[發明專利]一種改進的全卷積孿生神經網絡的礦區變化檢測方法

在審

• 申請號: 202110238171.8
• 申請日: 2021-03-04
• 公開（公告）號: CN113158770A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 唐朝;張兆明;何國金;彭燕;龍騰飛;王桂周
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

一種基于高分辨率遙感影像的礦區變化檢測方法。該方法通過對兩景不同時相的高分辨率遙感影像使用全卷積孿生網絡架構與膨脹卷積模塊進行特征自動提取生成最終的礦區變化檢測結果，能夠更好地區分真正的礦區變化與自然地物的時令變化。

技術領域

本發明屬于遙感數據智能處理技術領域，具體涉及基于遙感影像的礦區土地類型快速變化檢測。

背景技術

礦產資源是我國非常重要的戰略發展資源，由于各類礦產資源開采和相關工程建設的推進，礦區土地覆蓋處于快速變化之中，成為區域生態環境變化、地質災害等最直接的承載體和表現方式。礦區土地覆蓋變化動態監測和綜合分析是區域資源環境保護和地質災害防治的重要研究內容，傳統的礦山環境監測一般采取國土資源動態巡查的方式來發現問題。由于礦區占地面積較大，利用傳統方法對礦區開發及其所產生的生態環境問題進行全面調查時效性差、周期長、效率低。隨著衛星對地觀測技術的發展，尤其是高空間分辨率衛星數據的不斷出現，遙感變化檢測技術已成為礦區變化監測的最有效手段。

礦產資源種類多樣，為了能夠對不同種類的礦區及其周邊環境進行高效變化檢測，需要研究一種精度較高且泛化性能較好的變化檢測算法。目前已有的礦區變化檢測方法與應用，大多使用傳統機器學習方法，僅能對范圍較小、礦種單一的礦區進行檢測，并且通常需要人工干預，算法自動化和智能化程度差。隨著遙感技術的發展和深度學習技術的成熟，基于全卷積孿生神經網絡的變化檢測算法不斷出現，但大多數模型均針對城市建筑物所設計，相較于城市等地區的變化檢測，礦產開發區的自然地物與人工地物混雜，尤其是自然地物的時令變化會對檢測造成一定干擾。

發明內容

本發明旨在解決上面描述的問題。具體地，本發明提供一種基于高分辨率遙感影像的礦區變化檢測方法。

本發明通過對兩景不同時相的高分辨率遙感影像使用全卷積孿生網絡架構與膨脹卷積模塊進行特征自動提取生成最終的礦區變化檢測二分類結果，并使用遙感影像樣本、二分類圖像樣本對礦區變化檢測模型進行訓練。全卷積孿生網絡使用兩個相同的編碼器分別對前后兩時相遙感影像進行特征提取并在訓練時共享權重，并最終回到同一個解碼器中，這種結構能夠在不增加參數量的條件下提升模型的特征提取能力。而膨脹卷積能夠在不降低特征圖分辨率的情況下擴大卷積的感受野，獲取更多目標周圍地物的信息，從而能更好區分真正的礦區變化與植被農田變化。

參照附圖來閱讀對于示例性實施例的以下描述，本發明的其他特性特征和優點將變得清晰。

附圖說明

圖1是根據一示例性實施例示出的基于高分遙感影像的礦區變化檢測的流程圖。

圖2為根據一示例性實施例示出的遙感影像示意圖，左圖為2017年11月20日獲取的影像，右圖為2020年4月28日獲取的影像。

圖3為根據一示例性實施例示出的二分類圖像示意圖。

圖4為根據一示例性實施例示出的礦區變化檢測模型示意圖。

圖5為根據一示例性實施例示出的礦區變化檢測模型的預測結果示意圖。

具體實施方式

圖1是根據一示例性實施例示出的基于遙感影像的礦區變化檢測的流程圖。參考圖1，基于遙感影像的礦區變化檢測方法，包括：

(1)對目標區域兩景不同時相的遙感影像進行數據預處理，包括輻射定標、大氣校正、影像裁剪等，最終獲得兩景不同時相的礦區地表反射率影像。

(2)制作二分類變化樣本。根據兩時相影像制作成變化區域的二分類圖像樣本。兩個時相的遙感影像樣本中的變化需與二分類圖像樣本中的變化一一對應。

(3)模型訓練。使用對應的兩景不同時相的遙感影像樣本、二分類圖像樣本訓練礦區變化檢測模型。