【技术实现步骤摘要】
本专利技术涉及遥感影像变化检测，具体而言，涉及基于特征交互和时空关联的变化检测方法和系统。
技术介绍
1、遥感图像变化检测是遥感图像处理领域中备受关注的一个研究课题。变化检测的核心目标是通过分析同一地区在不同时间拍摄的两张或多张遥感图像，提取出地区发生变化的位置信息。这些变化信息在灾害评估、城市扩张、土地变化、森林砍伐监测应用中发挥着至关重要的作用。在遥感图像变化检测的早期阶段，主要采用人工解译的方法，然而随着深度学习技术的不断发展，越来越多的方法被引入到了遥感图像变化检测中。利用深度学习来解决遥感图像变化检测问题已经取得了显著的进展，这要归功于当前可用的高分辨率遥感图像和航拍图像的不断增多。
2、然而，基于高分辨率遥感图像的变化检测仍然面临一些挑战。首先，变化场景中的变化目标较为复杂，这在一定程度上会对真实的变化目标产生影响，其次，由于不同位置的光照、阴影因素会引入一些干扰噪声，这会导致在图像特征提取的过程中损失更多的关键信息。为了应对上述挑战，在一些研究中提到利用特征交互，由于变化检测的输入是双时相图像，它们的特征包含不同的语义信息，其特征之间的交互对整个变化检测过程至关重要。同时，又研究者提到，通常浅层特征包含更多位置和细节信息，但其语义性较低，噪声较多。相比之下，深层特征通常具有更强的语义信息，但对细节的感知能力较差。
3、因此，如何充分利用双时相图像深层特征与浅层特征之间的依赖关系，以减少空间细节信息的丢失，是一个有待解决的问题。换句话来说，在变化检测场景中，对两幅图像之间的时空依赖关系进行建模
4、因此，有必要设计一个变化检测模型，能够充分利用双时遥感图像间的时空依赖关系进行建模。
5、名词解释：dasnet、ifn、mspsnet、snunet-cd、mfpf-net为变化检测任务中，一些研究者提出的方法。
技术实现思路
1、本专利技术的目的就在于提供一种能够解决上述问题，并且能够达到较高精度的变化检测方法。为了实现上述目的，本专利技术采用的技术方案是：一种基于特征交互和时空关联的变化检测方法和系统，包括以下步骤：
2、s1，获取遥感变化检测数据集，数据集应包括同一地点的两幅或多幅图像并包含变化检测标签，对数据集划分为训练集、验证集和测试集。
3、s2，构建基于双编码器双解码器结构的网络模型，该模型利用双时图像的特征交互和时空关联性，提出了混合有效通道模块（mecm）和空间去噪注意模块（sdam），并使用了特征融合上采样模块（ffum）融合来自二者的输出，然后向下传递与训练，模块的构造思路与设计详情包括步骤s21~s23：
4、s21，首先，混合有效通道模块主要用于对特征交互的处理。其次，空间去噪注意模块主要用于在对时空依赖关系建模的过程中。最后，最上述输出进行融合与上采样操作。实施过程可用公式表示为：
5、，
6、其中，下标1表示前时相，下标2表示后时相， skip表示跳跃连接， h表示预测头， p表示预测结果；
7、s22，基于空间注意模块的设计，我们提出了空间去噪注意模块，并将该模块作为跳跃连接之前的特征优化处理操作。我们将输入分为水平和垂直两个分支。垂直分支的主要作用是保留原始特征信息，以便与水平分支进行拼接和元素积操作。水平分支首先经过空间注意模块，该模块首先将特征最大池化和平均池化拼接，再经过7×7的卷积进行特征融合和通道数调整，并经过sigmoid激活函数得到注意掩码。然后将得到的mask与原特征进行元素积操作，再与垂直分支的原特征图进行拼接操作。最后利用3×3卷积进行特征提取，并得到与原特征大小相同的特征图。实施过程可用公式表示为：
8、，
9、其中 m是经过空间注意模块产生的特征掩码， x'是该模块最后的输出。公式中的 σ表示sigmoid激活函数， ci表示i×i的卷积操作， cat表示拼接操作，⊙表示逐元素积操作， max表示最大池化操作， avg表示平均池化操作，以下也以此规则；
10、s23，为了在双时特征交互时联系上下文信息并保留更多有效的通道信息，我们引入了混合有效通道模块，并将该模块分别加入到编码和解码阶段的完成之后。为了充分利用两组特征之间的特征信息与通道相关联系，我们采用3×3的组卷积混合上一步得到的特征，然后经过一个通道注意为重要的通道加权，这里使用k×k卷积，增强通道信息。实施过程可用公式表示为：
11、，
12、其中表示最接近t的奇数，c为通道数，r和b默认为2和1，为双时相图像叠加后的特征，为加权后的特征。
