[發明專利]一種光學遙感圖像變化檢測方法、存儲介質及計算設備

有效

• 申請號: 202010560584.3
• 申請日: 2020-06-18
• 公開（公告）號: CN111723732B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 陳璞花;孫杰;焦李成;劉芳;張向榮;單鼎丞;古晶;劉紅英
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/58;G06V10/62;G06V10/52;G06V10/80;G06V10/82;G06N3/0464;G06N3/0455;G06N3/048;G06N3/084
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種光學遙感圖像變化檢測方法，其特征在于，包括以下步驟：

S1、利用光學遙感圖像數據集生成訓練集和測試集，并擴充訓練集和測試集；

S2、構建兩個網絡結構相同、參數共享的編碼器網絡作為提取多級特征的孿生神經網絡；

S3、計算步驟S2孿生神經網絡的多尺度差異特征，搭建解碼器網絡，孿生網絡在編碼器網絡結構1到編碼器網絡結構5上輸出的多尺度差異特征dif_fea_i具體為：

dif_fea_i＝(feature1i-feature2i)²

其中，i＝1,2,3,4,5，feature1i表示編碼器1在結構i上輸出的特征，feature2i表示編碼器2在結構i上輸出的特征；

S4、按照第一層卷積層→第二層卷積層→輸出層的網絡結構搭建子網絡，將子網絡和步驟S3的解碼器網絡并聯連接在步驟S2的編碼器網絡后構成新孿生神經網絡；

S5、利用步驟S1擴充后的訓練集訓練步驟S4構成的新孿生神經網絡，訓練完成后解碼器網絡輸出一個與輸入圖像相同尺寸的預測圖；

S6、將步驟S1擴充后的測試集輸入步驟S5訓練后的新孿生神經網絡中，在解碼器網絡一端得到網絡輸出預測結果，根據預測結果進行檢測，對預測結果的所有元素設置閾值τ，將預測結果中的每個元素與閾值τ進行比較，若元素值大于閾值τ，則歸為變化類，若元素值小于閾值τ，則歸為不變化類。

2.根據權利要求1所述的方法，其特征在于，步驟S1中，將同一區域不同時相采集到的圖像對和對應標簽裁剪成128×128的圖像塊，并將標簽縮放成一個16×16的圖像作為支路網絡的標簽，將標簽中變化像素點數量大于圖像塊中像素點數量5％的圖像塊進行擴充。

3.根據權利要求1所述的方法，其特征在于，步驟S2中，編碼器的網絡結構為：

結構1：卷積層1→批量歸一化層→池化層；

結構2：卷積層2→批量歸一化層→池化層；

結構3：卷積層3→批量歸一化層→卷積層3s→批量歸一化層→池化層；

結構4：卷積層4→批量歸一化層→卷積層4s→批量歸一化層→池化層；

結構5：卷積層5→批量歸一化層→卷積層5s→批量歸一化層。

4.根據權利要求3所述的方法，其特征在于，結構1的卷積層含有64個卷積核，結構2的卷積層含有128個卷積核，結構3的兩個卷積層都含有256個卷積核，結構4和結構5的卷積層都含有512個卷積核；卷積核的大小都是3×3，步進是1，填充為1，編碼器中的卷積層是窗口大小為2×2的最大池化層，激活函數是relu函數。

5.根據權利要求1所述的方法，其特征在于，步驟S3中，搭建的解碼器網絡結構具體為：

中心模塊：卷積層→批量歸一化層→反卷積層；

反卷積模塊1：卷積層→批量歸一化層→反卷積層；

反卷積模塊2：卷積層→批量歸一化層→反卷積層；

反卷積模塊3：卷積層→批量歸一化層→反卷積層；

反卷積模塊4：卷積層→批量歸一化層→反卷積層；

反卷積模塊5：卷積層→批量歸一化層；

輸出模塊：卷積層。

6.根據權利要求1所述的方法，其特征在于，步驟S4中，子網絡中第一層卷積層含有64個卷積核，第二層卷積層含有1個卷積核；卷積層的步進為1，填充為1，子網絡的參數隨機初始化；將步驟S3計算到的差異特征輸入搭建的子網絡中，使得子網絡的輸出是對圖像變化區域的預測。

7.根據權利要求1所述的方法，其特征在于，步驟S5中，孿生神經網絡的子網絡輸出和解碼器網絡輸出分別是在不同尺寸上對差異圖像的預測結果，兩個輸出均使用交叉熵損失函數計算損失，孿生神經網絡訓練完成后解碼器網絡輸出一個與輸入圖像相同尺寸的預測圖，數值接近于1的像素點為變化像素點，數值接近于0的像素點為不變像素點。