CN114155200A - 基于卷积神经网络的遥感影像变化检测方法 - Google Patents

Abstract

本申请的实施例提供了基于卷积神经网络的遥感影像变化检测方法、装置、设备和计算机可读存储介质。所述方法包括获取连续的多期遥感影像；将所述连续的多期遥感影像，输入至变化检测模型中，确定目标地物的变化区域；所述变化区域为包括目标地物增、减属性的区域；对所述变化区域进行标定，得到所述遥感影像的检测结果。以此方式，提高了遥感影像检测结果的可靠性。

Description

基于卷积神经网络的遥感影像变化检测方法

技术领域

本申请的实施例涉及影像处理领域，尤其涉及基于卷积神经网络的遥感影像变化检测方法、装置、设备和计算机可读存储介质。

背景技术

变化检测是遥感领域内的一项重点和难点，它可应用在农业、民用、军事等多种领域。随着深度学习技术的不断成熟，已有很多单位与学者将深度学习技术用在了对遥感影像的变化检测项目中，有效地提高了从遥感影像中提取地物目标变化的检测精度与效率。基于深度学习的变化检测方法宏观上包括监督与非监督，两大类方法在根本建模上均使用到深度卷积神经网络，通过深度卷积神经网络提取两期影像特征，进而做对比分析得到变化检测结果，多项研究结果都表现出了深度学习方法相对传统方法的优势，使得深度学习技术在遥感影像的变化检测领域获得了越来越多的青睐。

深度卷积神经网络是深度学习领域中处理图像的基本技术，它通过局部感受野从图像中滑动提取特征，经过多层卷积层将图像特征不断地整合、抽象，最后得到人们想要的图像信息，卷积神经网络还通过各卷积层内权值共享的技术极大减少了模型的参数量以及运算速度。

但是，在现有技术中，利用深度卷积神经网络提高变化检测的效率和精度的方法，通常为通过重新构造变化检测样本提高正样本比例方式提高精度、减少伪变化，但构造样本中经常出现结构化和一般认知性错误，某种程度上无法提高变化检测和识别的精度。

发明内容

根据本申请的实施例，提供了一种基于卷积神经网络的遥感影像变化检测方案。

在本申请的第一方面，提供了一种基于卷积神经网络的遥感影像变化检测方法。该方法包括：

获取连续的多期遥感影像；

将所述连续的多期遥感影像，输入至变化检测模型中，确定目标地物的变化区域；所述变化区域为包括目标地物增、减属性的区域；

对所述变化区域进行标定，得到所述遥感影像的检测结果。

进一步地，所述变化检测模型为孪生网络结构包括语义分割结构和变化检测结构。

进一步地，所述对所述变化区域进行标定包括：

通过已构建的伪变化检测网络，对所述变化区域进行处理，删除所述变化区域内的伪变化地块；

通过已构建的轨迹辨别网络，对已通过所述伪变化检测网络进行处理的变化区域进行处理，得到包括变化轨迹的遥感影像检测结果。

进一步地，通过已构建的伪变化检测网络，对所述变化区域进行处理，删除所述变化区域内的伪变化地块包括：

遍历所述变化区域，确定所述变化区域的四至范围；

基于所述四至范围对所述变化区域进行剪裁，得到图像块；

将所述图像块输入至已构建的伪变化检测网络，得到所述变化区域属于伪变化区域的概率；

若所述概率大于预设阈值，则删除所述变化区域内的伪变化地块。

进一步地，所述通过已构建的轨迹辨别网络，对已通过所述伪变化检测网络进行处理的变化区域进行处理，得到包括变化轨迹的遥感影像检测结果包括：

遍历已通过所述伪变化检测网络进行处理的变化区域，确定变化区域的属性；

基于所述变化区域的属性，对所述多期遥感影像中的前期或后期影像进行裁剪，并输入至所述轨迹辨别网络，得到包括变化轨迹的遥感影像检测结果。

进一步地，所述基于所述变化区域的属性，对所述多期遥感影像中的前期或后期影像进行裁剪，并输入至所述轨迹辨别网络，得到包括变化轨迹的遥感影像检测结果包括：

若所述变化区域的属性为增，则对所述多期遥感影像中的前期影像进行裁剪，输入至所述轨迹辨别网络，对所变化区域内的目标地物的变化进行标定，得到包括变化轨迹的遥感影像检测结果；

