[發明專利]一種基于卷積神經網絡的遙感影像建筑物變化檢測方法

有效

• 申請號: 201910394443.6
• 申請日: 2019-05-13
• 公開（公告）號: CN110136170B
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 季順平;沈彥雲
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06K9/62;G06K9/00
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于卷積神經網絡的遙感影像建筑物變化檢測方法，其特征在于，包括如下步驟：

步驟1，根據已有的影像及地表覆蓋矢量文件構建樣本庫，該樣本庫包括建筑物分類數據集，建筑物變化檢測模擬數據集；

步驟1的具體實現包括如下子步驟，

步驟1.1，影像拼接與裁剪；若待處理影像為分幅影像，則對分景和分幅的影像進行拼接，得到完整的影像；然后根據已有的地表覆蓋文件所覆蓋的區域為可用作訓練的影像范圍，將完整影像按地表覆蓋范圍進行裁剪；

步驟1.2，影像重采樣；以某一影像分辨率為基準，對其它影像進行重采樣；

步驟1.3，制作標簽數據；將矢量文件進行柵格化，轉換成與對應影像分辨率相同的柵格影像，柵格化的地表覆蓋影像即為影像所對應的地物類型標簽數據；

步驟1.4，樣本分割；將裁剪、重采樣后的影像及對應的標簽數據分割為一定大小的樣本數據；

步驟2，利用步驟1構建的樣本庫中的建筑物分類數據集對建筑物提取網絡進行訓練，學習高分辨率遙感影像中的建筑物特征，然后使用訓練好的建筑物提取網絡提取變化區域的多時相建筑物二值分類圖，所述建筑物提取網絡為Mask R-CNN或多尺度全卷積網絡；

步驟3，利用步驟1自動生成的建筑物變化檢測模擬數據集預訓練變化檢測網絡MaskCD-net，然后直接使用預訓練的Mask CD-net預測待檢測遙感影像，得到影像中建筑物變化檢測結果；

所述的Mask CD-net包括第二輸入、第二編碼、第二解碼以及第二輸出4個部分；其中第二輸入為步驟2中不同時相的建筑物二值分類圖，并將它們進行串聯；第二編碼部分包括5個卷積層、4個最大池化層；第二解碼部分由4個卷積層，4個反卷積層組成；第二輸出部分由Sigmoid函數組成；

第二編碼部分的5個卷積層都由兩組連續堆疊的卷積，修正線性單元組成，卷積核大小均為3×3，卷積步長均為1；

第二解碼部分的4個卷積層都由2組連續堆疊的卷積和修正線性單元組成。

2. 如權利要求1所述的一種基于卷積神經網絡的遙感影像建筑物變化檢測方法，其特征在于：所述步驟1中還包括建筑物變化檢測真實數據集；步驟3中使用預訓練的Mask CD-net在建筑物變化檢測真實數據集上再進一步訓練模型，得到精度更高的變化檢測網絡，并通過其預測得到待檢測遙感影像中建筑物變化檢測結果。

3.如權利要求1或2所述的一種基于卷積神經網絡的遙感影像建筑物變化檢測方法，其特征在于：所述MS-FCN包括第一編碼、第一解碼以及第一輸出3個部分，其中第一編碼部分由5個卷積層、4個最大池化層組成；第一解碼部分由4個卷積層，4個反卷積層組成；第一輸出部分由Sigmoid函數組成。

4.如權利要求3所述的一種基于卷積神經網絡的遙感影像建筑物變化檢測方法，其特征在于：第一編碼部分的5個卷積層都由兩組連續堆疊的卷積，修正線性單元組成，卷積核大小均為3×3，卷積步長均為1。

5.如權利要求3所述的一種基于卷積神經網絡的遙感影像建筑物變化檢測方法，其特征在于：第一解碼部分的4個卷積層都由2組連續堆疊的卷積和修正線性單元組成。