CN111967526B - 基于边缘映射和深度学习的遥感图像变化检测方法及系统 - Google Patents

基于边缘映射和深度学习的遥感图像变化检测方法及系统 Download PDF

Info

Publication number
CN111967526B
CN111967526B CN202010845118.XA CN202010845118A CN111967526B CN 111967526 B CN111967526 B CN 111967526B CN 202010845118 A CN202010845118 A CN 202010845118A CN 111967526 B CN111967526 B CN 111967526B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
edge
resolution remote
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010845118.XA
Other languages
English (en)
Other versions
CN111967526A (zh
Inventor
史闻博
陈璨
马嘉晋
鲁宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202010845118.XA priority Critical patent/CN111967526B/zh
Publication of CN111967526A publication Critical patent/CN111967526A/zh
Application granted granted Critical
Publication of CN111967526B publication Critical patent/CN111967526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于边缘映射和深度学习的遥感图像变化检测方法及系统，检测系统包括：边缘检测模块，用于提取出高分辨率遥感图像的边缘信息；边缘二值化模块，用于将初步获取的边缘映射图进一步转换为二值图像；预分类模块，用于获取双时相高分辨率遥感图像中显著的变化/未变化区域；训练样本筛选模块，用于通过超像素分割理论来从预分类结果中筛选训练样本；深度神经网络检测模块，用于对双时相高分辨率遥感图像进一步检测出更精确的变化/未变化区域。本发明可以通过基于边缘映射的预分类算法和基于降噪自动编码器的神经网络模型有效地提取出高分辨率遥感图像对中的变化信息。