13、s3，特征融合上采样模块接收来自sdam中的优化特征以及来自mecm中的有效通道特征。该过程首先将后者上采样到与前者分辨率相同，这里全部使用的2倍上采样。然后进行特征融合，最后经过若干卷积层增强特征信息，从而得到最终的结果。实施过程可用公式表示为：
14、，
15、其中 up2表示2倍上采样操作， f z来自于mecm， x'来自于sdam。
16、s4，模型训练完成后，得到表现最优的模型，将双时相图像输入到模型中，得到变化的区域并保存为二值化图像。
17、优选的，所述获取变化检测数据集中，使用配准的多时相变化检测数据集，并可以挑选检测难度较大的图像。
18、优选的，所述一种基于特征交互和时空关联的本文档来自技高网...
【技术保护点】
1.一种基于特征交互与时空关联的变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤S1中，使用配准的多时相变化检测数据集，并可以挑选检测难度较大的图像。
3.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤S21中，模型的整体架构以及各模块严格按照所描述的过程进行组合。
4.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤S22中，浅层特征通常包含较多的噪声信息，这会对提取的特征造成干扰，导致上下文信息的丢失，并在后续的检测过程中无法识别有用的信息。因此，对浅层特征进行去噪是非常必要的。浅层去噪注意模块有助于联系上下文特征，定位对于变化检测任务有效的复杂目标。
5.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤S23中，使用了通道注意力机制，该机制有助于展现不同通道之间的相关性。通过网络学习的方式自动获取了每个特征通道的重要性，并为每个通道分配了不同的权重系数，以增强关
6.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法及系统，其特征在于：步骤S23中，由于这两个输入是通过共享权重的孪生网络提取的，这意味着它们具有相同的语义。
7.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤S3中，上采样操作具有两个主要优势，一方面，它能够提高图像的分辨率，使得图像更加清晰、平滑，从而提高图像质量；另一方面，它可以提高像素级的分类准确度和细节表达度，有助于增强神经网络对图像细节的感知能力。使用跳跃连接一方面能够直接将底层特征与高层特征相连接，使得细节信息能够传递到解码器中，从而提高分割结果的精度和细节保留能力。另一方面，跳跃连接也可以缓解梯度传播的问题，使得网络更容易优化，训练效果更好。
8.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：模型训练以及测试过程应在多个数据集上，从而突出该方法的泛化能力。
9.一种基于特征交互与时空关联的变化检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于特征交互与时空关联的变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤s1中，使用配准的多时相变化检测数据集，并可以挑选检测难度较大的图像。
3.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤s21中，模型的整体架构以及各模块严格按照所描述的过程进行组合。
4.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤s22中，浅层特征通常包含较多的噪声信息，这会对提取的特征造成干扰，导致上下文信息的丢失，并在后续的检测过程中无法识别有用的信息。因此，对浅层特征进行去噪是非常必要的。浅层去噪注意模块有助于联系上下文特征，定位对于变化检测任务有效的复杂目标。
5.根据权利要求1所述的一种基于特征交互和时空关联的变化检测方法，其特征在于：步骤s23中，使用了通道注意力机制，该机制有助于展现不同通道之间的相关性。通过网络学习的方式自动获取了每个特征通道的重要性，并为每个通道分配了不同的权重系数...
【专利技术属性】
技术研发人员：徐涛，韩明志，杨晓晖，臧俊源，翟宜竞，
申请(专利权)人：济南大学，
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。