[發明專利]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

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

本發明公開了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。該方法首先用多尺度自適應卷積的遙感圖像語義分割模型進行建筑物分割，得到同一地區不同時相的分割結果，即二值圖像；為了解決多個不同建筑物分割后區域相連的問題，采用基于實例分割方法的斑塊提取，從而區分不同的斑塊，得到不同時相的多個建筑物對應的區域；接下來根據斑塊對應的位置信息和其他特征，進行基于圖匹配模型的斑塊匹配；最后根據匹配的信息，提取對應的變化信息。本發明是針對低配準精度下的不同時相的遙感圖像，實現其高精度的變化檢測。本發明提出的變化檢測方案不依賴于精確的圖像預處理，尤其是圖像的校正和配準，降低了對圖像校正和配準的需求。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種遙感圖像變化檢測方法。

背景技術

對于遙感圖像變化檢測問題，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，CN110136170A”公開了一種基于深度學習的遙感圖像變化檢測方法。此專利采用深度學習網絡模型對收集的各類樣本進行學習，訓練并構建語義分割模型，得到分割的二值圖，進而得出變換檢測的結果。專利所述方法只是在建筑物分割方面設計了新的模型，但并沒有解決變換檢測對圖像預處理的依賴，尤其是圖像的矯正和配準。設計的分割模型也只是Mask RCNN版本的一些變形，沒有從根本上解決遙感圖像尺度變化劇烈的問題。在低配準精度下，此專利很難做到高精度的變換檢測。因此僅適用于高配準精度下的變換檢測且圖像尺度變換不是特別劇烈的場景，實用性不強。

目前基于深度學習的語義分割方法，在多尺度分析和語義上下文建模方面已取得較大進展，分割精度得到較大提升。然而，不同于一般圖像的語義分割任務，遙感圖像中需要被分割的對象尺度變化更加劇烈，既有山川河流等大尺度的對象，又有房屋建筑等小尺度的目標。總之，對于遙感影像中的不同區域往往需要選取不同尺度的上下文信息來指導像素的標注。

現有的遙感圖像變化檢測的方法無論是基于像素的還是面向對象的方法都強烈依賴于精確的圖像幾何校正和配準，這些預處理方法的精度對最終結果有很大的影響。但是由于拍攝角度變化、圖像復雜畸變等因素，很多情況下無法對圖像進行高精度的配準，從而導致上述方法的失效。

從國家的發展戰略層面到經濟發展層面，遙感對地觀測技術在我國未來發展規劃中將占據越來越重要的地位。然而，遙感對地觀測技術面臨的問題和瓶頸制約了政府、企業對大量遙感數據進行信息提取的能力，阻礙了遙感解譯技術的產業化進程。如語義分割方向存在尺度差異巨大的語義分割對象未實現自適應處理，基于低配準精度條件實現高精度變化檢測等。只有解決了這些關鍵技術，才能充分發揮遙感解譯技術的作用，幫助遙感解譯技術在各領域進行賦能。

發明內容

為了克服現有技術的不足，本發明提供了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。該方法首先用多尺度自適應卷積的遙感圖像語義分割模型進行建筑物分割，得到同一地區不同時相的分割結果，即二值圖像；為了解決多個不同建筑物分割后區域相連的問題，采用基于實例分割方法的斑塊提取，從而區分不同的斑塊，得到不同時相的多個建筑物對應的區域；接下來根據斑塊對應的位置信息和其他特征，進行基于圖匹配模型的斑塊匹配；最后根據匹配的信息，提取對應的變化信息。本發明是針對低配準精度下的不同時相的遙感圖像，實現其高精度的變化檢測。本發明提出的變化檢測方案不依賴于精確的圖像預處理，尤其是圖像的校正和配準，降低了對圖像校正和配準的需求。

為達到上述目的，本發明提供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，包括以下步驟：

步驟1：構建語義分割網絡進行遙感圖像語義分割；

步驟1-1：對遙感圖像進行數據增強；

步驟1-2：將經過數據增強的遙感圖像輸入ResNet50的backbone網絡部分，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多尺度自適應模塊、BatchNorm2D和激活函數ReLU，再用stride為2的反卷積進行上采樣操作；