CN112906638A - 一种基于多层次监督和深度度量学习的遥感变化检测方法 - Google Patents
一种基于多层次监督和深度度量学习的遥感变化检测方法 Download PDFInfo
- Publication number
- CN112906638A CN112906638A CN202110295727.7A CN202110295727A CN112906638A CN 112906638 A CN112906638 A CN 112906638A CN 202110295727 A CN202110295727 A CN 202110295727A CN 112906638 A CN112906638 A CN 112906638A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- change
- sensing image
- resolution
- double
- 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.)
- Pending
Links
- 230000008859 change Effects 0.000 title claims abstract description 112
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000005259 measurement Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000004069 differentiation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000006722 reduction reaction Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000014616 translation Effects 0.000 claims description 3
- 238000007514 turning Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多层次监督和深度度量学习的遥感变化检测方法，包括：S1：获取若干幅可用于双时相变化检测的高分辨率遥感影像；S2：基于当前已有的数据资料和人工先验知识，通过目视解译，勾绘高分辨率遥感影像之间的变化区域，获得高分辨率遥感影像之间像素级的变化标记，基于已有的遥感影像对和变化标记，将其裁剪为若干特定尺寸大小的影像对，得到面向双时相变化检测的高分辨率遥感影像数据集；S3：构建基于多层次监督和深度度量学习的遥感变化检测模型；S4：对步骤S3构建的模型进行训练；S5：将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图。本发明提高了检测效率和检测精度。
Description
技术领域
本发明涉及遥感地理信息技术领域，更具体地，涉及一种基于多层次监督和深度度量学习的遥感变化检测方法。
背景技术
变化检测是对同一区域不同阶段地表变化进行定量分析的过程，对于环境调查、地质灾害监测、土地覆盖调查和城市规划等领域具有重要意义。近几十年来，随着生态环境的恶化，定期监测和分析土地覆被变化变得越来越重要。随着遥感技术的成熟与广泛的应用，覆盖范围广、时效性高、成本低的多源的遥感影像提供了不同光谱特征、空间特征、纹理特征，为遥感变化检测提供了可靠的数据来源。近年来，大数据的快速发展和高计算能力的普及促进了深度学习的蓬勃发展，在许多领域取得了显著的成就，包括遥感影像解译。卷积神经网络是一种功能强大的深度学习结构，能够从卫星图像中自动提取具有丰富光谱和空间特征的多层次特征，用于分类。因此，基于深度学习框架的变化检测方法在近年来取得了优异的成绩。
在现有技术中，公开号为CN109063569A，中国发明专利于2018年12月21日公开了一种基于遥感影像的语义级变化检测方法，技术核心是设计一个针对语义级变化检测的全卷积神经网络。该方法包含四个步骤：步骤一：制作数据集；步骤二：搭建全卷积神经网络网络；步骤三：训练全卷积神经网络；步骤四：遥感影像变化检测，得到最终的提取结果。该方案解决的是语义级的遥感变化检测，其使用的是全卷积的神经网络，该方法检测效果不佳。
发明内容
本发明为克服上述现有技术遥感变化检测效率低、检测精度不佳的缺陷，提供一种基于多层次监督和深度度量学习的遥感变化检测方法。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，包括以下步骤：
S1：获取若干幅可用于双时相变化检测的高分辨率遥感影像；
S2：基于当前已有的数据资料和人工先验知识，通过目视解译，勾绘高分辨率遥感影像之间的变化区域，获得高分辨率遥感影像之间像素级的变化标记，基于已有的遥感影像对和变化标记，将高分辨率遥感影像裁剪为若干特定尺寸大小的影像对，得到面向双时相变化检测的高分辨率遥感影像数据集；
S3：构建基于多层次监督和深度度量学习的遥感变化检测模型；
S4：利用面向双时相变化检测的高分辨率遥感影像数据集对步骤S3构建的模型进行训练；
S5：将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图。
进一步的，步骤S1所述的高分辨率遥感影像为双时相遥感影像，所述遥感影像为相同区域、相同分辨率、不同年份的遥感图像。
进一步的，步骤S1的具体过程为：
S101：从公开的数据网站选择并下载若干幅与待检测区域云量分布相似的两期高分辨率遥感影像数据；
S102：根据所下载的高分辨率遥感影像数据提供的数据描述文档，分别对高分辨率遥感影像数据进行预处理。
进一步的，所述的预处理分别从如下方面进行，具体包括：数据的DN值、投影坐标系、辐射定标、辐射校正、镶嵌、裁剪、直方图匹配。
进一步的，步骤S2的具体过程为：
S201：对步骤S1得到的高分辨率遥感图像进行减小差异化处理，所述减小差异化处理包括：空间滤波、直方图匹配、直方图滤波；
S202：对减小差异化处理后的高分辨率遥感图像进行地理配准；
S203：根据当前已有的数据资料和人工先验知识对配准后的图像中的变化区域标记；
S204：标记完成后将标签矢量数据转换为栅格数据，并采用随机采样和随机数据增强的方式，分别从步骤S1的高分辨率遥感影像和变化标记中采集设定数量的样本，得到面向双时相变化检测的高分辨率遥感影像数据集。
进一步的，所述随机数据增强方式包括：旋转、镜像翻转、放大缩小、平移、高斯噪声、色彩抖动、对比度变换。
进一步的，所述基于多层次监督和深度度量学习的遥感变化检测模型包括：特征提取模块、度量模块，
所述特征提取模块采用权值共享的Siamese结构，用于提取双时相遥感影像的多层次特征对；
所述度量模块用于融合特征提取模块提取的特征，并采用CBAM注意力机制对融合后的特征对进行注意力处理，然后，通过计算特征对之间的欧式距离，并与标签数据比较，通过深度度量学习拉近非变化特征之间的距离，推远变化特征之间的距离，进而得到准确的变化图。
进一步的，所述模型还包括多层次监督模块，所述多层次监督模块作用于特征提取模块的中间特征中，用以提高特征提取模块提取更具有鲁棒性和代表性的特征。
进一步的，步骤S4中对步骤S3构建的模型进行训练通过调整训练参数对模型进行训练，所述训练参数包括：训练次数、批量大小、优化器、初始学习率设置、损失函数。
进一步的，步骤S5中将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图具体步骤包括：
S501：检查待检测的双时相遥感影像在空间特征、光谱特征、纹理特征、分辨率和投影上是否有差异，若存在差异则进行减小差异化处理，然后进行地理配准，将配准后的双时相遥感影像裁剪至预设的尺寸；
S502：将裁剪得到的双时相遥感影像输入利用步骤4训练好的模型中，得到待检测区域的变化栅格图；
与现有技术相比，本发明技术方案的有益效果是：
本发明通过构建可用于双时相变化检测的高分辨率遥感影像数据集，用于训练检测模型，得到的检测模型可以用于双时相遥感影像的变化检测和识别，提高检测效率和检测精度。
附图说明
图1为本发明方法流程图。
图2为本发明基于多层次监督和深度度量学习的遥感变化检测模型示意图。
图3为本发明实施例中待检测区域土地利用变化图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示，一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，包括以下步骤：
S1：获取若干幅可用于双时相变化检测的高分辨率遥感影像；
需要说明的是，获取的高分辨率遥感影像为双时相遥感影像，所述双时相遥感影像为相同区域、相同分辨率、不同年份的遥感图像，同时影像要清晰，不受云雾干扰。尽可能选择影像色调一致、正射的影像对，以减少色差和地物偏移的影响。
步骤S1的具体过程为：
S101：从公开的数据网站选择并下载若干幅与待检测区域云量分布相似的两期高分辨率遥感影像数据；公开的数据网站例如COPERNICUS OPEN ACCESS HUB、USGS EARTHEXPLORER、USGS EARTH EXPLORER等开放网站；
S102：根据所下载的高分辨率遥感影像数据提供的数据描述文档，分别从数据的DN值、投影坐标系、辐射定标、辐射校正、镶嵌、裁剪、直方图匹配等方面对高分辨率遥感影像数据进行预处理。
S2：基于当前已有的数据资料和人工先验知识，通过目视解译，勾绘高分辨率遥感影像之间的变化区域，获得高分辨率遥感影像之间像素级的变化标记，基于已有的遥感影像对和变化标记，将高分辨率遥感影像裁剪为若干特定尺寸大小的影像对，得到面向双时相变化检测的高分辨率遥感影像数据集；
步骤S2的具体过程为：
S201：考虑到双时相遥感影像对可能出自不同遥感源，需要检查其在空间特征、光谱特征、纹理特征、分辨率和投影上是否有明显差异，若存在差异则对步骤S1预处理得到的高分辨率遥感图像进行减小差异化处理，所述减小差异化处理包括：空间滤波、直方图匹配、直方图滤波；
S202：对减小差异化处理后的高分辨率遥感图像进行地理配准；
更具体的，首先利用地理配准工具对两幅高分辨率遥感影像进行配准，在遵循配准点均匀分布、特征明显不易变化的前提下考虑两种情况：若两幅影像像元之间偏差较为均匀可以采仿射变换对待配准影像进行校正；若某期影像可能是用多副影像拼接而来，会导致两期影像像元之间偏差无规则，即有的区域偏差大、有的区域偏差小，可采用样条函数对带配准影像进行校正。
S203：根据当前已有的数据资料和人工先验知识对配准后的图像中的变化区域标记；
S204：标记完成后将标签矢量数据转换为栅格数据，并采用随机采样和随机数据增强的方式，分别从配准后的图像和变化标记中采集设定数量的样本，得到面向双时相变化检测的高分辨率遥感影像数据集。所述随机数据增强方式包括：旋转、镜像翻转、放大缩小、平移、高斯噪声、色彩抖动、对比度变换。
图2示出了基于多层次监督和深度度量学习的遥感变化检测模型示意图。
S3：构建基于多层次监督和深度度量学习的遥感变化检测模型；
具体包括：
所述特征提取模块采用权值共享的Siamese结构，用于提取双时相遥感影像的多层次特征对；
所述度量模块用于融合特征提取模块提取的特征，并采用CBAM注意力机制对融合后的特征对进行注意力处理，然后，通过计算特征对之间的欧式距离，并与标签数据比较，通过深度度量学习拉近非变化特征之间的距离，推远变化特征之间的距离，进而得到准确的变化图。
其中，本发明中所述模型还包括多层次监督模块，所述多层次监督模块作用于特征提取模块的中间特征中，用以提高特征提取模块提取更具有鲁棒性和代表性的特征。。
S4：利用面向双时相变化检测的高分辨率遥感影像数据集对步骤S3构建的模型进行训练；
进一步的，在本发明中通过调整训练参数对模型进行训练，所述训练参数包括：训练次数、批量大小、优化器、初始学习率设置、损失函数。
S5：将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图。
S501：检查待检测的双时相遥感影像在空间特征、光谱特征、纹理特征、分辨率和投影上是否有差异，若存在差异则进行减小差异化处理，然后进行地理配准，将配准后的双时相遥感影像裁剪至预设的尺寸；
S502：将步骤S501得到的双时相遥感影像输入利用步骤4训练好的深度学习模型中，得到待检测区域的变化栅格图。
实施例2
步骤1获取可用于双时相变化检测的高分辨率遥感影像，即双时相遥感影像
根据待检测区域所在范围和时间，选择两期分辨率为0.5米的、覆盖待检测区域大部分范围的无人机影像的作为影像数据源用于变化检测数据集的构建。首先检查双时相遥感影像在空间特征、光谱特征、纹理特征、分辨率和投影上是否有差异，适当采取方法，如空间滤波、直方图匹配、直方图归一化等操作进行预处理。用于变化检测的双时相遥感影像需要严格的地理配准。可以利用地理配准工具对两幅高分辨率遥感影像进行配准，在遵循配准点均匀分布、特征明显不易变化的前提下考虑两种情况：若两幅影像像元之间偏差较为均匀可以采仿射变换对待配准影像进行校正；若某期影像可能是用多副影像拼接而来，会导致两期影像像元之间偏差无规则，即有的区域偏差大、有的区域偏差小，可采用样条函数对带配准影像进行校正。
步骤2：构建面向双时相变化检测的高分辨率遥感影像数据集
基于当前已有的数据资料和人工先验知识，通过目视解译，勾绘双时相遥感影像之间的变化区域，获得影像之间的矢量变化标记。将标记完成后将标签矢量数据转换为栅格数据，并采用随机采样和随机数据增强的方式，从配准后的图像对和变化标记中采集一定数量的样本，构建数据集。可选择的数据增广方法有：旋转、镜像翻转、放大缩小、平移、高斯噪声、色彩抖动、对比度变换等。最终得到20451对256×256大小的样本对，每个样本对包含两个相同区域不同时相的影像块和对应的变化标记，其中0代表未变化区域，1代表变化区域。数据集中的主要变化有：(1)新建建筑用地；(2)生产建设用地；(3)新增公共用地；(4)草地变化；(5)新增道路用地；(6)海岸建设。其中，将数据集划分为9：1分别用于作为训练集和测试集，其中训练集又被划分为9：1用于训练过程中的训练和验证。
步骤3：设计基于多层次监督和深度度量学习的遥感变化检测模型
双时相变化检测的任务是检测出相同区域不同时相的两幅影像之间的土地变化范围。由于影像的获取条件不同，导致影像之间的辐射差异和地物偏移等造成的差异有时候会盖过真实的变化，导致变化图中包含很多的伪变化。因此，需要更有效的特征提取方法，获得更具有鲁棒性和可区分性的特征，尽可能减少外部因素导致的伪变化，提高变化检测的精度。
针对上述问题，设计基于多层次监督和深度度量学习的遥感变化检测模型。该模型包括三个模块：特征提取模块、度量模块和多层次监督模块。下面依次介绍每个模块的组成和作用：
特征提取模块采用权值共享的Siamese结构，用于从双时相遥感影像中提取特征。特征提取模块的结构基于ResNet-18设计，并在训练阶段，加载预先训练好的ResNet-18的参数，帮助模型更快的收敛。为了实现语义分割，去掉了原始的ResNet-18用于图像分类的全局池化层和全连接层。
特征提取模块包含五个阶段。第一个阶段为卷积核大小为7×7的卷积层，用于从输入图像中提取低层特征。剩下四个阶段都是basic block。需要说明的是，前两个基本块的stride为2，这意味着特征图经过后尺度将减少一半，而后两个基本块的stride为1，因此特征尺度输入前后不变。四个basic block的维度依次为64、128、256和512。除了最后一层的特征之外，特征提取模块的中间特征也都被输出以供后续处理。
所述度量模块用于融合特征提取模块提取的特征，并采用CBAM注意力机制对融合后的特征对进行注意力处理，然后，通过计算特征对之间的欧式距离，并与标签数据比较，通过深度度量学习拉近非变化特征之间的距离，推远变化特征之间的距离，进而得到准确的变化图。
更具体的，为了充分结合低级特征的空间信息和高层特征中丰富的语义信息，将来自特征提取模块中四个不同尺度的特征，重采样到相同尺度大小后级联起来，得到一个新的特征对。然后采用一对CBAM注意力机制模块，对融合后的特征对进行处理，强调特征里的变化信息，并抑制非变化信息。
然后计算特征对之间的欧式距离，并与标签数据比较，通过深度度量学习拉近非变化特征之间的距离，推远变化特征之间的距离，进而得到准确的变化图。
所述模型还包括多层次监督模块，多层次监督模块作用于特征提取模块的中间特征中，用以提高特征提取模块提取更具有鲁棒性和代表性的特征。
更具体的，大多数传统的端到端CNN网络只在输出层提供监督，来对整个网络进行训练。然而，由于深层卷积网络中间隐含层的训练不透明，并且缺乏监督，使得隐含层难以学习到有效特征，尤其是在深层网络中，从而影响了后续的预测。因此，在本发明的模型中引入多层次监督模块来解决上述问题。多层次监督模块是在训练过程中，通过引入伴随目标作为隐含层的软约束，为隐含层网络提供一个直接监督，以帮助隐含层学习和更鲁棒性和可区别性的特征。在检测模型中，引入两个多层次监督层，作用于特征提取模块的中间特征中，通过直接上采样得到与原始双时相遥感影像大小相同的变化图，并与配准后标记的图像对比。
步骤4：基于多层次监督和深度度量学习的遥感变化检测模型的训练
用构建好的高分辨率遥感影像数据集，从模型的参数复杂度、损失函数、评估函数、预训练权重、后端特征提取网络等方面考虑，选择合适的参数对深度模型进行训练。在具体的实施例中，设置的训练次数为200，优化器为Adam，初始学习率为0.0001，训练批次大小为8。此外，采用了一个混合损失函数来帮助模型训练，在度量模块计算得到对比损失函数，多层次监督模块的损失函数为dice loss，最后将两个模块的损失结合起来，共同引导模型训练和学习。
步骤5：土地用地变化检测
将高分辨率遥感影像数据集中的测试集输入步骤4训练好的模型中，得到待检测区域的变化栅格图。图3示出了待检测区域土地利用变化。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，包括以下步骤：
S1：获取若干幅可用于双时相变化检测的高分辨率遥感影像；
S2：基于当前已有的数据资料和人工先验知识，通过目视解译，勾绘高分辨率遥感影像之间的变化区域，获得高分辨率遥感影像之间像素级的变化标记，基于已有的遥感影像对和变化标记，将高分辨率遥感影像裁剪为若干特定尺寸大小的影像对，得到面向双时相变化检测的高分辨率遥感影像数据集；
S3：构建基于多层次监督和深度度量学习的遥感变化检测模型；
S4：利用面向双时相变化检测的高分辨率遥感影像数据集对步骤S3构建的模型进行训练；
S5：将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图。
2.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S1所述的高分辨率遥感影像为双时相遥感影像，所述双时相遥感影像为相同区域、相同分辨率、不同年份的遥感图像。
3.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S1的具体过程为：
S101：从公开的数据网站选择并下载若干幅与待检测区域云量分布相似的两期高分辨率遥感影像数据；
S102：根据所下载的高分辨率遥感影像数据提供的数据描述文档，分别对高分辨率遥感影像数据进行预处理。
4.根据权利要求3所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，所述的预处理分别从如下方面进行，具体包括：数据的DN值、投影坐标系、辐射定标、辐射校正、镶嵌、裁剪、直方图匹配。
5.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S2的具体过程为：
S201：对步骤S1得到的高分辨率遥感图像进行减小差异化处理，所述减小差异化处理包括：空间滤波、直方图匹配、直方图滤波；
S202：对减小差异化处理后的高分辨率遥感图像进行地理配准；
S203：根据当前已有的数据资料和人工先验知识对配准后的图像中的变化区域标记；
S204：标记完成后将标签矢量数据转换为栅格数据，并采用随机采样和随机数据增强的方式，分别从配准后的图像和变化标记中采集设定数量的样本，得到面向双时相变化检测的高分辨率遥感影像数据集。
6.根据权利要求5所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，所述随机数据增强方式包括：旋转、镜像翻转、放大缩小、平移、高斯噪声、色彩抖动、对比度变换。
7.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，所述基于多层次监督和深度度量学习的遥感变化检测模型包括：特征提取模块、度量模块，
所述特征提取模块采用权值共享的Siamese结构，用于提取双时相遥感影像的多层次特征对；
所述度量模块用于融合特征提取模块提取的特征，并采用CBAM注意力机制对融合后的特征对进行注意力处理，然后，通过计算特征对之间的欧式距离，并与标签数据比较，通过深度度量学习拉近非变化特征之间的距离，推远变化特征之间的距离，进而得到准确的变化图。
8.根据权利要求7所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，所述模型还包括多层次监督模块，所述多层次监督模块作用于特征提取模块的中间特征中，用以提高特征提取模块提取更具有鲁棒性和代表性的特征。
9.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S4中对步骤S3构建的模型进行训练通过调整训练参数对模型进行训练，所述训练参数包括：训练次数、批量大小、优化器、初始学习率设置、损失函数。
10.根据权利要求1所述的一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，步骤S5中将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图具体步骤包括：
S501：检查待检测的双时相遥感影像在空间特征、光谱特征、纹理特征、分辨率和投影上是否有差异，若存在差异则进行减小差异化处理，然后进行地理配准，将配准后的双时相遥感影像裁剪至预设的尺寸；
S502：裁剪后的双时相遥感影像输入利用步骤4训练好的模型中，得到待检测区域的变化栅格图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110295727.7A CN112906638A (zh) | 2021-03-19 | 2021-03-19 | 一种基于多层次监督和深度度量学习的遥感变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110295727.7A CN112906638A (zh) | 2021-03-19 | 2021-03-19 | 一种基于多层次监督和深度度量学习的遥感变化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112906638A true CN112906638A (zh) | 2021-06-04 |
Family
ID=76105536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110295727.7A Pending CN112906638A (zh) | 2021-03-19 | 2021-03-19 | 一种基于多层次监督和深度度量学习的遥感变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906638A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469074A (zh) * | 2021-07-06 | 2021-10-01 | 西安电子科技大学 | 基于孪生注意力融合网络的遥感图像变化检测方法及系统 |
| CN113705340A (zh) * | 2021-07-16 | 2021-11-26 | 电子科技大学 | 一种基于雷达遥感数据的深度学习变化检测方法 |
| CN114120141A (zh) * | 2021-11-23 | 2022-03-01 | 深圳航天智慧城市系统技术研究院有限公司 | 一种可全天候遥感监测自动分析方法及其系统 |
| CN114708514A (zh) * | 2022-03-29 | 2022-07-05 | 中山大学 | 一种基于深度学习的森林砍伐变化的检测方法及装置 |
| CN115082780A (zh) * | 2022-05-25 | 2022-09-20 | 西北工业大学 | 基于增量式差异学习网络的多源异质影像变化检测方法 |
| CN116481600A (zh) * | 2023-06-26 | 2023-07-25 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
| CN117576517A (zh) * | 2024-01-15 | 2024-02-20 | 西南交通大学 | 一种光学遥感影像自监督对比学习变化检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140064554A1 (en) * | 2011-11-14 | 2014-03-06 | San Diego State University Research Foundation | Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery |
| CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
| CN111325771A (zh) * | 2020-02-17 | 2020-06-23 | 武汉大学 | 基于影像融合框架的高分辨率遥感影像变化检测方法 |
| CN111539316A (zh) * | 2020-04-22 | 2020-08-14 | 中南大学 | 基于双注意力孪生网络的高分遥感影像变化检测方法 |
-
2021
- 2021-03-19 CN CN202110295727.7A patent/CN112906638A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140064554A1 (en) * | 2011-11-14 | 2014-03-06 | San Diego State University Research Foundation | Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery |
| CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
| CN111325771A (zh) * | 2020-02-17 | 2020-06-23 | 武汉大学 | 基于影像融合框架的高分辨率遥感影像变化检测方法 |
| CN111539316A (zh) * | 2020-04-22 | 2020-08-14 | 中南大学 | 基于双注意力孪生网络的高分遥感影像变化检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| XINYU DOU ET.AL: "Super-Resolution for Hyperspectral Remote Sensing Images Based on the 3D Attention-SRGAN Network", 《REMOTE SENSING》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469074A (zh) * | 2021-07-06 | 2021-10-01 | 西安电子科技大学 | 基于孪生注意力融合网络的遥感图像变化检测方法及系统 |
| CN113469074B (zh) * | 2021-07-06 | 2023-12-19 | 西安电子科技大学 | 基于孪生注意力融合网络的遥感图像变化检测方法及系统 |
| CN113705340A (zh) * | 2021-07-16 | 2021-11-26 | 电子科技大学 | 一种基于雷达遥感数据的深度学习变化检测方法 |
| CN113705340B (zh) * | 2021-07-16 | 2023-04-07 | 电子科技大学 | 一种基于雷达遥感数据的深度学习变化检测方法 |
| CN114120141A (zh) * | 2021-11-23 | 2022-03-01 | 深圳航天智慧城市系统技术研究院有限公司 | 一种可全天候遥感监测自动分析方法及其系统 |
