【技术实现步骤摘要】
本专利技术涉及影像处理，尤其涉及一种基于多遥感影像的岛礁变化检测系统。
技术介绍
1、随着对地观测技术的快速发展，获取大量遥感影像变得越来越容易。针对遥感影像中的变化检测是从同一地理区域不同时间段拍摄的一对图像中识别场景变化的过程。然而，配对的图像通常是在不同条件下捕获的，例如不同角度、光照，甚至在不同季节，导致场景中出现多样化且未知的变化。
2、在光学遥感影像的成像过程中，如果出现厚云区域，这些厚云区域会完全遮挡地物信息，使得简单的滤波方法难以有效地去除云层，极大地降低了遥感影像的利用率。在进行常态化的变化检测时，如果受到不利天气条件的影响，长时间获取的光学遥感影像可能会频繁受到云层的遮挡，导致地面信息的获取受阻，进而降低光学遥感影像的实用价值，也无法准确检测出影像变化。
3、sar影像，即合成孔径雷达影像，以其独特的穿透性、极化性、相干性和高分辨率等特点，在遥感领域展现出显著优势。现有技术中通常利用sar影像和有云的光学遥感影像训练神经网络模型直接生成无云影像，神经网络模型中涉及的过程繁琐，训练时间长，对神经网络模型的训练效果依赖性很大，有些情况下生成的无云影像清晰度并不高。
4、现有识别影像变化或未变化的结果也通常采用多种机器学习模型，也需要对数据进行人工标注制作数据集后再进行网络模型训练，耗费时间和工作量，而且如果过多使用机器学习模型，由于其属于黑盒模型，当模型表现不佳时，因模型的内部结构和决策逻辑不清晰而很难定位问题。
技术实现思路
1
2、本专利技术实施例提供了一种基于多遥感影像的岛礁变化检测系统，包括：
3、影像云检测模块，用于利用云检测模型识别传入的光学影像中是否有云，如果有云，则根据检测结果获取云区域；
4、影像去云模块，用于根据接收的有云的光学影像获取对应的sar影像，利用影像生成模型将sar影像转换为模拟光学影像；利用模拟光学影像替换有云的光学影像中的云区域，得到无云的光学影像；
5、影像聚类模块，用于对接收到的光学影像进行自适应超像素分割后，聚类得到多个聚类区域；
6、岛礁变化检测模块，用于采集同一地区不同时相的两幅光学影像传入所述影像云检测模块，对识别出有云的光学影像传入所述影像去云模块得到无云的光学影像；将两幅无云的光学影像分别传入所述影像聚类模块得到聚类区域；按聚类区域提取出两幅无云的光学影像的特征点，并计算出单应性矩阵，根据单应性矩阵推测出特征点的新坐标得到岛礁变化检测结果。
7、基于上述系统的进一步改进，云检测模型采用unet网络；所述影像生成模型采用改进的gan网络，所述改进的gan网络包含两个生成器和一个鉴别器。
8、基于上述系统的进一步改进，所述云检测模型的损失函数是通过以下公式计算得到的带权重的交叉熵损失函数：
9、
10、其中，l(unet)表示带权重的交叉熵损失函数，wc表示类别c的权重，类别c对应云或者背景，m表示类别数；n表示一副历史有云的光学的总像素数量；nc表示被预测为类别c的像素数量，yc表示真实标签的独热编码，如果该像素点的类别与真实类别一致时取1，否则取0；pc表示预测为类别c的概率；exp(·)表示指数函数。
11、基于上述系统的进一步改进，影像去云模块中利用影像生成模型将sar影像转换为模拟光学影像，包括：
12、将sar影像与随机噪声一起先传入影像生成模型的第一生成器，利用基于编码器-解码器的网络提取整体结构特征，采用leaky relu作为激活函数，生成第一光学影像；再将第一光学影像与随机噪声一起传入第二生成器，利用引入多尺度融合的残差网络提取第一光学影像的局部纹理特征，并与整体结构特征融合，采用relu作为激活函数，生成模拟光学影像。
13、基于上述系统的进一步改进，影像聚类模块对接收到的光学影像进行自适应超像素分割，包括：
14、计算接收到的光学影像中各像素点灰度值，根据各像素点灰度值计算出超像素数量和紧密度；按照均匀分配的方式根据超像素数量和梯度得到初始种子点；
15、根据各像素点的hsv颜色空间值和坐标值计算各像素点与各初始种子点之间的距离度量值，将所述光学影像中的各像素点分配至距离度量值最小时的种子点，形成初始超像素；迭代更新初始超像素中的种子点后，形成新的超像素，直至种子点不再发生变化，得到分割后的超像素。
16、基于上述系统的进一步改进，根据各像素点灰度值通过以下公式计算出超像素数量：
17、
18、其中，seg表示超像素数量，lmax和lmin分别表示各像素点灰度值中的最大灰度值和最小灰度值，h和w分别表示光学影像的高度和宽度。
19、基于上述系统的进一步改进，根据各像素点灰度值通过以下公式计算出紧密度：
20、
21、其中，c表示紧密度，p(k)表示灰度级别k在光学影像中出现的概率，表示向上取整。
22、基于上述系统的进一步改进，根据各像素点的hsv颜色空间值和坐标值计算各像素点与各初始种子点之间的距离度量值，公式表示如下：
23、
