CN113837931A - 遥感图像的变换检测方法、装置、电子设备及存储介质 - Google Patents
遥感图像的变换检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113837931A CN113837931A CN202111136364.9A CN202111136364A CN113837931A CN 113837931 A CN113837931 A CN 113837931A CN 202111136364 A CN202111136364 A CN 202111136364A CN 113837931 A CN113837931 A CN 113837931A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- change
- convolution module
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000009466 transformation Effects 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 117
- 238000001514 detection method Methods 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000011160 research Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G06T3/04—
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种遥感图像的变换检测方法、装置、电子设备及可读存储介质。其中,方法包括预先基于双重监督方法训练样本数据集得到变化检测模型;样本数据集中的各遥感样本图像的变化区域已知且携带对应变化类型的标签。计算第一遥感图像和第二遥感图像的差值图像;将差值图像输入至变化检测模型,得到第一遥感图像相对第二遥感图像的变换检测结果。本申请可有效降低模型过拟合出现概率,提高遥感图像的变换检测精度。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种遥感图像的变换检测方法、装置、电子设备及可读存储介质。
背景技术
遥感技术具有快速、覆盖范围广、周期性等特点,通过遥感技术对地观测被广泛应用于数据获取技术领域。随着遥感技术的不断发展,遥感影像的分辨率也不断提高,高分辨率影像能提供更丰富的地理、地形等空间信息、更方便快捷,且定位精确、一致性强,其几何结构和纹理特征能更好地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。
可以理解的是,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”现象的普遍存在会直接影响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。
传统的遥感图像变化检测,需要先对不同时期的两幅图像进行裁剪、配准、辐射校正等预处理,然后再采用差值、比值等不同的方法构造差异图进行变化区域提取。这种方式对遥感图像的图像预处理过程要求严格,需要人工干预,自动化程度低,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(ConvolutionalNeural Network,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,以及计算机硬件的快速发展,基于深度学习方法的遥感影像变化检测方法逐渐取代传统的遥感图像变化检测方法。除了检测地物变化范围外,变化类型的检测,即获取“from-to”变化信息的方法,对于获取地表地物分布的变化情况十分重要,变化类型的检测可以为环境变化和城市扩展监测等提供有价值的信息。多类型变化检测问题通常被看作是根据监督方法如半监督和混合监督显式地检测转换的问题。
相关技术中的变化类型检测法包括极坐标下的CVA变化方向检测法和分类检测法,这些方法都是需要先进行分类识别在进行变化检测,这种方法存在变化检测结果受分类累积误差影响,分类结果的好坏对变化检测的结果有着重要影响,例如在分类后变化检测方法中,如果有一时相遥感影像类别分类错误,会导致最终类别分类错误,进而会造成分类误差的累积。此外,相关技术中变化检测方法所训练的模型容易出现过拟合问题,导致最终变化检测精度不高。
发明内容
本申请提供了一种遥感图像的变换检测方法、装置、电子设备及可读存储介质,有效降低模型过拟合出现概率,可以提高遥感图像变换检测的精度。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种遥感图像的变换检测方法,包括:
预先基于双重监督方法训练样本数据集得到变化检测模型;所述样本数据集中的各遥感样本图像的变化区域已知且携带对应变化类型的标签;
计算第一遥感图像和第二遥感图像的差值图像;
