[發(fā)明專利]基于圖匹配模型的低配準精度下遙感圖像變化檢測方法

在審

• 申請?zhí)枺?/td>: 202011351884.7
• 申請日: 2020-11-26
• 公開（公告）號: CN112489096A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設計）人: 王鵬;王洋;張林江;王云龍
• 申請（專利權）人: 西北工業(yè)大學
• 主分類號: G06T7/33
• 分類號: G06T7/33;G06N3/08;G06N3/04
• 代理公司: 西北工業(yè)大學專利中心 61204
• 代理人: 金鳳

1.一種基于圖匹配模型的低配準精度下遙感圖像變化檢測方法，其特征在于，包括以下步驟：

步驟1：構建語義分割網(wǎng)絡進行遙感圖像語義分割；

步驟1-1：對遙感圖像進行數(shù)據(jù)增強；

步驟1-2：將經(jīng)過數(shù)據(jù)增強的遙感圖像輸入ResNet50的backbone網(wǎng)絡部分，輸出得到中間特征圖；

步驟1-3：將中間特征圖依次輸入動態(tài)多尺度自適應模塊、BatchNorm2D和激活函數(shù)ReLU，再用stride為2的反卷積進行上采樣操作；

步驟1-4：重復步驟1-3，直到輸出圖像特征維數(shù)和原始圖像的維數(shù)相同；

步驟1-5：再對步驟1-4得到的結果進行softmax操作歸一化；

步驟1-6：然后將步驟1-5完成softmax操作歸一化的結果和地面真值ground trurh做交叉熵損失函數(shù)，如式(1)，采用交叉熵損失函數(shù)對步驟1-2到步驟1-5組成的語義分割網(wǎng)絡進行訓練；

式中L代表交叉熵損失，N表示一個batch中的圖像數(shù)量，y_i表示樣本圖像的標簽，y_i＝0為負類，y_i＝1為正類，p_i表示樣本預測為正類的概率；

步驟1-7：訓練完成的語義分割網(wǎng)絡即可進行遙感圖像語義分割；

步驟2：在步驟1訓練完成的語義分割網(wǎng)絡中ResNet50的backbone網(wǎng)絡部分后面增加目標檢測網(wǎng)絡，進行斑塊提取，得到遙感圖像中所有斑塊的位置信息；

步驟3：基于圖匹配模型的斑塊匹配；

步驟3-1：對經(jīng)過步驟1和步驟2處理后的圖像通過ResNet50的backbone部分獲得斑塊的圖像特征；

步驟3-2：提取步驟3-1得到的斑塊圖像特征的前G個通道作為斑塊最終特征；

步驟3-3：對于同一地區(qū)兩張不同時期的遙感圖像A和B，分別獲取A和B兩幅遙感圖像中斑塊的位置信息和斑塊最終特征；

步驟3-4：采用圖匹配模型對兩幅圖像中的斑塊進行匹配；

步驟4：變化提取；

步驟4-1：經(jīng)過步驟1到步驟3處理之后，得到同一地區(qū)兩張不同時期的遙感圖像中目標的個數(shù)以及目標之間的配對關系；

步驟4-2：假定A的拍攝時間早于B，若A中目標A₁在B中沒有目標與其匹配，則判定A中目標A₁對應的建筑物被拆除；若B中的目標β₁在A中沒有目標與其匹配，則判定B中目標B₁對應的建筑物是新增的；

步驟4-3：對于A和B中兩個互相匹配的目標進行疊加分析，如果兩個互相匹配的目標的IoU大于等于E，則判定這兩個互相匹配的目標從A到B沒有發(fā)生變化，IoU不為1的原因是由配準精度造成的；否則，如果兩個互相匹配的目標的IoU小于于E，則判定這兩個互相匹配的目標從A到B發(fā)生了變化。

2.根據(jù)權利要求1所述的一種基于圖匹配模型的低配準精度下遙感圖像變化檢測方法，其特征在于，所述動態(tài)多尺度自適應模塊為具有T個預先設定的具有不同大小感受野的卷積核模板通過卷積運算得到多個卷積核疊加后的結果；

動態(tài)多尺度自適應模塊輸出如式(2)所示：

式中k_i表示卷積核，T表示不同大小感受野的卷積核的數(shù)量，w_i表示卷積核輸出權重。

3.根據(jù)權利要求1所述的一種基于圖匹配模型的低配準精度下遙感圖像變化檢測方法，其特征在于，所述步驟2中的目標檢測網(wǎng)絡為Faster RCNN或者FCOS。

4.根據(jù)權利要求1所述的一種基于圖匹配模型的低配準精度下遙感圖像變化檢測方法，其特征在于，所述采用交叉熵損失函數(shù)訓練網(wǎng)絡時，學習率設為0.001，epoch設為300。

5.根據(jù)權利要求1所述的一種基于圖匹配模型的低配準精度下遙感圖像變化檢測方法，其特征在于，所述G＝5，E＝0.8。