CN113724205A - 图像变化检测方法、设备及存储介质 - Google Patents

图像变化检测方法、设备及存储介质 Download PDF

Info

Publication number
CN113724205A
CN113724205A CN202110910070.0A CN202110910070A CN113724205A CN 113724205 A CN113724205 A CN 113724205A CN 202110910070 A CN202110910070 A CN 202110910070A CN 113724205 A CN113724205 A CN 113724205A
Authority
CN
China
Prior art keywords
difference
training
image
images
maps
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
Application number
CN202110910070.0A
Other languages
English (en)
Inventor
汪均轶
任宇鹏
李乾坤
殷俊
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110910070.0A priority Critical patent/CN113724205A/zh
Publication of CN113724205A publication Critical patent/CN113724205A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

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

Abstract

本申请公开图像变化检测方法、设备及存储介质，其中，图像变化检测方法包括：获取同一区域不同时相的两个目标图像；利用所述两个目标图像随机叠加组合形成预定数量个生成图；计算每个所述生成图与所述两个目标图像的差异，以获得预定数量个差异图；确定所述预定数量个差异图中不断波动变化的区域，形成变化图。由于两个目标图像中的不变区域，在叠加后仍会保持相对不变，而变化的区域在叠加后会出现较大程度的变化。本申请通过不断获得叠加组合的生成图，并计算生成图与目标图像的差异，确定差异图中不断波动变化的区域，即可获得变化图。本申请的方法与训练采用的图像数据分布无关，并具有较高的检测精度。

