[發明專利]邊緣引導的循環卷積神經網絡建筑物變化檢測方法及系統

有效

• 申請號: 202110421796.8
• 申請日: 2021-04-20
• 公開（公告）號: CN112990112B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 李樹濤;白北方;盧婷
• 申請（專利權）人: 湖南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 譚武藝

本發明公開了一種邊緣引導的循環卷積神經網絡建筑物變化檢測方法及系統，本發明包括對遙感圖像T₁和T₂進行多層次特征提取得到特征對f_1i和f_2i，計算差異特征并進行差異增強、對深層結果逐層上采樣并融合淺層結果后輸入邊緣引導概率預測網絡得到多層次的變化概率圖和邊緣概率圖，選擇T₁大小相同的變化概率圖二值化處理得到檢測結果M。本發明能夠對變化區域的差異進行放大，對非變化區域的差異進行抑制，從而提高了變化檢測的精度，使得檢測性能有所提升，而且通過邊緣引導利用建筑物邊緣結構的先驗信息進一步提升了變化檢測性能，使得檢測結果中建筑物輪廓更加清晰，有效改善了建筑物分布密集區域檢測結果中建筑物粘連的情況。

技術領域

本發明屬于遙感圖像處理技術領域，具體涉及一種邊緣引導的循環卷積神經網絡建筑物變化檢測方法及系統。

背景技術

遙感圖像提供土地的覆蓋和利用信息，通過變化檢測技術對同一區域內多時相圖像進行分析，可以實現對建筑物動態變化的監測。建筑物變化檢測已經廣泛應用于城市規劃、災害評估和違章建筑物監管等領域。建筑物變化檢測的核心問題在于解析雙時相圖像之間的相關性，由于不同時相的圖像存在地物易于混淆和輻射差異等現象，使得變化檢測是非線性的任務?；诒O督學習的方法可以有效的完成這一任務。

近年來，深度學習在遙感圖像解譯中發揮了非常重要的作用。深度學習中的卷積神經網絡可以自動提取圖像的深層特征，對于遙感圖像的多種任務都有廣泛的適用性，因此越來越多的深度學習算法應用到變化檢測中。例如，Chen等人在文獻 “A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing ImageChange Detection. Remote Sensing, 2020, 12(10): 1662.”提出了一種基于孿生卷積神經網絡的變化檢測方法，輸入雙時相的遙感圖像后，該算法通過共享權重的卷積神經網絡分別提取圖像對的深層特征并且利用金字塔注意力模塊在特征中融入多尺度的空間信息。融合空間信息的特征對通過歐氏距離來進行變化分析，最后設置閾值來分割變化和非變化區域。作為深度學習的重要分支，循環神經網絡擅長處理序列數據，因此循環神經網絡同樣可以應用于變化檢測任務。例如，Mou等人在文獻“Learning spectral-spatial-temporal features via a recurrent convolutional neural network for changedetection in multispectral imagery. IEEE Transactions on Geoscience andRemote Sensing, 2018, 57(2): 924-935.”提出了聯合卷積神經網絡和循環神經網絡的方法，利用空間和時間特性實現變化檢測。輸入雙時相的遙感圖像后，該算法利用孿生卷積神經網絡分別提取圖像對的空間特征，接著利用循環神經網絡從時序角度對特征對進行變化分析，最后設置閾值來分割變化區域。但是，上述兩種方法的不足之處在于，沒有充分利用建筑物的幾何特性，導致檢測結果建筑物輪廓不清晰而且在建筑物分布密集區域檢測結果存在粘連的情況。

發明內容

本發明要解決的技術問題為：針對現有技術的上述問題，提供一種邊緣引導的循環卷積神經網絡建筑物變化檢測方法及系統，本發明旨在解決建筑物分布密集區域檢測結果中建筑物粘連的情況，以及提高建筑物變化檢測的精確度以及性能。

為了解決上述技術問題，本發明采用的技術方案為：

一種邊緣引導的循環卷積神經網絡建筑物變化檢測方法，包括：