24、其中，sdj,i表示第j个像素点和第i个种子点之间的距离度量值，表示第j个像素点和第i个种子点之间的hsv颜色距离，表示第j个像素点和第i个种子点之间的空间距离；(hj,sj,vj)和(hi,si,vi)分别表示第j个像素点和第i个种子点的hsv颜色空间值；(xj,yj)和(xi,yi)分别表示第j个像素点和第i个种子点的坐标值；c表示紧密度；d表示相邻种子点的距离。
25、基于上述系统的进一步改进，岛礁变化检测模块中按聚类区域提取出两幅无云的光学影像的特征点，包括：
26、基于fast算法，依次对每幅无云的光学影像中的每个聚类区域，以确定的中心像素点的灰度值的20％作为初始阈值，提取出该聚类区域的初始特征点，如果初始特征点的数量小于该聚类区域中的超像素数量，则迭代按照预置比例减小初始阈值，并提取出新的特征点，直至新的特征点数量不小于该聚类区域中的超像素数量，提取出该聚类区域的特征点。
27、基于上述系统的进一步改进，计算出单应性矩阵，包括：
28、基于hsv颜色空间值，获取每个特征点的brief描述子；
29、根据每个特征点的brief描述子，利用交叉匹配的方式，分别通过取最短的汉明距离获取两幅无云的光学影像中匹配的第一特征点对和第二特征点对；
30、保留第一特征点对与第二特征点对中两个特征点均相同的特征点对，得到匹配点对；
31、从所述匹配点对中至少随机抽样出四组，利用最小二乘法计算出两幅无云的光学影像的单应性矩阵。
32、与现有技术相比，本专利技术至少可实现如下有益效本文档来自技高网...
【技术保护点】
1.一种基于多遥感影像的岛礁变化检测系统，其特征在于，包括：
2.根据权利要求1所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述云检测模型采用UNET网络；所述影像生成模型采用改进的GAN网络，所述改进的GAN网络包含两个生成器和一个鉴别器。
3.根据权利要求2所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述云检测模型的损失函数是通过以下公式计算得到的带权重的交叉熵损失函数：
4.根据权利要求2所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述影像去云模块中利用影像生成模型将SAR影像转换为模拟光学影像，包括：
5.根据权利要求1所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述影像聚类模块对接收到的光学影像进行自适应超像素分割，包括：
6.根据权利要求5所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述根据各像素点灰度值通过以下公式计算出超像素数量：
7.根据权利要求5所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述根据各像素点灰度值通过以下公式计算出紧密度：>
8.根据权利要求5所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述根据各像素点的HSV颜色空间值和坐标值计算各像素点与各初始种子点之间的距离度量值，公式表示如下：
9.根据权利要求5所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述岛礁变化检测模块中按聚类区域提取出两幅无云的光学影像的特征点，包括：
10.根据权利要求9所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述计算出单应性矩阵，包括：
...【技术特征摘要】
1.一种基于多遥感影像的岛礁变化检测系统，其特征在于，包括：
2.根据权利要求1所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述云检测模型采用unet网络；所述影像生成模型采用改进的gan网络，所述改进的gan网络包含两个生成器和一个鉴别器。
3.根据权利要求2所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述云检测模型的损失函数是通过以下公式计算得到的带权重的交叉熵损失函数：
4.根据权利要求2所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述影像去云模块中利用影像生成模型将sar影像转换为模拟光学影像，包括：
5.根据权利要求1所述的基于多遥感影像的岛礁变化检测系统，其特征在于，所述影像聚类模块对接收到的光学影像进行自适应超像素分割，包括：<...
【专利技术属性】
技术研发人员：尹美杰，周健，路兴强，缪康，韦海军，郝波，曾宝秀，张倩文，吴凌霄，庞建强，陈炜哲，
申请(专利权)人：中科卫星科技集团有限公司，
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。