CN115240081A - 一种遥感影像全要素变化检测方法及装置 - Google Patents

一种遥感影像全要素变化检测方法及装置 Download PDF

Info

Publication number
CN115240081A
CN115240081A CN202211134153.6A CN202211134153A CN115240081A CN 115240081 A CN115240081 A CN 115240081A CN 202211134153 A CN202211134153 A CN 202211134153A CN 115240081 A CN115240081 A CN 115240081A
Authority
CN
China
Prior art keywords
time phase
image
ground object
pixel
change
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
Application number
CN202211134153.6A
Other languages
English (en)
Other versions
CN115240081B (zh
Inventor
邹舒畅
王宇翔
张攀
沈均平
李彦
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.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information 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 Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202211134153.6A priority Critical patent/CN115240081B/zh
Publication of CN115240081A publication Critical patent/CN115240081A/zh
Application granted granted Critical
Publication of CN115240081B publication Critical patent/CN115240081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种遥感影像全要素变化检测方法及装置，涉及遥感影像处理技术领域，该方法包括：获取目标区域的前时相影像和后时相影像；通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；通过预先训练完成的地物全要素提取模型分别对前时相影像和后时相影像进行处理，得到前时相地物全要素提取结果和后时相地物全要素提取结果；利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型。本申请能够有效防止受季节、光照等外部因素造成的误检问题，从而显著提升变化检测精度。

Description

一种遥感影像全要素变化检测方法及装置
技术领域
本申请涉及遥感影像处理技术领域，尤其是涉及一种遥感影像全要素变化检测方法及装置。
背景技术
遥感影像包含丰富的地物信息，是地物整体面貌最直观的表现。变化检测是遥感领域一个重要研究方向，其科学意义在于如何快速而准确的识别出同一区域随时间变化所发生的改变。其在土地利用规划、城市管理、环境监测和地理国情普查等领域中起着至关重要的作用。
传统的地物变化检测技术主要是通过灰度匹配和差值变化检测算法，将已经进行地物配准和几何校正的同一地区不同时刻的遥感影像进行直方图匹配，以保证两幅影像的灰度一致性，之后再采用差值法提取灰度变化剧烈的区域作为地物变化区域，这种方法易受天气、光照等外部因素影响，存在检测精度不高的问题。且主要针对单一建筑要素，单一建筑要素的变化检测无法满足实际业务需求，具有一定的局限性。
近年来，随着光学遥感影像图像分辨率的不断提高，并且光学遥感影像所包含的波普信息也日渐丰富，其被广泛应用于遥感影像变化检测。目前利用深度神经网络进行遥感影像变化检测的一种常用方法是直接对两幅多波段遥感影像进行融合处理，获得多波段变化检测特征影像，并提取多波段变化检测特征影像内全要素的变化区域，对变化区域对应的地物类别进行识别，最终实现全要素变化检测，此种方法只是简单的将两幅影像进行融合后输入特征提取网络，没有考虑两幅影像各自的深层语义特征，而深层特征之间的差异更能有效的检测出地物类别之间的变化，简单的影像融合容易导致遥感影像的信息缺失，缺少了主要特征的获取，对深度神经网络的收敛产生不利影响。
发明内容
有鉴于此，本申请提供了一种遥感影像全要素变化检测方法及装置，以解决上述技术问题。
第一方面，本申请实施例提供了一种遥感影像全要素变化检测方法，包括：
获取目标区域的前时相影像和后时相影像；
通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；