Description

基于边缘映射和深度学习的遥感图像变化检测方法及系统
技术领域
本发明涉及高分辨率遥感图像变化检测领域，具体涉及一种基于边缘映射和深度学习的遥感图像变化检测方法及系统。
背景技术
随着卫星遥感器技术的发展，许多基于高分辨率遥感影像的新应用涌现，例如土地覆盖变迁，自然灾害评估等等。这些应用都要求尽可能快速、准确地识别地球表面上的变化区域。为此，我们需要分析不同时间在同一地理区域获取的一系列遥感图像，从而找出发生的变化。然而，由于高分辨率遥感图像的复杂性，直接对两幅图像进行分析相对比较困难。一方面，真实地况信息可以促进变化/未变化区域的区分，但是很难获取这些信息。另一方面，遥感成像受到天气、光照、辐射甚至不同卫星的影响，导致双时相遥感图像含有较多干扰信息，从而使差异特征不够鲜明。
发明内容
为解决上述技术问题，本发明提供一种基于边缘映射和深度学习的遥感图像变化检测方法及系统，利用边缘映射提取双时相高分辨率遥感图像的丰富边缘信息，设计了基于堆栈降噪自动编码器的深度神经网络来提取遥感图像对的差异特征，对高分辨率遥感图像进行变化检测。
为实现上述目的，本发明所采取的技术方案是：
一种基于边缘映射和深度学习的遥感图像变化检测方法，包括以下步骤：
S1.对双时相高分辨率遥感图像进行边缘检测获取初始边缘映射图；
S2.对初始边缘映射图进行二值化处理，得到双时相高分辨率遥感图像的二值边缘映射；
S3.根据二值边缘映射对双时相高分辨率遥感图像进行预分类，提取显著的变化/未变化区域，即获得预分类结果；
S4.利用超像素分割理论，从步骤S3的预分类结果中选取准确率更高的像素对作为训练样本；
S5.构建基于堆栈降噪自动编码器的深层神经网络，并且利用步骤S4中筛选的训练样本对神经网络进行训练，从而使其拥有变化检测能力，对高分辨率遥感图像进行更精确地变化检测。
进一步地，所述步骤S2中具体包括以下处理步骤：
S2-1，对初始边缘映射图进行简单阈值处理；
S2-2，对初始边缘映射图进行自适应阈值处理；
S2-3，对于简单阈值处理结果中的背景像素点，除去自适应阈值处理结果中的相应位置的噪声点；对于简单阈值处理结果中的非背景像素点，自适应阈值处理结果中的相应像素点保持不变；
S2-4，经过步骤S2-3处理的自适应阈值处理结果即为二值边缘映射。
进一步地，所述步骤S3中具体包括以下处理步骤：
S3-1，将双时相高分辨率遥感图像的二值边缘映射叠合获得边缘差异图；
S3-2，在边缘差异图中设置滑动窗口，并从左至右、从上往下扫描；
S3-3，计算当前滑动窗口的边缘像素点的总数，如果总数为零，则滑动窗口内的所有像素点被分类为未变化；如果总数大于零，则将滑动窗口内的边缘像素点看作是潜在的变化像素，并设置为搜索点；
S3-4，计算双时相高分辨率遥感图像中搜索点位置及其周边区域的光谱差异值，若光谱差异值满足预设条件，则搜索点及其相邻像素点分类为变化区域；若不满足预设条件，则搜索点及其相邻像素点分类为未变化区域；
S3-5，重复S3-2、S3-3、S3-4三个步骤，直到预分类的结果保持稳定；其中，每次重复S3-2步骤时，在最新的预分类结果中设置滑动窗口；每次重复S3-3步骤时，计算当前滑动窗口内最新预分类结果的变化像素点的总数。
进一步地，所述步骤S4中具体包括以下处理步骤：
S4-1，对双时相高分辨率遥感图像进行超像素分割，并融合两个超像素分割边缘以获取统一的超像素分割边缘；
S4-2，用统一的超像素分割边缘来划分预分类结果；
S4-3，对于预分类结果图中的超像素，如果该超像素里的所有像素点中变化或未变化的像素点数均超过了指定比例，则这些像素点被选取为训练样本。
进一步地，所述步骤S5中具体包括以下处理步骤：
S5-1，神经网络参数和权重随机初始化；
S5-2，利用加噪的高分辨率遥感图像对神经网络进行预训练；
S5-3，利用步骤S4中筛选的训练样本对神经网络进行微调挖掘出高分辨率遥感图像对的差异特征；
S5-4，神经网络训练完成，输入高分辨率遥感图像对进行变化检测。
一种基于边缘映射和深度学习的遥感图像变化检测系统，其特征在于：所述系统包括：
边缘检测模块，用于分别提取出双时相高分辨率遥感图像的边缘信息；
边缘二值化模块，用于将边缘检测模块初步获取的初始边缘映射图进一步转换为二值图像，对初始边缘映射图分别进行简单阈值处理和自适应阈值处理，再融合两种阈值处理的结果，以获取边缘映射图的二值图像；
预分类模块，用于根据二值边缘映射获取双时相高分辨率遥感图像中显著的变化/未变化区域；