Description

图像变化检测方法、设备及存储介质
技术领域
本申请属于图像处理技术领域，具体涉及图像变化检测方法、设备及存储介质。
背景技术
遥感图像变化检测是指利用卫星、无人机等设备，获取多个时相上同一地表区域的图像，并采用一定的技术手段获得该区域地表属性发生变化的局部区域。遥感变化检测技术在城市规划、地图更新、林地监控保护、灾情评估等方面都有巨大的应用前景。
然而，现有的变化检测方法往往精度较低，不具有实际应用价值。
发明内容
本申请提供图像变化检测方法、设备及存储介质，以解决变化检测方法往往精度较低的技术问题。
为解决上述技术问题，本申请采用的一个技术方案是：一种图像变化检测方法，包括：获取同一区域不同时相的两个目标图像；利用所述两个目标图像随机叠加组合形成预定数量个生成图；计算每个所述生成图与所述两个目标图像的差异，以获得预定数量个差异图；确定所述预定数量个差异图中不断波动变化的区域，形成变化图。
为解决上述技术问题，本申请采用的又一个技术方案是：一种基于变化检测模型的图像检测方法，包括：获取目标图像；利用变化检测模型检测目标图像的变化，所述变化检测模型由上述的变化检测模型的训练方法训练得到。
为解决上述技术问题，本申请采用的又一个技术方案是：一种电子设备，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现上述任一方法。
为解决上述技术问题，本申请采用的又一个技术方案是：一种计算机可读存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现上述任一方法。
本申请的有益效果在于：由于两个目标图像中的不变区域，在叠加后仍会保持相对不变，而变化的区域在叠加后会出现较大程度的变化。本申请通过不断获得叠加组合的生成图，并计算生成图与目标图像的差异，确定差异图中不断波动变化的区域，即可获得变化图。本申请的方法与训练采用的图像数据分布无关，并具有较高的检测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图，其中：
图1是本申请的图像变化检测一实施例的流程示意图；
图2是本申请的图像变化检测一实施例的子流程示意图；
图3是本申请的图像变化检测一实施例中的图像加权叠加示意图；
图4是本申请的图像变化检测一实施例中的判别模型的输入图像和生成模型的输出图像的示意图；
图5是本申请的图像变化检测一实施例的又一子流程示意图；
图6是本申请的图像变化检测一实施例的初始掩码图示意图；
图7是本申请的图像变化检测一实施例的初始掩码图随机腐蚀后获得的掩码图示意图；
图8是本申请的图像变化检测装置一实施例的框架示意图；
图9是本申请的电子设备一实施例的框架示意图；
图10是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
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，所描述的实施例仅是本申请的一部分实施例，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。
请参阅图1至图7，图1是本申请的图像变化检测一实施例的流程示意图；图2是本申请的图像变化检测一实施例的子流程示意图；图3是本申请的图像变化检测一实施例中的图像加权叠加示意图；图4是本申请的图像变化检测一实施例中的判别模型的输入图像和生成模型的输出图像的示意图；图5是本申请的图像变化检测一实施例的又一子流程示意图；图6是本申请的图像变化检测一实施例的初始掩码图示意图；
图7是本申请的图像变化检测一实施例的初始掩码图随机腐蚀后获得的掩码图示意图。
本申请一实施例公开了一种图像变化检测方法，包括如下步骤：
S11：获取同一区域不同时相的两个目标图像。
目标图像的大小需要适应进行图像处理，在一些实施例中，获取同一区域不同时相的两个目标图像包括：
获取同一区域不同时相的两个原始遥感图像；将两个原始遥感图像对齐裁剪，以形成多组预设大小的对应两个目标图像，分别形成两个目标图像数据集。
例如，原始遥感图像的大小为2Wx2W，裁剪后的目标图像大小为128x128。
S12：利用两个目标图像随机叠加组合形成预定数量个生成图。
利用两个目标图像随机叠加组合形成一生成图，并重复预定数量次，可获得预定数量个生成图。具体地，利用两个目标图像随机叠加组合形成预定数量个生成图包括：
随机产生一个噪声向量，将噪声向量和两个目标图像输入生成模型，获得一生成图，重复预定数量次，以获得预定数量个生成图。每个生成图包括两个目标图像随机叠加组合获得。两个目标图像中的不变区域，在叠加后仍会保持相对不变，而变化的区域在叠加后会出现较大程度的变化。训练后的生成模型学到这样分布的空间，能够随机产生整个空间的图像，其中不断波动的区域即为变化区域。
具体地，生成模型的训练方法如下：
S121：获取同一区域不同时相的两个训练图像。
获取同一区域不同时相的两个训练图像，训练图像为HxWx3的三通道图像。具体地，H＝W＝128。训练图像可以直接采用目标图像，也可以利用其他的遥感图像，此处不作限制。
S122：随机产生一训练噪声向量，将训练噪声向量和两个训练图像输入生成模型，获得初始生成图。
随机产生一个1xK的噪声向量，和训练图像A和训练图像B堆叠在一起的HxWx6的图像矩阵，输出为一张HxWx3的生成图像。具体地，K＝N＝100。
S123：随机生成一与训练图像相同大小的掩膜，并利用掩膜和两个训练图像加权叠加后，获得合成图。
如图3所示，图3中从第一排起由左向右依次为训练图像A、训练图像B、合成图1、叠加合成图1所用的掩膜1、合成图2、叠加合成图2所用的掩膜2、合成图3、叠加合成图3所用的掩膜3。随机生成一个与训练图像相同大小的掩膜M，并利用掩膜M和两个训练图像加权叠加，获得合成图。具体地，本实施例中，掩膜M和两个训练图像加权叠加的方式为逐像素相乘。公式如下：
M*A+(1-M)*B
S124：将初始生成图和合成图送入判别模型，获得初始生成图和合成图的置信度，以置信度最大化的方向训练判别模型和生成模型。
将初始生成图和合成图输入判别模型，判别模型输出初始生成图为合成图的置信度。以置信度最大化的方向训练判别模型和生成模型，即使得生成模型生成的初始生成图接近叠加掩膜的合成图。从而判别模型起到引导生成模型学习训练图像A到训练图像B的特征空间。生成模型的期望输出范围大于利用掩膜获得合成图的范围。
S125：重复获得不同的初始生成图和合成图，持续以置信度最大化的方向训练判别模型和生成模型。
