[發明專利]基于全卷積神經網絡的遙感圖像變化檢測方法

在審

• 申請號: 202010903822.6
• 申請日: 2020-09-01
• 公開（公告）號: CN112131969A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 王鑫;呂安;石愛業;徐立中
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 湯金燕

本發明公開了一種基于全卷積神經網絡的遙感圖像變化檢測方法，將訓練集輸入預先構建的全卷積神經網絡，采用梯度下降算法訓練全卷積神經網絡，確定遙感圖像變化檢測網絡，將測試集輸入遙感圖像變化檢測網絡，生成測試集中各個測試圖像的分割圖像，計算各個分割圖像中像素的強度值差值，根據強度值差值的絕對值生成差異圖像，提取所述差異圖像中像素塊的各個特征向量，根據各個特征向量構建特征向量空間，對特征向量空間進行聚類，根據聚類結果生成粗變化檢測圖，對粗變化檢測圖進行形態學濾波，以生成變化檢測圖，實現測試集中各個測試圖像的變化檢測，使檢測得到的測試圖像變化狀態更為全面，提高檢測準確性以及相應的檢測精度。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于全卷積神經網絡的遙感圖像變化檢測方法。

背景技術

隨著各種衛星傳感器提供的地球觀測數據不斷增加，使用相同或不同的傳感器很容易獲得多時相的遙感圖像數據。基于同一地理地區域獲取的多時相遙感圖像，變化檢測任務是通過在不同時間觀測一個物體或自然現象來識別其狀態差異的一種方法，這對準確理解和處理地球表面的變化有著重要的作用。一般而言，變化檢測技術已應用于許多領域，如土地覆蓋、土地利用制圖、自然資源調查、城市擴展監測、環境評估等。

近年來，深度學習在圖像處理、自然語言處理和三維場景理解等領域取得了明顯的優勢。由于它們的巨大成功，深度學習技術也被嘗試用來解決變化檢測問題。基本上，基于深度學習的變化檢測方法可以分為三大類：(1)基于特征的深度學習變化檢測；(2)基于補丁的深度學習變化檢測；(3)基于圖像的深度學習變化檢測。

公開號CN108564083A一種遙感圖像變化檢測方法及裝置，獲取雙時相遙感圖像的差異圖像，利用預置算法生成向量集合，利用預置聚類算法對各個所述向量進行聚類，得到最終差異圖。該方法雖然解決了現有的無監督檢測遙感圖像變化區域時，由于無監督檢測性能指標較低而導致的遙感圖像變化區域檢測的準確率較低的問題，但是由于直接通過雙時相遙感圖像獲取變化圖，所得精度不高，易造成誤差累計，影響變化檢測結果圖精度。

公開號CN107480712A基于局部不變特征的高分辨率遙感圖像變化檢測方法，在待檢測圖像對兩次交叉分塊的基礎上，分別利用LBP和SURF特征描述子分析圖像塊對的相似度置信度，基于相似度置信度判斷1/4圖像塊的變化性質，并采用形態學區域增長的方式處理變化和非變化1/4圖像塊形成的塊狀效應。該方法兩次分塊處理，按圖像塊分析紋理特征，按1/4圖像塊判斷圖像變化性質，提高了圖像塊描述的準確性和圖像塊分析的精度，但是LBP算子當光照變化不均勻時,各像素間的大小關系被破壞,對應的LBP算子也就發生了變化，并且通過引入旋轉不變的定義,使LBP算子更具魯棒性，但這也使得LBP算子丟失了方向信息。

可見，傳統的遙感圖像變化檢測方案檢測得到的結果往往存在信息不全、準確性低、以及檢測精度低的問題。

發明內容

針對以上問題，本發明提出一種基于全卷積神經網絡的遙感圖像變化檢測方法。

為實現本發明的目的，提供一種基于全卷積神經網絡的遙感圖像變化檢測方法，包括如下步驟：

S30，將訓練集輸入預先構建的全卷積神經網絡，并選擇特定損失函數，根據所述特定損失函數采用梯度下降算法訓練所述全卷積神經網絡，在所述全卷積神經網絡收斂時確定遙感圖像變化檢測網絡；

S40，將測試集輸入遙感圖像變化檢測網絡，生成測試集中各個測試圖像的分割圖像；

S50，計算各個分割圖像中像素的強度值差值，根據強度值差值的絕對值生成差異圖像；

S60，提取所述差異圖像中像素塊的各個特征向量，根據各個特征向量構建特征向量空間，對特征向量空間進行聚類，根據聚類結果生成粗變化檢測圖；

S70，對粗變化檢測圖進行形態學濾波，以生成變化檢測圖。