多尺度特征提取差分模块包括第一和第二多尺度特征提取模块，通过第一和第二多尺度特征提取模块分别对配准后的双时相遥感影像进行差分后得到原始差分特征图D0，对D0执行下采样和卷积运算，得到差分特征图D1，对D1执行下采样和卷积运算，得到差分特征图D2，对D2执行下采样和卷积运算，得到差分特征图D3，对D3执行下采样和卷积运算，得到差分特征图D4，即得到与UNet++_MSOF编码器部分的五个卷积层分别对应的差分特征图，D0、D1、D2、D3、D4对应作为UNet++_MSOF编码器部分第0、1、2、3、4个下采样层中第0个卷积单元的输入，从而得到MFED
‑
UNet++五层像素级变化检测结果；
[0012]步骤4，当MFED
‑
UNet++训练收敛后，得到MFED
‑
UNet++各个卷积层的预测精度和损失函数值，利用预测精度和损失函数值设计自适应证据置信度指标；
[0013]步骤5，对于步骤2得到的分割对象集合中的任一分割对象，结合自适应证据置信度指标，采用加权DS证据融合策略进行变化对象的识别。
[0014]作为本专利技术的一种优选方案，所述步骤1中，采用遥感图像处理平台ENVI进行重采样并进行配准处理，为保证配准精度，通过调整和删除不符合要求的控制点，使均方根误差不超过0.5。
[0015]作为本专利技术的一种优选方案，所述步骤2中，采用智能化影像分析软件eCognition进行影像分割，基于双时相遥感影像中采集时间较晚的遥感影像进行目视解译调参，根据配准得到的坐标关系将分割边界投影到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异源遥感影像对象级变化检测方法，其特征在于，包括如下步骤：步骤1，对于待检测区域，获取两个不同时相下的遥感影像T1和T2，且T1和T2的分辨率不相同，以分辨率较低的遥感影像为基准，对分辨率较高的遥感影像进行重采样，获得相同分辨率的双时相遥感影像，并对双时相遥感影像进行配准处理；步骤2，对配准后的双时相遥感影像进行影像分割，根据分割结果提取分割对象集合；步骤3，采用UNet++_MSOF作为基础网络进行语义分割，在UNet++_MSOF的编码器部分设计多尺度特征提取差分模块MFED，所述多尺度特征提取差分模块包括第一和第二多尺度特征提取模块，通过第一和第二多尺度特征提取模块分别对配准后的双时相遥感影像进行差分后得到原始差分特征图D0，对D0执行下采样和卷积运算，得到差分特征图D1，对D1执行下采样和卷积运算，得到差分特征图D2，对D2执行下采样和卷积运算，得到差分特征图D3，对D3执行下采样和卷积运算，得到差分特征图D4，即得到与UNet++_MSOF编码器部分的五个卷积层分别对应的差分特征图，D0、D1、D2、D3、D4对应作为UNet++_MSOF编码器部分第0、1、2、3、4个下采样层中第0个卷积单元的输入，从而得到MFED
‑
UNet++五层像素级变化检测结果；步骤4，当MFED
‑
UNet++训练收敛后，得到MFED
‑
UNet++各个卷积层的预测精度和损失函数值，利用预测精度和损失函数值设计自适应证据置信度指标；步骤5，对于步骤2得到的分割对象集合中的任一分割对象，结合自适应证据置信度指标，采用加权DS证据融合策略进行变化对象的识别。2.根据权利要求1所述的异源遥感影像对象级变化检测方法，其特征在于，所述步骤1中，采用遥感图像处理平台ENVI进行重采样并进行配准处理，为保证配准精度，通过调整和删除不符合要求的控制点，使均方根误差不超过0.5。3.根据权利要求1所述的异源遥感影像对象级变化检测方法，其特征在于，所述步骤2中，采用智能化影像分析软件eCognition进行影像分割，基于双时相遥感影像中采集时间较晚的遥感影像进行目视解译调参，根据配准得到的坐标关系将分割边界投影到采集时间较早的遥感影像，从而获得包含N个对象的集合R
all
。4.根据权利要求1所述的异源遥感影像对象级变化检测方法，其特征在于，所述步骤3中，第一和第二多尺度特征提取模块结构相同，且经过第一和第二多尺度特征提取模块得到原始差分特征图D0的过程如下：对于配准后的双时相遥感影像，将其中一个遥感影像依次经过4个通道，第1通道分别对遥感影像进行最大池化和平均池化后，将最大池化和平均池化结果输入1
×
1卷积层，1
×
1卷积层的结果输入第一卷积注意力模块得到第1通道的结果；第2通道对遥感影像进行扩张率为1的3
×
3卷积后进入第二卷积注意力模块得到第2通道的结果；第3通道分别对遥感影像进行扩张率为1和2的3
×
3卷积后，利用Add函数融合扩张率为1和2的3
×
3卷积的结果，将融合得到的结果进入第三卷积注意力模块得到第3通道的结果；第4通道分别对遥感影像进行扩张率为2和5的3
×
3卷积后，利用Add函数融合扩张率为2...

【专利技术属性】
技术研发人员：郭晓丹，王帅，李俊勇，王超，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：