[發明專利]一種雙時相遙感影像變化檢測方法及系統

有效

• 申請號: 201810113902.4
• 申請日: 2018-02-05
• 公開（公告）號: CN108446588B
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 楊懿;顧海燕;韓顏順;李海濤;余凡;戴莉莉;劉正軍
• 申請（專利權）人: 中國測繪科學研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G01C11/02;G01N21/17
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 王剛

1.一種雙時相遙感影像變化檢測方法，其特征在于，包括：

根據指定塊的大小對前后時相影像進行分塊裁切，生成前后時相影像分塊數據集、分塊影像信息的列表文件、以及記錄分塊影像位置和特征信息的矢量文件；

利用深度學習網絡模型對所述前后時相影像分塊數據集進行高維特征提取，生成高維特征文件；

根據所述分塊影像信息的列表文件、所述記錄分塊影像位置和特征信息的矢量文件、以及所述高維特征文件，計算前后時相影像塊高維特征的特征距離，生成特征距離文件；

根據特征距離文件調整特征距離參數，得到變化的影像塊；

通過對所述變化的影像塊與參考數據的影像塊進行比較，利用誤差矩陣得到精度評價結果，并且判斷所述精度評價結果是否滿足要求；若滿足要求則輸出所述變化的影像塊；若不滿足要求則調整特征距離參數繼續判斷。

2.根據權利要求1所述的一種雙時相遙感影像變化檢測方法，其特征在于，對前后時相影像進行分塊裁切過程中，若發現某位置的影像塊背景像素占比超過50％時，則將剔除該位置的前后時相影像塊。

3.根據權利要求1所述的一種雙時相遙感影像變化檢測方法，其特征在于，所述利用深度學習網絡模型對所述前后時相影像分塊數據集進行高維特征提取，生成高維特征文件的步驟包括：預先輸入準確的人工采樣數據，對深度學習網絡模型進行訓練，優化深度學習網絡模型參數，得到微調的深度學習網絡模型，利用微調后的深度學習網絡模型對所述前后時相影像分塊數據集進行高維特征提取，生成高維特征文件。

4.根據權利要求3所述的一種雙時相遙感影像變化檢測方法，其特征在于，利用微調后的深度學習網絡模型對所述前后時相影像分塊數據集進行高維特征提取包括：

第一次卷積處理，輸入227*227*3的前后時相影像分塊數據集，首先通過96個11*11卷積核進行卷積運算，生成55*55*96的特征圖，然后對55*55*96的特征圖通過修正線性單元進行激活處理，生成激活特征圖，經過尺度為3*3、步長為2的池化運算，生成27*27*96的特征圖，最后進行歸一化處理，形成27*27*96的特征圖；

第二次卷積處理，輸入27*27*96的特征圖，首先通過256個5*5卷積核進行卷積運算，生成27*27*256的特征圖；然后對27*27*256的特征圖通過修正線性單元進行激活處理，生成激活特征圖，經過尺度為3*3、步長為2的池化運算，生成13*13*256的特征圖，最后進行歸一化處理，形成13*13*256的特征圖；

第三次卷積處理，輸入13*13*256的特征圖，首先通過384個3*3卷積核進行卷積運算，生成13*13*384的特征圖，然后對13*13*384的特征圖通過修正線性單元進行激活處理，生成激活特征圖，形成13*13*384的特征圖；

第四次卷積處理，輸入13*13*384的特征圖，首先通過384個3*3卷積核進行卷積運算，生成13*13*384的特征圖；然后對13*13*384的特征圖通過修正線性單元進行激活處理，生成激活特征圖，形成13*13*384的特征圖；

第五次卷積處理，輸入13*13*384的特征圖，首先通過256個3*3卷積核進行卷積運算，生成13*13*256的特征圖；然后對13*13*256的特征圖通過修正線性單元進行激活處理，生成激活特征圖；經過尺度為3*3，步長為2的池化運算，形成6*6*256的特征圖；

第一次全連接處理，將6*6*256的特征圖數據與4096個神經元進行全連接，輸出4096的特征圖；

第二次全連接處理，將4096的特征圖數據與4096個神經元進行全連接，輸出4096的特征圖。

5.根據權利要求1所述的一種雙時相遙感影像變化檢測方法，其特征在于，所述前后時相影像塊高維特征的特征距離包括：前后時相影像塊高維特征的最小距離、相關距離、距離比，

所述前后時相影像塊高維特征的距離比ratio(i，j)為：

其中cor_dist(i，j)為前后時相影像塊高維特征的相關距離，min_dist(i，j)為前后時相影像塊高維特征的最小距離。