CN112906662B - 一种遥感图像变化检测方法、装置、设备及存储介质 - Google Patents
一种遥感图像变化检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112906662B CN112906662B CN202110360640.3A CN202110360640A CN112906662B CN 112906662 B CN112906662 B CN 112906662B CN 202110360640 A CN202110360640 A CN 202110360640A CN 112906662 B CN112906662 B CN 112906662B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- network
- sensing image
- change detection
- sanet
- 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
Links
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
- G06V20/176—Urban or other man-made structures
-
- 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
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)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种遥感图像变化检测方法、装置、设备及存储介质,包括:对遥感图像进行图像预处理,并制作数据集;通过FPN网络建立多尺度特征集;采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至SANet+网络进行预训练;SANet+网络包含三种不同尺度的网络输入层,经网络计算后得到差异特征,在网络最后使用1*1的卷积核混合差异特征信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果;通过迁移学习再次训练SANet+网络,获得训练好的模型;将待测遥感图像输入至训练好的模型,获取变化检测结果。这样可以保证变化检测结果地物的完整性,提高变化检测的提取精度和处理效率。
Description
技术领域
本发明涉及遥感数据处理技术领域,特别是涉及一种遥感图像变化检测方法、装置、设备及存储介质。
背景技术
目前,具有快速、覆盖范围广、周期性等特点的对地观测的遥感技术已成为地理国情监测数据获取的重要手段。随着遥感技术的不断发展,影像分辨率的不断提高,高分辨率影像能提供更丰富的地理、地形等空间信息,方便快捷,且定位精确、一致性强,其几何结构和纹理特征能更好的表达地类地物的信息,因此被广泛应用于建筑物、矿区等小区域信息提取。然而随着空间分辨率的提高,高分辨率遥感影像光谱信息较中低分辨率遥感影像会减少,“同物异谱、同谱异物”现象的普遍存在直接影响了地物识别与变化检测的效果;此外,随着高分辨率遥感影像资源日益丰富,需要处理的数据量也迅速增加,对计算机的配置要求也越来越高。因此对于适用于高分辨率遥感影像的变化检测方法的研究与探索是变化检测领域的热点之一。
传统的遥感图像变化检测,需要对不同时期的两幅图像进行裁剪、配准、辐射校正等预处理,然后采用差值、比值等不同的方法构造差异图进行变化区域提取;传统变化检测方法存在预处理过程要求严格,需要人工干预,自动化程度低,导致变化检测处理效率低。伴随着深度置信网络(Deep Belief Network,DBN)、卷积神经网络(Convolutional NeuralNetwork,CNN)和循环神经网络(Recurrent Neural Networks,RNN)等具有强特征学习能力的网络模型的出现,以及计算机硬件的发展,使得基于深度学习方法的遥感影像变化检测研究成为前沿热点方向。但是样本标签的缺乏是深度学习在变化检测中面临的重要问题。
发明内容
有鉴于此,本发明的目的在于提供一种遥感图像变化检测方法、装置、设备及存储介质,可以提高变化检测处理效率和变化类型检测精度。其具体方案如下:
一种遥感图像变化检测方法,包括:
对遥感图像进行图像预处理,并制作数据集;
将所述数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集;
采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至所述SANet+网络进行预训练;所述SANet+网络的网络输入层为三种不同尺度的网络输入层,经网络计算后得到差异特征,在网络最后使用1*1的卷积核混合所述差异特征的信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果;
通过迁移学习再次训练所述SANet+网络,获得训练好的所述遥感图像变化检测模型;
将待测遥感图像输入至训练好的所述遥感图像变化检测模型,获取变化检测结果。
优选地,在本发明实施例提供的上述遥感图像变化检测方法中,对遥感图像进行图像预处理,具体包括:
将两时相遥感图像依次裁剪为设定大小的标准图像;
对裁剪后的所述标准图像进行相对配准,在配准过程中均匀地选取多个同名像点,通过配准误差控制在0.5像元以内;
利用伪不变特征点方法进行线性相对辐射校正。
优选地,在本发明实施例提供的上述遥感图像变化检测方法中,利用伪不变特征点方法进行线性相对辐射校正,具体包括:
从不同时相遥感图像中选取未变化的参考校正点;
根据选取的所述参考校正点,利用线性函数表达对应像元灰度值之间的线性关系,以消除不同时相遥感图像之间的辐照亮度差异。
优选地,在本发明实施例提供的上述遥感图像变化检测方法中,所述FPN网络通过横向连接和上采样的方式,将深层的图像特征信息自顶向下的传递给低层。
优选地,在本发明实施例提供的上述遥感图像变化检测方法中,将所述数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集,具体包括:
将所述数据集分成不同数据不同标签的第一数据集和第二数据集;所述第一数据集由多时相遥感数据或两时相遥感数据构成,所述第二数据集由两时相遥感数据构成;
将所述第一数据集输入至FPN网络获得三种不同尺度的图像特征信息,构建所述第一数据集对应的多尺度特征集作为源域数据;
将所述第二数据集输入至FPN网络获得三种不同尺度的图像特征信息,构建所述第二数据集对应的多尺度特征集作为目标域数据。
优选地,在本发明实施例提供的上述遥感图像变化检测方法中,将多尺度特征集输入至所述SANet+网络进行预训练,具体包括:
将所述源域数据输入至所述SANet+网络进行预训练,优化函数选择Adam优化算法,初始学习率设置为0.01,采用余弦退火学习率衰减算法,损失函数为交叉熵,共迭代100次,训练完成后去掉最后的分类层保存模型。
优选地,在本发明实施例提供的上述遥感图像变化检测方法中,通过迁移学习再次训练所述SANet+网络,具体包括:
通过迁移学习将所述目标域数据输入至已预训练好的所述SANet+网络进行再次训练,初始学习率设置为0.001,迭代次数为100次。
本发明实施例还提供了一种遥感图像变化检测装置,包括:
数据集制作模块,用于对遥感图像进行图像预处理,并制作数据集;
特征集建立模块,用于将所述数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集;
网络预训练模块,用于采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至所述SANet+网络进行预训练;所述SANet+网络的网络输入层为三种不同尺度的网络输入层,经网络计算后得到差异特征,在网络最后使用1*1的卷积核混合所述差异特征的信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果;
迁移学习模块,用于通过迁移学习再次训练所述SANet+网络,获得训练好的所述遥感图像变化检测模型;
图像检测模块,用于将待测遥感图像输入至训练好的所述遥感图像变化检测模型,获取变化检测结果。
本发明实施例还提供了一种遥感图像变化检测设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述遥感图像变化检测方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述遥感图像变化检测方法。
从上述技术方案可以看出,本发明所提供的一种遥感图像变化检测方法,包括:对遥感图像进行图像预处理,并制作数据集;将数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集;采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至SANet+网络进行预训练;SANet+网络的网络输入层为三种不同尺度的网络输入层,经网络计算后得到差异特征,在网络最后使用1*1的卷积核混合差异特征的信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果;通过迁移学习再次训练SANet+网络,获得训练好的遥感图像变化检测模型;将待测遥感图像输入至训练好的遥感图像变化检测模型,获取变化检测结果。
本发明采用SANet+网络构建遥感图像变化检测模型,通过将该SANet+网络的网络输入层设计为三种不同尺度的网络输入层,并在网络末端使用1*1的卷积核融合遥感图像多尺度特征信息,可以保证变化检测结果地物的完整性,利用迁移学习方法可以实现快速变化检测,提高变化检测的提取精度和处理效率,降低模型过拟合和内存消耗问题出现的可能性,并且通过该遥感图像变化检测精度和速度的提高,使得该检测方法可以用于城市高分辨遥感影像地物信息智能识别、城市街景变化检测等其他信息提取和变化检测,具有很好的应用前景。此外,本发明还针对遥感图像变化检测方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的遥感图像变化检测方法的流程图;
图2为本发明实施例提供的FPN网络的结构示意图;
图3为现有的SANet网络的结构示意图;
图4为本发明实施例提供的SANet+网络的结构示意图;
图5为本发明实施例提供的遥感图像变化检测模型的训练过程示意图;
图6为本发明实施例提供的第一数据集部分数据的标签和测试结果;
图7为本发明实施例提供的第二数据集部分数据的标签和测试结果;
图8为本发明实施例提供的遥感图像变化检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种遥感图像变化检测方法,如图1所示,包括以下步骤:
S101、对遥感图像进行图像预处理,并制作数据集。
在本实施例中,制作的数据集可以覆盖2011年2月发生6.3级地震的地区,由2012年4月获得的航空图像组成,其中包含20.5km2范围内的12796栋建筑,变化后图像是2016年拍摄的同一区域,包含16077座建筑物。