通过预先训练完成的地物全要素提取模型分别对前时相影像和后时相影像进行处理，得到前时相地物全要素提取结果和后时相地物全要素提取结果；
利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型。
进一步地，所述变化检测模型包括：孪生编码器和解码器；
所述孪生编码器包括依次连接的编码模块、融合模块和空洞卷积池化金字塔ASPP模块；编码模块包括并联的第一编码分支和第二编码分支，第一编码分支和第二编码分支的结构相同，第一编码分支包括纹理特征提取单元，第一拼接单元、特征提取单元和通道注意力单元；所述特征提取单元采用ResNet50网络；
所述解码器包括依次连接的第一4倍上采样单元、第二拼接单元，3×3卷积核和第二4倍上采样单元；所述融合模块的输出分别进入空洞卷积池化金字塔ASPP模块和通过1×1卷积核进入第二拼接单元；
通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；包括：
利用第一编码分支的纹理特征提取单元对前时相影像进行处理，得到前时相影像的纹理图像，纹理图像的每个像元的像元值为纹理特征值；
利用第一编码分支的第一拼接单元对前时相影像和纹理图像进行拼接，得到四通道的特征图；
利用第一编码分支的特征提取单元对四通道的特征图进行特征提取，得到特征提取图；
利用第一编码分支的通道注意力单元对特征提取图进行处理，得到前时相初始特征图；
利用第二编码分支对后时相影像进行处理，得到后时相初始特征图；
利用融合模块对前时相初始特征图和后时相初始特征图进行融合，得到浅层变化信息特征图；
利用空洞卷积池化金字塔ASPP模块对浅层变化信息特征图进行处理，得到第一分辨率的深层变化信息特征图；
利用第一4倍上采样单元对低分辨深层变化信息特征图进行处理，得到第二分辨率的深层变化信息特征图，第二分辨率大于第一分辨率；
利用第二拼接单元对通过1×1卷积核的浅层变化信息特征图和高分辨深层变化信息特征图进行拼接，得到综合变化信息特征图；
利用3×3卷积核对综合变化信息特征图进行处理，得到变化信息概率分布图；
利用第二4倍上采样单元对变化信息概率分布图进行处理，得到二值变化图，其变化像元的像元值为1，未变化像元的像元值为0。
进一步地，所述前时相地物全要素提取结果为一幅与前时相影像尺寸大小相同的单通道图像，每个像元的像元值表示对应的地物类别；所述后时相地物全要素提取结果为一幅与后时相影像尺寸大小相同的单通道图像，每个像元的像元值表示对应的地物类别。
进一步地，利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型；包括：
将二值变化图的每个像元的像元值和后时相地物全要素提取结果的每个相同像元的像元值进行相乘，得到目标区域中发生变化的后时相地物全要素提取结果，其中，未变化像元的像元值为0，变化像元的像元值不变；
获取目标区域中发生变化的后时相地物全要素提取结果中的孤立小图斑的像元个数，若像元个数小于50，则将孤立小图斑中各像元的像元值更新为0；
获取修正后的目标区域中发生变化的后时相地物全要素提取结果的每个非零值像元的像元值和对应的地物类型，作为后时相像元值和后时相地物类型；从前时相地物全要素提取结果中获取相同位置的非零值像元的像元值和对应的地物类型，作为前时相像元值和前时相地物类型。
进一步地，所述方法还包括：
根据二值变化图计算后时相影像与前时相影像相比发生变化的区域面积S；
将所有的前时相要素像素值、前时相地物类别、后时相要素像素值、后时相地物类别以及面积S写入矢量文件。
第二方面，本申请实施例提供了一种遥感影像全要素变化检测装置，包括：
获取单元，用于获取目标区域的前时相影像和后时相影像；
变化检测单元，用于通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；
全要素提取单元，用于通过预先训练完成的地物全要素提取模型分别对前时相影像和后时相影像进行处理，得到前时相地物全要素提取结果和后时相地物全要素提取结果；
处理单元，用于利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现本申请实施例的方法。
本申请不仅能够得到地物变化检测区域，还能够得到地物发生变化前后的地物类别，并且有效防止受季节、光照等外部因素造成的误检问题，从而显著提升变化检测精度，具有广泛的适用范围。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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为本申请实施例提供的遥感影像全要素变化检测方法的流程图；
图2为本申请实施例提供的地物全要素提取的结构图；
图3为本申请实施例提供的遥感影像全要素变化检测装置的功能结构图；
图4为本申请实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
首先对本申请实施例的设计思想进行简单介绍。