训练样本筛选模块，用于通过超像素分割理论来从预分类结果中筛选训练样本；
深度神经网络检测模块，用于对双时相高分辨率遥感图像进一步检测出更精确的变化/未变化区域。
进一步地，所述预分类模块具体包括：
搜索点识别单元：根据二值边缘映射来分析并识别双时相高分辨率遥感图像中的搜索点；
光谱差异值计算单元：计算双时相高分辨率遥感图像中搜索点及其周边区域像素对的光谱差异值；
分析比较单元：验证搜索点及其相邻像素对的光谱差异值是否满足预设条件，若满足，则将搜索点及其相邻像素分类为变化区域，否则为未变化区域。
进一步地，所述深度神经网络检测模块具体包括：
预训练单元：利用加噪的高分辨率遥感图像预训练神经网络，使参数和权重获得较好的初始化；
微调单元：利用预分类模块中筛选的训练样本进一步有监督地训练深度神经网络，使其挖掘出高分辨率遥感图像对的差异特征；
变化检测单元：输入高分辨率遥感图像对，进行变化检测。
采用上述技术方案所产生的有益效果在于：
本发明利用边缘映射提取双时相高分辨率遥感图像的丰富边缘信息，并通过比较分析找出双时相高分辨率遥感图像中显著的变化区域；同时设计了基于堆栈降噪自动编码器的深度神经网络来提取遥感图像对的差异特征，并且挑选预分类的结果作为训练数据来训练深度神经网络，最终智能且准确地检测出双时相高分辨率遥感图像的变化和未变化区域。
附图说明
图1是本发明检测方法的流程图；
图2是本发明预分类过程流程图；
图3是本发明使用的差异特征提取网络结构图；
图4是本发明的系统模块图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开了一种基于边缘映射和深度学习的遥感图像变化检测方法及系统，用于高效地找出双时相高分辨率遥感图像的变化区域和未变化区域。
如图1所示，本发明实施例的基于边缘映射和深度学习的遥感图像变化检测方法，包括以下步骤：
S1.采用holistically-nested边缘检测方法对高分辨率遥感图像进行边缘检测获取初始边缘映射图；
S2.对初始边缘映射图进行二值化处理，得到双时相高分辨率遥感图像的二值边缘映射；
步骤S2具体包括以下处理步骤：
S2-1，对初始边缘映射图进行简单阈值处理；
S2-2，对初始边缘映射图进行自适应阈值处理；
S2-3，对于简单阈值处理结果中的背景像素点，除去自适应阈值处理结果中的相应位置的噪声点；对于简单阈值处理结果中的非背景像素点，自适应阈值处理结果中的相应像素点保持不变；
S2-4，经过步骤S2-3处理的自适应阈值处理结果即为二值边缘映射。
S3.根据二值边缘映射对双时相高分辨率遥感图像进行预分类，提取显著的变化/未变化区域，即获得预分类结果。
如图2所示，步骤S3具体包括以下处理步骤：
S3-1，将双时相高分辨率遥感图像的二值边缘映射叠合获得边缘差异图；
S3-2，在边缘差异图中设置滑动窗口，并从左至右、从上往下扫描；
S3-3，计算当前滑动窗口的边缘像素点的总数，如果总数为零，则滑动窗口的相应区域被分类为未变化；如果总数大于零，则将滑动窗口内的边缘像素点设置为搜索点；
S3-4，计算高分辨率遥感图像中搜索点位置及其周围8个像素点的光谱差异值，计算公式如下：
其中，其中c表示高分辨率遥感图像的通道(红色、绿色和蓝色)，pt(i，j)表示t时相遥感图像在位置(i,j)处的光谱值。然后，分别计算搜索点周围8个像素点的光谱差异值的均值和方差。计算公式如下：
其中，SDn表示第n个相邻像素对的光谱差异值。若光谱差异值满足预设条件，则搜索点及其相邻像素点分类为变化区域；若不满足预设条件，则搜索点及其相邻像素点分类为未变化区域。预设条件如下：
|SDn-SDmean|＜δm
SDvariance＜6v
其中，δm和δv表示光谱差异值的均值和方差的阈值，阈值根据实验中最终的变化检测结果选择使Kappa系数更高的值，本发明中δm取0.1，δv取0.01。
S3-5，重复S3-2、S3-3、S3-4三个步骤，直到预分类的结果保持稳定。其中，每次重复S3-2步骤时，在最新的预分类结果中设置滑动窗口；每次重复S3-3步骤时，计算当前滑动窗口内最新预分类结果的变化像素点的总数。
S4.利用超像素分割理论，从预分类结果中选取准确率更高的像素对作为训练样本。
步骤S4具体包括以下处理步骤：
S4-1，使用SLIC算法对双时相高分辨率遥感图像进行超像素分割，并融合两个超像素分割边缘以获取统一的超像素分割边缘；
S4-2，用统一的超像素分割边缘来划分预分类结果；
