CN113989652B - 分层多重判定规则下的耕地变化检测方法及系统 - Google Patents

Abstract

本申请提出了这样一种分层多重判定规则下的耕地变化检测方法及系统，可包括：提取当前遥感影像的变化掩膜影像，并将变化掩膜影像进行栅格矢量化处理，获得变化矢量图斑；利用慢特征分析变化检测方法，对当前遥感影像、历史遥感影像以及耕地图斑进行全局变化信息的提取，获得变化概率掩膜影像，其中历史遥感影像和耕地图斑均为现有输入数据；以及统计变化矢量图斑在变化概率掩膜影像中的对应位置的像素均值，将均值作为变化矢量图斑的变化概率值，以获得具有变化概率值的变化矢量图斑。本申请解决了现有技术中的漏检率高、查全率低、以及小目标检测难等问题；提升了结果的可信度；同时，为耕地非农化检测、国土变更调查等提供方法支撑。

Description

分层多重判定规则下的耕地变化检测方法及系统

技术领域

本申请涉及耕地变化检测技术领域，尤其涉及一种分层多重判定规则下的耕地变化检测方法及系统。

背景技术

近年来，遥感技术不断进步，使得所获取影像的空间分辨率、时间分辨率和光谱分辨率也持续增加，能够清晰的体现地物细节信息和表达目标的空间结构特性，对影像解译分析和处理创造了良好的条件。然而，更丰富的细节信息不但意味着更大的处理量，也使得发生改变的区域与未发生改变的区域之间的间隔变小，想要获取变化检测结果图的难度反而增加；其次，获取的数据可能会受到光照、人为、传感器等干扰，而传统的变化检测方法需要精细的预处理方法，否则就会造成误差过大，限制了实际应用。

随着人工智能、大数据等技术的发展，深度学习以其具备海量数据的学习能力和高度的特征抽象能力，在遥感影像变化检测方面得到了应用。但是，存在漏检率高、查全率低、以及小目标检测难等问题，算法还停留在学术界，提取结果与生产要求相比仍有差距，缺乏耕地变化检测的研究。

发明内容

本申请提供了一种分层多重判定规则下的耕地变化检测方法及系统，以期解决或部分解决背景技术中涉及的上述问题或现有技术中的其它至少一个不足。

本申请提出了这样一种分层多重判定规则下的耕地变化检测方法可包括：提取当前遥感影像的变化掩膜影像，并将变化掩膜影像进行栅格矢量化处理，获得变化矢量图斑；利用慢特征分析变化检测方法，对当前遥感影像、历史遥感影像以及耕地图斑进行全局变化信息的提取，获得变化概率掩膜影像，其中历史遥感影像和耕地图斑均为现有输入数据；以及统计变化矢量图斑在变化概率掩膜影像中的对应位置的像素均值，将均值作为变化矢量图斑的变化概率值，以获得具有变化概率值的变化矢量图斑。

在一些实施方式中，提取当前遥感影像的变化掩膜影像，并将变化掩膜影像进行栅格矢量化处理，获得变化矢量图斑，可包括：利用村庄提取模型对当前遥感影像中的村庄进行提取，获得村庄掩膜影像；利用非耕地提取模型对当前遥感影像中的非耕地区域进行提取，获得非耕地掩膜影像；利用分割算法，对耕地图斑分割，获得多个耕地子图斑；统计耕地子图斑的特征量，特征量包括耕地子图斑的均值、耕地子图斑的方差以及耕地子图斑的总数；当耕地子图斑的多个特征量中的至少之一达到异常阈值时，则确定耕地子图斑发生变化，获得异常区域掩膜影像；基于变化掩膜融合规则，对村庄掩膜影像、非耕地掩膜影像以及异常区域掩膜影像进行融合分析，获得变化掩膜影像；以及将变化掩膜影像进行栅格矢量化，获得变化矢量图斑。