针对现有遥感影像变化检测存在的技术缺陷，本申请提供了一种遥感影像全要素变化检测方法，通过变化检测模型对前后两时相影像进行变化区域提取：采用孪生编码器，即由两个具有相同网络配置的编码器组成，在保证具有更少的参数和权重前提下，提取成对影像的差异特征；引入纹理特征LBP通道提取模块用于计算影像中的局部纹理特征，并作为单独一个通道，与影像RGB三通道叠加为四通道，一起输入特征提取模块，同步引入通道注意力模块，加重对纹理特征LBP通道的学习权重，用于共同克服不同外部因素下同物异谱和异物同谱的问题；同时对变化区域对应的地物类别进行识别，最终实现全要素变化检测。
本申请的方法不仅能够得到地物变化检测区域，还能够得到地物发生变化前后的地物类别，并且有效防止受季节、光照等外部因素造成的误检问题，从而显著提升变化检测精度，具有广泛的适用范围。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行说明。
如图1所示，本申请实施例提供了一种遥感影像全要素变化检测方法，包括：
步骤101：获取目标区域的前时相影像和后时相影像；
本实施例中，首先获取目标区域的两个时段的卫星遥感影像，经过数据导入、辐射校正、多视幅度、地理编码和RPC正射校正得到前时相影像和后时相影像；然后对前时相影像和后时相影像进行配准：采用PIE-Basic区域网平差软件实现前后两时相影像配准，最大程度上减少位置不匹配带来的伪变化误差；
步骤102：通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；
所述变化检测模型包括：孪生编码器和解码器；所述孪生编码器包括依次连接的编码模块、融合模块和空洞卷积池化金字塔ASPP模块；编码模块包括并联的第一编码分支和第二编码分支，第一编码分支和第二编码分支的结构相同，第一编码分支包括纹理特征提取单元，第一拼接单元、特征提取单元和通道注意力单元；所述特征提取单元采用ResNet50网络；
所述解码器包括依次连接的第一4倍上采样单元、第二拼接单元，3×3卷积核和第二4倍上采样单元；所述融合模块的输出分别进入空洞卷积池化金字塔ASPP模块和通过1×1卷积核进入第二拼接单元；
步骤102具体包括：
利用第一编码分支的纹理特征提取单元对前时相影像进行处理，得到前时相影像的纹理图像，纹理图像的每个像元的像元值为纹理特征值；
考虑到不同外部因素下同物异谱和异物同谱的问题，而不同类别之间的纹理特征差异较大，纹理特征提取单元用于计算影像中的局部纹理特征,像元的纹理特征
Figure P_220915074850590_590309001
为：
Figure P_220915074850775_775848001
其中，
Figure P_220915074850807_807108001
为像元的坐标，
Figure P_220915074850838_838366002
为该像元为中心的正方形邻域的第
Figure P_220915074850869_869610003
个像元，
Figure P_220915074850887_887141004
为邻域像元的个数，
Figure P_220915074850903_903292005
为邻域像元的灰度值，
Figure P_220915074850934_934553006
为中心像元的灰度值，
Figure P_220915074850950_950160007
为符号函数。
利用第一编码分支的第一拼接单元对前时相影像和纹理图像进行拼接，得到四通道的特征图；
利用第一编码分支的特征提取单元对四通道的特征图进行特征提取，得到特征提取图；
利用第一编码分支的通道注意力单元对特征提取图进行处理，得到前时相初始特征图；其中，引入通道注意力是为了加重对纹理特征LBP通道的学习权重；
利用第二编码分支对后时相影像进行处理，得到后时相初始特征图；
利用融合模块对前时相初始特征图和后时相初始特征图进行融合，得到浅层变化信息特征图；
利用空洞卷积池化金字塔ASPP模块对浅层变化信息特征图进行处理，得到第一分辨率的深层变化信息特征图；ASPP的作用是进一步挖掘融合模块中的深层变化信息。
利用第一4倍上采样单元对低分辨深层变化信息特征图进行处理，得到第二分辨率的深层变化信息特征图，第二分辨率大于第一分辨率；
利用第二拼接单元对通过1×1卷积核的浅层变化信息特征图和高分辨深层变化信息特征图进行拼接，得到综合变化信息特征图；
利用3×3卷积核对综合变化信息特征图进行处理，得到变化信息概率分布图；
利用第二4倍上采样单元对变化信息概率分布图进行处理，得到二值变化图，其变化像元的像元值为1，未变化像元的像元值为0。
为了训练变化检测模型，需要构建高精度变化检测样本集；大规模高质量样本库是实现深度学习算法的重要基础。对于地物全要素变化检测而言，其主要难点在于变化区域分布任意、尺寸不一、形状各异且变化区域数据量少等制约条件。主要数据为高分二号、WorldView，为了提高样本代表性，构建了一套长江中下游流域多区域、多场景、多时相，高精度地物全要素变化检测数据集，包含26800对，尺寸为512*512。主要流程包括：利用自主软件PIE-Basic对获取的同一区域范围内的前后两时相影像进行配准处理；其次，将配准后的两幅遥感影像导入PIE-Label中，在目视情况下，若前后类别不一致则视为变化区域，记作1，否则视为非变化区域，记作0，将结果存储在相同尺寸大小的单通道图像中，即成对遥感图像的变化标签真值，最终配准后的两幅遥感影像和变化标签形成高质量地物全要素变化检测样本。
