[發明專利]一種基于多層次監督和深度度量學習的遙感變化檢測方法

在審

• 申請號: 202110295727.7
• 申請日: 2021-03-19
• 公開（公告）號: CN112906638A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 劉夢曦;石茜
• 申請（專利權）人: 中山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉俊

本發明公開了一種基于多層次監督和深度度量學習的遙感變化檢測方法，包括：S1：獲取若干幅可用于雙時相變化檢測的高分辨率遙感影像；S2：基于當前已有的數據資料和人工先驗知識，通過目視解譯，勾繪高分辨率遙感影像之間的變化區域，獲得高分辨率遙感影像之間像素級的變化標記，基于已有的遙感影像對和變化標記，將其裁剪為若干特定尺寸大小的影像對，得到面向雙時相變化檢測的高分辨率遙感影像數據集；S3：構建基于多層次監督和深度度量學習的遙感變化檢測模型；S4：對步驟S3構建的模型進行訓練；S5：將待檢測區域的雙時相遙感影像輸入至訓練好的模型中，得到待檢測區域的變化柵格圖。本發明提高了檢測效率和檢測精度。

技術領域

本發明涉及遙感地理信息技術領域，更具體地，涉及一種基于多層次監督和深度度量學習的遙感變化檢測方法。

背景技術

變化檢測是對同一區域不同階段地表變化進行定量分析的過程，對于環境調查、地質災害監測、土地覆蓋調查和城市規劃等領域具有重要意義。近幾十年來，隨著生態環境的惡化，定期監測和分析土地覆被變化變得越來越重要。隨著遙感技術的成熟與廣泛的應用，覆蓋范圍廣、時效性高、成本低的多源的遙感影像提供了不同光譜特征、空間特征、紋理特征，為遙感變化檢測提供了可靠的數據來源。近年來，大數據的快速發展和高計算能力的普及促進了深度學習的蓬勃發展，在許多領域取得了顯著的成就，包括遙感影像解譯。卷積神經網絡是一種功能強大的深度學習結構，能夠從衛星圖像中自動提取具有豐富光譜和空間特征的多層次特征，用于分類。因此，基于深度學習框架的變化檢測方法在近年來取得了優異的成績。

在現有技術中，公開號為CN109063569A，中國發明專利于2018年12月21日公開了一種基于遙感影像的語義級變化檢測方法，技術核心是設計一個針對語義級變化檢測的全卷積神經網絡。該方法包含四個步驟：步驟一：制作數據集；步驟二：搭建全卷積神經網絡網絡；步驟三：訓練全卷積神經網絡；步驟四：遙感影像變化檢測，得到最終的提取結果。該方案解決的是語義級的遙感變化檢測，其使用的是全卷積的神經網絡，該方法檢測效果不佳。

發明內容

本發明為克服上述現有技術遙感變化檢測效率低、檢測精度不佳的缺陷，提供一種基于多層次監督和深度度量學習的遙感變化檢測方法。

本發明的首要目的是為解決上述技術問題，本發明的技術方案如下：

一種基于多層次監督和深度度量學習的遙感變化檢測方法，其特征在于，包括以下步驟：

S1：獲取若干幅可用于雙時相變化檢測的高分辨率遙感影像；

S2：基于當前已有的數據資料和人工先驗知識，通過目視解譯，勾繪高分辨率遙感影像之間的變化區域，獲得高分辨率遙感影像之間像素級的變化標記，基于已有的遙感影像對和變化標記，將高分辨率遙感影像裁剪為若干特定尺寸大小的影像對，得到面向雙時相變化檢測的高分辨率遙感影像數據集；

S3：構建基于多層次監督和深度度量學習的遙感變化檢測模型；

S4：利用面向雙時相變化檢測的高分辨率遙感影像數據集對步驟S3構建的模型進行訓練；

S5：將待檢測區域的雙時相遙感影像輸入至訓練好的模型中，得到待檢測區域的變化柵格圖。

進一步的，步驟S1所述的高分辨率遙感影像為雙時相遙感影像，所述遙感影像為相同區域、相同分辨率、不同年份的遙感圖像。

進一步的，步驟S1的具體過程為：

S101：從公開的數據網站選擇并下載若干幅與待檢測區域云量分布相似的兩期高分辨率遙感影像數據；

S102：根據所下載的高分辨率遙感影像數據提供的數據描述文檔，分別對高分辨率遙感影像數據進行預處理。

進一步的，所述的預處理分別從如下方面進行，具體包括：數據的DN值、投影坐標系、輻射定標、輻射校正、鑲嵌、裁剪、直方圖匹配。