重复利用不同的训练噪声向量获得初始生成图，利用不同的掩膜获得合成图，并利用获得的不同的初始生成图和合成图，继续以置信度最大化的方向训练判别模型和生成模型，直至生成模型可以稳定输出生成图。
如图4所示，图4中两端分别为训练图像A和训练图像B，灰色点为学习后的生成器输出的生成图范围，黑色点为利用掩膜获得的合成图范围。最终训练获得的生成模型的学习了训练图像A到训练图像B的特征空间，可输出的生成图范围较广，大于利用掩膜获得合成图的范围。
S13：计算每个生成图与两个目标图像的差异，获得预定数量个差异图。
在一些实施例中，首先需要将每个生成图Cn和两个目标图像(目标图像A和目标图像B)的规模统一，从而才可以将生成图Cn和目标图像A与目标图像B进行逐个像素点比较。计算每个生成图Cn中每个像素点分别与两个目标图像对应像素点的差异值，并保留较小的差异值作为差异像素值。对差异像素值进行二值化处理，获得每个生成图对应的差异图。具体公式如下：
Figure BDA0003203383850000051
Figure BDA0003203383850000052
上述公式中，通过将当前生成图Ci和目标图像A与目标图像B的每个像素点分别除以其图像中所有像素点中的最大像素值，从而规模统一。当前生成图Ci为三通道图，则每个通道的像素点分别除以该通道中的最大像素值。当前生成图为三通道图，即比较当前生成图Ci每个通道中每个像素点分别与两个目标图像对应通道像素点的差异值。依次获得预定数量个生成图对应预定数量个差异图Dn。在本实施例中，对差异像素值进行二值化处理的差值阈值定位0.1，即将小的扰动判定为非差异区域，模拟不同时相的目标图像A和目标图像B的全局差异。
若生成图为三通道图，那么差异图仍为三通道图Dn，所以需要将差异图Dn由三通道转为一通道的差异图Fn，即保留每个像素三通道中的最大值，将三通道差异图Dn转为一通道的差异图Fn。
通过将每个生成图分别对两个目标图像进行逐像素比较，并保留较小值作为差异像素值，可提高差异图的获取标准，形成的变化图更准确。相比于直接和一张目标图像做比较，结果更稳定。
S14：确定预定数量个差异图中不断波动变化的区域，形成变化图。
将对应数量个差异图输入差异网络，获得变化图，差异网络经过预训练。
在一些实施例中，由于目标图像由较大的原始遥感图像裁剪成预设大小获得，所以利用对应数量个差异图获取不断波动变化的区域，形成变化图，包括：将多组两个目标图像对应的变化图合成，获得完整的两个原始遥感图像的变化图。
具体地，差异网络的预训练方法包括：
S141：获得第一训练图像，并复制第一数量份。
随机提取一张预定大小的第一训练图像A，并复制第一数量N份。预定大小可以与目标图像以及上述步骤中的训练图像的大小一致。
进一步地，对这第一数量个第一训练图像A分别叠加一个全局噪声。具体地，可使用高斯噪声，这个全局噪声旨在模拟不同时相的第一训练图像A和第二训练图像B的全局差异。
第一训练图像A可采用目标图像。
S142：随机生成一初始掩码图，初始掩码图包括至少一个图形。
如图6所示，随机生成一初始掩码图M，初始掩码图包括至少一个多边形或椭圆形。
S143：对图形进行随机腐蚀，并重复第一数量次，以获得第一数量个掩码图。
如图7所示，对图形进行随机腐蚀，并重复第一数量次，以获得第一数量个掩码图，记为Mn。
S144：获取第二训练图像，利用第一数量个掩码图分别对第一训练图像和第二训练图像进行叠加，获得第一数量个模拟生成图。
随机获取一张第二训练图像B，第二训练图像B与第一训练图像A不同，利用第一数量个掩码图Mn结合第二训练图像B对前述的叠加了全局噪声的第一训练图像A做一次叠加扰动，获得模拟生成图Gn。
Gn＝(1-Mn)*An+Mn*Bn
S145：分别计算第一数量个模拟生成图和第一训练图像的差值，获得的第一数量个训练差异图。
同样地，首先需要将每个模拟生成图和第一训练图像的规模统一，从而才可以将模拟生成图和第一训练图像进行逐个像素点比较。计算每个模拟生成图中每个像素点与第一训练图像对应像素点的差异值，并保留较小的差异值作为训练差异像素值。对训练差异像素值进行二值化处理，获得每个模拟生成图对应的训练差异图。具体公式如下：
Figure BDA0003203383850000071
Figure BDA0003203383850000072
上述公式中，通过将每个模拟生成图Gi和第一训练图像A的每个像素点分别除以其图像中所有像素点中的最大像素值，从而规模统一。模拟生成图Gi为三通道图，则每个通道的像素点分别除以该通道中的最大像素值。模拟生成图Gi为三通道图，即比较当前生成图Ci每个通道中每个像素点与第一训练图像A对应通道像素点的差异值。依次获得预定数量个模拟生成图Gn对应预定数量个训练差异图Hn。在本实施例中，对训练差异像素值进行二值化处理的差值阈值定位0.1，即将小的扰动判定为非差异区域，模拟不同时相的两个图像的全局差异。
若模拟生成图Gn为三通道图，那么训练差异图Hn仍为三通道图，所以需要将训练差异图Hn由三通道转为一通道的训练差异图Kn，即保留每个像素三通道中的最大值，将三通道训练差异图Dn转为一通道的训练差异图Kn。
S146：将第一数量个训练差异图输入差异网络，以训练差异图和初始掩码图差异最小化的方向训练差异网络。
将第一数量个训练差异图Kn输入差异网络，以训练差异图和初始掩码图差异最小化的方向训练差异网络。训练好的差异网络可以确定多个差异图中不断波动变化的区域，形成变化图。
通常，训练差异网络所需的训练差异图的第一数量根据实际训练情况确定。具体地，第一数量为100。
本申请实施例的图像变化检测在训练生成模型时使用无监督网络获得初始生成图。本申请的差异网络可以用目标图像进行训练，在检测图像变化时，利用生成器生成的生成图计算出为差异图，再使用一个只与差异图有关的监督网络将差异图转换为变化图。因此本申请既能做到与遥感图像数据分布无关，检测速度快又能保持良好的检测精度。本申请解决了现有方案训练时间过长(对于2Wx2W像素的遥感图像，现有方案在测试环境下需要42天，本申请约2天)、检测精度低的问题，具备较高的实用价值。
请参阅图8，图8是本申请的图像变化检测装置一实施例的框架示意图。
本申请又一实施例提供了图像变化检测装置20，包括获取模块21、生成图生成模块22、差异图处理模块23和变化图形成模块24。获取模块21获取同一区域不同时相的两个目标图像，生成图生成模块22利用两个目标图像随机叠加组合形成预定数量个生成图。差异图处理模块23计算每个生成图与两个目标图像的差异，以获得预定数量个差异图。变化图形成模块24确定预定数量个差异图中不断波动变化的区域，形成变化图。