将所述差值图像输入至所述变化检测模型,得到所述第一遥感图像相对所述第二遥感图像的变换检测结果。
可选的,所述基于双重监督方法训练样本数据集得到变化检测模型之前,还包括:
获取样本数据集;
对所述样本数据集中的各遥感样本图像:对叠加至少2期遥感样本图像的所有波段进行分割处理,构建对象特征向量和变化向量的模,并确定目标检测阈值;对目标研究区域进行变化检测,得到所述目标研究区域的变化范围;利用目视解译方法标注各遥感样本图像的变化类型以生成对应标签。
可选的,所述对叠加至少2期遥感图像样本数据的所有波段进行分割处理之前,还包括:
按照多个目标角度对各遥感样本图像进行旋转操作;
从预设随机因子取值区间中获取至少1个随机因子,基于所述随机因子对相应的遥感样本图像进行缩放操作;
按照预设噪声值为每个遥感样本图像添加噪声;
对各遥感样本图像进行随机亮度调节操作。
可选的,所述基于双重监督方法训练样本数据集得到变化检测模型,包括:
预先构建卷积神经网络模型;所述卷积神经网络模型包括编码器和解码器,且所述卷积神经网络模型在解码阶段得到的特征图和在解码阶段的特征图跳接连接;
利用所述双重监督方法,基于所述训练样本数据集训练所述卷积神经网络模型得到所述变化检测模型;
其中,所述编码器包括第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块;所述第一卷积模块、所述第二卷积模块、所述第三卷积模块和所述第四卷积模块均由第一卷积层、第二卷积层、编码批处理归一化层和编码激活函数层依次堆叠构成;所述第一卷积模块、所述第二卷积模块、所述第三卷积模块和所述第四卷积模块的末端堆叠用于下采样的最大池化层;
所述解码器包括第五卷积模块、第六卷积模块、第七卷积模块和第八卷积模块;所述第五卷积模块、所述第六卷积模块、所述第七卷积模块和所述第八卷积模块均由第三卷积层、第四卷积层、解码批处理归一化层和解码激活函数层依次堆叠构成;所述第五卷积模块、所述第六卷积模块、所述第七卷积模块和所述第八卷积模块的末端堆叠用于上采样的双线性插值层。
可选的,所述第二卷积模块、所述第三卷积模块和所述第四卷积模块还包括损失函数层;所述利用所述双重监督方法,基于所述训练样本数据集训练所述卷积神经网络模型得到所述变化检测模型,包括:
计算所述解码器的输出特征图与真实变化图的损失信息,以监督所述卷积神经网络模型的训练过程。
本发明实施例另一方面提供了一种遥感图像的变换检测装置,包括:
模型预训练模块,用于预先基于双重监督方法训练样本数据集得到变化检测模型;所述样本数据集中的各遥感样本图像的变化区域已知且携带对应变化类型的标签;
差值图像计算模块,用于计算第一遥感图像和第二遥感图像的差值图像;
检测模块,用于将所述差值图像输入至所述变化检测模型,得到所述第一遥感图像相对所述第二遥感图像的变换检测结果。
可选的,还包括数据集处理模块,用于获取样本数据集;对所述样本数据集中的各遥感样本图像:对叠加至少2期遥感样本图像的所有波段进行分割处理,构建对象特征向量和变化向量的模,并确定目标检测阈值;对目标研究区域进行变化检测,得到所述目标研究区域的变化范围;利用目视解译方法标注各遥感样本图像的变化类型以生成对应标签。
可选的,所述数据集处理模块还包括图像预处理单元,用于按照多个目标角度对各遥感样本图像进行旋转操作;从预设随机因子取值区间中获取至少1个随机因子,基于所述随机因子对相应的遥感样本图像进行缩放操作;按照预设噪声值为每个遥感样本图像添加噪声;对各遥感样本图像进行随机亮度调节操作。
本发明实施例还提供了一种电子设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述遥感图像的变换检测方法的步骤。
本发明实施例最后还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前任一项所述遥感图像的变换检测方法的步骤。
本申请提供的技术方案的优点在于,通过双重监督训练方法,引入分层的损失函数,以使得网络的编码器更容易收敛,降低用于进行图像识别的网络模型出现过拟合的概率,进而得到较好的预测结果,有效提高遥感图像的变换检测精度。通过该遥感图像变化类型检测精度的提升,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,本发明实施例还针对遥感图像的变换检测方法提供了相应的实现装置、电子设备及可读存储介质,进一步使得所述方法更具有实用性,所述装置、电子设备及可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1为本发明实施例提供的一种遥感图像的变换检测方法的流程示意图;
图2为本发明实施例提供的另一种遥感图像的变换检测方法的流程示意图;
图3为本发明实施例提供的遥感图像的变换检测装置的一种具体实施方式结构图;
图4为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
需要注意的是,上述应用场景仅是为了便于理解本申请的思想和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种遥感图像的变换检测方法的流程示意图,本发明实施例可包括以下内容:
S101:预先基于双重监督方法训练样本数据集得到变化检测模型。
本实施例中,在训练变化检测模型之前,需要先获取训练样本数据集,然后对训练样本数据集中的各样本数据进行处理,可利用变化向量分析确定各样本数据相比待比较样本数据之间的变化区域,并基于变化区域中的变化信息为各样本数据标注相应的变化类型,从而得到满足各遥感样本图像的变化区域已知且携带对应变化类型的标签的样本数据集。在对训练样本数据集处理完之后,构建双重监督网络,将训练样本数据集中的差值图像输入至双重监督网络的编码器,训练时使用不同分辨率的真实变化图对编码器、解码器进行双重监督,根据设定好的超参数进行网络训练得到变化检测模型,变化检测模型用于对输入数据进行变化检测,并输出变化类型检测结果。
S102:计算第一遥感图像和第二遥感图像的差值图像。
本实施例的第一遥感图像和第二遥感图像是用于进行执行变化检测的两幅目标遥感图像,第一遥感图像和第二遥感图像为两时相遥感图像,可以是第一遥感图像相对于第二遥感图像的变化情况,也可是第二遥感图像相比第一遥感图像的变化情况,这均不影响本申请的实现。为了提高遥感图像的变换检测精度,还可对第一遥感图像或第二遥感图像进行图像预处理,保证多时相遥感图像中同一像素对应同一地理位置,需要对两时相遥感影像进行相对配准,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。另外还可利用伪不变特征点方法进行线性相对辐射校正,校正方法为:首先从遥感图像中通过目视确定,手动选取未变化的参考校正点,然后利用线性函数来表达对应像元灰度值之间的线性关系。
S103:将差值图像输入至变化检测模型,得到第一遥感图像相对第二遥感图像的变换检测结果。
在本发明实施例提供的技术方案中,通过双重监督训练方法,引入分层的损失函数,以使得网络的编码器更容易收敛,降低用于进行图像识别的网络模型出现过拟合的概率,进而得到较好的预测结果,有效提高遥感图像的变换检测精度。通过该遥感图像变化类型检测精度的提升,可以最大程度的解决城市复杂场景下地物提取的问题,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。
需要说明的是,本申请中各步骤间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1只是一种示意方式,并不代表只能是这样的执行顺序。
在上述实施例中,对于如何执行如何生成训练样本数据集并不做限定,本实施例中给出一种可选的实施方式,可包括如下步骤:
获取样本数据集;对样本数据集中的各遥感样本图像:对叠加至少2期遥感样本图像的所有波段进行分割处理,构建对象特征向量和变化向量的模,并确定目标检测阈值;对目标研究区域进行变化检测,得到目标研究区域的变化范围;利用目视解译方法标注各遥感样本图像的变化类型以生成对应标签。
在本实施例中,对叠加两时相影像的所有波段进行分割,得到分割结果,将分割结果作为对象,构建对象特征向量为:采用灰度平均值表示每个对象的特征向量,设对象i在波段j上的灰度平均值为mi,j,参与变化检测的两时相影像分别为t1和t2,具有N个波段,将两时期提取的对象特征向量分别记为Xt1和Xt2,则第i个对象的特征向量可表示为:和计算各个对象在n个波段灰度均值的差值,对象i在两个时相特征向量的变化向量可表示为:ΔXi=(Δm1i,…,Δmni)T=(mt2,1i-mt1,1i,…,mt2,ni-mt1,ni)T。在得到对象特征向量之后,可利用任何一种向量模计算方式计算该对象特征向量的模,例如可利用欧氏距离计算变化向量的模,即可采用下述关系式计算:
在上述对象特征向量和变化向量的模之后,可根据实际应用场景确定变化强度的目标检测阈值△C,当ΔCi≥△C时,判定对象i为变化对象;当ΔCi<△C时,判定该对象为不变对象。对整个研究区进行上述操作,得到研究区的变化范围。
为了进一步提高变化检测精度,本实施例还可对训练样本数据进行图像数据增强处理,以防止出现模型过拟合现象,提高模型的泛化能力,基于上述实施例,在对叠加至少2期遥感图像样本数据的所有波段进行分割处理之前,还可包括:
按照多个目标角度例如45°、90°、135°等对各遥感样本图像进行旋转操作。从预设随机因子取值区间中获取至少1个随机因子,例如可从[0.50,1.50]中随机选值作为随机因子,基于随机因子对相应的遥感样本图像进行缩放操作;按照预设噪声值如20%为每个遥感样本图像添加噪声;对各遥感样本图像进行随机亮度调节操作。
上述实施例对如何基于双重监督方法训练样本数据集得到变化检测模型并不做限定,本申请还提供了一个可选的实施方式,可包括:
预先构建卷积神经网络模型;卷积神经网络模型包括编码器和解码器,且卷积神经网络模型在解码阶段得到的特征图和在解码阶段的特征图跳接连接;利用双重监督方法,基于训练样本数据集训练卷积神经网络模型得到变化检测模型;其中,编码器包括第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块;第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块均由第一卷积层、第二卷积层、编码批处理归一化层和编码激活函数层依次堆叠构成;第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块的末端堆叠用于下采样的最大池化层;解码器包括第五卷积模块、第六卷积模块、第七卷积模块和第八卷积模块;第五卷积模块、第六卷积模块、第七卷积模块和第八卷积模块均由第三卷积层、第四卷积层、解码批处理归一化层和解码激活函数层依次堆叠构成;第五卷积模块、第六卷积模块、第七卷积模块和第八卷积模块的末端堆叠用于上采样的双线性插值层。
在本实施例中,卷积神经网络模型的结构如图2所示,该网络包括编码器与解码器,编码器共有四个卷积模块,每个模块均由以下操作依次堆叠构成,在卷积块的末端还会堆叠一个用于下采样的最大池化层。卷积模块用于提取输入数据的信息,即数据特征,而堆叠的卷积层能够增加网络的感受野。在卷积块的末端堆叠用于下采样的最大池化层可降低特征的维度,从而避免网络的过拟合。卷积层和池化层的共同作用使得卷积网络能提取出图像中较好的特征。
a)卷积层(共2层,3*3卷积核);
b)批处理归一化层;
c)激活函数层。
解码器共有四个卷积模块,每一块都由上述操作堆叠而成,不同之处在于,在每一个卷积块末端,堆叠的是用于上采样的双线性插值层,连接SoftMax恢复出输入图像分辨率的预测结果。将编码阶段得到的特征图与解码阶段得到的特征图进行跳连连接,从而可解决网络层数较深的情况下梯度消失的问题,同时有助于梯度的反向传播,加快训练过程。为了得到变化区域的信息,本实施例还可将编码阶段得到的特征图进行跳跃连接。在该阶段,首先使用了3×3大小的卷积作为窗口来对特征图进行一个邻域内的上下文信息聚合,接着将特征对进行连接,并使用1×1大小的卷积来进行尺寸修正。
由上可知,本实施例对传统卷积网络U-Net进行改造,采用双重监督方法训练该卷积神经网络,提高了变化类型检测的精度,同时保证变化检测结果地物的完整性。
上述实施例对变换检测模型的训练过程并不作任何限定,本申请还给出一种可选的实施方式,变化检测模型可包括分层训练和整体训练两部分,可包括:
对于分层训练,可在编码层的后三层均加入损失函数,用来直接监督网络前半部分的训练。基于上述实施例,第二卷积模块、第三卷积模块和第四卷积模块还包括损失函数层;计算解码器的输出特征图与真实变化图的损失信息,以监督卷积神经网络模型的训练过程。举例来说,网络的输入数据大小为128×128,经过Conv1得到64×64大小的特征图Conv2的输出是32×32大小的特征图Conv3、Conv4的输出大小分别为16×16、8×8最后总的损失函数为
在传统的卷积神经网络中,由于在网络最终得到输出之后才计算损失函数,利用反向传播更新网络参数,导致网络的前半部分比后半部分收敛速度慢。为了解决这个问题,在网络的编码层同样加入一个损失函数,用来直接监督网络前半部分的训练,有效减少深层网络梯度消失的现象,获得更高精度的变化类型检测结果。
对于整体训练,解码层的输出与真实变化图计算损失,监督网络整体的训练。在编码层的监督训练可以让模型快速的学习图像数据的差异性,同时可以避免对估计得到的变化情况的过度依赖。
在本发明中,采用基于双重监督卷积网络的变化类型检测方法,保证了图像完整性,提高了变化类型检测的处理精度,降低了模型过拟合出现的可能性;综上,本专利中的变化检测方法在提取精度上有较大提高。
本发明实施例还针对遥感图像的变换检测方法提供了相应的装置,进一步使得方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的遥感图像的变换检测装置进行介绍,下文描述的遥感图像的变换检测装置与上文描述的遥感图像的变换检测方法可相互对应参照。
基于功能模块的角度,参见图3,图3为本发明实施例提供的遥感图像的变换检测装置在一种具体实施方式下的结构图,该装置可包括:
模型预训练模块301,用于预先基于双重监督方法训练样本数据集得到变化检测模型;样本数据集中的各遥感样本图像的变化区域已知且携带对应变化类型的标签。
差值图像计算模块302,用于计算第一遥感图像和第二遥感图像的差值图像。
检测模块303,用于将差值图像输入至变化检测模型,得到第一遥感图像相对第二遥感图像的变换检测结果。
可选的,在本实施例的一些实施方式中,上述装置还可以包括:数据集处理模块,用于获取样本数据集;对样本数据集中的各遥感样本图像:对叠加至少2期遥感样本图像的所有波段进行分割处理,构建对象特征向量和变化向量的模,并确定目标检测阈值;对目标研究区域进行变化检测,得到目标研究区域的变化范围;利用目视解译方法标注各遥感样本图像的变化类型以生成对应标签。
作为本实施例的一种可选的实施方式,上述数据集处理模块还可包括图像预处理单元,用于按照多个目标角度对各遥感样本图像进行旋转操作;从预设随机因子取值区间中获取至少1个随机因子,基于随机因子对相应的遥感样本图像进行缩放操作;按照预设噪声值为每个遥感样本图像添加噪声;对各遥感样本图像进行随机亮度调节操作。
可选的,在本实施例的另一些实施方式中,上述模型预训练模块301可进一步用于:预先构建卷积神经网络模型;卷积神经网络模型包括编码器和解码器,且卷积神经网络模型在解码阶段得到的特征图和在解码阶段的特征图跳接连接;利用双重监督方法,基于训练样本数据集训练卷积神经网络模型得到变化检测模型;其中,编码器包括第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块;第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块均由第一卷积层、第二卷积层、编码批处理归一化层和编码激活函数层依次堆叠构成;第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块的末端堆叠用于下采样的最大池化层;解码器包括第五卷积模块、第六卷积模块、第七卷积模块和第八卷积模块;第五卷积模块、第六卷积模块、第七卷积模块和第八卷积模块均由第三卷积层、第四卷积层、解码批处理归一化层和解码激活函数层依次堆叠构成;第五卷积模块、第六卷积模块、第七卷积模块和第八卷积模块的末端堆叠用于上采样的双线性插值层。
作为本实施例的一种可选的实施方式,上述模型预训练模块301还可进一步用于:第二卷积模块、第三卷积模块和第四卷积模块还包括损失函数层;计算解码器的输出特征图与真实变化图的损失信息,以监督卷积神经网络模型的训练过程。
本发明实施例所述遥感图像的变换检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效降低模型过拟合出现概率,提升遥感图像的变换检测精度。
上文中提到的遥感图像的变换检测装置是从功能模块的角度描述,进一步的,本申请还提供一种电子设备,是从硬件角度描述。图4为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图4所示,该电子设备包括存储器40,用于存储计算机程序;处理器41,用于执行计算机程序时实现如上述任一实施例提到的遥感图像的变换检测方法的步骤。
其中,处理器41可以包括一个或多个处理核心,比如4核心处理器、8核心处理器,处理器41还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器41可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable GateArray,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器41也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central Processing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器41可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器41还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器40可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器40还可包括高速随机存取存储器以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。存储器40在一些实施例中可以是电子设备的内部存储单元,例如服务器的硬盘。存储器40在另一些实施例中也可以是电子设备的外部存储设备,例如服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器40还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器40不仅可以用于存储安装于电子设备的应用软件及各类数据,例如:执行漏洞处理方法的程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中,存储器40至少用于存储以下计算机程序401,其中,该计算机程序被处理器41加载并执行之后,能够实现前述任一实施例公开的遥感图像的变换检测方法的相关步骤。另外,存储器40所存储的资源还可以包括操作系统402和数据403等,存储方式可以是短暂存储或者永久存储。其中,操作系统402可以包括Windows、Unix、Linux等。数据403可以包括但不限于遥感图像的变换检测结果对应的数据等。
在一些实施例中,上述电子设备还可包括有显示屏42、输入输出接口43、通信接口44或者称为网络接口、电源45以及通信总线46。其中,显示屏42、输入输出接口43比如键盘(Keyboard)属于用户接口,可选的用户接口还可以包括标准的有线接口、无线接口等。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口44可选的可以包括有线接口和/或无线接口,如WI-FI接口、蓝牙接口等,通常用于在电子设备与其他电子设备之间建立通信连接。通信总线46可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本领域技术人员可以理解,图4中示出的结构并不构成对该电子设备的限定,可以包括比图示更多或更少的组件,例如还可包括实现各类功能的传感器47。
本发明实施例所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效降低模型过拟合出现概率,提升遥感图像的变换检测精度。
可以理解的是,如果上述实施例中的遥感图像的变换检测方法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取存储介质中。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存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器(例如SD或DX存储器等)、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时如上任意一实施例所述遥感图像的变换检测方法的步骤。
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。对于实施例公开的硬件包括装置及电子设备而言,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发明的范围。
以上对本申请所提供的一种遥感图像的变换检测方法、装置、电子设备及可读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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种遥感图像的变换检测方法,其特征在于,包括:
预先基于双重监督方法训练样本数据集得到变化检测模型;所述样本数据集中的各遥感样本图像的变化区域已知且携带对应变化类型的标签;
计算第一遥感图像和第二遥感图像的差值图像;
将所述差值图像输入至所述变化检测模型,得到所述第一遥感图像相对所述第二遥感图像的变换检测结果。
2.根据权利要求1所述的遥感图像的变换检测方法,其特征在于,所述基于双重监督方法训练样本数据集得到变化检测模型之前,还包括:
获取样本数据集;
对所述样本数据集中的各遥感样本图像:对叠加至少2期遥感样本图像的所有波段进行分割处理,构建对象特征向量和变化向量的模,并确定目标检测阈值;对目标研究区域进行变化检测,得到所述目标研究区域的变化范围;利用目视解译方法标注各遥感样本图像的变化类型以生成对应标签。
3.根据权利要求2所述的遥感图像的变换检测方法,其特征在于,所述对叠加至少2期遥感图像样本数据的所有波段进行分割处理之前,还包括:
按照多个目标角度对各遥感样本图像进行旋转操作;
从预设随机因子取值区间中获取至少1个随机因子,基于所述随机因子对相应的遥感样本图像进行缩放操作;
按照预设噪声值为每个遥感样本图像添加噪声;
对各遥感样本图像进行随机亮度调节操作。
4.根据权利要求1至3任意一项所述的遥感图像的变换检测方法,其特征在于,所述基于双重监督方法训练样本数据集得到变化检测模型,包括:
预先构建卷积神经网络模型;所述卷积神经网络模型包括编码器和解码器,且所述卷积神经网络模型在解码阶段得到的特征图和在解码阶段的特征图跳接连接;
利用所述双重监督方法,基于所述训练样本数据集训练所述卷积神经网络模型得到所述变化检测模型;
其中,所述编码器包括第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块;所述第一卷积模块、所述第二卷积模块、所述第三卷积模块和所述第四卷积模块均由第一卷积层、第二卷积层、编码批处理归一化层和编码激活函数层依次堆叠构成;所述第一卷积模块、所述第二卷积模块、所述第三卷积模块和所述第四卷积模块的末端堆叠用于下采样的最大池化层;
所述解码器包括第五卷积模块、第六卷积模块、第七卷积模块和第八卷积模块;所述第五卷积模块、所述第六卷积模块、所述第七卷积模块和所述第八卷积模块均由第三卷积层、第四卷积层、解码批处理归一化层和解码激活函数层依次堆叠构成;所述第五卷积模块、所述第六卷积模块、所述第七卷积模块和所述第八卷积模块的末端堆叠用于上采样的双线性插值层。
5.根据权利要求4所述的遥感图像的变换检测方法,其特征在于,所述第二卷积模块、所述第三卷积模块和所述第四卷积模块还包括损失函数层;所述利用所述双重监督方法,基于所述训练样本数据集训练所述卷积神经网络模型得到所述变化检测模型,包括:
计算所述解码器的输出特征图与真实变化图的损失信息,以监督所述卷积神经网络模型的训练过程。
6.一种遥感图像的变换检测装置,其特征在于,包括:
模型预训练模块,用于预先基于双重监督方法训练样本数据集得到变化检测模型;所述样本数据集中的各遥感样本图像的变化区域已知且携带对应变化类型的标签;
差值图像计算模块,用于计算第一遥感图像和第二遥感图像的差值图像;
检测模块,用于将所述差值图像输入至所述变化检测模型,得到所述第一遥感图像相对所述第二遥感图像的变换检测结果。
7.根据权利要求6所述的遥感图像的变换检测装置,其特征在于,还包括数据集处理模块,用于获取样本数据集;对所述样本数据集中的各遥感样本图像:对叠加至少2期遥感样本图像的所有波段进行分割处理,构建对象特征向量和变化向量的模,并确定目标检测阈值;对目标研究区域进行变化检测,得到所述目标研究区域的变化范围;利用目视解译方法标注各遥感样本图像的变化类型以生成对应标签。
8.根据权利要求7所述的遥感图像的变换检测装置,其特征在于,所述数据集处理模块还包括图像预处理单元,用于按照多个目标角度对各遥感样本图像进行旋转操作;从预设随机因子取值区间中获取至少1个随机因子,基于所述随机因子对相应的遥感样本图像进行缩放操作;按照预设噪声值为每个遥感样本图像添加噪声;对各遥感样本图像进行随机亮度调节操作。
9.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至5任一项所述遥感图像的变换检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述遥感图像的变换检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111136364.9A CN113837931A (zh) | 2021-09-27 | 2021-09-27 | 遥感图像的变换检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111136364.9A CN113837931A (zh) | 2021-09-27 | 2021-09-27 | 遥感图像的变换检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837931A true CN113837931A (zh) | 2021-12-24 |
Family
ID=78970924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111136364.9A Pending CN113837931A (zh) | 2021-09-27 | 2021-09-27 | 遥感图像的变换检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837931A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152660A (zh) * | 2023-02-14 | 2023-05-23 | 北京市遥感信息研究所 | 一种基于跨尺度注意力机制的广域遥感图像变化检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190171879A1 (en) * | 2017-12-04 | 2019-06-06 | Transport Planning and Research Institute Ministry of Transport | Method of extracting warehouse in port from hierarchically screened remote sensing image |
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 |
CN111046738A (zh) * | 2019-11-14 | 2020-04-21 | 五邑大学 | 针对指静脉分割的轻量化u-net的精度提升方法 |
CN111626994A (zh) * | 2020-05-18 | 2020-09-04 | 江苏远望仪器集团有限公司 | 基于改进U-Net神经网络的设备故障缺陷诊断方法 |
CN112258456A (zh) * | 2020-09-28 | 2021-01-22 | 汕头大学 | 一种基于卷积神经网络监督的三维图像分割方法 |
CN112785598A (zh) * | 2020-11-05 | 2021-05-11 | 南京天智信科技有限公司 | 基于注意力增强改进u型网络的超声乳腺肿瘤自动分割方法 |
CN113158770A (zh) * | 2021-03-04 | 2021-07-23 | 中国科学院空天信息创新研究院 | 一种改进的全卷积孪生神经网络的矿区变化检测方法 |
CN113362310A (zh) * | 2021-06-09 | 2021-09-07 | 西安智诊智能科技有限公司 | 一种基于无监督学习的医学图像肝脏分割方法 |
CN113420662A (zh) * | 2021-06-23 | 2021-09-21 | 西安电子科技大学 | 基于孪生多尺度差异特征融合的遥感影像变化检测方法 |
-
2021
- 2021-09-27 CN CN202111136364.9A patent/CN113837931A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190171879A1 (en) * | 2017-12-04 | 2019-06-06 | Transport Planning and Research Institute Ministry of Transport | Method of extracting warehouse in port from hierarchically screened remote sensing image |
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 |
CN111046738A (zh) * | 2019-11-14 | 2020-04-21 | 五邑大学 | 针对指静脉分割的轻量化u-net的精度提升方法 |
CN111626994A (zh) * | 2020-05-18 | 2020-09-04 | 江苏远望仪器集团有限公司 | 基于改进U-Net神经网络的设备故障缺陷诊断方法 |
CN112258456A (zh) * | 2020-09-28 | 2021-01-22 | 汕头大学 | 一种基于卷积神经网络监督的三维图像分割方法 |
CN112785598A (zh) * | 2020-11-05 | 2021-05-11 | 南京天智信科技有限公司 | 基于注意力增强改进u型网络的超声乳腺肿瘤自动分割方法 |
CN113158770A (zh) * | 2021-03-04 | 2021-07-23 | 中国科学院空天信息创新研究院 | 一种改进的全卷积孪生神经网络的矿区变化检测方法 |
CN113362310A (zh) * | 2021-06-09 | 2021-09-07 | 西安智诊智能科技有限公司 | 一种基于无监督学习的医学图像肝脏分割方法 |
CN113420662A (zh) * | 2021-06-23 | 2021-09-21 | 西安电子科技大学 | 基于孪生多尺度差异特征融合的遥感影像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
沈旭东;吴湘莲;雷英栋;: "一种改进的Unet建筑物变化检测方法", 电子制作, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152660A (zh) * | 2023-02-14 | 2023-05-23 | 北京市遥感信息研究所 | 一种基于跨尺度注意力机制的广域遥感图像变化检测方法 |
CN116152660B (zh) * | 2023-02-14 | 2023-10-20 | 北京市遥感信息研究所 | 一种基于跨尺度注意力机制的广域遥感图像变化检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797931B (zh) | 一种基于双分支特征融合的遥感图像语义分割方法及设备 | |
CN113298818B (zh) | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 | |
CN113191285B (zh) | 基于卷积神经网络和Transformer的河湖遥感图像分割方法及系统 | |
CN111259906B (zh) | 含多级通道注意力的条件生成对抗遥感图像目标分割方法 | |
CN110622177B (zh) | 实例分割 | |
CN108171701B (zh) | 基于u网络和对抗学习的显著性检测方法 | |
CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
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 | |
CN112560671B (zh) | 基于旋转卷积神经网络的船舶检测方法 | |
CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN112906662B (zh) | 一种遥感图像变化检测方法、装置、设备及存储介质 | |
CN111723841A (zh) | 文本检测方法、装置、电子设备及存储介质 | |
CN111914804A (zh) | 多角度旋转遥感图像小目标检测方法 | |
CN116453121B (zh) | 一种车道线识别模型的训练方法及装置 | |
CN113724128A (zh) | 一种训练样本的扩充方法 | |
CN113378897A (zh) | 基于神经网络的遥感图像分类方法、计算设备及存储介质 | |
CN113920148B (zh) | 基于多边形的建筑物边界提取方法、设备及存储介质 | |
CN113837931A (zh) | 遥感图像的变换检测方法、装置、电子设备及存储介质 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
CN114913424A (zh) | 一种基于改进的U-net模型的崩岗提取方法及系统 | |
CN114332633A (zh) | 雷达图像目标检测识别方法、设备和存储介质 | |
CN112101310B (zh) | 基于上下文信息的道路提取方法、装置和计算机设备 | |
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 | |
CN110084203B (zh) | 基于上下文关联的全卷积网络飞机层级检测方法 | |
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 |