[發(fā)明專利]基于ResNet50和DeeplabV3+的卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法

在審

• 申請?zhí)枺?/td>: 202010777887.0
• 申請日: 2020-08-05
• 公開（公告）號: CN111899249A
• 公開（公告）日: 2020-11-06
• 發(fā)明（設(shè)計）人: 王民水;王明常;楊國東
• 申請（專利權(quán)）人: 吉林大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06N3/04
• 代理公司: 北京君泊知識產(chǎn)權(quán)代理有限公司 11496
• 代理人: 李丹

本發(fā)明涉及基于ResNet50和DeeplabV3+的卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法，解決了現(xiàn)有技術(shù)中傳統(tǒng)的遙感圖像變化檢測處理效率低和處理精度差的問題。基于ResNet50和DeeplabV3+的卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法，步驟如下：(1)數(shù)據(jù)選取：數(shù)據(jù)選取訓(xùn)練集和驗證集兩幅遙感變化檢測圖像；(2)創(chuàng)建語義分割：利用deeplabv3plusLayers函數(shù)創(chuàng)建基于ResNet50網(wǎng)絡(luò)的語義分割網(wǎng)絡(luò)。本發(fā)明通過對網(wǎng)絡(luò)進(jìn)行輸入層的改造，采用隨機(jī)補片和圖像增強技術(shù)直接處理大范圍遙感圖像，采用ResNet50和DeeplabV3+構(gòu)建語義分割卷積神經(jīng)網(wǎng)絡(luò)，節(jié)省了圖像裁剪操作，提高了變化檢測的處理效率，降低了模型過擬合和內(nèi)存消耗問題出現(xiàn)的可能性，保證了變化檢測圖像的完整性，提高了變化檢測提取精度。

技術(shù)領(lǐng)域

本發(fā)明涉及基于ResNet50和DeeplabV3+的卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法。

背景技術(shù)

遙感圖像變化檢測是通過對比同一區(qū)域不同時期的兩幅遙感圖像，根據(jù)其波譜和光譜反射等特征，識別遙感圖像變化區(qū)域類型和定量分析變化程度。遙感圖像變化檢測被廣泛的應(yīng)用于自然災(zāi)害預(yù)警監(jiān)測、土地利用動態(tài)分析、國土資源保護(hù)與監(jiān)測、城市數(shù)字化信息更新等領(lǐng)域。

現(xiàn)有的遙感圖像變化檢測方法仍存在以下弊端：

1.傳統(tǒng)的遙感圖像變化檢測，需要對不同時期的兩幅圖像進(jìn)行裁剪、配準(zhǔn)、輻射校正等預(yù)處理，然后采用差值、比值等不同的方法構(gòu)造差異圖進(jìn)行變化區(qū)域提取；傳統(tǒng)變化檢測方法存在預(yù)處理過程要求嚴(yán)格，需要人工干預(yù)，自動化程度低，導(dǎo)致變化檢測處理效率低；

2.輸入圖像過大會造成內(nèi)存不足的問題，一般情況下，為了解決圖像過大導(dǎo)致的內(nèi)存不足的問題，遙感圖像深度學(xué)習(xí)在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時，需要根據(jù)設(shè)置的網(wǎng)絡(luò)輸入大小對大幅圖像裁剪，然后進(jìn)行深度學(xué)習(xí)，然而這樣處理，圖像裁剪會造成某些整體性特征信息丟失，影響檢測結(jié)果精度；

因而，現(xiàn)提出一種基于ResNet50和DeeplabV3+的卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法，以提高變化檢測提取精度和處理效率，降低模型過擬合和內(nèi)存消耗問題出現(xiàn)的可能性。

發(fā)明內(nèi)容

本發(fā)明的目的是提供基于ResNet50和DeeplabV3+的卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法，解決了現(xiàn)有技術(shù)中傳統(tǒng)的遙感圖像變化檢測處理效率低和處理精度差的問題。

為了實現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

基于ResNet50和DeeplabV3+的卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法，步驟如下：

(1)數(shù)據(jù)選取：數(shù)據(jù)選取訓(xùn)練集和驗證集兩幅遙感變化檢測圖像；

(2)創(chuàng)建語義分割：利用deeplabv3plusLayers函數(shù)創(chuàng)建基于ResNet50網(wǎng)絡(luò)的語義分割網(wǎng)絡(luò)，使用建筑物數(shù)據(jù)集訓(xùn)練得到建筑物提取語義分割網(wǎng)絡(luò)，然后修改網(wǎng)絡(luò)卷積層使其支持輸入6通道圖像；

(3)創(chuàng)建隨機(jī)補片：使用RandomPatchExtractionDatastore函數(shù)從一個包含真實的圖像數(shù)據(jù)存儲和包含像素標(biāo)簽的數(shù)據(jù)存儲中提取多個對應(yīng)大小為224*224的隨機(jī)補片，通過遷移學(xué)習(xí)方式完成變化檢測網(wǎng)絡(luò)的訓(xùn)練；

(4)驗證結(jié)果：通過驗證數(shù)據(jù)集檢驗變化檢測的精度。

優(yōu)選的，所述DeeplabV3+是在DeepLabV3網(wǎng)絡(luò)的基礎(chǔ)上，連接一個比較復(fù)雜的Decoder模塊改造成一個Encoder-Decoder結(jié)構(gòu)，Encoder網(wǎng)絡(luò)可選擇使用ResNet或Xception進(jìn)行基礎(chǔ)特征提取，然后使用空洞卷積提取不同感受野的特征圖，最后用1x1的卷積混合特征信息。