S4-3，对于预分类结果图中的超像素，如果该超像素里的所有像素点分类结果基本相同，即变化或未变化的像素点数超过了指定比例，则这些像素点被选取为训练样本。对于正样本，变化像素点数的指定比例为0.8；对于负样本，未变化像素点数的指定比例为1；
S5.构建基于堆栈降噪自动编码器的深层神经网络，并且利用筛选的训练样本对神经网络进行训练，从而使其拥有变化检测能力，对高分辨率遥感图像进行更精确地变化检测。
步骤S5具体包括以下处理步骤：
S5-1，神经网络的结构如图3所示，Bt(i，j)表示一个在时间t、以位置(i，j)的像素为中心的像素块；这里我们把像素块而不是单个像素作为分析单元来更全面地利用其空间和纹理信息；然后将两个图像的Bt(i，j)矢量化为两个矢量Vt(i，j)；最后，将这两个矢量堆叠在一起，作为神经网络的输入；神经网络的隐藏层部分由多层降噪自动编码器组成，以获得更稳健的变化检测能力；对神经网络参数和权重进行随机初始化；
S5-2，利用加噪的高分辨率遥感图像对神经网络进行预训练；在预训练阶段，训练模式是逐层的；前一个降噪自动编码器训练完成之后，其隐藏层作为下一个降噪自动编码器的输入；以此类推，直到所有降噪自动编码器均训练完成；
S5-3，利用预分类中筛选的训练样本对神经网络进行微调挖掘出高分辨率遥感图像对的差异特征；在微调阶段使用Adam优化器来降低损失函数。对于该二分类问题，这里使用二元交叉熵作为损失函数，其定义如下：
其中，y代表训练样本的标签，而代表深度神经网络的预测值。
S5-4，神经网络训练完成，输入高分辨率遥感图像对进行变化检测。尽管神经网络在微调阶段进行了有监督训练，但其训练样本是在预分类中以无监督的方式获得的。因此整个变化检测过程是无监督的。
本发明以Python3为开发语言，运行于Linux操作系统，CPU和GPU均可以执行程序，但使用GPU时的运行速度远超于使用CPU。
本发明的基于边缘映射和深度学习的遥感图像变化检测系统，如图4所示，包括：
边缘检测模块，用于分别提取出双时相高分辨率遥感图像的边缘信息；
边缘二值化模块，用于将边缘检测模块初步获取的初始边缘映射图进一步转换为二值图像，对初始边缘映射图分别进行简单阈值处理和自适应阈值处理，再融合两种阈值处理的结果，以获取边缘映射图的二值图像；
预分类模块，用于根据二值边缘映射获取双时相高分辨率遥感图像中显著的变化/未变化区域；
预分类模块具体包括：
搜索点识别单元：根据二值边缘映射来分析并识别双时相高分辨率遥感图像中的搜索点；
光谱差异值计算单元：计算双时相高分辨率遥感图像中搜索点及其周边区域像素对的光谱差异值；
分析比较单元：验证搜索点及其相邻像素对的光谱差异值是否满足预设条件，若满足，则将搜索点及其相邻像素分类为变化区域，否则为未变化区域；
训练样本筛选模块，用于通过超像素分割理论来从预分类结果中筛选训练样本；
深度神经网络检测模块，用于对双时相高分辨率遥感图像进一步检测出更精确的变化/未变化区域；
深度神经网络检测模块具体包括：
预训练单元：利用加噪的高分辨率遥感图像预训练神经网络，使参数和权重获得较好的初始化；
微调单元：利用预分类模块中筛选的训练样本进一步有监督地训练深度神经网络，使其挖掘出高分辨率遥感图像对的差异特征；
变化检测单元：输入高分辨率遥感图像对，进行变化检测。
本发明能对高分辨率遥感图像进行边缘检测，快速对高分辨率遥感图像进行预分类，筛选出预分类结果中较准确的像素对，利用筛选的像素对训练深度神经网络，对高分辨率遥感图像进行变化检测，最终智能且准确地检测出双时相遥感图像的变化和未变化区域。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于边缘映射和深度学习的遥感图像变化检测方法，其特征在于：包括以下步骤：
S1. 对双时相高分辨率遥感图像进行边缘检测获取初始边缘映射图；
S2. 对初始边缘映射图进行二值化处理，得到双时相高分辨率遥感图像的二值边缘映射；
S3. 根据二值边缘映射对双时相高分辨率遥感图像进行预分类，提取显著的变化/未变化区域，即获得预分类结果；
S4. 利用超像素分割理论，从步骤S3的预分类结果中选取准确率更高的像素对作为训练样本；
S5.构建基于堆栈降噪自动编码器的深层神经网络，并且利用步骤S4中筛选的训练样本对神经网络进行训练，从而使其拥有变化检测能力，对高分辨率遥感图像进行更精确地变化检测；
所述步骤S2中具体包括以下处理步骤：
S2-1，对初始边缘映射图进行简单阈值处理；