S102、将数据集输入至FPN网络(Feature Pyramid Networks,特征图金字塔网络)获得三种不同尺度的图像特征信息,建立多尺度特征集。
需要注意的是,如图2所示,FPN网络通过横向连接和上采样的方式,将深层的图像特征信息自顶向下的传递给低层,使用该模型将每个卷积神经网络层的特征输出进行处理以生成反映此维度信息的特征,最终所有的特征一起用来作为下一步的变化检测或类别分析等任务的输入。图2中向上的箭头表示卷积与池化操作,获得越来越紧凑的特征信息;向下的箭头表示上采样运算,右侧框即为逐步上采样获得的三种不同尺度的特征信息。
S103、采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至SANet+网络进行预训练;SANet+网络的网络输入层为三种不同尺度的网络输入层,经网络计算后得到差异特征,在网络最后使用1*1的卷积核混合差异特征的信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果。
可以理解的是,如图3所示,基于SANet的语义分割网络只能处理三通道的遥感图像。而变化检测需要两幅不同时期的遥感影像进行对比。由于影像中存在大小不一的各类地物,在单一的尺度上构建的模型在另一尺度下有可能不适用。因此,需要融入不同尺度的特征,使网络模型能够最大限度地反映多种地物的空间分布特征来获得更高精度的变化检测结果。在本实施例中,如图4所示,SANet+网络为改进的SANet网络,在SANet网络的基础上,对网络输入层和输出层进行了改造,具体将原始的单个网络输入层改造为三种不同尺度的网络输入层,因此输入的是FPN网络获取的多尺度特征集,然后经过整个网络的计算,在网络最后使用1*1的卷积核混合特征信息,再经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果。
S104、通过迁移学习再次训练SANet+网络,获得训练好的遥感图像变化检测模型。
需要说明的是,迁移学习可以将模型迁移到其他的数据集上,进而可以得到不同建筑物数据集的变化检测结果。
S105、将待测遥感图像输入至训练好的遥感图像变化检测模型,获取变化检测结果。
这里的待测遥感图像应为待检测的两时相遥感图像,将待检测的两时相遥感图像输入至训练好的遥感图像变化检测模型后,可以获取两时相遥感图像中同一地物的变化检测结果。
在本发明实施例提供的上述遥感图像变化检测方法中,采用SANet+网络构建遥感图像变化检测模型,通过将该SANet+网络的网络输入层设计为三种不同尺度的网络输入层,并在网络末端使用1*1的卷积核融合遥感图像多尺度特征信息,可以保证变化检测结果地物的完整性,利用迁移学习方法可以实现快速变化检测,提高变化检测的提取精度和处理效率,降低模型过拟合和内存消耗问题出现的可能性,并且通过该遥感图像变化检测精度和速度的提高,使得该检测方法可以用于城市高分辨遥感影像地物信息智能识别、城市街景变化检测等其他信息提取和变化检测,具有很好的应用前景。
在具体实施时,在本发明实施例提供的上述遥感图像变化检测方法中,步骤S101对遥感图像进行图像预处理,具体可以包括:首先,将两时相遥感图像依次裁剪为设定大小(如512*512)的标准图像;然后,为了保证多时相遥感图像中同一像素对应同一地理位置,需要对裁剪后的标准图像(即两时相遥感图像)进行相对配准,在配准过程中均匀地选取多个同名像点,并且通过配准误差控制在0.5像元以内;最后,利用伪不变特征点方法进行线性相对辐射校正。
进一步地,在具体实施时,在本发明实施例提供的上述遥感图像变化检测方法中,上述步骤中利用伪不变特征点方法进行线性相对辐射校正,具体可以包括:首先从不同时相遥感图像中通过目视确定,手动选取未变化的参考校正点;然后,根据选取的参考校正点,利用线性函数表达对应像元灰度值之间的线性关系,以消除不同时相遥感图像之间的辐照亮度差异。
需要说明的是,相对辐射校正是变化检测数据的预处理方法,变化检测方法是通过判读不同时相遥感影像对应像元之间的辐射特征的差异性来得到检测结果。在遥感影像获取过程中,受大气条件、太阳角度等外界环境的因素影响,不同时期获取的影像会具有不同的辐射亮度,造成地物“伪变化”,从而对变化检测结果产生影响。因此为了消除不同时相影像之间的辐射亮度差异,需要对数据进行线性相对辐射校正。
在具体实施时,在本发明实施例提供的上述遥感图像变化检测方法中,步骤S102将数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集,如图5所示,具体可以包括:将数据集分成不同数据不同标签的第一数据集Ω1和第二数据集Ω2;第一数据集Ω1由多时相遥感数据或两时相遥感数据构成,第二数据集Ω2由两时相遥感数据构成;将第一数据集Ω1输入至FPN网络获得三种不同尺度的图像特征信息,构建第一数据集Ω1对应的多尺度特征集作为源域数据;将第二数据集Ω2输入至FPN网络获得三种不同尺度的图像特征信息,构建第二数据集Ω2对应的多尺度特征集作为目标域数据。图5中左侧为遥感图像变化检测网络(即SANet+网络)的预训练,属于迁移学习中的“源域”,其建筑物变化检测数据集可以由多时相或两时相数据构成;右侧为遥感图像变化检测网络(即SANet+网络)的再训练,属于迁移学习中的“目标域”,其建筑物变化检测数据集由两时相数据构成。
在实际应用中,在数据集Ω1中选择部分数据作为训练集和验证集,其中训练集可以包括1200张,验证集可以包括800张;同样的在数据集Ω2中可以选择1200张为训练集,800张数据作为验证集。图6和图7列出了验证集部分数据(仅标签),白色为变化区域,黑色为未变化区域。