在一些实施方式中，变化掩膜融合规则，包括：若Pixel 1=0，则Pixel merge=Pixel 3，若Pixel 1=255，则Pixel merge=Pixel 2，其中，Pixel 1表示村庄掩膜影像的像素值，Pixel 2表示非耕地掩膜影像的像素值，Pixel 3表示异常区域掩膜影像的像素值，Pixel merge表示变化掩膜影像的像素值。

在一些实施方式中，在统计变化矢量图斑在变化概率掩膜影像中的对应位置的像素均值，将均值作为变化矢量图斑的变化概率值，以获得具有变化概率值的变化矢量图斑之后，还包括：去除面积较小的变化矢量图斑，以获得最终变化检测矢量图斑。

在一些实施方式中，在去除面积较小的变化矢量图斑，以获得最终变化检测矢量图斑之后，还包括：将最终变化检测矢量图斑与实际生产要求进行比对，以获得查全率和准确率。

本申请还提出了这样一种分层多重判定规则下的耕地变化检测系统，可包括：变化矢量图斑提取模块、变化概率掩膜影像提取模块以及融合分析模块。变化矢量图斑提取模块用于提取当前遥感影像的变化掩膜影像，并将变化掩膜影像进行栅格矢量化处理，获得变化矢量图斑。变化概率掩膜影像提取模块用于利用慢特征分析变化检测方法，对当前遥感影像、历史遥感影像以及耕地图斑进行全局变化信息的提取，获得变化概率掩膜影像，其中所述历史遥感影像和所述耕地图斑均为现有输入数据。以及融合分析模块用于统计变化矢量图斑在变化概率掩膜影像中的对应位置的像素均值，将均值作为变化矢量图斑的变化概率值，以获得具有变化概率值的变化矢量图斑。

在一些实施方式中，变化矢量图斑提取模块的执行步骤包括：利用村庄提取模型对当前遥感影像中的村庄进行提取，获得村庄掩膜影像；利用非耕地提取模型对当前遥感影像中的非耕地区域进行提取，获得非耕地掩膜影像；利用分割算法，对耕地图斑分割，获得多个耕地子图斑；统计耕地子图斑的特征量，特征量包括耕地子图斑的均值、耕地子图斑的方差以及耕地子图斑的总数；当耕地子图斑的多个特征量中的至少之一达到异常阈值时，则确定耕地子图斑发生变化，获得异常区域掩膜影像；基于变化掩膜融合规则，对村庄掩膜影像、非耕地掩膜影像以及异常区域掩膜影像进行融合分析，获得变化掩膜影像；以及将变化掩膜影像进行栅格矢量化，获得变化矢量图斑。

在一些实施方式中，变化掩膜融合规则，包括：若Pixel 1=0，则Pixel merge=Pixel 3，若Pixel 1=255，则Pixel merge=Pixel 2，其中，Pixel 1表示村庄掩膜影像的像素值，Pixel 2表示非耕地掩膜影像的像素值，Pixel 3表示异常区域掩膜影像的像素值，Pixel merge表示变化掩膜影像的像素值。

在一些实施方式中，还包括：矢量精化模块，用于去除面积较小的变化矢量图斑，以获得最终变化检测矢量图斑。

在一些实施方式中，还包括：精度评价模块，用于将最终变化检测矢量图斑与实际生产要求进行比对，以获得查全率和准确率。

根据上述的实施方式的技术方案可至少获得以下至少一个有益效果。

根据本申请一实施方式的一种分层多重判定规则下的耕地变化检测方法及系统，针对耕地变化检测业务中村庄内小房子发生变化、村庄外大区域和独栋房子发生变化这一特点，提出分层多重判定规则下的耕地变化检测方法，采用分层多重判定策略，综合运用深度学习、影像分割、慢特征分析等方法，实现耕地变化检测，解决了现有技术中的漏检率高、查全率低、以及小目标检测难等问题，并将最终变化检测矢量图斑与实际生产要求进行比对，提升了结果的可信度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请的示例性实施方式的一种分层多重判定规则下的耕地变化检测方法流程图；

图2是根据本申请的示例性实施方式的当前遥感影像；

图3是根据本申请的示例性实施方式的村庄掩膜影像，其中白色像素区域为村庄，黑色像素区域为非村庄；

图4是图1所示的当前遥感影像的第一截取区域；

图5是图4所示的第一截取区域对应的非耕地掩膜影像，其中白色像素区域为非耕地，黑色像素区域为耕地；

图6是图1所示的当前遥感影像的第二截取区域；

图7是图6所示的第二截取区域对应的异常区域掩膜影像，其中白色像素区域为异常区域，黑色像素区域为非异常区域；以及

图8是根据本申请的示例性实施方式的一种分层多重判定规则下的耕地变化检测系统框图。

具体实施方式

为了更好地理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。

在附图中，为了便于说明，已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外，在本申请中，各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序，除非有明确其它限定或者能够从上下文推导出的除外。

还应理解的是，诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。

除非另外限定，否则本文中使用的所有措辞（包括工程术语和科技术语）均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。

需要说明的是，在不冲突的情况下，本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。

本申请提出了这样一种分层多重判定规则下的耕地变化检测方法可包括：提取当前遥感影像的变化掩膜影像，并将变化掩膜影像进行栅格矢量化处理，获得变化矢量图斑；利用慢特征分析变化检测方法，对当前遥感影像、历史遥感影像以及耕地图斑进行全局变化信息的提取，获得变化概率掩膜影像；以及统计变化矢量图斑在变化概率掩膜影像中的对应位置的像素均值，将均值作为变化矢量图斑的变化概率值，以获得具有变化概率值的变化矢量图斑。

图1是根据本申请的示例性实施方式的一种分层多重判定规则下的耕地变化检测方法流程图。

如图1所示，包括步骤S1，当前遥感影像的变化矢量图斑提取；步骤S2，对当前遥感影像、历史遥感影像以及耕地图斑的变化概率掩膜影像的提取；步骤S3，获取具有变化概率值的变化矢量图斑。

具体地，遥感技术能够为耕地变化提供动态、丰富和廉价的数据源，因此首先通过遥感技术获得目标监测区域的遥感影像。

进一步地，整合多个历史遥感影像作为村庄提取样本，利用基于深度学习的卷积神经网络（convolutional neural networks，CNN）的语义分割模型对样本进行训练，以获得村庄提取模型。更具体地，传统的分类使用的语义分割模型通常在最后连接几层全连接层，全连接层会将原来二维的图片压扁成一维的形式，从而会丢失空间信息，最后输出一个标量，即分类标签。但是，对遥感影像进行语义分割的输出结果是村庄掩膜影像，即二维的图像，因此在本申请中丢弃了全连接层，采用全卷积层的语义分割模型来实现上述目的。更具体地，将多个村庄提取样本分别输入至语义分割模型中，由语义分割模型的反卷积层对最后一个卷积层的分析结果进行上采样，使它回复到输入的样本图像的相同尺寸，从而对每一个像素都产生了预测，并保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类，最终输出神经元输出分析结果；进一步地，将分析结果与预期结果进行比对，若分析结果与预期结果之间的误差不在预期的误差范围内，则重新输入村庄提取样本，并不断地调整语义分割模型各层的权重，直至获得的分析结果与预期结果的误差处于可接受的误差范围内，停止对语义分割模型的训练，并以此模型作为村庄提取模型；进一步地，将当前遥感影像输入至村庄提取模型中，由村庄提取模型对当前遥感影像进行处理分析，最终输出村庄掩膜影像。

图2是根据本申请的示例性实施方式的当前遥感影像；以及图3是根据本申请的示例性实施方式的村庄掩膜影像，其中白色像素区域为村庄，黑色像素区域为非村庄。

将图2所示的当前遥感影像输入至经上述方式获得的村庄提取模型中，并由该模型输出如图3所示的村庄掩膜影像。在图3中，白色像素区域的像素值Pixel=255处为村庄，黑色像素区域的像素值Pixel=0处为非村庄区域。

在一些实施方式中，使用上述的同样方法，获取当前遥感影像的非耕地掩膜影像。具体地，整合多个历史遥感影像作为非耕地样本，利用基于深度学习的卷积神经网络的语义分割模型对样本进行训练，以获得非耕地提取模型。更具体地，将多个村庄提取样本分别输入至语义分割模型中，由语义分割模型的反卷积层对最后一个卷积层的分析结果进行上采样，使它回复到输入的样本图像的相同尺寸，从而对每一个像素都产生了预测，并保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类，最终输出神经元输出分析结果；进一步地，将分析结果与预期结果进行比对，若分析结果与预期结果之间的误差不在预期的误差范围内，则重新输入非耕地提取样本，并不断地调整语义分割模型各层的权重，直至获得的分析结果与预期结果的误差处于可接受的误差范围内，停止对语义分割模型的训练，并以此模型作为非耕地提取模型；进一步地，将当前遥感影像输入至非耕地提取模型中，由非耕地提取模型对当前遥感影像进行处理分析，最终输出非耕地掩膜影像。

图4是图1所示的当前遥感影像的第一截取区域；图5是图4所示的第一截取区域对应的非耕地掩膜影像，其中白色像素区域为非耕地，黑色像素区域为耕地。

将图4所示的当前遥感影像的第一截取区域输入至经上述方式获得的非耕地提取模型中，并由该模型输出如图5所示的非耕地掩膜影像。在图5中，白色像素区域的像素值Pixel=255处为非耕地，黑色像素区域的像素值Pixel=0处为耕地区域。需要说明的是，当前遥感影像中包含若干个截取区域，均采用同样的方式获得其非耕地掩膜影像。

在一些实施方式中，利用分割算法，对耕地图斑分割，获得多个耕地子图斑，其中耕地图斑是已有输入数据。具体地，图像分割算法是进行图像分析的第一步，主要是根据灰度、彩色、空间纹理、几何形状等特征把图像划分为若干个互不相交的区域，使得这些特征在同一区域表现出一致性或者相似性，在不同区域表现出明显不同。例如，采用阈值进行分割，即基于耕地图斑中每个像素的灰度特征来计算一个或多个灰度阈值，并将耕地图斑中每个像素的灰度值与该灰度阈值进行比较，最后基于比较结果将各个像素分配到对饮给的类别中，以实现耕地图斑的划分，进而获得多个互不相交的耕地子图斑。更进一步地，统计耕地子图斑的特征量，特征量包括耕地子图斑的均值、耕地子图斑的方差以及耕地子图斑的总数；当耕地子图斑的多个特征量中的至少之一达到异常阈值时，则确定耕地子图斑发生变化，获得异常区域掩膜影像。例如，当耕地子图斑的总数大于10且某个耕地子图斑的方差大于100时，认定该耕地子图斑发生变化；或者当耕地子图斑的总数大于10且某个耕地子图斑的均值大于200时，认为该耕地子图斑发生变化。

图6是图1所示的当前遥感影像的第二截取区域；图7是图6所示的第二截取区域对应的异常区域掩膜影像，其中白色像素区域为异常区域，黑色像素区域为非异常区域。

对图6所示的当前遥感影像的第二截取区域进行耕地图斑的确定，并用分割算法对其进行处理，最终根据耕地子图斑的特征筛选异常区域，最终可获得如图7所示的异常区域掩膜影像。在图7中，白色像素区域的像素值Pixel=255处为异常区域，黑色像素区域的像素值Pixel=0处为非异常区域。需要说明的是，当前遥感影像中包含若干个截取区域，均采用同样的方式获得其异常区域掩膜影像。

在一些实施方式中，基于变化掩膜融合规则，对村庄掩膜影像、非耕地掩膜影像以及异常区域掩膜影像进行融合分析，获得变化掩膜影像。变化掩膜融合规则，包括：若Pixel1=0，则Pixel merge=Pixel 3，若Pixel 1=255，则Pixel merge=Pixel 2，其中，Pixel 1表示所述村庄掩膜影像的像素值，Pixel 2表示所述非耕地掩膜影像的像素值，Pixel 3表示所述异常区域掩膜影像的像素值，Pixel merge表示所述变化掩膜影像的像素值。

进一步地，将变化掩膜影像进行栅格矢量化，获得变化矢量图斑。具体地，栅格矢量化，是将变化掩膜影像的栅格图像转换为矢量图像的过程，矢量图像由简单的集合图元组成，表示紧凑，所占存储空间小；其次矢量图像易于编辑；另外，矢量图像也易于放大或压缩，而且不会降低其显示质量。

步骤S2，对当前遥感影像、历史遥感影像以及耕地图斑的变化概率掩膜影像的提取，其中历史遥感影像和耕地图斑均为现有输入数据。具体地，将前述的历史遥感影像、当前遥感影像以及耕地图斑数据综合在一起，采用慢特征分析变化检测方法，提取全局变化强度。具体地，慢特征分析属于非监督学习类别，识别在快速变化的时间序列里夹杂的缓慢变化特征，也就是说即使输入信号的变化很快，也可以识别到里面缓慢变化的信息。首先，在多时相遥感影像数据中心提取不变特征，减小伪变化像素的辐射差异，可提高变化像素和未变化像素之间的可分性，换言之，就是希望找到一组函数，在包含大量信息的同时令投影后的不变特征差值有着最小的方差，进而实现变化概率掩膜影像的提取。需要说明的是，在变化掩膜影像中包含着各个像素对应的变化概率，通常情况，像素值取值范围为0-255，像素值越大表示变化概率越大。

S3，获取具有变化概率值的变化矢量图斑。具体地，统计变化矢量图斑在变化概率掩膜影像中的对应位置的像素均值，将均值作为变化矢量图斑的变化概率值，以获得具有变化概率值的变化矢量图斑。当然，该变化矢量图斑并非最终变化检测矢量图斑，还需要对矢量进行精化，具体地，就是去除面积较小的变化矢量图斑，以获得最终变化检测矢量图斑。

在一些实施方式中，将最终变化检测矢量图斑与实际生产要求进行比对，以获得查全率和准确率。

一种分层多重判定规则下的耕地变化检测方法，针对耕地变化检测业务中村庄内小房子发生变化、村庄外大区域和独栋房子发生变化这一特点，提出分层多重判定规则下的耕地变化检测方法，采用分层多重判定策略，综合运用深度学习、影像分割、慢特征分析等方法，实现耕地变化检测，解决了现有技术中的漏检率高、查全率低、以及小目标检测难等问题，并将最终变化检测矢量图斑与实际生产要求进行比对，提升了结果的可信度；同时，能够为耕地非农化检测、国土变更调查等提供方法支撑。

图8是根据本申请的示例性实施方式的一种分层多重判定规则下的耕地变化检测系统框图。

如图8所示，本申请还提出了这样一种分层多重判定规则下的耕地变化检测系统，可包括：变化矢量图斑提取模块1、变化概率掩膜影像提取模块2以及融合分析模块3。变化矢量图斑提取模块1用于提取当前遥感影像的变化掩膜影像，并将变化掩膜影像进行栅格矢量化处理，获得变化矢量图斑。变化概率掩膜影像提取模块2用于利用慢特征分析变化检测方法，对当前遥感影像、历史遥感影像以及耕地图斑进行全局变化信息的提取，获得变化概率掩膜影像，其中历史遥感影像和耕地图斑均为现有输入数据。以及融合分析模块3用于统计变化矢量图斑在变化概率掩膜影像中的对应位置的像素均值，将均值作为变化矢量图斑的变化概率值，以获得具有变化概率值的变化矢量图斑。

在一些实施方式中，变化矢量图斑提取模块1的执行步骤包括：利用村庄提取模型对当前遥感影像中的村庄进行提取，获得村庄掩膜影像；利用非耕地提取模型对当前遥感影像中的非耕地区域进行提取，获得非耕地掩膜影像；利用分割算法，对耕地图斑分割，获得多个耕地子图斑；统计耕地子图斑的特征量，特征量包括耕地子图斑的均值、耕地子图斑的方差以及耕地子图斑的总数；当耕地子图斑的多个特征量中的至少之一达到异常阈值时，则确定耕地子图斑发生变化，获得异常区域掩膜影像；基于变化掩膜融合规则，对村庄掩膜影像、非耕地掩膜影像以及异常区域掩膜影像进行融合分析，获得变化掩膜影像；以及将变化掩膜影像进行栅格矢量化，获得变化矢量图斑。

在一些实施方式中，变化掩膜融合规则，包括：若Pixel 1=0，则Pixel merge=Pixel 3，若Pixel 1=255，则Pixel merge=Pixel 2，其中，Pixel 1表示村庄掩膜影像的像素值，Pixel 2表示非耕地掩膜影像的像素值，Pixel 3表示异常区域掩膜影像的像素值，Pixel merge表示变化掩膜影像的像素值。

在一些实施方式中，还包括：矢量精化模块4，用于去除面积较小的变化矢量图斑，以获得最终变化检测矢量图斑。

在一些实施方式中，还包括：精度评价模块5，用于将最终变化检测矢量图斑与实际生产要求进行比对，以获得查全率和准确率。

根据本申请一实施方式的一种分层多重判定规则下的耕地变化检测系统，针对耕地变化检测业务中村庄内小房子发生变化、村庄外大区域和独栋房子发生变化这一特点，提出分层多重判定规则下的耕地变化检测方法，采用分层多重判定策略，综合运用深度学习、影像分割、慢特征分析等方法，实现耕地变化检测，解决了现有技术中的漏检率高、查全率低、以及小目标检测难等问题，并将最终变化检测矢量图斑与实际生产要求进行比对，提升了结果的可信度；同时，能够为耕地非农化检测、国土变更调查等提供方法支撑。

Claims (6)

1. 一种分层多重判定规则下的耕地变化检测方法，其特征在于，包括：

提取当前遥感影像的变化掩膜影像，并将所述变化掩膜影像进行栅格矢量化处理，获得变化矢量图斑，包括：利用村庄提取模型对所述当前遥感影像中的村庄进行提取，获得村庄掩膜影像；利用非耕地提取模型对所述当前遥感影像中的非耕地区域进行提取，获得非耕地掩膜影像；利用分割算法，对所述耕地图斑进行分割，获得多个耕地子图斑；统计所述耕地子图斑的特征量，所述特征量包括所述耕地子图斑的均值、所述耕地子图斑的方差以及所述耕地子图斑的总数；当所述耕地子图斑的多个特征量中的至少之一达到异常阈值时，则确定所述耕地子图斑发生变化，获得异常区域掩膜影像；基于变化掩膜融合规则，对所述村庄掩膜影像、所述非耕地掩膜影像以及所述异常区域掩膜影像进行融合分析，获得变化掩膜影像；以及将所述变化掩膜影像进行栅格矢量化，获得变化矢量图斑；其中，所述变化掩膜融合规则，包括：若Pixel 1=0，则Pixel merge=Pixel 3，若Pixel 1=255，则Pixelmerge=Pixel 2，其中，Pixel 1表示所述村庄掩膜影像的像素值，Pixel 2表示所述非耕地掩膜影像的像素值，Pixel 3表示所述异常区域掩膜影像的像素值，Pixel merge表示所述变化掩膜影像的像素值；利用慢特征分析变化检测方法，对所述当前遥感影像、历史遥感影像以及耕地图斑进行全局变化信息的提取，获得变化概率掩膜影像，其中所述历史遥感影像和所述耕地图斑均为现有输入数据；以及

统计所述变化矢量图斑在所述变化概率掩膜影像中的对应位置的像素均值，将所述均值作为所述变化矢量图斑的变化概率值，以获得具有所述变化概率值的变化矢量图斑。

2.根据权利要求1所述的分层多重判定规则下的耕地变化检测方法，其特征在于，在所述统计所述变化矢量图斑在所述变化概率掩膜影像中的对应位置的像素均值，将所述均值作为所述变化矢量图斑的变化概率值，以获得具有所述变化概率值的变化矢量图斑之后，还包括：

去除面积较小的所述变化矢量图斑，以获得最终变化检测矢量图斑。

3.根据权利要求2所述的分层多重判定规则下的耕地变化检测方法，其特征在于，在所述去除面积较小的所述变化矢量图斑，以获得最终变化检测矢量图斑之后，还包括：

将所述最终变化检测矢量图斑与实际生产要求进行比对，以获得查全率和准确率。

4.一种分层多重判定规则下的耕地变化检测系统，其特征在于，包括：

变化矢量图斑提取模块，用于提取当前遥感影像的变化掩膜影像，并将所述变化掩膜影像进行栅格矢量化处理，获得变化矢量图斑；所述变化矢量图斑提取模块的执行步骤包括：利用村庄提取模型对所述当前遥感影像中的村庄进行提取，获得村庄掩膜影像；利用非耕地提取模型对所述当前遥感影像中的非耕地区域进行提取，获得非耕地掩膜影像；利用分割算法，对所述耕地图斑分割，获得多个耕地子图斑；统计所述耕地子图斑的特征量，所述特征量包括所述耕地子图斑的均值、所述耕地子图斑的方差以及所述耕地子图斑的总数；当所述耕地子图斑的多个特征量中的至少之一达到异常阈值时，则确定所述耕地子图斑发生变化，获得异常区域掩膜影像；基于变化掩膜融合规则，对所述村庄掩膜影像、所述非耕地掩膜影像以及所述异常区域掩膜影像进行融合分析，获得变化掩膜影像；以及将所述变化掩膜影像进行栅格矢量化，获得变化矢量图斑；其中，所述变化掩膜融合规则，包括：若Pixel 1=0，则Pixel merge=Pixel 3，若Pixel 1=255，则Pixel merge=Pixel 2，其中，Pixel 1表示所述村庄掩膜影像的像素值，Pixel 2表示所述非耕地掩膜影像的像素值，Pixel 3表示所述异常区域掩膜影像的像素值，Pixel merge表示所述变化掩膜影像的像素值；

变化概率掩膜影像提取模块，用于利用慢特征分析变化检测方法，对所述当前遥感影像、历史遥感影像以及耕地图斑进行全局变化信息的提取，获得变化概率掩膜影像，其中所述历史遥感影像和所述耕地图斑均为现有输入数据；以及

融合分析模块，用于统计所述变化矢量图斑在所述变化概率掩膜影像中的对应位置的像素均值，将所述均值作为所述变化矢量图斑的变化概率值，以获得具有所述变化概率值的变化矢量图斑。

5.根据权利要求4所述的分层多重判定规则下的耕地变化检测系统，其特征在于，还包括：

矢量精化模块，用于去除面积较小的所述变化矢量图斑，以获得最终变化检测矢量图斑。

6.根据权利要求5所述的分层多重判定规则下的耕地变化检测系统，其特征在于，还包括：

精度评价模块，用于将所述最终变化检测矢量图斑与实际生产要求进行比对，以获得查全率和准确率。

Images