S2-2，对初始边缘映射图进行自适应阈值处理；
S2-3，对于简单阈值处理结果中的背景像素点，除去自适应阈值处理结果中的相应位置的噪声点；对于简单阈值处理结果中的非背景像素点，自适应阈值处理结果中的相应像素点保持不变；
S2-4，经过步骤S2-3处理的自适应阈值处理结果即为二值边缘映射；
所述步骤S3中具体包括以下处理步骤：
S3-1，将双时相高分辨率遥感图像的二值边缘映射叠合获得边缘差异图；
S3-2，在边缘差异图中设置滑动窗口，并从左至右、从上往下扫描；
S3-3，计算当前滑动窗口的边缘像素点的总数，如果总数为零，则滑动窗口内的所有像素点被分类为未变化；如果总数大于零，则将滑动窗口内的边缘像素点看作是潜在的变化像素，并设置为搜索点；
S3-4，计算双时相高分辨率遥感图像中搜索点位置及其周边区域的光谱差异值，若光谱差异值满足预设条件，则搜索点及其相邻像素点分类为变化区域；若不满足预设条件，则搜索点及其相邻像素点分类为未变化区域；
S3-5，重复S3-2、S3-3、S3-4三个步骤，直到预分类的结果保持稳定；其中，每次重复S3-2步骤时，在最新的预分类结果中设置滑动窗口；每次重复S3-3步骤时，计算当前滑动窗口内最新预分类结果的变化像素点的总数。
2.根据权利要求1所述的基于边缘映射和深度学习的遥感图像变化检测方法，其特征在于：所述步骤S4中具体包括以下处理步骤：
S4-1，对双时相高分辨率遥感图像进行超像素分割，并融合两个超像素分割边缘以获取统一的超像素分割边缘；
S4-2，用统一的超像素分割边缘来划分预分类结果；
S4-3，对于预分类结果图中的超像素，如果该超像素里的所有像素点中变化或未变化的像素点数均超过了指定比例，则这些像素点被选取为训练样本。
3.根据权利要求1所述的基于边缘映射和深度学习的遥感图像变化检测方法，其特征在于：所述步骤S5中具体包括以下处理步骤：
S5-1，神经网络参数和权重随机初始化；
S5-2，利用加噪的高分辨率遥感图像对神经网络进行预训练；
S5-3，利用步骤S4中筛选的训练样本对神经网络进行微调挖掘出高分辨率遥感图像对的差异特征；
S5-4，神经网络训练完成，输入高分辨率遥感图像对进行变化检测。
4.一种基于边缘映射和深度学习的遥感图像变化检测系统，其特征在于：所述系统包括：
边缘检测模块，用于分别提取出双时相高分辨率遥感图像的边缘信息；
边缘二值化模块，用于将边缘检测模块初步获取的初始边缘映射图进一步转换为二值图像，对初始边缘映射图分别进行简单阈值处理和自适应阈值处理，再融合两种阈值处理的结果，以获取边缘映射图的二值图像；
预分类模块，用于根据二值边缘映射获取双时相高分辨率遥感图像中显著的变化/未变化区域；
训练样本筛选模块，用于通过超像素分割理论来从预分类结果中筛选训练样本；
深度神经网络检测模块，用于对双时相高分辨率遥感图像进一步检测出更精确的变化/未变化区域；
所述预分类模块具体包括：
搜索点识别单元：根据二值边缘映射来分析并识别双时相高分辨率遥感图像中的搜索点；
光谱差异值计算单元：计算双时相高分辨率遥感图像中搜索点及其周边区域像素对的光谱差异值；
分析比较单元：验证搜索点及其相邻像素对的光谱差异值是否满足预设条件，若满足，则将搜索点及其相邻像素分类为变化区域，否则为未变化区域。
5.根据权利要求4所述的基于边缘映射和深度学习的遥感图像变化检测系统，其特征在于：所述深度神经网络检测模块具体包括：
预训练单元：利用加噪的高分辨率遥感图像预训练神经网络，使参数和权重获得较好的初始化；
微调单元：利用预分类模块中筛选的训练样本进一步有监督地训练深度神经网络，使其挖掘出高分辨率遥感图像对的差异特征；
变化检测单元：输入高分辨率遥感图像对，进行变化检测。
CN202010845118.XA 2020-08-20 2020-08-20 基于边缘映射和深度学习的遥感图像变化检测方法及系统 Active CN111967526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010845118.XA CN111967526B (zh) 2020-08-20 2020-08-20 基于边缘映射和深度学习的遥感图像变化检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010845118.XA CN111967526B (zh) 2020-08-20 2020-08-20 基于边缘映射和深度学习的遥感图像变化检测方法及系统