在具体实施时,在本发明实施例提供的上述遥感图像变化检测方法中,步骤S103将多尺度特征集输入至SANet+网络进行预训练,具体可以包括:将源域数据(即第一数据集Ω1获得的多尺度特征集)输入至SANet+网络进行预训练,优化函数选择Adam优化算法,初始学习率设置为0.01,采用余弦退火学习率衰减算法,损失函数为交叉熵,共迭代100次,训练完成后去掉最后的分类层保存模型。图6列出了第一数据集Ω1部分验证集变化检测结果。
在具体实施时,在本发明实施例提供的上述遥感图像变化检测方法中,步骤S104通过迁移学习再次训练SANet+网络,具体可以包括:通过迁移学习将目标域数据(即第二数据集Ω2获得的多尺度特征集)输入至已预训练好的SANet+网络进行再次训练,初始学习率设置为0.001,迭代次数为100次。图7列出了第二数据集Ω2部分验证集变化检测结果。
基于同一发明构思,本发明实施例还提供了一种遥感图像变化检测装置,由于该装置解决问题的原理与前述一种遥感图像变化检测方法相似,因此该装置的实施可以参见遥感图像变化检测方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的遥感图像变化检测装置,如图8所示,具体包括:
数据集制作模块11,用于对遥感图像进行图像预处理,并制作数据集;
特征集建立模块12,用于将数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集;
网络预训练模块13,用于采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至SANet+网络进行预训练;SANet+网络的网络输入层为三种不同尺度的网络输入层,经网络计算后得到差异特征,在网络最后使用1*1的卷积核混合差异特征的信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果;
迁移学习模块14,用于通过迁移学习再次训练SANet+网络,获得训练好的遥感图像变化检测模型;
图像检测模块15,用于将待测遥感图像输入至训练好的遥感图像变化检测模型,获取变化检测结果。
在本发明实施例提供的上述遥感图像变化检测装置中,可以通过上述五个模块的相互作用,采用基于多尺度特征的SANet+网络构建遥感图像变化检测模型,以及运用样本迁移学习方法实现不同数据集的变化地物的提取,保证了图像完整性,提高了变化检测的处理精度和处理效率,降低了模型过拟合和内存消耗问题出现的可能性,使得即使在训练样本少的情况下也能获得良好的分割精度;并且,利用深度学习创建遥感图像变化检测模型,可以最大程度的解决城市复杂场景下地物提取的问题,适用于城市高分辨遥感影像地物信息智能识别、城市街景变化检测等其他信息提取和变化检测,具有很好的应用前景。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应地,本发明实施例还公开了一种遥感图像变化检测设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现前述实施例公开的遥感图像变化检测方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步地,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的遥感图像变化检测方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明实施例提供的一种遥感图像变化检测方法,包括:对遥感图像进行图像预处理,并制作数据集;将数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集;采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至SANet+网络进行预训练;SANet+网络的网络输入层为三种不同尺度的网络输入层,经网络计算后得到差异特征,在网络最后使用1*1的卷积核混合差异特征的信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果;通过迁移学习再次训练SANet+网络,获得训练好的遥感图像变化检测模型;将待测遥感图像输入至训练好的遥感图像变化检测模型,获取变化检测结果。这样采用SANet+网络构建遥感图像变化检测模型,通过将该SANet+网络的网络输入层设计为三种不同尺度的网络输入层,并在网络末端使用1*1的卷积核融合遥感图像多尺度特征信息,可以保证变化检测结果地物的完整性,利用迁移学习方法可以实现快速变化检测,提高变化检测的提取精度和处理效率,降低模型过拟合和内存消耗问题出现的可能性,并且通过该遥感图像变化检测精度和速度的提高,使得该检测方法可以用于城市高分辨遥感影像地物信息智能识别、城市街景变化检测等其他信息提取和变化检测,具有很好的应用前景。此外,本发明还针对遥感图像变化检测方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的遥感图像变化检测方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种遥感图像变化检测方法,其特征在于,包括:
对遥感图像进行图像预处理,并制作数据集;
将所述数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集;
采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至所述SANet+网络进行预训练;所述SANet+网络的网络输入层为三种不同尺度的网络输入层,经所述SANet+网络计算后得到差异特征,在所述SANet+网络最后使用1*1的卷积核混合所述差异特征的信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果;