本申请的图像变化检测装置20可实现上述任一实施例中的图像变化检测方法。
由于两个目标图像中的不变区域，在叠加后仍会保持相对不变，而变化的区域在叠加后会出现较大程度的变化。本申请通过不断获得叠加组合的生成图，并计算生成图与目标图像的差异，确定差异图中不断波动变化的区域，即可获得变化图。
请参阅图9，图9是本申请的电子设备一实施例的框架示意图。
本申请又一实施例提供了一种电子设备30，包括相互耦接的存储器31和处理器32，处理器32用于执行存储器31中存储的程序指令，以实现上述任一实施例的训练方法和检测方法。在一个具体的实施场景中，电子设备30可以包括但不限于：微型计算机、服务器，此外，电子设备30还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器32用于控制其自身以及存储器31以实现上述任一实施例的人像聚类方法中的步骤。处理器32还可以称为CPU(Central Processing Unit，中央处理单元)。处理器32可能是一种集成电路芯片，具有信号的处理能力。处理器32还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器32可以由集成电路芯片共同实现。
请参阅图10，图10是本申请计算机可读存储介质一实施例的框架示意图。
本申请又一实施例提供了一种计算机可读存储介质40，其上存储有程序数据41，程序数据41被处理器执行时实现上述任一实施例的人像聚类方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质40中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质40中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的可读存储介质40包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种图像变化检测方法，其特征在于，包括：
获取同一区域不同时相的两个目标图像；
利用所述两个目标图像随机叠加组合形成预定数量个生成图；
计算每个所述生成图与所述两个目标图像的差异，以获得预定数量个差异图；
确定所述预定数量个差异图中不断波动变化的区域，形成变化图。
2.根据权利要求1所述的方法，其特征在于，所述利用所述两个目标图像随机叠加组合形成预定数量个生成图，包括：
随机产生预定数量个噪声向量，将每个所述噪声向量和所述两个目标图像输入生成模型，获得所述预定数量个生成图；其中，所述生成模型经过预训练。
3.根据权利要求2所述的方法，其特征在于，所述生成模型经过预训练，包括：
获取同一区域不同时相的两个训练图像；
随机产生一训练噪声向量，将所述训练噪声向量和所述两个训练图像输入所述生成模型，获得初始生成图；
随机生成一与所述训练图像相同大小的掩膜，并利用所述掩膜与所述两个训练图像加权叠加后，获得合成图；
将所述初始生成图和所述合成图送入判别模型，获得所述初始生成图和所述合成图的置信度，以所述置信度最大化的方向训练所述判别模型和所述生成模型；
重复获得不同的所述初始生成图和所述合成图，持续以所述置信度最大化的方向训练所述判别模型和所述生成模型。
4.根据权利要求1所述的方法，其特征在于，所述计算每个所述生成图与所述两个目标图像的差异，以获得预定数量个差异图，包括：
将每个所述生成图和所述两个目标图像的规模统一；
计算每个所述生成图中每个像素点分别与所述两个目标图像对应像素点的差异值，并保留较小的差异值作为差异像素值；
对所述差异像素值进行二值化处理，获得每个所述生成图对应的所述差异图。
5.根据权利要求1所述的方法，其特征在于，所述利用所述预定数量个差异图获取不断波动变化的区域，形成变化图，包括：
将所述对应数量个差异图输入差异网络，获得所述变化图，所述差异网络经过预训练。
6.根据权利要求5所述的方法，其特征在于，所述差异网络经过预训练包括：
获取第一训练图像，并复制第一数量份；
随机生成一初始掩码图，所述初始掩码图包括至少一个图形；
对所述图形进行随机腐蚀，并重复第一数量次，以获得第一数量个掩码图；
获取第二训练图像，利用所述第一数量个掩码图分别对所述第一训练图像和所述第二训练图像进行叠加，获得第一数量个模拟生成图；
分别计算所述第一数量个模拟生成图和所述第一训练图像的差值，获得的第一数量个训练差异图；
将所述第一数量个训练差异图输入所述差异网络，以所述训练差异图和所述初始掩码图差异最小化的方向训练所述差异网络。
7.根据权利要求6所述的方法，其特征在于，所述分别计算所述第一数量个模拟生成图和所述第一训练图像的差值，获得的第一数量个训练差异图：
将每个所述模拟生成图和所述第一训练图像的规模统一；
计算每个所述模拟生成图中每个像素点与所述第一训练图像对应像素点的差异值，并保留较小的差异值作为训练差异像素值；
对所述训练差异像素值进行二值化处理，获得每个所述模拟生成图对应的所述训练差异图。
8.根据权利要求1所述的方法，其特征在于，所述获取同一区域不同时相的两个目标图像，包括：
获取同一区域不同时相的两个原始遥感图像；
将两个所述原始遥感图像对齐裁剪，以形成多组预设大小的对应所述两个目标图像；
所述利用所述对应数量个差异图获取不断波动变化的区域，形成变化图，包括：
将多组所述两个目标图像对应的所述变化图合成，获得完整的两个所述原始遥感图像的变化图。
9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有程序数据，其特征在于，所述程序数据被处理器执行时实现权利要求1至8中任一项所述的方法。
CN202110910070.0A 2021-08-09 2021-08-09 图像变化检测方法、设备及存储介质 Pending CN113724205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110910070.0A CN113724205A (zh) 2021-08-09 2021-08-09 图像变化检测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110910070.0A CN113724205A (zh) 2021-08-09 2021-08-09 图像变化检测方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113724205A true CN113724205A (zh) 2021-11-30

Family

ID=78675223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110910070.0A Pending CN113724205A (zh) 2021-08-09 2021-08-09 图像变化检测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113724205A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581667A (zh) * 2022-03-04 2022-06-03 北京百度网讯科技有限公司 地图数据处理方法、装置、电子设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581667A (zh) * 2022-03-04 2022-06-03 北京百度网讯科技有限公司 地图数据处理方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
US20190095730A1 (en) End-To-End Lightweight Method And Apparatus For License Plate Recognition
CN112949549A (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
CN111047548A (zh) 姿态变换数据处理方法、装置、计算机设备和存储介质
KR20170038622A (ko) 영상으로부터 객체를 분할하는 방법 및 장치
US20200234467A1 (en) Camera self-calibration network
Singh et al. Steganalysis of digital images using deep fractal network
CN109447897B (zh) 一种真实场景图像合成方法及系统
CN112883971A (zh) 一种基于深度学习的sar图像舰船目标检测方法
US20230162409A1 (en) System and method for generating images of the same style based on layout
CN116097307A (zh) 图像的处理方法及相关设备
CN113724205A (zh) 图像变化检测方法、设备及存储介质
EP3591620B1 (en) Image processing device and two-dimensional image generation program
Almanza-Medina et al. Deep learning architectures for navigation using forward looking sonar images
CN103134476B (zh) 一种基于水平集算法的海陆分界线检测方法
CN110852176A (zh) 一种基于Mask-RCNN的高分三号SAR图像道路检测方法
CN113284046A (zh) 基于无高分辨率参考图的遥感图像增强和复原方法及网络
CN112802048A (zh) 具有不对称结构的图层生成对抗网络生成方法及装置
US20190156182A1 (en) Data inference apparatus, data inference method and non-transitory computer readable medium
CN115760603A (zh) 一种基于大数据技术的干涉阵列宽带成像方法
Guo et al. A comparison of artificial neural networks and support vector machines on land cover classification
CN116310899A (zh) 基于YOLOv5改进的目标检测方法及装置、训练方法
Wang et al. Road extraction based on improved DeepLabv3 plus in remote sensing image
CN109978043A (zh) 一种目标检测方法及装置
CN115147720A (zh) 基于坐标注意力和长短距上下文的sar舰船检测方法
CN114708591A (zh) 基于单字连接的文档图像中文字符检测方法

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