Publications (2)

Publication Number Publication Date
CN111967526A CN111967526A (zh) 2020-11-20
CN111967526B true CN111967526B (zh) 2023-09-22

Family

ID=73389735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010845118.XA Active CN111967526B (zh) 2020-08-20 2020-08-20 基于边缘映射和深度学习的遥感图像变化检测方法及系统

Country Status (1)

Country Link
CN (1) CN111967526B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990112B (zh) * 2021-04-20 2021-07-27 湖南大学 边缘引导的循环卷积神经网络建筑物变化检测方法及系统
CN117952901A (zh) * 2023-12-12 2024-04-30 中国人民解放军战略支援部队航天工程大学 基于生成对抗网络的多源异构图像变化检测方法及装置

Citations (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1607551A (zh) * 2003-08-29 2005-04-20 三星电子株式会社 基于图像的超现实主义三维脸部建模的方法和设备
CN101620732A (zh) * 2009-07-17 2010-01-06 南京航空航天大学 道路行驶线的视觉检测方法
CN102208023A (zh) * 2011-01-23 2011-10-05 浙江大学 基于边缘信息和分布熵的视频字幕识别设计方法
CN102426649A (zh) * 2011-10-13 2012-04-25 石家庄开发区冀科双实科技有限公司 一种简单的高准确率的钢印数字自动识别方法
CN104217438A (zh) * 2014-09-19 2014-12-17 西安电子科技大学 基于半监督的图像显著性检测方法
CN104392456A (zh) * 2014-12-09 2015-03-04 西安电子科技大学 基于深度自编码器和区域图的sar图像分割方法
CN104408706A (zh) * 2014-09-30 2015-03-11 天津艾思科尔科技有限公司 一种基于双波段图像的火灾检测及定位方法
CN105913082A (zh) * 2016-04-08 2016-08-31 北京邦焜威讯网络技术有限公司 一种对图像中目标进行分类的方法及系统
CN106250895A (zh) * 2016-08-15 2016-12-21 北京理工大学 一种光学遥感图像感兴趣区域检测方法
CN106408610A (zh) * 2015-04-16 2017-02-15 西门子公司 用边缘空间深度神经网络进行解剖对象检测的方法和系统
CN106780485A (zh) * 2017-01-12 2017-05-31 西安电子科技大学 基于超像素分割和特征学习的sar图像变化检测方法
CN106846354A (zh) * 2017-01-23 2017-06-13 中国人民解放军海军航空工程学院 一种基于图像分割和随机hough变换的架上图书清点方法
CN106875380A (zh) * 2017-01-12 2017-06-20 西安电子科技大学 一种基于无监督深度神经网络的异质图像变化检测方法
CN106937531A (zh) * 2014-06-14 2017-07-07 奇跃公司 用于产生虚拟和增强现实的方法和系统
CN107423707A (zh) * 2017-07-25 2017-12-01 深圳帕罗人工智能科技有限公司 一种基于复杂环境下的人脸情绪识别方法
CN107424159A (zh) * 2017-07-28 2017-12-01 西安电子科技大学 基于超像素边缘和全卷积网络的图像语义分割方法
CN107527054A (zh) * 2017-09-19 2017-12-29 西安电子科技大学 基于多视角融合的前景自动提取方法
WO2018055545A1 (en) * 2016-09-23 2018-03-29 International Business Machines Corporation Prediction of age related macular degeneration by image reconstruction
CN108109144A (zh) * 2017-12-29 2018-06-01 广州柏视医疗科技有限公司 一种钼靶图像中乳头位置自动检测方法
CN108345850A (zh) * 2018-01-23 2018-07-31 哈尔滨工业大学 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法
CN108573276A (zh) * 2018-03-12 2018-09-25 浙江大学 一种基于高分辨率遥感影像的变化检测方法
CN108696764A (zh) * 2017-04-01 2018-10-23 英特尔公司 用于360视频的运动向量/模式预测、基于感兴趣区域的发射、元数据捕获和格式检测
CN109598736A (zh) * 2018-11-30 2019-04-09 深圳奥比中光科技有限公司 深度图像与彩色图像的配准方法及装置
CN109949345A (zh) * 2019-02-21 2019-06-28 西北大学 基于神经网络的获取非均衡sar图像变化检测图的方法
CN110033471A (zh) * 2019-04-19 2019-07-19 福州大学 一种基于连通域分析和形态学操作的框线检测方法
CN110033431A (zh) * 2019-02-26 2019-07-19 北方工业大学 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
CN110261436A (zh) * 2019-06-13 2019-09-20 暨南大学 基于红外热成像和计算机视觉的轨道故障检测方法及系统
CN110443822A (zh) * 2019-07-16 2019-11-12 浙江工业大学 一种语义边缘辅助的高分遥感目标精细提取方法
CN111292346A (zh) * 2020-01-16 2020-06-16 安徽理工大学 一种噪声环境下浇铸箱体轮廓的检测方法
CN111340826A (zh) * 2020-03-25 2020-06-26 南京林业大学 基于超像素与拓扑特征的航拍图像单株树冠分割算法