通过迁移学习再次训练所述SANet+网络,获得训练好的所述遥感图像变化检测模型;
将待测遥感图像输入至训练好的所述遥感图像变化检测模型,获取变化检测结果。
2.根据权利要求1所述的遥感图像变化检测方法,其特征在于,对遥感图像进行图像预处理,具体包括:
将两时相遥感图像依次裁剪为设定大小的标准图像;
对裁剪后的所述标准图像进行相对配准,在配准过程中均匀地选取多个同名像点,通过配准误差控制在0.5像元以内;
利用伪不变特征点方法进行线性相对辐射校正。
3.根据权利要求2所述的遥感图像变化检测方法,其特征在于,利用伪不变特征点方法进行线性相对辐射校正,具体包括:
从不同时相遥感图像中选取未变化的参考校正点;
根据选取的所述参考校正点,利用线性函数表达对应像元灰度值之间的线性关系,以消除不同时相遥感图像之间的辐照亮度差异。
4.根据权利要求3所述的遥感图像变化检测方法,其特征在于,所述FPN网络通过横向连接和上采样的方式,将深层的图像特征信息自顶向下的传递给低层。
5.根据权利要求4所述的遥感图像变化检测方法,其特征在于,将所述数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集,具体包括:
将所述数据集分成不同数据不同标签的第一数据集和第二数据集;所述第一数据集由多时相遥感数据或两时相遥感数据构成,所述第二数据集由两时相遥感数据构成;
将所述第一数据集输入至FPN网络获得三种不同尺度的图像特征信息,构建所述第一数据集对应的多尺度特征集作为源域数据;
将所述第二数据集输入至FPN网络获得三种不同尺度的图像特征信息,构建所述第二数据集对应的多尺度特征集作为目标域数据。
6.根据权利要求5所述的遥感图像变化检测方法,其特征在于,将多尺度特征集输入至所述SANet+网络进行预训练,具体包括:
将所述源域数据输入至所述SANet+网络进行预训练,优化函数选择Adam优化算法,初始学习率设置为0.01,采用余弦退火学习率衰减算法,损失函数为交叉熵,共迭代100次,训练完成后去掉最后的分类层保存模型。
7.根据权利要求6所述的遥感图像变化检测方法,其特征在于,通过迁移学习再次训练所述SANet+网络,具体包括:
通过迁移学习将所述目标域数据输入至已预训练好的所述SANet+网络进行再次训练,初始学习率设置为0.001,迭代次数为100次。
8.一种遥感图像变化检测装置,其特征在于,包括:
数据集制作模块,用于对遥感图像进行图像预处理,并制作数据集;
特征集建立模块,用于将所述数据集输入至FPN网络获得三种不同尺度的图像特征信息,建立多尺度特征集;
网络预训练模块,用于采用SANet+网络构建遥感图像变化检测模型,并将多尺度特征集输入至所述SANet+网络进行预训练;所述SANet+网络的网络输入层为三种不同尺度的网络输入层,经所述SANet+网络计算后得到差异特征,在所述SANet+网络最后使用1*1的卷积核混合所述差异特征的信息,并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果;
迁移学习模块,用于通过迁移学习再次训练所述SANet+网络,获得训练好的所述遥感图像变化检测模型;
图像检测模块,用于将待测遥感图像输入至训练好的所述遥感图像变化检测模型,获取变化检测结果。
9.一种遥感图像变化检测设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的遥感图像变化检测方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的遥感图像变化检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110360640.3A CN112906662B (zh) | 2021-04-02 | 2021-04-02 | 一种遥感图像变化检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110360640.3A CN112906662B (zh) | 2021-04-02 | 2021-04-02 | 一种遥感图像变化检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906662A CN112906662A (zh) | 2021-06-04 |
CN112906662B true CN112906662B (zh) | 2022-07-19 |
Family
ID=76109901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110360640.3A Active CN112906662B (zh) | 2021-04-02 | 2021-04-02 | 一种遥感图像变化检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906662B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487483A (zh) * | 2021-07-05 | 2021-10-08 | 上海商汤智能科技有限公司 | 影像分割网络的训练方法和装置 |
CN113822207B (zh) * | 2021-09-27 | 2024-02-02 | 海南长光卫星信息技术有限公司 | 高光谱遥感图像识别方法、装置、电子设备及存储介质 |
