[發明專利]一種基于深度學習的異源遙感影像變化檢測方法及裝置

在審

• 申請號: 202011503728.8
• 申請日: 2020-12-18
• 公開（公告）號: CN112633123A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 袁兆祥;杜正舜;李星華;司為國;韓嘉佳;汪自翔;羅少杰;劉劍;吳發獻;方炯;徐曉華
• 申請（專利權）人: 國網浙江省電力有限公司電力科學研究院;武漢大學;國網浙江省電力有限公司杭州供電公司;國網經濟技術研究院有限公司;國網浙江省電力有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/246;G06N3/04;G06N3/08
• 代理公司: 浙江翔隆專利事務所(普通合伙) 33206
• 代理人: 張建青

1.一種基于深度學習的異源遙感影像變化檢測方法，其特征在于，包括以下步驟：

接收多時異源遙感影像；

將所述異源遙感影像輸入預設GAN網絡中進行影像源轉換，得到單源遙感影像；

將所述單源遙感影像輸入預設變化檢測網絡，得到二值變化圖，所述預設變化檢測網絡為深度學習網絡。

2.如權利要求1所述的基于深度學習的異源遙感影像變化檢測方法，其特征在于，接收多時異源遙感影像，還包括以下步驟：

對所述多時異源遙感影像進行預處理，所述預處理包括幾何校正、大氣校正和地理配準。

3.如權利要求1所述的基于深度學習的異源遙感影像變化檢測方法，其特征在于，所述多時異源遙感影像包括兩個異源遙感影像，所述單源遙感影像的源域為所述異源遙感影像中任一源遙感影像的源域。

4.如權利要求1所述的基于深度學習的異源遙感影像變化檢測方法，其特征在于，將所述單源遙感影像輸入預設變化檢測網絡，得到二值變化圖，包括以下步驟：

將所述單源遙感影像輸入預設變化檢測網絡進行預測，得到輸出結果z；

將所述結果z代入Sigmond函數σ中計算像元的二類概率圖，其中所述Sigmond函數σ的計算公式為：

將所述二類概率圖中概率最高的一個類別作為最終預測結果，并生成所述最終預測結果對應的二值變化圖。

5.如權利要求1或3所述的基于深度學習的異源遙感影像變化檢測方法，其特征在于，所述預設GAN網絡包括編碼器，兩個生成器G、F及兩個判別器D_X、D_Y。

6.如權利要求5所述的基于深度學習的異源遙感影像變化檢測方法，其特征在于，所述預設GAN網絡為預先訓練完成的GAN網絡，所述預設GAN網絡的訓練過程包括以下步驟：

接收X源和Y源兩種遙感影像；

分別構建所述X源和Y源遙感影像的數據集，并將所述數據集劃分為訓練集和測試集；

將所述訓練集輸入GAN網絡進行訓練，其中，訓練迭代次數為預設值；

訓練完成后，將所述GAN網絡作為所述預設GAN網絡。

7.如權利要求6所述的基于深度學習的異源遙感影像變化檢測方法，其特征在于，將所述訓練集輸入GAN網絡進行訓練，包括以下步驟：

通過所述編碼器學習所述X源和Y源兩種遙感影像的特征；

將所述X源和Y源兩種遙感影像輸入生成器G及生成器F：

將所述X源遙感影像或所述Y源遙感影像及所述特征輸入生成器G，將所述X源遙感影像轉換至Y源圖像域，或，將所述Y源遙感影像轉換至X源圖像域，轉換后的所述X源遙感影像和所述Y源遙感影像稱為G(x)和G(y)；

將所述X源遙感影像或所述Y源遙感影像及所述特征輸入生成器F，得到重構影像F(x)或F(y)，其中，所述重構損失L_recon滿足：

其中，a表示X源圖像域或Y源圖像域，p_data(a)表示a源圖像域中的數據分布概率，表示a中樣本集的期望值；

將所述轉換后影像G(x)或G(y)輸入所述生成器F，將G(x)或G(y)轉換至X源圖像域或Y源圖像域，稱為循環影像F(G(x))或F(G(y))，其中，轉換過程中的損失值L_cyc滿足：

其中，a表示X源圖像域或Y源圖像域；

將所述循環影像F(G(x))或F(G(y))輸入生成器G及生成器F進行迭代訓練，直至迭代次數達到所述預設值。