若所述变化区域的属性为减，则对所述多期遥感影像中的后期影像进行裁剪，输入至所述轨迹辨别网络，对所变化区域内的目标地物的变化进行标定，得到包括变化轨迹的遥感影像检测结果。

进一步地，所述伪变化检测网络为不对称孪生网络。

在一种可能的实现方式中，

在本申请的第二方面，提供了一种基于卷积神经网络的遥感影像变化检测装置。该装置包括：

获取模块，用于获取连续的多期遥感影像；

确定模块，用于将所述连续的多期遥感影像，输入至变化检测模型中，确定目标地物的变化区域；所述变化区域为包括目标地物增、减属性的区域；

检测模块，用于对所述变化区域进行标定，得到所述遥感影像的检测结果。

在本申请的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本申请的第一方面的方法。

本申请实施例提供的基于卷积神经网络的遥感影像变化检测方法，通过获取连续的多期遥感影像；将所述连续的多期遥感影像，输入至变化检测模型中，确定目标地物的变化区域；所述变化区域为包括目标地物增、减属性的区域；对所述变化区域进行标定，得到所述遥感影像的检测结果，提高了遥感影像检测结果的可靠性，同时提高了遥感专业人员的变化检测工作效率。

应当理解，发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本申请的实施例的基于卷积神经网络的遥感影像变化检测方法的流程图；

图2示出了根据本申请的实施例的变化检测模型的结构示意图；

图3示出了根据本申请的一个实施例的基于卷积神经网络的遥感影像变化检测方法的流程图；

图4示出了根据本申请的又一个实施例的基于卷积神经网络的遥感影像变化检测方法的流程图；

图5示出了根据本申请的另一个实施例的基于卷积神经网络的遥感影像变化检测方法的流程图；

图6示出了根据本申请的实施例的伪变化检测网络的结构示意图；

图7示出了根据本申请的实施例的轨迹辨别网络的结构示意图；

图8示出了根据本申请的实施例的变化检测结果示意图；

图9示出了根据本申请的实施例的基于卷积神经网络的遥感影像变化检测装置的方框图；

图10示出了适于用来实现本申请实施例的终端设备或服务器的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1示出了根据本申请一个实施例的基于卷积神经网络的遥感影像变化检测方法的流程图，包括：

S110，获取连续的多期遥感影像。

在一些实施例中，获取的所述连续的多期遥感影像可以表述为(t0、t1、t2、……tn)。

S120，将所述连续的多期遥感影像，输入至变化检测模型中，确定目标地物的变化区域；所述变化区域为包括目标地物增、减属性的区域。

在一些实施例中，变化检测模型为孪生网络结构，包括语义分割结构和变化检测结构。语义分割结构一般包括一个编码器和一个解码器，编码器负责提取图像的深度特征，解码器通过在尺寸上还原编码器输出的特征图，进一步得到图像的细节特征和分割结果；例如，DeepLabV3+、FCN、U-Net、RefineNet、DeepLab结构等。