Patent Citations (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1607551A (zh) * 2003-08-29 2005-04-20 三星电子株式会社 基于图像的超现实主义三维脸部建模的方法和设备
CN101620732A (zh) * 2009-07-17 2010-01-06 南京航空航天大学 道路行驶线的视觉检测方法
CN102208023A (zh) * 2011-01-23 2011-10-05 浙江大学 基于边缘信息和分布熵的视频字幕识别设计方法
CN102426649A (zh) * 2011-10-13 2012-04-25 石家庄开发区冀科双实科技有限公司 一种简单的高准确率的钢印数字自动识别方法
CN106937531A (zh) * 2014-06-14 2017-07-07 奇跃公司 用于产生虚拟和增强现实的方法和系统
CN104217438A (zh) * 2014-09-19 2014-12-17 西安电子科技大学 基于半监督的图像显著性检测方法
CN104408706A (zh) * 2014-09-30 2015-03-11 天津艾思科尔科技有限公司 一种基于双波段图像的火灾检测及定位方法
CN104392456A (zh) * 2014-12-09 2015-03-04 西安电子科技大学 基于深度自编码器和区域图的sar图像分割方法
CN106408610A (zh) * 2015-04-16 2017-02-15 西门子公司 用边缘空间深度神经网络进行解剖对象检测的方法和系统
CN105913082A (zh) * 2016-04-08 2016-08-31 北京邦焜威讯网络技术有限公司 一种对图像中目标进行分类的方法及系统
CN106250895A (zh) * 2016-08-15 2016-12-21 北京理工大学 一种光学遥感图像感兴趣区域检测方法
WO2018055545A1 (en) * 2016-09-23 2018-03-29 International Business Machines Corporation Prediction of age related macular degeneration by image reconstruction
CN106780485A (zh) * 2017-01-12 2017-05-31 西安电子科技大学 基于超像素分割和特征学习的sar图像变化检测方法
CN106875380A (zh) * 2017-01-12 2017-06-20 西安电子科技大学 一种基于无监督深度神经网络的异质图像变化检测方法
CN106846354A (zh) * 2017-01-23 2017-06-13 中国人民解放军海军航空工程学院 一种基于图像分割和随机hough变换的架上图书清点方法
CN108696764A (zh) * 2017-04-01 2018-10-23 英特尔公司 用于360视频的运动向量/模式预测、基于感兴趣区域的发射、元数据捕获和格式检测
CN107423707A (zh) * 2017-07-25 2017-12-01 深圳帕罗人工智能科技有限公司 一种基于复杂环境下的人脸情绪识别方法
CN107424159A (zh) * 2017-07-28 2017-12-01 西安电子科技大学 基于超像素边缘和全卷积网络的图像语义分割方法
CN107527054A (zh) * 2017-09-19 2017-12-29 西安电子科技大学 基于多视角融合的前景自动提取方法
CN108109144A (zh) * 2017-12-29 2018-06-01 广州柏视医疗科技有限公司 一种钼靶图像中乳头位置自动检测方法
CN108345850A (zh) * 2018-01-23 2018-07-31 哈尔滨工业大学 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法
CN108573276A (zh) * 2018-03-12 2018-09-25 浙江大学 一种基于高分辨率遥感影像的变化检测方法
CN109598736A (zh) * 2018-11-30 2019-04-09 深圳奥比中光科技有限公司 深度图像与彩色图像的配准方法及装置
CN109949345A (zh) * 2019-02-21 2019-06-28 西北大学 基于神经网络的获取非均衡sar图像变化检测图的方法
CN110033431A (zh) * 2019-02-26 2019-07-19 北方工业大学 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
CN110033471A (zh) * 2019-04-19 2019-07-19 福州大学 一种基于连通域分析和形态学操作的框线检测方法
CN110261436A (zh) * 2019-06-13 2019-09-20 暨南大学 基于红外热成像和计算机视觉的轨道故障检测方法及系统
CN110443822A (zh) * 2019-07-16 2019-11-12 浙江工业大学 一种语义边缘辅助的高分遥感目标精细提取方法
CN111292346A (zh) * 2020-01-16 2020-06-16 安徽理工大学 一种噪声环境下浇铸箱体轮廓的检测方法
CN111340826A (zh) * 2020-03-25 2020-06-26 南京林业大学 基于超像素与拓扑特征的航拍图像单株树冠分割算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Stacked convolutional denoising auto-encoders for feature representation;Du, Bo等;《IEEE transactions on cybernetics》;第47卷(第4期);第1017-1027页 *
面向复杂场景的烟雾检测研究与实现;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第6期);第C038-791页 *