| CN114708514A (zh) * | 2022-03-29 | 2022-07-05 | 中山大学 | 一种基于深度学习的森林砍伐变化的检测方法及装置 |
| CN115082780A (zh) * | 2022-05-25 | 2022-09-20 | 西北工业大学 | 基于增量式差异学习网络的多源异质影像变化检测方法 |
| CN115082780B (zh) * | 2022-05-25 | 2024-03-19 | 西北工业大学 | 基于增量式差异学习网络的多源异质影像变化检测方法 |
| CN116481600A (zh) * | 2023-06-26 | 2023-07-25 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
| CN116481600B (zh) * | 2023-06-26 | 2023-10-20 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
| CN117576517A (zh) * | 2024-01-15 | 2024-02-20 | 西南交通大学 | 一种光学遥感影像自监督对比学习变化检测方法及装置 |
| CN117576517B (zh) * | 2024-01-15 | 2024-04-12 | 西南交通大学 | 一种光学遥感影像自监督对比学习变化检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906638A (zh) | 一种基于多层次监督和深度度量学习的遥感变化检测方法 | |
| CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| CN112949549B (zh) | 一种基于超分辨率的多分辨率遥感影像的变化检测方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
| CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
| CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN111598101B (zh) | 基于遥感影像场景分割的城区智能提取方法、系统及设备 | |
| CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN114898097B (zh) | 图像识别方法及系统 | |
| CN112419196B (zh) | 一种基于深度学习的无人机遥感影像阴影去除方法 | |
| Hosseinpoor et al. | Convolutional neural network for building extraction from high-resolution remote sensing images | |
| CN112906662A (zh) | 一种遥感图像变化检测方法、装置、设备及存储介质 | |
| CN111104850A (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
| CN113160239A (zh) | 一种违法用地检测方法及装置 | |
| CN113837134A (zh) | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 | |
| CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
| CN114067205A (zh) | 一种轻量型的任意尺度双时相影像变化检测方法 | |
| Lu et al. | Gre and beyond: A global road extraction dataset | |
| CN105631849A (zh) | 多边形目标的变化检测方法及装置 | |
| CN116823896A (zh) | 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 | |
| CN116385892A (zh) | 基于目标上下文卷积神经网络的数字高程模型提取方法 | |
| Spasov et al. | Transferability assessment of open-source deep learning model for building detection on satellite data | |
| CN114821370A (zh) | 基于无人机影像与U-Net的单木树冠检测与分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |