[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

本發明提供一種基于卷積神經網絡的遙感影像建筑物變化檢測方法，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(Mask R?CNN或多尺度全卷積網絡)進行訓練，學習高分辨率遙感影像中的建筑物特征，然后使用訓練好的網絡提取變化區域的多時相建筑物二值分類圖；步驟3，利用步驟1構建的樣本庫中的模擬數據集訓練變化檢測網絡Mask CD?net，然后直接使用Mask CD?net預測建筑物變化檢測數據集，得到變化檢測結果。若包含真實變化數據集，則用來進一步訓練并精化Mask CD?net，得到更好的變化檢測效果。

技術領域

本發明涉及一種用于高分辨率遙感影像建筑物變化檢測的深度學習方法，尤其是提出了一種可自我訓練的變化檢測網絡。此方法可用于兩期遙感影像的建筑物變化檢測。

背景技術

變化檢測指的是通過在不同時間觀察同一區域來識別物體或現象狀態差異的過程。變化檢測框架使用多時相數據集來定性分析現象的時間效應并量化變化。在遙感應用中，變化被視為具有不同速率的表面成分變化。土地覆蓋和土地利用的變化信息非常重要，它在各種應用中具有實際用途，例如GIS數據庫更新，城市發展趨勢，自然災害評估和森林火災、砍伐等。

變化檢測分析通常分為三個層級，即像素級，特征級和目標級。其中像素級的變化檢測是指直接對兩期影像的像素檢測其變化，這種方法有很多局限性，但是像素信息表示的是圖像最原始的信息，能夠提供細微的信息。特征級變化檢測是指先通過一些手段提取圖像中的特征，例如邊緣、紋理、形狀、輪廓等，然后結合特征綜合分析變化，通過這樣的處理方式得到的變化檢測結果具有更高的置信度和準確性，但是在提取特征的過程中可能會損失一些信息。目標級變化檢測指針對圖像中的某一類變化對象進行具體分析，例如建筑物，道路，森林，水域等，這一級別的變化檢測分析前提是能夠很好地提取出感興趣區域。三個級別的變化檢測分析方法各有優勢，在實際應用中，需要根據不同的目的和數據條件選擇最合適的分析方法。

傳統的變化檢測方法分為基于像素的方法和基于對象的方法，基于像素的方法以像素為變化檢測分析的基本單元，通過利用像素的光譜特征等信息來檢測變化，不考慮像素之間的空間關系。基于對象的方法處理高分辨率多光譜影像的能力通過從圖像中提取的對象來體現。基于像素的方法主要有直接比較、影像轉換、基于分類的變化檢測和機器學習方法等。其中直接比較有影像差值、影像比值、回歸分析。影像轉換有植被指數差分、變化矢量分析法(CVA)、主成分分析法(PCA)、纓帽變換法等。基于對象的方法主要有基于對象的分類比較和基于堆疊的多時相影像比較。機器學習方法主要有人工神經網絡、支持向量機和決策樹等。

隨著近些年來深度學習技術的發展，一些基于深度學習的變化檢測方法也被陸續提出。然而，這些方法有些只在非常小的范圍進行測試，缺乏統計意義；有些方法的精度較差；最重要的是：對于充足的訓練樣本極度依賴，但實際情況是：變化的樣本非常難以得到。

發明內容

本發明提出了一個新的基于CNN的框架，用于高分辨率航空影像的建筑物變化檢測。整個框架分為建筑物提取網絡和建筑物變化檢測網絡兩部分。首先采用建筑物提取網絡對多時相影像進行分類，提取高精度的建筑物信息，然后以分類結果為輸入，采用建筑物變化檢測網絡識別建筑物的變化。該網絡通過模擬建筑物變化數據集，可以在不提供真實訓練數據的情況下，得到良好的變化檢測結果。該網絡同時通過模擬建筑物的視差變化進行自我訓練，解決了不同視角的高分辨率航空影像上建筑物難以完全配準的問題。最后，若提供了真實的變化樣本，則用來進一步訓練并精化變化檢測網絡，得到更好的變化檢測效果。