进一步地，选取上述任一结构作为变化检测模块内的语义分割结构，构建所述变化检测模块，在本公开中以DeepLabV3+结构为例，参考图2：

去掉所述语义分割结构中的输出层，并选择skip1、skip2、down、up1、up2五个特征层作为该模型结构的输出层；

其中，所述skip1，为输入图像经过编码器第一次卷积运算后的特征层；

所述skip2是尺寸为skip1的一半的特征层；

所述down是语分割结构中尺寸最小的特征层；

所述up1是解码器中尺寸为up2的一半的特征层；

所述up2是解码器中最后一个特征层；

所述skip1的尺寸和所述up2相同；

所述skip2的尺寸和所述up1相同。

在一些实施例中，将多期遥感影像两两(t0、t1或前、后期)输入至所述变化检测模型中，即，将t0和t1影像数据分别输入到所述变化检测模型中的语义分割结构，得到各自的skip1、skip2、down、up1、up2五个特征层，首先对t0和t1影像经过语义分割结构返回的各自的down特征层进行通道维度连接(Concat)和上采样(Upsample)操作；同时对t0和t1影像经过语义分割结构返回的各自的skip1、skip2进行通道维度连接(Concat)和卷积操作(Conv)，此时经过连接和上采样后的down特征层和经过连接和卷积后的skip2特征层尺寸相同；

将得到的特征层和处理后的skip1特征层在通道上连接并经过一次卷积运算，此时的特征层与up2尺寸相同，将此时的特征层与t0和t1影像经过语义分割结构返回的各自的up2在通道上连接，基于Softmax函数进行卷积运算，输出影像中目标地物增、减、不变的概率；

根据输出影像中目标地物增、减、不变的概率，确定目标地物的变化区域。

S130，对所述变化区域进行标定，得到所述遥感影像的检测结果。

在一些实施例中，通过已构建的伪变化检测网络，对所述变化区域进行处理，删除所述变化区域内的伪变化地块；

通过已构建的轨迹辨别网络，对已通过所述伪变化检测网络进行处理的变化区域进行处理，得到包括变化轨迹的遥感影像检测结果。

需要说明的是，所述伪变化检测网络和轨迹辨别网络，对变化区域的处理流程可同步执行，其前后执行顺序不进行限定，参考图3-图5，在本公开中，以图3的流程步骤进行说明，图4、图5的具体执行步骤可参考图3。

在一些实施例中，通过步骤S120确定的变化区域，存在因各种因素造成的大量伪变化区域，如卫星拍摄角度、太阳光照、以及部分人为因素导致的大量伪变化等；

因此，在本公开中，需对所述变化区域内的伪变化区域进行删除。

将连续的t0、t1影像和步骤S120确定的变化区域作为输入，遍历每个变化区域，从t0、t1影像上获得两幅该变化区域的邻域图像块，通过伪变化检测网络判断该变化检测区域是否为伪变化，进而对其进行取舍。

在本公开中，所述伪变化检测网络包括获得邻域图像块、不对称孪生网络、多尺度输入三部分；

其中，所述获得邻域图像块，是指根据变化区域的四至范围从t0、t1影像上裁剪得到变化区域的邻域图像块，用于伪变化检测网络的输入。考虑到伪变化中大多是由于诸如影像配准、卫星拍摄角度、太阳照射角度等原因造成的目标地物偏差，因此本公开在伪变化检测网络中设计了不对称的孪生网络，该网络的两个特征提取分支以ResNet50、DenseNet或ResNest为骨干，其中一个分支接收空间尺寸n*n的输入，另一个分支接收空间尺寸为n/2*n/2的输入；

所述多尺度输入，是指本公开中为了使伪变化检测网络适应变化区域尺寸不一的现状，设计的三个不同尺寸输入的不对称孪生网络并联结构；

本公开构建的变化检测网络结构，如图6所示，构建方式如下，以ResNet50作为骨干为例：

以ResNet50为骨干，构建三组不对称孪生网络，第一组不对称网络接收空间尺寸为256*256、128*128的图像块；第二组不对称网络接收空间尺寸为128*128、64*64的图像块；第三组不对称网络接收空间尺寸为64*64、32*32的图像块；

若目标地物的变化区域为位置偏差造成的伪变化时，则从其周边邻域内从另外一期影像中找到是否存在属于它本身的目标地物；

具体的，若当变化区域的属性为增时，则设置t0影像邻域图像块为不对称孪生网络中较大的输入；若变化区域的属性为减时，则设置t1影像邻域图像块为不对称孪生网络中较大的输入；

将不对称孪生网络的两分支最后的全连接层输出进行连接(Concat)和全连接运算(fc)；

将三组不对称孪生网络的全连接运算输出进行连接和全连接运算，最后经过Softmax函数输出该变化区域属于伪变化的概率。

在一些实施例中，遍历由变化检测模型输出的目标地物变化区域，得到所述变化区域的四至范围，以所述四至范围构成的矩形区域的长边为准，调整为正方形区域获得新的四至范围；其中，所述旧四至范围处于新四至范围的正中位置；

当该变化区域属性为增时，以所述新四至范围为标准，从t1影像中裁剪得到正方形图像块，并从t0影像中同样位置裁剪2倍于t1影像图像块空间尺寸的图像块；当该变化区域属性为减时，以新四至范围为标准，从t0影像中裁剪得到正方形图像块，并从t1影像中同样位置裁剪2倍于t0影像图像块空间尺寸的图像块；

将裁剪得到的t0、t1影像图像块缩放(Resize)到模型输入尺寸，输入至所述伪变化检测网络中，得到(输出)该变化区域属于伪变化的概率；

若所述概率大于预设阈值，则删除所述变化区域内的伪变化地块，即，删除该变化区域；所述阈值可根据人工经验和/或历史数据等进行设定。

在一些实施例中，轨迹判别网络包括一个以ResNet50、DenseNet或ResNest为骨干的分类网络，考虑到变化区域尺寸的不一性，该网络被设计成一个多尺度输入的结构，如图7所示，以ResNet50作为骨干为例，构建方式如下：

以ResNet50为骨干，构建三组特征提取器；

其中，第一组特征提取器，用于接收空间尺寸为256*256的图像块；

第二组特征提取器，用于接收空间尺寸为64*64的图像块；

第三组特征提取器，用于接收空间尺寸为32*32的图像块；

将三组特征提取器的全连接运算输出进行连接和全连接运算，最后经过Softmax函数输出该变化区域变化轨迹的概率。

在一些实施例中，遍历由变化检测网络和伪变化检测网络输出的目标地物变化区域，获变化区域的四至范围，并将四至范围构成的矩形区域以长边为准调整为正方形区域，获得新的四至范围；所述旧四至范围处于新四至范围的正中位置；

当所述变化区域属性为增时，以新四至范围为标准，从t0影像中裁剪得到正方形图像块；当所述变化区域属性为减时，以新四至范围为标准，从t1影像中裁剪得到正方形图像块；

裁剪得到的影像图像块缩放(Resize)到模型输入尺寸，输入本发明轨迹判别模块内的网络模型中，对所变化区域内的目标地物的变化进行标定，得到包括变化轨迹的遥感影像检测结果，完成变化轨迹的检测。

下面给出根据本发明一个具体实施例的基于卷积神经网络的遥感影像变化检测方法：

以对海淀区北京二号遥感影像平房变化检测为例：

a：获取样本数据，所述样本包括各个网络训练所需的平房变化检测样本数据，将样本数据按照8:2随机分为训练集和验证集；

b：基于Keras深度学习框架，构建包含变化检测网络、伪变化检测网络、轨迹判别网络的变化检测轨迹模型，其中变化检测网络内选用DeepLabV3+作为语义分割结构，伪变化检测网络和轨迹判别网络均选用ResNet50作为网络的骨干；

c：配置Adam优化器，设置学习率为1e-4，损失函数使用多类交叉熵损失；

d：分别训练变化轨迹检测模型内所含的三个网络，训练前将三个网络中的骨干网络的参数使用预训练模型进行初始化，分别训练100个周期，取在验证集上损失最小的参数作为最终的模型参数保存；

e：对连续多期遥感影像进行含平房变化轨迹的变化检测，单次预测连续两期的大幅影像，最后形成多期影像的平房变化轨迹结果，单次预测如下：

1.将连续的两幅大幅影像输入至所述变化检测模块，变化检测模块将分别对大幅影像进行平房变化检测，输出平房的变化检测结果，该结果中不含平房的变化轨迹；

2.将步骤1输出的平房变化检测结果输入至伪变化检测网络，伪变化检测网络将遍历平房变化检测结果中的每个变化区域，依据变化检测区域的四至范围获得将要裁剪该变化区域邻域图像块的尺寸n*n；

若该变化区域属性为增，则在后期影像中裁剪该变化区域邻域尺寸为n*n的图像块，在前期影像中裁剪该变化区域邻域尺寸为2n*2n的图像块；

若该变化区域属性为减，则在前期影像中裁剪该变化区域邻域尺寸为n*n的图像块，在后期影像中裁剪该变化区域邻域尺寸为2n*2n的图像块；将裁剪的一对图像块缩放至伪变化检测网络需要的尺寸，输入只所述伪变化检测网络，根据网络输出判别该变化区域是否为伪变化，若是，则删除该变化区域，若否，则保留该变化区域，最后由伪变化检测网络输出伪变化区域过滤后的平房变化检测结果，该结果中不含平房的变化轨迹；

3.将步骤2输出的伪变化区域过滤后的平房变化检测结果输入轨迹判别网络，轨迹判别网络将遍历平房变化检测结果中的每个变化区域，依据变化检测区域的四至范围获得将要裁剪该变化区域邻域图像块的尺寸n*n；

若该变化区域属性为增，则在前期影像中裁剪该变化区域邻域尺寸为n*n的图像块；

若该变化区域属性为减，则在后期影像中裁剪该变化区域邻域尺寸为n*n的图像块；

将图像块缩放至轨迹判别网络所需要的输入尺寸，输入轨迹判别网络，获得图像块所属的类别，将该类别写入平房变化区域的属性表中；

4.对下一组连续两期的大幅影像进行步骤1到4的操作，最终获得多期影像的平房变化轨迹检测结果。

参考图8，图8是对两期影像使用步骤1至步骤3，获得的平房变化轨迹检测结果局部示意图，t0和t1表示前、后两期影像，经过变化检测模块后得到不含变化轨迹的平房变化检测结果，其中包含若干个平房变化区域，再经过伪变化检测模块后，从图8可以看到一部分平房的伪变化区域已经被过滤掉，最后经过轨迹判别模块为每个平房变化区域添加变化轨迹属性，图中属性表表示了某个平房变化区域的变化轨迹属性，其中DN＝2表示该变化区域为平房发生了减少，bhqdlmc＝平房表示该变化区域变化前所属地类为平房，bhhdlmc＝拆迁平整表示该区域变化后所属地类为拆迁平整。对该实施例的变化检测结果经过统计，变化检测结果经过伪变化检测模块后可以抑制掉60％以上的伪变化区域，在抑制掉的伪变化区域中仅含有不到5％的真实变化区域被误判成了伪变化区域，最终的平房变化检测结果的召回率可达90％以上，能够有效地辅助专业人员进行平房变化检测作业。

根据本申请的实施例，实现了以下技术效果：

通过将孪生网络构建的变化检测模型和分类网络构建的轨迹判别网络相连接，可以从两期影像中检测出目标地物的变化轨迹和变化图斑，并且在变化检测模型和轨迹判别网络中间，构建连接了一个基于孪生网络结构的伪变化检测网络，对遥感影像变化检测中的伪变化起到了抑制效果，即，抑制了遥感影像中的伪变化，提高了遥感变化检测结果的可靠性，加快了遥感专业人员进行变化检测的作业效率

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。

图9示出了根据本申请的实施例的基于卷积神经网络的遥感影像变化检测装置900的方框图。如图9所示，装置900包括：

获取模块910，用于获取连续的多期遥感影像；

确定模块920，用于将所述连续的多期遥感影像，输入至变化检测模型中，确定目标地物的变化区域；所述变化区域为包括目标地物增、减属性的区域；

检测模块930，用于对所述变化区域进行标定，得到所述遥感影像的检测结果。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图10示出了可以用来实施本公开的实施例的电子设备1000的示意性框图。如图所示，设备1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序指令或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序指令，来执行各种适当的动作和处理。在RAM 1003中，还可以存储设备1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元1001执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由CPU 1001执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，CPU 1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种基于卷积神经网络的遥感影像变化检测方法，其特征在于，包括：

获取连续的多期遥感影像；

将所述连续的多期遥感影像，输入至变化检测模型中，确定目标地物的变化区域；所述变化区域为包括目标地物增、减属性的区域；

对所述变化区域进行标定，得到所述遥感影像的检测结果。

2.根据权利要求1所述的方法，其特征在于，所述变化检测模型为孪生网络结构包括语义分割结构和变化检测结构。

3.根据权利要求2所述的方法，其特征在于，所述对所述变化区域进行标定包括：

通过已构建的伪变化检测网络，对所述变化区域进行处理，删除所述变化区域内的伪变化地块；

通过已构建的轨迹辨别网络，对已通过所述伪变化检测网络进行处理的变化区域进行处理，得到包括变化轨迹的遥感影像检测结果。

4.根据权利要求3所述的方法，其特征在于，通过已构建的伪变化检测网络，对所述变化区域进行处理，删除所述变化区域内的伪变化地块包括：

遍历所述变化区域，确定所述变化区域的四至范围；

基于所述四至范围对所述变化区域进行剪裁，得到图像块；

将所述图像块输入至已构建的伪变化检测网络，得到所述变化区域属于伪变化区域的概率；

若所述概率大于预设阈值，则删除所述变化区域内的伪变化地块。

5.根据权利要求4所述的方法，其特征在于，所述通过已构建的轨迹辨别网络，对已通过所述伪变化检测网络进行处理的变化区域进行处理，得到包括变化轨迹的遥感影像检测结果包括：

遍历已通过所述伪变化检测网络进行处理的变化区域，确定变化区域的属性；

基于所述变化区域的属性，对所述多期遥感影像中的前期或后期影像进行裁剪，并输入至所述轨迹辨别网络，得到包括变化轨迹的遥感影像检测结果。

6.根据权利要求5所述的方法，其特征在于，所述基于所述变化区域的属性，对所述多期遥感影像中的前期或后期影像进行裁剪，并输入至所述轨迹辨别网络，得到包括变化轨迹的遥感影像检测结果包括：

若所述变化区域的属性为增，则对所述多期遥感影像中的前期影像进行裁剪，输入至所述轨迹辨别网络，对所变化区域内的目标地物的变化进行标定，得到包括变化轨迹的遥感影像检测结果；

若所述变化区域的属性为减，则对所述多期遥感影像中的后期影像进行裁剪，输入至所述轨迹辨别网络，对所变化区域内的目标地物的变化进行标定，得到包括变化轨迹的遥感影像检测结果。

7.根据权利要求6所述的方法，其特征在于，所述伪变化检测网络为不对称孪生网络。

8.一种基于卷积神经网络的遥感影像变化检测装置，其特征在于，包括：

获取模块，用于获取连续的多期遥感影像；

确定模块，用于将所述连续的多期遥感影像，输入至变化检测模型中，确定目标地物的变化区域；所述变化区域为包括目标地物增、减属性的区域；

检测模块，用于对所述变化区域进行标定，得到所述遥感影像的检测结果。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～7中任一项所述的方法。

Images