CN113326724A - 一种遥感影像变化检测方法、装置、设备及可读存储介质 - Google Patents
一种遥感影像变化检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113326724A CN113326724A CN202110175467.XA CN202110175467A CN113326724A CN 113326724 A CN113326724 A CN 113326724A CN 202110175467 A CN202110175467 A CN 202110175467A CN 113326724 A CN113326724 A CN 113326724A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- time sequence
- sensing image
- image
- detection model
- 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.)
- Granted
Links
- 230000008859 change Effects 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 242
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003911 water pollution 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种遥感影像变化检测方法、装置、设备及计算机可读存储介质,方法包括:获取待检测区域的至少两个时序影像,对各时序影像进行预处理;将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到遥感影像变化检测结果;建立遥感影像检测模型的过程包括:获取地物变化前、后的样本时序影像,对各样本时序影像进行预处理;利用预处理后的样本时序影像对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到遥感影像检测模型。本申请公开的上述技术方案,利用RNN来对时序影像进行时序特征提取,以保证遥感影像变化检测的准确性,通过全卷积网络实现对时序影像中各像素的直接处理,以提高遥感影像变化检测效率。
Description
技术领域
本申请涉及技术领域,更具体地说,涉及一种遥感影像变化检测方法、装置、设备及计算机可读存储介质。
背景技术
对于遥感界来说,因变化检测提供了一种监控地球的有效方法,因此,其成为遥感界关注的关键问题之一。
目前,在现有的遥感影像变化检测中,一般是将两个时相的影像并行送入一系列卷积层来提取特征,然后,将特征送入到循环神经网络子模块中学习时序特征,最后连接一个全连接层来得到变化预测图,但是,由于上述方法需要对时相影像中的每个像素做扩展处理,也即需要对每个像素的邻域进行处理,以结合邻域对像素进行判断和处理,因此,其处理量会大大增加,从而会导致变化检测的效率比较低。
综上所述,如何提高遥感影像变化检测效率,是目前本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的是提供一种遥感影像变化检测方法、装置、设备及计算机可读存储介质,用于提高遥感影像变化检测效率。
为了实现上述目的,本申请提供如下技术方案:
一种遥感影像变化检测方法,包括:
获取待检测区域的至少两个时序影像,并对各所述时序影像进行预处理;
将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到所述待检测区域的遥感影像变化检测结果;
其中,预先建立所述遥感影像检测模型的过程包括:
获取地物变化前的样本时序影像和所述地物变化后的样本时序影像,并对各所述样本时序影像进行预处理;
利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到所述遥感影像检测模型。
优选的,将预处理后的时序影像输入到预先建立的遥感影像检测模型中,包括:
按照划窗尺寸为N*N、步长为P1的方式对所述预处理后的时序影像进行滑动,并将滑动得到的区域输入到所述遥感影像检测模型中,以得到与每个所述区域对应的预测结果,且对与所述区域对应的预测结果进行拼装,以得到所述待检测区域的遥感影像变化检测结果;
利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,包括:
按照划窗尺寸为N*N、步长为P2的方式对所述预处理后的样本时序影像进行滑动,并以滑动得到的样本区域为样本建立样本集,利用所述样本集对所述检测模型进行训练。
优选的,按照划窗尺寸为N*N、步长为P2的方式对所述预处理后的样本时序影像进行滑动,包括:
对于所述预处理后的样本时序影像中包含变化标签的影像区域,以划窗尺寸为N*N、步长为P21的方式进行滑动;
对于所述预处理后的样本时序影像中不包含变化标签的影像区域,以划窗尺寸为N*N、步长为P22的方式进行滑动;其中,P22>P21。
优选的,利用所述样本集对所述检测模型进行训练,包括:
将所述样本集中的样本划分成M份,并利用M份样本对所述检测模型进行交叉验证训练,以得到M个所述遥感影像检测模型;其中,M为大于1的整数;
相应地,将滑动得到的区域输入到所述遥感影像检测模型中,以得到与所述区域对应的预测结果,且对与所述区域对应的预测结果进行拼装,以得到所述待检测区域的遥感影像变化检测结果,包括:
将滑动得到的每个所述区域分别输入到各所述遥感影像检测模型中,以通过各所述遥感影像检测模型分别得到与每个所述区域对应的预测结果;
分别对各所述遥感影像检测模型得到的每个所述区域对应的预测结果进行拼装,以得到M个所述遥感影像变化检测结果;
对M个所述遥感影像变化检测结果进行平均处理,以得到最终的遥感影像变化检测结果。
优选的,对各所述时序影像进行预处理,包括:
对各所述时序影像进行几何纠正、归一化处理、重采样、相对辐射校准;
对各所述样本时序影像进行预处理,包括:
对各所述样本时序影像进行几何纠正、归一化处理、重采样、相对辐射校准。
优选的,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,包括:
对构建的以所述全卷积网络为框架且内部包含有LSTM的检测模型进行训练。
一种遥感影像变化检测装置,包括:
获取模块,用于获取待检测区域的至少两个时序影像,并对各所述时序影像进行预处理;
输入模块,用于将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到所述待检测区域的遥感影像变化检测结果;
还包括用于预先建立所述遥感影像检测模型的建立模块,所述建立模块包括:
获取单元,用于获取地物变化前的样本时序影像和所述地物变化后的样本时序影像,并对各所述样本时序影像进行预处理;
训练单元,用于利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到所述遥感影像检测模型。
优选的,所述输入模块包括:
拼装单元,用于按照划窗尺寸为N*N、步长为P1的方式对所述预处理后的时序影像进行滑动,并将滑动得到的区域输入到所述遥感影像检测模型中,以得到与每个所述区域对应的预测结果,且对与所述区域对应的预测结果进行拼装,以得到所述待检测区域的遥感影像变化检测结果;
所述训练单元包括:
第一训练子单元,用于按照划窗尺寸为N*N、步长为P2的方式对所述预处理后的样本时序影像进行滑动,并以滑动得到的样本区域为样本建立样本集,利用所述样本集对所述检测模型进行训练。
一种遥感影像变化检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述的遥感影像变化检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的遥感影像变化检测方法的步骤。
本申请提供了一种遥感影像变化检测方法、装置、设备及计算机可读存储介质,其中,该方法包括:获取待检测区域的至少两个时序影像,并对各时序影像进行预处理;将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到待检测区域的遥感影像变化检测结果;其中,预先建立遥感影像检测模型的过程包括:获取地物变化前的样本时序影像和地物变化后的样本时序影像,并对各样本时序影像进行预处理;利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到遥感影像检测模型。
本申请公开的上述技术方案,预先获取地物变化前的样本时序影像和地物变化后的样本时序影像,并利用经过预处理的各样本时序影像对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,以得到遥感影像检测模型,且利用所得到的遥感影像检测模型对待检测区域的至少两个经过预处理的时序影像进行处理,以得到待检测区域的遥感影像变化检测结果,由于本申请是对以全卷积网络为框架且内部包含有RNN的检测模型进行训练而得到遥感影像检测模型,因此,则可以利用RNN来对经过预处理的时序影像进行时序特征的提取,从而保证遥感影像变化检测的准确性,且可以通过全卷积网络来实现对经过预处理后的时序影像中各像素的直接处理,而不再对各像素进行扩展以依靠其邻域进行处理,从而可以减少数据处理量,提高遥感影像变化检测效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有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申请的实施例,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为本申请实施例提供的一种遥感影像变化检测方法的流程图;
图2为本申请实施例提供的一种检测模型的结构示意图;
图3为本申请实施例提供的另一种检测模型的结构示意图;
图4为图3中一个加入LSTM的编码器卷积模型的细节展示图;
图5为本申请实施例提供的研究区在2018年10月30日的哨兵影像;
图6为本申请实施例提供的研究区在2019年5月18日的哨兵影像;
图7为本申请实施例提供的研究区对应的地物变化检测结果示意图;
图8为本申请实施例提供的一种遥感影像变化检测装置的结构示意图;
图9为本申请实施例提供的一种遥感影像变化检测设备的结构示意图。
具体实施方式
对于遥感界来说,变化检测是一个关键问题,因为它提供了一种监控地球的有效方法。通过对由于人造结构和自然现象而发生的变化进行建模,可以及时了解地球的土地利用和土地覆被(LULC)。就人类对地球的干预而言,变化检测技术可为各个领域提供有价值的信息,例如城市扩张,水和空气污染,违法建筑等。及时当今我们可以访问由Landsat和Sentinel等卫星提供的大量多时相数据集,但是,变化检测的问题也极具挑战性。传统变化检测方法严重依赖人工干预,需要大量前处理和后处理工作,因此,不适应大面积的变化检测任务。变化检测是一个极具挑战的问题,因为方法的准确性受配准误差和光照变化的影响很大,而这些干扰实际上并不是语义变化。
近年来,随着基于深度学习方法在不同领域的进步,其在变化检测中也得到了应用,目前,在现有的遥感影像变化检测中,一般是将两个时相的影像并行送入一系列卷积层来提取特征,然后,将特征送入到循环神经网络子模块中学习时序特征,最后连接一个全连接层来得到变化预测图,但是,由于这种实现方法需要对时相影像中的每个像素做扩展处理,也即需要对每个像素的邻域进行处理,以结合邻域对像素进行判断和处理,因此,其数据处理量会大大增加,从而会导致变化检测的效率比较低。
为此,本申请提供一种遥感影像变化检测技术方案,用于提高遥感影像变化检测效率。
为了使本领域技术人员更清楚地理解本技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参见图1,其示出了本申请实施例提供的一种遥感影像变化检测方法的流程图,本申请实施例提供的一种遥感影像变化检测方法,可以包括:
S11:获取地物变化前的样本时序影像和地物变化后的样本时序影像,并对各样本时序影像进行预处理;
S12:利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到遥感影像检测模型。
可以预先建立用于进行遥感影像变化检测的遥感影像检测模型,以便于利用该遥感影像检测模型对待检测区域进行遥感影像变化检测。
其中,遥感影像检测模型的建立过程具体为:
1)可以从公开变化检测数据集D(Onera Satellite Change Detection(OSCD)Sentinel-2dataset)中获取同一地点的地物变化前的样本时序影像和变化后的样本时序影像,其中,这里提及的时序影像具体可以为中分辨率的遥感影像,且具体可以获取地物变化前的一个样本时序影像和地物变化后的一个样本时序影像,当然,也可以获取地物变化前的多个样本时序影像和地物变化后的多个样本时序影像,并依次记为样本时序1影像、样本时序2影像……。在获取地物变化前、后的多个样本时序影像后,可以对样本时序影像进行预处理,以得到预处理后的样本时序影像,从而便于提高数据质量。