Also Published As

Publication number Publication date
CN111967526A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
Chaudhuri et al. Automatic building detection from high-resolution satellite images based on morphology and internal gray variance
Huang et al. Morphological building/shadow index for building extraction from high-resolution imagery over urban areas
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
Huang et al. Building change detection from multitemporal high-resolution remotely sensed images based on a morphological building index
CN113887459B (zh) 一种基于改进Unet++的露天矿区采场变化区域检测方法
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN108804992B (zh) 一种基于深度学习的人群统计方法
CN111967526B (zh) 基于边缘映射和深度学习的遥感图像变化检测方法及系统
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
Herrault et al. Automatic extraction of forests from historical maps based on unsupervised classification in the CIELab color space
Rasooli et al. Farsi license plate detection based on element analysis and characters recognition
Zuo et al. A remote sensing image semantic segmentation method by combining deformable convolution with conditional random fields
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法
CN114241314A (zh) 一种基于CenterNet的遥感影像建筑物变化检测模型及算法
CN113936034A (zh) 一种结合帧间光流的表观运动联合弱小运动目标检测方法
CN110084203B (zh) 基于上下文关联的全卷积网络飞机层级检测方法
Albalooshi et al. Deep belief active contours (DBAC) with its application to oil spill segmentation from remotely sensed sea surface imagery
Akcay et al. Morphological segmentation of urban structures
CN113591740B (zh) 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
CN112419266B (zh) 一种地表覆盖类别约束的遥感影像变化检测方法
CN114596433A (zh) 一种绝缘子识别方法
CN113963270A (zh) 一种高分遥感影像建筑物检测方法
CN113657351A (zh) 基于深度学习的高分遥感影像林草变化检测装置及方法
CN112801028A (zh) 基于归纳表示学习网络的光谱和空间图高光谱图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant