[發(fā)明專利]一種基于DualNet的城市區(qū)域變化檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110153438.3
• 申請(qǐng)日: 2021-02-03
• 公開（公告）號(hào): CN112819792A
• 公開（公告）日: 2021-05-18
• 發(fā)明（設(shè)計(jì)）人: 楊純;周博文
• 申請(qǐng)（專利權(quán)）人: 杭州高斯洪堡科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T3/60
• 代理公司: 北京沃知思真知識(shí)產(chǎn)權(quán)代理有限公司 11942
• 代理人: 袁辰亮

本發(fā)明涉及城市區(qū)域變化檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于DualNet的城市區(qū)域變化檢測(cè)方法，所屬技術(shù)領(lǐng)域，一種基于DualNet的城市區(qū)域變化檢測(cè)方法，其特征在于，包括如下步驟：(1)讀取數(shù)據(jù)集，讀取由地理信息庫(kù)生產(chǎn)的變化檢測(cè)數(shù)據(jù)集中圖像對(duì)，每個(gè)圖像對(duì)包括該區(qū)域變化前圖像和變化后的圖像；在讀取數(shù)據(jù)集后，將變化前后的圖像對(duì)以雙時(shí)態(tài)圖像的方式作為輸入；(2)在讀取數(shù)據(jù)之后采取數(shù)據(jù)增強(qiáng)策略，為了避免網(wǎng)絡(luò)訓(xùn)練時(shí)產(chǎn)生過擬合現(xiàn)象；(3)構(gòu)建語義分割網(wǎng)絡(luò)DualNet，輸入時(shí)將圖像對(duì)分別輸入編碼器，得到特征圖后再進(jìn)行跳連和解碼操作。本發(fā)明的優(yōu)點(diǎn)是能夠客服傳統(tǒng)變化檢測(cè)方法無法自動(dòng)獲取圖像信息這一缺陷，通過新的跳連方式得到較好的預(yù)測(cè)結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及城市區(qū)域變化檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于DualNet的城市區(qū)域變化檢測(cè)方法。

背景技術(shù)

如今，越來越多的衛(wèi)星被發(fā)射到太空中以監(jiān)測(cè)地球，因此衛(wèi)星圖像之類的遙感數(shù)據(jù)被應(yīng)用到眾多遙感任務(wù)中，而變化檢測(cè)就是最重要的遙感任務(wù)之一。變化檢測(cè)為眾多領(lǐng)域提供有用的信息，比如城市管理、生態(tài)系統(tǒng)監(jiān)控和國(guó)家土地利用地圖更新等。傳統(tǒng)的變化檢測(cè)算法可以獲得變化檢測(cè)的結(jié)果，但是這些方法無法自動(dòng)去獲得圖像中變化區(qū)域的信息，使得變化檢測(cè)結(jié)果過于依賴于人類的判斷。

由于近幾年深度學(xué)習(xí)的蓬勃發(fā)展，使得圖像處理領(lǐng)域取得了很大進(jìn)步，包括圖像分類、圖像檢索和語義分割等領(lǐng)域。深度學(xué)習(xí)算法能夠自發(fā)的學(xué)習(xí)圖像深層特征，無需人類參與，因此為了克服傳統(tǒng)變化檢測(cè)方法無法自動(dòng)獲取圖像信息這一缺陷，針對(duì)城市的變化區(qū)域檢測(cè)，本發(fā)明基于Unet和SegNet，提出了一種基于DualNet的城市區(qū)域變化檢測(cè)方法，該網(wǎng)絡(luò)使用了改進(jìn)的跳連方context-skip，能夠有效的學(xué)習(xí)到圖像上下文信息。

發(fā)明內(nèi)容

本發(fā)明針對(duì)城市變化檢測(cè)這一需求，提出了一種基于DualNet的城市區(qū)域變化檢測(cè)方法，該方法能夠自動(dòng)獲取變化區(qū)域圖像特征，無需人類參與。

本發(fā)明包括以下步驟：

步驟1.讀取由地理信息庫(kù)生產(chǎn)的變化檢測(cè)數(shù)據(jù)集中圖像對(duì)，每個(gè)圖像對(duì)包括該區(qū)域變化前圖像和變化后的圖像，其中變化區(qū)域包括水體變化、地面變化、低矮植被變化、樹木變化、建筑物變化和運(yùn)動(dòng)場(chǎng)地變化，等等。數(shù)據(jù)集圖像對(duì)可被分為訓(xùn)練集，測(cè)試集及測(cè)試集。

在本發(fā)明中，將每個(gè)圖像像素分配為變化區(qū)域和未變化區(qū)域，將變化檢測(cè)視為圖像分割任務(wù)，以此來進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。由于變化檢測(cè)是基于兩個(gè)不同時(shí)段的影像數(shù)據(jù)，因此輸入圖像為雙時(shí)態(tài)圖像。

步驟2.數(shù)據(jù)增強(qiáng)。為了避免網(wǎng)絡(luò)訓(xùn)練時(shí)產(chǎn)生過擬合現(xiàn)象，本發(fā)明在讀取數(shù)據(jù)之后采取數(shù)據(jù)增強(qiáng)策略，包括以下操作：

(1)90°，180°和270°的旋轉(zhuǎn)操作；

(2)以3°到20°做間隔做隨機(jī)旋轉(zhuǎn)操作；

(3)取[0.75，1.25]中的隨機(jī)因子進(jìn)行縮放操作；

(4)隨機(jī)亮度變化操作；

(5)隨機(jī)對(duì)比度變化操作；

(6)將圖像轉(zhuǎn)換為HSV空間等操作。

同時(shí)，因?yàn)榫W(wǎng)絡(luò)設(shè)定輸入為256x256大小，因此在增強(qiáng)之后本發(fā)明會(huì)隨機(jī)進(jìn)行剪裁，以滿足網(wǎng)絡(luò)訓(xùn)練需求。

步驟3.基于Context-Skip的網(wǎng)絡(luò)構(gòu)建。本發(fā)明使用的網(wǎng)絡(luò)體系結(jié)構(gòu)稱為DualNet，輸入時(shí)將圖像對(duì)分別輸入編碼，得到特征圖后再進(jìn)行跳連和解碼操作。

1.編碼器。在編碼器分支中，共有四個(gè)卷積塊，每個(gè)卷積塊由以下操作依次堆疊構(gòu)成：(1)卷積層，共3層；

(2)批處理歸一化層；

(3)激活函數(shù)Relu。