CN114575925B (zh) * | 2022-03-14 | 2022-11-18 | 中科海慧(北京)科技有限公司 | 一种基于时空大数据的矿井安全监测和预警的方法 |
CN115731473B (zh) * | 2022-10-28 | 2024-05-31 | 南开大学 | 面向农田植物非正常变化的遥感图像分析方法 |
CN116069436B (zh) * | 2023-03-17 | 2023-07-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 遥感图像的处理方法、电子设备以及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540045A (zh) * | 2009-03-25 | 2009-09-23 | 湖南大学 | 基于同步正交匹配追踪的多源图像融合方法 |
CN107834531A (zh) * | 2017-12-12 | 2018-03-23 | 英特格灵芯片(天津)有限公司 | 一种芯片i/o接口的保护装置 |
CN110363140A (zh) * | 2019-07-15 | 2019-10-22 | 成都理工大学 | 一种基于红外图像的人体动作实时识别方法 |
CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
CN111078836A (zh) * | 2019-12-10 | 2020-04-28 | 中国科学院自动化研究所 | 基于外部知识增强的机器阅读理解方法、系统、装置 |
CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
WO2020162834A1 (en) * | 2019-02-08 | 2020-08-13 | Singapore Health Services Pte Ltd | Method and system for classification and visualisation of 3d images |
CN111626237A (zh) * | 2020-05-29 | 2020-09-04 | 中国民航大学 | 基于增强型多尺度感知网络的人群计数方法及系统 |
CN111666836A (zh) * | 2020-05-22 | 2020-09-15 | 北京工业大学 | M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法 |
CN111899249A (zh) * | 2020-08-05 | 2020-11-06 | 吉林大学 | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 |
CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
CN112084868A (zh) * | 2020-08-10 | 2020-12-15 | 北京航空航天大学 | 一种基于注意力机制的遥感图像中目标计数方法 |
CN112232151A (zh) * | 2020-09-30 | 2021-01-15 | 河海大学 | 一种嵌入注意力机制的迭代聚合神经网络高分遥感场景分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11562243B2 (en) * | 2017-11-17 | 2023-01-24 | Meta Platforms, Inc. | Machine-learning models based on non-local neural networks |
US10885277B2 (en) * | 2018-08-02 | 2021-01-05 | Google Llc | On-device neural networks for natural language understanding |
-
2021
- 2021-04-02 CN CN202110360640.3A patent/CN112906662B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540045A (zh) * | 2009-03-25 | 2009-09-23 | 湖南大学 | 基于同步正交匹配追踪的多源图像融合方法 |
CN107834531A (zh) * | 2017-12-12 | 2018-03-23 | 英特格灵芯片(天津)有限公司 | 一种芯片i/o接口的保护装置 |
WO2020162834A1 (en) * | 2019-02-08 | 2020-08-13 | Singapore Health Services Pte Ltd | Method and system for classification and visualisation of 3d images |
CN110363140A (zh) * | 2019-07-15 | 2019-10-22 | 成都理工大学 | 一种基于红外图像的人体动作实时识别方法 |
CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
CN111078836A (zh) * | 2019-12-10 | 2020-04-28 | 中国科学院自动化研究所 | 基于外部知识增强的机器阅读理解方法、系统、装置 |
CN111223553A (zh) * | 2020-01-03 | 2020-06-02 | 大连理工大学 | 一种两阶段深度迁移学习中医舌诊模型 |
CN111666836A (zh) * | 2020-05-22 | 2020-09-15 | 北京工业大学 | M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法 |
CN111626237A (zh) * | 2020-05-29 | 2020-09-04 | 中国民航大学 | 基于增强型多尺度感知网络的人群计数方法及系统 |
CN111899249A (zh) * | 2020-08-05 | 2020-11-06 | 吉林大学 | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 |
CN112084868A (zh) * | 2020-08-10 | 2020-12-15 | 北京航空航天大学 | 一种基于注意力机制的遥感图像中目标计数方法 |
CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
CN112232151A (zh) * | 2020-09-30 | 2021-01-15 | 河海大学 | 一种嵌入注意力机制的迭代聚合神经网络高分遥感场景分类方法 |
Non-Patent Citations (4)
Title |
---|
Multi-Scale Structure-Aware Network for Human Pose Estimation;Lipeng Ke;《European Conference on Computer Vision (ECCV)》;20181231;713-728 * |
SANet: Structure-Aware Network for Visual Tracking;Heng Fan;《2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)》;20170824;2217-2224 * |
基于卷积神经网络的图像人群计数研究;王陆洋;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20210115;I138-201 * |
基于姿态估计的安全帽佩戴检测方法研究;王雨生;《计算机应用研究》;20210331;第38卷(第3期);937-945 * |
Also Published As
Publication number | Publication date |
---|---|
CN112906662A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906662B (zh) | 一种遥感图像变化检测方法、装置、设备及存储介质 | |
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
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 | |
CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
CN107527352B (zh) | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN108052966A (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
CN113901900A (zh) | 一种同源或异源遥感图像用无监督变化检测方法及系统 | |
CN112836614B (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 | |
CN115457396B (zh) | 一种基于遥感影像的地表目标地物检测方法 | |
CN115049841A (zh) | 基于深度无监督多步对抗域自适应的高分辨sar图像地物要素提取方法 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN111402131B (zh) | 基于深度学习的超分辨率土地覆被分类图的获取方法 | |
CN114494870A (zh) | 一种双时相遥感图像变化检测方法、模型构建方法和装置 | |
CN111079807B (zh) | 一种地物分类方法及装置 | |
Khatriker et al. | Building footprint extraction from high resolution satellite imagery using segmentation | |
Aung et al. | Building footprint extraction in Yangon city from monocular optical satellite image using deep learning | |
Ps et al. | Building footprint extraction from very high-resolution satellite images using deep learning | |
Luo et al. | Extraction of bridges over water from IKONOS panchromatic data | |
CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 |
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 |