2)在得到预处理后的样本时序影像后,可以利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN(Recurrent Neural Network,循环神经网络)的检测模型进行训练,以得到遥感影像检测模型。具体可以参见图2,其示出了本申请实施例提供的一种检测模型的结构示意图,该模型包含完整的编码器-解码器结构(即全卷积神经网络),其中,图2中的卷积过程对应编码器,上采样过程对应解码器,在每一次卷积结束后输入一个RNN子模块,之后全连接到对应的反卷积层(即图2中的上采样),需要说明的是,图2所采用的模型包含5个卷积模块、5个上采样卷积模块和5个RNN子模块,当然,本申请对模块的数量不做任何限定,且图2中的虚线框内为一个加入RNN的编码器卷积模块。
由于检测模型是以全卷积网络为框架且其内部包含有RNN,因此,则可以利用RNN来提取样本时序影像中的时序特征,以便于提高利用所得到的遥感影像检测模型进行遥感影像检测的准确性,而且可以通过全卷积神经网络来实现对样本时序影像中各像素的直接处理,而不再对其进行扩展,以通过像素的邻域来进行处理,从而使得每个像素可以仅处理一次,因此,则可以极大地降低数据处理量,从而便于提高数据处理效率。另外,还可以通过全卷积神经网络实现对样本时序影像的空间特征提取,以便于提高遥感影像变化及检测的准确性。
需要说明的是,上述过程即为遥感影像检测模型的具体建立过程,且上述过程并不需要在每次进行遥感影像变化检测时均进行一次。
S13:获取待检测区域的至少两个时序影像,并对各时序影像进行预处理。
在得到遥感影像检测模型之后,若需要对待检测区域进行遥感影像的检测,则可以获取待检测区域的至少两个时序影像,具体为待检测区域在至少链两个时段中每个时段所对应的时序影像,以便于通过这至少两个时序影像来实现对待检测区域的变化检测。
在获取到待检测区域的至少两个时序影像之后,可以对获取到的待检测区域的各时序影像进行预处理,以得到预处理后的样本时序影像,其中,这里提及的预处理过程与上述步骤S11中提取到的预处理的过程可以相同,以尽量保持数据的一致性,从而便于减少其他因素对遥感影像变化检测的影响。
S14:将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到待检测区域的遥感影像变化检测结果。
在得到预处理后的样本时序影像之后,可以将预处理后的时序影响输入到通过步骤S11和步骤S12所得到的遥感影响检测模型中,以得到待检测区域的遥感影像变化检测结果。
由于遥感影像检测模型是通过对以全卷积网络为框架且内部包含有RNN的检测模型进行训练得到的,因此,所得到的遥感影像检测模型也是以全卷积网络为框架且内部包含有RNN的模型,相应地,在利用其对待检测区域进行遥感影像变化检测时,则可以通过其内部的RNN来提取预处理后的时序影像中的时序特征,以保证遥感影像变化检测的准确性,并可以通过其内部的全卷积神经网络来直接对预处理后的时序影像中各像素进行处理,而不再需要对各像素进行扩展以通过其邻域进行处理,从而减少数据处理量,提高遥感影像变化检测的效率,且通过其内部的全卷积神经网络来实现对预处理后的时序影像中空间特征的提取,也即本申请所采用的遥感影像检测模型通过整合卷积模块的空间特征提取能力、RNN的时序特征提取能力可以获得准确率更高的变化提取结果。
另外,本申请中的遥感影像变化检测方法并不需要任何人工处理,也不需要对时序影像做任何其他额外的处理,因此,本申请中的遥感影像变化检测方法容易实现工程化,以此提高遥感信息领域业务软件系统的智能化水平。
本申请公开的上述技术方案,预先获取地物变化前的样本时序影像和地物变化后的样本时序影像,并利用经过预处理的各样本时序影像对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,以得到遥感影像检测模型,且利用所得到的遥感影像检测模型对待检测区域的至少两个经过预处理的时序影像进行处理,以得到待检测区域的遥感影像变化检测结果,由于本申请是对以全卷积网络为框架且内部包含有RNN的检测模型进行训练而得到遥感影像检测模型,因此,则可以利用RNN来对经过预处理的时序影像进行时序特征的提取,从而保证遥感影像变化检测的准确性,且可以通过全卷积网络来实现对经过预处理后的时序影像中各像素的直接处理,而不再对各像素进行扩展以依靠其邻域进行处理,从而可以减少数据处理量,提高遥感影像变化检测效率。
本申请实施例提供的一种遥感影像变化检测方法,将预处理后的时序影像输入到预先建立的遥感影像检测模型中,可以包括:
按照划窗尺寸为N*N、步长为P1的方式对预处理后的时序影像进行滑动,并将滑动得到的区域输入到遥感影像检测模型中,以得到与每个区域对应的预测结果,且对与区域对应的预测结果进行拼装,以得到待检测区域的遥感影像变化检测结果;
利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,可以包括:
按照划窗尺寸为N*N、步长为P2的方式对预处理后的样本时序影像进行滑动,并以滑动得到的样本区域为样本建立样本集,利用样本集对检测模型进行训练。
在将预处理后的时序影像输入到预先建立的遥感影像检测模型中时,可以先按照划窗尺寸为N*N、步长为P1的方式对预处理后的时序影像进行滑动,并将滑动得到的区域输入到遥感影像检测模型中,以得到与每个区域对应的预测结果,且可以对与区域对应的预测结果进行拼装,以得到待检测区域的遥感影像变化检测结果,其中,上述P1具体可以为16(当然,其大小也可以根据预处理后的时序影像的情况进行调整),在对预测结果进行拼装时可以将预测结果拼装成一幅完整的二值图像,在这个二进制图像中,0值代表未变化的区域,1值代表变化的区域。
另外,在利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,可以按照划窗尺寸为N*N、步长为P2的方式对预处理后的样本时序影像进行滑动,并将以滑动得到的样本区域为样本而建立样本集,之后,则可以利用样本集中所包含的样本对检测模型进行训练。
需要说明的是,上述提及的划窗尺寸中的N为划窗的边长,且N为大于0的数,且N的大小可以根据模型对输入图像尺寸的要求进行设置,具体如图2所示,模型的输入样本是尺寸为(n_date,batch_size,channel,width,height)的举证,在图2中具体尺寸为(2,1,4,32,32),其中,n_date是影像的时序数,支持≥2个时序影像的编码,batch_size是每次塞入GPU进行前向推理的输入样本的个数,channel是影像的通道数,width和height是样本图像的尺寸。
通过对预处理后的时序影像、预处理后的样本时序影像进行滑动处理可以使得其滑动得到的区域达到一个对应的模型能够接受的尺寸,从而便于提高遥感影像检测的准确性。
本申请实施例提供的一种遥感影像变化检测方法,按照划窗尺寸为N*N、步长为P2的方式对预处理后的样本时序影像进行滑动,可以包括:
对于预处理后的样本时序影像中包含变化标签的影像区域,以划窗尺寸为N*N、步长为P21的方式进行滑动;
对于预处理后的样本时序影像中不包含变化标签的影像区域,以划窗尺寸为N*N、步长为P22的方式进行滑动;其中,P22>P21。
在按照划窗尺寸为N*N、步长为P2的方式对预处理后的样本时序影像进行滑动时,在预处理后的样本时序影像中,对于包含变化标签的影像区域,可以以划窗尺寸为N*N、步长为P21的方式进行滑动,对于不包含变化标签的影像区域,可以以划窗尺寸为N*N、步长为P22的方式进行滑动,其中,P22>P21,其中,P22具体可以为P21的5倍,以使得正样本区域获得5倍的样本扩充,当然,P22具体比P21大多少还可以根据预处理后的样本时序影像的具体情况进行设定,本申请对此不做任何限定。通过上述过程可以实现对正样本做样本增生,从而解决正负样本不平衡的问题。
本申请实施例提供的一种遥感影像变化检测方法,利用样本集对检测模型进行训练,可以包括:
将样本集中的样本划分成M份,并利用M份样本对检测模型进行交叉验证训练,以得到M个遥感影像检测模型;其中,M为大于1的整数;
相应地,将滑动得到的区域输入到遥感影像检测模型中,以得到与区域对应的预测结果,且对与区域对应的预测结果进行拼装,以得到待检测区域的遥感影像变化检测结果,可以包括:
将滑动得到的每个区域分别输入到各遥感影像检测模型中,以通过各遥感影像检测模型分别得到与每个区域对应的预测结果;
分别对各遥感影像检测模型得到的每个区域对应的预测结果进行拼装,以得到M个遥感影像变化检测结果;
对M个遥感影像变化检测结果进行平均处理,以得到最终的遥感影像变化检测结果。
在利用样本集对检测模型进行训练时,可以先将以滑动得到的样本区域为样本而建立的样本集划分成M份(其中,M为大于1的整数),并可以利用M份样本对检测模型进行交叉验证训练,具体地,可以将M份样本按照训练集:验证集=(M-1):1的方式来划分得到训练街和验证集,这样就有M种划分方法,然后,则可以分别利用每种划分方式中的训练集来对检测模型进行训练,并利用对应的验证集来对训练得到的模型进行验证,最终得到M份不同的模型参数,即对应得到M个遥感影像检测模型。其中,训练可以是基于pytorch0.4版本深度学习框架和一块显存为12GB的Titan XP显卡下进行的,且设定的训练超参数包括以下:优化器选取Adam算法,每次进入显存的训练样本个数也即batch size设置为64,初始学习率设置为0.0001。
相应地,在将滑动得到的区域输入到遥感影像检测模型中,以得到与区域对应的预测结果,且对与区域对应的预测结果进行拼装,以得到待检测区域的遥感影像变化检测结果时,可以将滑动得到的每个区域分别输入到M个遥感影像检测模型中的每个遥感影像检测模型中,以通过这M个遥感影像检测模型分别得到与每个区域对应的预测结果,之后,分别对M个遥感影像检测模型得到的每个区域对应的预测结果进行拼装,即对于第一个遥感影像检测模型,将其得到的每个区域对应的预测结果进行拼装,对于第二个遥感影像检测模型,将其得到的每个区域对应的预测结果进行拼装……以得到M个遥感影像变化检测结果,之后,可以对M个遥感影像变化检测结果做平均化处理,以得到最终的遥感影像变化检测结果,从而便于提高遥感影像变化检测的准确性。例如:上述M具体为5,则可以将样本集中的样本随机分成5份,且可以先将第一份样本作为验证集,在余下的4份样本上训练模型,然后将第二份样本作为验证集,在余下的4份样本上训练模型,以此类推,最终得到5份不同的模型参数。测试阶段,测试图像同时在五个模型上进行推理计算,最终输出结果是五个模型输出结果的平均值。
本申请实施例提供的一种遥感影像变化检测方法,对各时序影像进行预处理,可以包括:
对各时序影像进行几何纠正、归一化处理、重采样、相对辐射校准;
对各样本时序影像进行预处理,可以包括:
对各样本时序影像进行几何纠正、归一化处理、重采样、相对辐射校准。
在对各时序影像进行预处理时,具体可以对各时序影像进行几何纠正、归一化处理、重采样、相对辐射校准,且在对各样本时序影像进行预处理时,具体可以对各样本时序影像进行几何纠正、归一化处理、重采样、相对辐射校准。以对各样本时序影像进行预处理为例,上述几个处理过程具体如下:
几何纠正(即影像的几何配准)的过程具体为以样本时序1影像为基准,对样本时序2影像进行配准,使得两幅影像在空间位置上相互匹配,以避免位置发生偏移;
归一化处理的过程是将样本时序影像的每个波段的大气层顶反射率归一化到[0,255]的值域区间,以保证输入检测模型的初始特征在一个可比较的值域范围内,其中,归一化算法如下:
t=a+(band-c)×(b-a)÷float(d-c)
如果t<a,把a赋给t;如果t>b,把b赋给t
t=int(t)÷255
在上述算法中,a为常数0,b是常数255,band是波段数组,c是波段数组值域的2%百分位值,d是波段数组值域的98%百分位值,float函数将值强制类型转化为浮点型,int函数将值强制类型转化为整型;
重采样是为了保证所有输入波段的尺寸一致,且重采样的基准为红光波段,插值方法选用双线性插值;
相对辐射校准是以样本时序1影像为基准,对样本时序2影像进行辐射归一化处理,使用的方法是直方图匹配,具体原理是将样本时序1影像的直方图匹配到样本时序2影像,这样可以消除因光照、地形等因素导致的辐射差异。
本申请实施例提供的一种遥感影像变化检测方法,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,可以包括:
对构建的以全卷积网络为框架且内部包含有LSTM的检测模型进行训练。
在对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练时,具体可以对构建的以全卷积网络为框架且内部包含有LSTM的检测模型进行训练,也即本申请中具体可以以LSTM(Long Short-Term Memory,长短期记忆网络)来对时序影像进行时序特征的提取,具体可以参见图3和图4,其中,图3示出了本申请实施例提供的另一种检测模型的结构示意图,图4为图3中一个加入LSTM的编码器卷积模型的细节展示图,在图4中,在卷积操作之前,首先对输入矩阵执行Gather算子,将原本的输入尺寸为(2,1,4,32,32)的矩阵转化为两个(1,4,32,32)的矩阵,这两个矩阵是两个时序的输入切片。总体来看,时序1影像切片经过第一路卷积后输入一个长短记忆网络算子,其输出与时序2影像切片的第二路卷积输出串接后再次输入另一个长短记忆网络算子。长短记忆网络是一种特殊的循环神经网络,拥有重复的神经网络模块链式结构,可以学习长期依赖信息,长短记忆网络通过门运算来选择性的让数据流通,如图4所示,门运算由Sigmoid激活函数和点乘运算共同组成,Sigmoid的输出是[0,1]范围内的数,值为0代表没有数据流过,值为1代表所有数据都流过,每个长短记忆网络算子包含三个这样的门运算。如下算式中的σ(sigma)就是门运算中的sigmoid函数,其中ht-1是上一个时序的输出,xt是当前时序的输入,Wf是权重,bf是偏差,ft是sigmoid函数的输出:
ft=σ(Wf·[ht-1,xt]+bf)
在图4中,前面从Conv→……→Relu是完整的卷积块,且图4中具体是有两个卷积块,分别对应时序1影像和时序2影像的特征提取操作,是编码器的核心,重在提取空间特征,后面从Conv→Sigmoid和Conv→Tanh等过程是两个LSTM时序特征提取单元,用于提取两个时序影像的序列特征。
为了更清楚地说明本申请的上述过程,则可以结合具体的研究区对本申请所提供的遥感影像变化检测方法的有效性做进一步的阐述,具体地,研究区选择海南省文昌市文城镇及其周边区域20km*20km的正方形试验区域,区域面积约为400平方公里,以陆地为主,包含一部分近海区域。研究区内有正在建设的文琼高速路和仍在开发中的清澜新区。本次选取的影像为该区域2018年10月30日和2019年5月18日的两期哨兵影像(图5和图6,图5示出了研究区在2018年10月30日的哨兵影像,图6示出了研究区在2019年5月18日的哨兵影像)分别作为时序1影像Q1和时序2影像Q2,两幅影像的核心波段的分辨率为10m,且在处理中所有波段都重采样到10米。此区域在此时间范围内由于海南自由贸易港的启动、文昌国际航天城的建设、海南“五网”建设稳步推进,出现一系列显著的地表变化,这些变化包含合法的通过审批的项目,也包括非法的抢建和乱搭乱建,因此适宜作为本申请方法的测试区。
在进行遥感影像检测模型建立时,且在对上述两个时序影像进行滑动时,P21具体可以为6,P22具体可以为32,以最终得到28620个样本,且可以将这28620个样本随机划分成5份。另外,在进行模型设计时,首先,设计包含5个卷积模块的编码器,包含5个上采样卷积模块的解码器卷积神经网络模型并训练,该卷积网络模型是一个典型的编码器-解码器结构,但是在编码器的每个卷积块后接一个长短记忆网络模块。在编码阶段,所有的卷积层采用3*3的过滤器,卷积的步长和填充尺寸设置为1,通过第一次卷积,将特征数由输入的4变为16,但是输出特征向量的长和宽保持不变,每次卷积接一个2*2的最大值池化,每次卷积后将特征数翻倍,在编码器的最终输出中,特征图的长宽是输入的1/4但是深度达到256。编码器训练是对不同时序影像同步并行处理的。在解码阶段,解码器接收输出自长短记忆网络模块的时序特征图并将其还原回输入影像的长宽尺寸,最后连接一个1*1的卷积层来输出变化预测的概率图。该卷积神经网络模型的训练是基于公开训练数据集完成的,模型的结构和训练得到的模型权重文件用于研究区变化提取。
其次,对研究区两个时序的影像Q1和Q2进行自动几何纠正、波段值域归一化、重采样以及相对辐射纠正。将预处理后的影像按照窗口大小为32,步长为16来划窗输入到加载模型权重文件的卷积神经网络模型中进行预测,预测结果输出为一个二值影像,0值为无变化区域,1值为变化区域,地物变化检测结果如图7所示,图7示出了研究区对应的地物变化检测结果示意图,利用本申请所提及的加入长短记忆网络的编码器-解码器模型用于遥感影像变化检测方法对研究区的地物变化情况进行检测,得到的地物变化检测结果与真实情况有着极高的吻合度,表面本申请对于地物变化检测有着较高的准确度。
本申请实施例还提供了一种遥感影像变化检测装置,参见图8,其示出了本申请实施例提供的一种遥感影像变化检测装置的结构示意图,可以包括:
获取模块22,用于获取待检测区域的至少两个时序影像,并对各时序影像进行预处理;
输入模块23,用于将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到待检测区域的遥感影像变化检测结果;
还可以包括用于预先建立遥感影像检测模型的建立模块21,建立模块21可以包括:
获取单元211,用于获取地物变化前的样本时序影像和地物变化后的样本时序影像,并对各样本时序影像进行预处理;
训练单元212,用于利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到遥感影像检测模型。
本申请实施例提供的一种遥感影像变化检测装置,输入模块23可以包括:
拼装单元,用于按照划窗尺寸为N*N、步长为P1的方式对预处理后的时序影像进行滑动,并将滑动得到的区域输入到遥感影像检测模型中,以得到与每个区域对应的预测结果,且对与区域对应的预测结果进行拼装,以得到待检测区域的遥感影像变化检测结果;
训练单元可以包括:
第一训练子单元,用于按照划窗尺寸为N*N、步长为P2的方式对预处理后的样本时序影像进行滑动,并以滑动得到的样本区域为样本建立样本集,利用样本集对检测模型进行训练。
本申请实施例提供的一种遥感影像变化检测装置,第一训练子单元可以包括:
第一滑动子单元,用于对于预处理后的样本时序影像中包含变化标签的影像区域,以划窗尺寸为N*N、步长为P21的方式进行滑动;
第二滑动子单元,用于对于预处理后的样本时序影像中不包含变化标签的影像区域,以划窗尺寸为N*N、步长为P22的方式进行滑动;其中,P22>P21。
本申请实施例提供的一种遥感影像变化检测装置,第一训练子单元还可以包括:
划分子单元,用于将样本集中的样本划分成M份,并利用M份样本对检测模型进行交叉验证训练,以得到M个遥感影像检测模型;其中,M为大于1的整数;
相应地,拼装单元可以包括:
输入子单元,用于将滑动得到的每个区域分别输入到各遥感影像检测模型中,以通过各遥感影像检测模型分别得到与每个区域对应的预测结果;
拼装子单元,用于分别对各遥感影像检测模型得到的每个区域对应的预测结果进行拼装,以得到M个遥感影像变化检测结果;
平均处理子单元,用于对M个遥感影像变化检测结果进行平均处理,以得到最终的遥感影像变化检测结果。
本申请实施例提供的一种遥感影像变化检测装置,获取模块22可以包括:
第一预处理单元,用于对各时序影像进行几何纠正、归一化处理、重采样、相对辐射校准;
获取单元211可以包括:
第二预处理单元,用于对各样本时序影像进行几何纠正、归一化处理、重采样、相对辐射校准。
本申请实施例提供的一种遥感影像变化检测装置,训练单元212可以包括:
第二训练子单元,用于对构建的以全卷积网络为框架且内部包含有LSTM的检测模型进行训练。
本申请实施例还提供了一种遥感影像变化检测设备,参见图9,其示出了本申请实施例提供的一种遥感影像变化检测设备的结构示意图,可以包括:
存储器31,用于存储计算机程序;
处理器32,用于执行存储器31存储的计算机程序时可实现如下步骤:
获取待检测区域的至少两个时序影像,并对各时序影像进行预处理;将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到待检测区域的遥感影像变化检测结果;其中,预先建立遥感影像检测模型的过程包括:获取地物变化前的样本时序影像和地物变化后的样本时序影像,并对各样本时序影像进行预处理;利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到遥感影像检测模型。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时可实现如下步骤:
获取待检测区域的至少两个时序影像,并对各时序影像进行预处理;将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到待检测区域的遥感影像变化检测结果;其中,预先建立遥感影像检测模型的过程包括:获取地物变化前的样本时序影像和地物变化后的样本时序影像,并对各样本时序影像进行预处理;利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到遥感影像检测模型。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的一种遥感影像变化检测装置、设备及计算机可读存储介质中相关部分的说明可以参见本申请实施例提供的一种遥感影像变化检测方法中对应部分的详细说明,在此不再赘述。
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。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种遥感影像变化检测方法,其特征在于,包括:
获取待检测区域的至少两个时序影像,并对各所述时序影像进行预处理;
将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到所述待检测区域的遥感影像变化检测结果;
其中,预先建立所述遥感影像检测模型的过程包括:
获取地物变化前的样本时序影像和所述地物变化后的样本时序影像,并对各所述样本时序影像进行预处理;
利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到所述遥感影像检测模型。
2.根据权利要求1所述的遥感影像变化检测方法,其特征在于,将预处理后的时序影像输入到预先建立的遥感影像检测模型中,包括:
按照划窗尺寸为N*N、步长为P1的方式对所述预处理后的时序影像进行滑动,并将滑动得到的区域输入到所述遥感影像检测模型中,以得到与每个所述区域对应的预测结果,且对与所述区域对应的预测结果进行拼装,以得到所述待检测区域的遥感影像变化检测结果;
利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,包括:
按照划窗尺寸为N*N、步长为P2的方式对所述预处理后的样本时序影像进行滑动,并以滑动得到的样本区域为样本建立样本集,利用所述样本集对所述检测模型进行训练。
3.根据权利要求2所述的遥感影像变化检测方法,其特征在于,按照划窗尺寸为N*N、步长为P2的方式对所述预处理后的样本时序影像进行滑动,包括:
对于所述预处理后的样本时序影像中包含变化标签的影像区域,以划窗尺寸为N*N、步长为P21的方式进行滑动;
对于所述预处理后的样本时序影像中不包含变化标签的影像区域,以划窗尺寸为N*N、步长为P22的方式进行滑动;其中,P22>P21。
4.根据权利要求3所述的遥感影像变化检测方法,其特征在于,利用所述样本集对所述检测模型进行训练,包括:
将所述样本集中的样本划分成M份,并利用M份样本对所述检测模型进行交叉验证训练,以得到M个所述遥感影像检测模型;其中,M为大于1的整数;
相应地,将滑动得到的区域输入到所述遥感影像检测模型中,以得到与所述区域对应的预测结果,且对与所述区域对应的预测结果进行拼装,以得到所述待检测区域的遥感影像变化检测结果,包括:
将滑动得到的每个所述区域分别输入到各所述遥感影像检测模型中,以通过各所述遥感影像检测模型分别得到与每个所述区域对应的预测结果;
分别对各所述遥感影像检测模型得到的每个所述区域对应的预测结果进行拼装,以得到M个所述遥感影像变化检测结果;
对M个所述遥感影像变化检测结果进行平均处理,以得到最终的遥感影像变化检测结果。
5.根据权利要求1所述的遥感影像变化检测方法,其特征在于,对各所述时序影像进行预处理,包括:
对各所述时序影像进行几何纠正、归一化处理、重采样、相对辐射校准;
对各所述样本时序影像进行预处理,包括:
对各所述样本时序影像进行几何纠正、归一化处理、重采样、相对辐射校准。
6.根据权利要求1至5任一项所述的遥感影像变化检测方法,其特征在于,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,包括:
对构建的以所述全卷积网络为框架且内部包含有LSTM的检测模型进行训练。
7.一种遥感影像变化检测装置,其特征在于,包括:
获取模块,用于获取待检测区域的至少两个时序影像,并对各所述时序影像进行预处理;
输入模块,用于将预处理后的时序影像输入到预先建立的遥感影像检测模型中,得到所述待检测区域的遥感影像变化检测结果;
还包括用于预先建立所述遥感影像检测模型的建立模块,所述建立模块包括:
获取单元,用于获取地物变化前的样本时序影像和所述地物变化后的样本时序影像,并对各所述样本时序影像进行预处理;
训练单元,用于利用预处理后的样本时序影像,对构建的以全卷积网络为框架且内部包含有RNN的检测模型进行训练,得到所述遥感影像检测模型。
8.根据权利要求7所述的遥感影像变化检测装置,其特征在于,所述输入模块包括:
拼装单元,用于按照划窗尺寸为N*N、步长为P1的方式对所述预处理后的时序影像进行滑动,并将滑动得到的区域输入到所述遥感影像检测模型中,以得到与每个所述区域对应的预测结果,且对与所述区域对应的预测结果进行拼装,以得到所述待检测区域的遥感影像变化检测结果;
所述训练单元包括:
第一训练子单元,用于按照划窗尺寸为N*N、步长为P2的方式对所述预处理后的样本时序影像进行滑动,并以滑动得到的样本区域为样本建立样本集,利用所述样本集对所述检测模型进行训练。
9.一种遥感影像变化检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的遥感影像变化检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的遥感影像变化检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175467.XA CN113326724B (zh) | 2021-02-07 | 2021-02-07 | 一种遥感影像变化检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175467.XA CN113326724B (zh) | 2021-02-07 | 2021-02-07 | 一种遥感影像变化检测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326724A true CN113326724A (zh) | 2021-08-31 |
CN113326724B CN113326724B (zh) | 2024-02-02 |
Family
ID=77413996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110175467.XA Active CN113326724B (zh) | 2021-02-07 | 2021-02-07 | 一种遥感影像变化检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326724B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901877A (zh) * | 2021-09-13 | 2022-01-07 | 广州市城市规划勘测设计研究院 | 遥感影像建筑物变化检测方法、装置、设备及存储介质 |
CN115641509A (zh) * | 2022-11-16 | 2023-01-24 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751363B1 (en) * | 1999-08-10 | 2004-06-15 | Lucent Technologies Inc. | Methods of imaging based on wavelet retrieval of scenes |
CN105160666A (zh) * | 2015-08-25 | 2015-12-16 | 西安电子科技大学 | 基于非平稳分析与条件随机场的sar图像变化检测方法 |
CN106991363A (zh) * | 2016-01-21 | 2017-07-28 | 北京三星通信技术研究有限公司 | 一种人脸检测的方法和装置 |
CN108108699A (zh) * | 2017-12-25 | 2018-06-01 | 重庆邮电大学 | 融合深度神经网络模型和二进制哈希的人体动作识别方法 |
CN108764060A (zh) * | 2018-05-07 | 2018-11-06 | 中国传媒大学 | 基于滑动窗口的视频镜头边缘检测方法 |
CN109409263A (zh) * | 2018-10-12 | 2019-03-01 | 武汉大学 | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 |
CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
WO2019119966A1 (zh) * | 2017-12-22 | 2019-06-27 | 北京市商汤科技开发有限公司 | 文字图像处理方法、装置、设备及存储介质 |
EP3548798A1 (en) * | 2016-11-29 | 2019-10-09 | Signify Holding B.V. | Devices, systems and methods for varying beam structures. |
CN111241970A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 |
US20200226413A1 (en) * | 2017-08-31 | 2020-07-16 | Southwest Jiaotong University | Fast and robust multimodal remote sensing images matching method and system |
EP3696726A1 (en) * | 2017-12-11 | 2020-08-19 | Zhuhai Da Hengqin Technology Development Co., Ltd. | Ship detection method and system based on multidimensional scene characteristics |
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 |
CN112070159A (zh) * | 2020-09-07 | 2020-12-11 | 焦点科技股份有限公司 | 一种多尺度滑窗相似图片检测方法 |
CN112200362A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112232354A (zh) * | 2020-11-23 | 2021-01-15 | 中国第一汽车股份有限公司 | 一种文字识别方法、装置、设备及存储介质 |
-
2021
- 2021-02-07 CN CN202110175467.XA patent/CN113326724B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751363B1 (en) * | 1999-08-10 | 2004-06-15 | Lucent Technologies Inc. | Methods of imaging based on wavelet retrieval of scenes |
CN105160666A (zh) * | 2015-08-25 | 2015-12-16 | 西安电子科技大学 | 基于非平稳分析与条件随机场的sar图像变化检测方法 |
CN106991363A (zh) * | 2016-01-21 | 2017-07-28 | 北京三星通信技术研究有限公司 | 一种人脸检测的方法和装置 |
EP3548798A1 (en) * | 2016-11-29 | 2019-10-09 | Signify Holding B.V. | Devices, systems and methods for varying beam structures. |
US20200226413A1 (en) * | 2017-08-31 | 2020-07-16 | Southwest Jiaotong University | Fast and robust multimodal remote sensing images matching method and system |
EP3696726A1 (en) * | 2017-12-11 | 2020-08-19 | Zhuhai Da Hengqin Technology Development Co., Ltd. | Ship detection method and system based on multidimensional scene characteristics |
WO2019119966A1 (zh) * | 2017-12-22 | 2019-06-27 | 北京市商汤科技开发有限公司 | 文字图像处理方法、装置、设备及存储介质 |
CN108108699A (zh) * | 2017-12-25 | 2018-06-01 | 重庆邮电大学 | 融合深度神经网络模型和二进制哈希的人体动作识别方法 |
CN108764060A (zh) * | 2018-05-07 | 2018-11-06 | 中国传媒大学 | 基于滑动窗口的视频镜头边缘检测方法 |
CN109409263A (zh) * | 2018-10-12 | 2019-03-01 | 武汉大学 | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 |
CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
CN111241970A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 |
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 |
CN112070159A (zh) * | 2020-09-07 | 2020-12-11 | 焦点科技股份有限公司 | 一种多尺度滑窗相似图片检测方法 |
CN112200362A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112232354A (zh) * | 2020-11-23 | 2021-01-15 | 中国第一汽车股份有限公司 | 一种文字识别方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
MARIA PAPADOMANOLAKI, SAGAR VERMA, MARIA VAKALOPOULOU, SIDDHARTH GUPTA, KONSTANTINOS KARANTZALOS: "DETECTING URBAN CHANGES WITH RECURRENT NEURAL NETWORKS FROM MULTITEMPORAL SENTINEL-2 DATA", IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, YOKOHAMA, JAPAN, pages 214 * |
陈迪,郭锐,刘士彬,马勇,姚武韬,曹州: "基于长短期记忆网络模型的中分辨率遥感影像变化检测研究", 地理与地理信息科学, vol. 35, no. 6, pages 25 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901877A (zh) * | 2021-09-13 | 2022-01-07 | 广州市城市规划勘测设计研究院 | 遥感影像建筑物变化检测方法、装置、设备及存储介质 |
CN115641509A (zh) * | 2022-11-16 | 2023-01-24 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
CN115641509B (zh) * | 2022-11-16 | 2023-03-21 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113326724B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113420662B (zh) | 基于孪生多尺度差异特征融合的遥感影像变化检测方法 | |
CN111640159B (zh) | 一种基于孪生卷积神经网络的遥感影像变化检测方法 | |
Wangchuk et al. | Mapping of glacial lakes using Sentinel-1 and Sentinel-2 data and a random forest classifier: Strengths and challenges | |
CN113780296B (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
CN111767801A (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
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 | |
CN113326724A (zh) | 一种遥感影像变化检测方法、装置、设备及可读存储介质 | |
CN112906662B (zh) | 一种遥感图像变化检测方法、装置、设备及存储介质 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN114022770A (zh) | 基于改进自注意力机制与迁移学习的山体裂缝检测方法 | |
CN112749578A (zh) | 一种基于深度卷积神经网络的遥感图像自动道路提取方法 | |
CN110991430A (zh) | 基于遥感图像的地物识别及覆盖率计算方法及系统 | |
CN114494821A (zh) | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 | |
CN112686184A (zh) | 基于神经网络的遥感房屋变化检测方法 | |
CN115861823A (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
CN116977311A (zh) | 一种洪涝灾害区域检测方法、系统、电子设备及存储介质 | |
CN111860465A (zh) | 基于超像素的遥感图像提取方法、装置、设备及存储介质 | |
Thati et al. | A systematic extraction of glacial lakes for satellite imagery using deep learning based technique | |
CN114092803A (zh) | 基于遥感图像的云检测方法、装置、电子设备及介质 | |
CN113705340A (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
CN113237554A (zh) | 云下地表温度图像生成方法、装置和终端设备 | |
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 | |
CN115797184B (zh) | 一种地表水体超分辨率提取方法 | |
CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 |
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 |