[發明專利]多方法融合的遙感影像變化檢測方法及系統

在審

• 申請號: 202110139765.3
• 申請日: 2021-02-01
• 公開（公告）號: CN112861690A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 鄧凱;張覓;李小凱;饒友琢;劉沁雯;胡平;王有年
• 申請（專利權）人: 武漢漢達瑞科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢藍寶石專利代理事務所(特殊普通合伙) 42242
• 代理人: 劉璐

1.一種多方法融合的遙感影像變化檢測方法，其特征在于，包括：

基于語義信息對前后兩期影像進行變化檢測，獲得所述前后兩期影像的變化檢測結果；

基于對稱編碼-解碼的拼接網絡結構FCSCN對前后兩期影像進行處理，獲得端對端變化信息；

對所述變化檢測結果和所述端對端變化信息進行融合，獲得檢測結果；

若基于ResNet殘差網絡結構確認所述檢測結果為虛警，則剔除所述虛警。

2.根據權利要求1所述的方法，其特征在于，所述基于語義信息對前后兩期影像進行變化檢測，包括：

對所述前后兩期影像進行多尺度流形排序語義分割以及超像素分割，以使用超像素來代替像素來進行分析；

分別提取所述前后兩期影像的特征，通過比較述前后兩期影像之間特征的差異獲得變化疑似區域。

3.根據權利要求2所述的方法，其特征在于，所述特征包括紋理、結構和/或梯度特征；所述紋理特征包括灰度共生矩陣特征；所述梯度特征包括方向梯度直方圖特征。

4.根據權利要求1所述的方法，其特征在于，所述基于對稱編碼-解碼的拼接網絡結構FCSCN為采用深度學習的卷積神經網絡DCNN的方法設計的基于全卷積神經網絡FCN和暹羅Siam神經網絡的網絡結構；所述FCSCN的編碼部分中，采用相同的網絡和權重，對不同時相的遙感影像進行逐層特征提取，并做特征拼接，之后在解碼部分采用上采樣得到最后的變化圖。

5.根據權利要求1或4所述的方法，其特征在于，基于對稱編碼-解碼的拼接網絡結構FCSCN對前后兩期影像進行處理，包括：

對所述前后兩期影像進行預處理，以減少所述前后兩期影像因時相不同而造成的顏色差異；

將所述前后兩期影像輸入至訓練好的FCSCN中，獲得FCSCN輸出的變化圖。

6.根據權利要求5所述的方法，其特征在于，對所述前后兩期影像進行預處理包括：直方圖匹配處理以及前后期影像歸一化處理。

7.根據權利要求1所述的方法，其特征在于，若基于ResNet殘差網絡結構確認所述檢測結果為虛警，包括：

將所述前后兩期影像進行直方圖匹配；

對所述前后兩期影像進行差分處理，融合兩期影像的信息，作為ResNet網絡的輸入；

根據ResNet網絡的輸出結果判斷檢測結果是否為虛警。

8.一種多方法融合的遙感影像變化檢測系統，其特征在于，包括：

語義模塊，用于基于語義信息對前后兩期影像進行變化檢測，獲得所述前后兩期影像的變化檢測結果；

編碼模塊，用于基于對稱編碼-解碼的拼接網絡結構FCSCN對前后兩期影像進行處理，獲得端對端變化信息；

融合模塊，用于對所述變化檢測結果和所述端對端變化信息進行融合，獲得檢測結果；

虛警模塊，用于若基于ResNet殘差網絡結構確認所述檢測結果為虛警，則剔除所述虛警。

9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1至7任一項所述多方法融合的遙感影像變化檢測方法的步驟。

10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至7任一項所述多方法融合的遙感影像變化檢測方法的步驟。