[發明專利]一種基于特征偏差對齊的遙感影像二值變化檢測方法

有效

• 申請號: 202110665192.8
• 申請日: 2021-06-16
• 公開（公告）號: CN113378727B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 樂鵬;黃立;張晨曉;梁哲恒;姜福泉;魏汝蘭;章小明
• 申請（專利權）人: 武漢大學;廣東南方數碼科技股份有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/80;G06V10/77;G06V10/28;G06V10/82;G06N3/04;G06N3/08;G06T7/33
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明公開了一種基于特征偏差對齊的遙感影像二值變化檢測方法，包括：步驟1：構造雙時相遙感影像二值變化檢測數據集并進行預處理；步驟2：構建基于特征偏差對齊的二值變化檢測模型，并給定雙時相遙感影像獲得變化區域預測結果及變化區域輔助預測圖；步驟3：使用真實變化區域標簽結果與預測變化區域結果及變化區域輔助預測圖分別計算主損失函數和輔助損失函數，根據損失對梯度進行反向傳播更新模型，直至損失值收斂時終止訓練，保存模型結構及模型權重；步驟4：使用步驟3訓練好的模型權重對測試集數據進行預測。本發明可以有效的解決當雙時相遙感影像由于多視角拍攝、高層建筑物過多或地形起伏較大等因素引起的變化區域誤檢現象。

發明領域

本發明屬于遙感圖像處理領域，涉及計算機深度學習領域，具體涉及一種基于特征偏差對齊的遙感影像二值變化檢測方法。

背景技術

二值變化檢測任務目標是給定兩張同地區雙時相遙感影像，定位該地區的變化區域和非變化區域。隨著深度學習技術的發展，基于孿生卷積神經網絡的方法在二值變化檢測任務取得了超越傳統方法的精度，其通常采用編碼器-解碼器架構，即首先采用共享權重的孿生卷積神經網絡編碼器分別提取雙時相影像的低層特征和高層特征，然后使用解碼器獲得差異特征并按照自底向上的路徑逐步恢復分辨率，最后連接一個分類器預測變化區域。

然而，基于孿生卷積神經網絡的二值變化檢測方法在高維特征空間獲取差異特征時，需要盡可能的保證所提取的高維特征在原始雙時相影像中的空間位置對齊，否則會由于特征偏差問題出現誤檢區域。然而，由于配準誤差和降采樣層的存在，雙時相影像的高維特征間不可避免的會存在特征偏差的問題。現有的二值變化檢測方法往往直接引入語義分割模型或在語義分割模型基礎上進行一定的改進，并未考慮特征偏差問題。

發明內容

本發明要解決的技術問題在于針對上述方法的不足，提出了一個基于特征偏差對齊的遙感影像二值變化檢測方法，以克服當雙時相遙感影像存在配準誤差時模型出現誤檢的問題。

該方法主要解決目前的基于深度學習的變化檢測方法對于存在配準誤差的雙時相影像存在誤檢的文藝，通過自適應的學習雙時相影像特征間的偏差流以對齊特征可以較好的解決配準誤差或降采樣帶來的誤檢影響，該方法主要包括以下步驟：

步驟1，構造雙時相遙感影像二值變化檢測數據集并進行預處理。

具體的，步驟1進一步包括：

步驟1.1，先將全部數據集劃分為訓練集、驗證集和測試集，若原始影像尺寸過大(如圖像過大時GPU顯存不足時即可視為尺寸過大)，可先將其裁剪為小尺寸影像。

步驟1.2，對訓練集進行數據增強以擴大數據集。

步驟1.3，對數據集的雙時相影像和標簽數據進行歸一化。

步驟2，構建基于特征偏差對齊的二值變化檢測模型FACD，并針對給定雙時相遙感影像獲得的預測變化區域結果及變化區域輔助預測圖。

具體的，步驟2進一步包括：

步驟2.1，給定兩張雙時相遙感影像I¹,I²∈R^(H×W×3)H,W代表原始影像的尺寸大小。經過孿生卷積特征提取模塊，雙時相影像I¹,I²被映射至一組雙時相特征圖集{F_l¹,F_l²}_l＝1,...,n，其中C代表第l層特征圖的特征通道數目。