步骤103：通过预先训练完成的地物全要素提取模型分别对前时相影像和后时相影像进行处理，得到前时相地物全要素提取结果和后时相地物全要素提取结果；
本申请实施例的地物全要素提取模型包括：编码器和解码器，如图2所示。其中编码器主要包括特征提取模块和带有空洞卷积的空间金字塔池化ASPP模块；解码器主要包括4倍上采样和Concat（拼接）。其中，特征提取模块采用ResNet50网络，单幅遥感影像经过ResNet50网络之后，得到(512，W/16，H/16)的浅层特征图，ASPP模块对浅层特征图进行处理，得到深度特征图。解码器的4倍上采样对深度特征图上采样，Concat将经过1×1卷积核的浅层特征图和4倍上采样的深层特征图进行拼接，利用浅层特征对上采样不能恢复的位置信息进行优化，拼接后的特征图经过3×3卷积核和4倍上采样，得到提取结果。
为了训练地物全要素提取模型，需要构建高精度变化检测样本集；大规模高质量样本库是实现深度学习算法的重要基础。对于地物全要素变化检测而言，其主要难点在于变化区域分布任意、尺寸不一、形状各异且变化区域数据量少等制约条件。主要数据与上述变化检测数据一致，包含25000个，尺寸为512*512。主要流程包括：将配准后的两幅遥感影像导入PIE-Label中分别进行逐像素标注，标注后的数据存储在相同尺寸的单通道标签图像中、即语义标签图像，其中，0灰度表示背景，灰度值分别表示不同地物类型。例如：1表示独立房屋，5表示成片街区，8表示林地，9表示草地等。
步骤104：利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型；
本实施例中，该步骤具体包括：
将二值变化图的每个像元的像元值和后时相地物全要素提取结果的每个相同像元的像元值进行相乘，得到目标区域中发生变化的后时相地物全要素提取结果，其中，未变化像元的像元值为0，变化像元的像元值不变；
由于变化检测结果为像素级的检测结果，检测过程中难免会有个别像素存在过检情况，而这些过检表现为孤立的小图斑，获取目标区域中发生变化的后时相地物全要素提取结果中的孤立小图斑的像元个数，若像元个数小于50，则将孤立小图斑中各像元的像元值更新为0；
获取修正后的目标区域中发生变化的后时相地物全要素提取结果的每个非零值像元的像元值和对应的地物类型，作为后时相像元值和后时相地物类型；从前时相地物全要素提取结果中获取相同位置的非零值像元的像元值和对应的地物类型，作为前时相像元值和前时相地物类型。
所述方法还包括：根据二值变化图计算后时相影像与前时相影像相比发生变化的区域面积S；将所有的前时相要素像素值、前时相地物类别、后时相要素像素值、后时相地物类别以及面积S写入矢量文件。
基于上述实施例，本申请实施例提供了一种遥感影像全要素变化检测装置，参阅图3所示，本申请实施例提供的遥感影像全要素变化检测装置200至少包括：
获取单元201，用于获取目标区域的前时相影像和后时相影像；
变化检测单元202，用于通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；
全要素提取单元203，用于通过预先训练完成的地物全要素提取模型分别对前时相影像和后时相影像进行处理，得到前时相地物全要素提取结果和后时相地物全要素提取结果；
处理单元204，用于利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型。
需要说明的是，本申请实施例提供的遥感影像全要素变化检测装置200解决技术问题的原理与本申请实施例提供的遥感影像全要素变化检测方法相似，因此，本申请实施例提供的遥感影像全要素变化检测装置200的实施可以参见本申请实施例提供的遥感影像全要素变化检测方法的实施，重复之处不再赘述。
如图4所示，本申请实施例提供的电子设备300至少包括：处理器301、存储器302和存储在存储器302上并可在处理器301上运行的计算机程序，处理器301执行计算机程序时实现本申请实施例提供的遥感影像全要素变化检测方法。
本申请实施例提供的电子设备300还可以包括连接不同组件（包括处理器301和存储器302）的总线303。其中，总线303表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
存储器302可以包括易失性存储器形式的可读介质，例如随机存储器（RandomAccess Memory，RAM）3021和/或高速缓存存储器3022，还可以进一步包括只读存储器（ReadOnly Memory，ROM）3023。
存储器302还可以包括具有一组（至少一个）程序模块3025的程序工具3024，程序模块3025包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备300也可以与一个或多个外部设备304（例如键盘、遥控器等）通信，还可以与一个或者多个使得用户能与电子设备300交互的设备通信（例如手机、电脑等），和/或，与使得电子设备300与一个或多个其它电子设备300进行通信的任何设备（例如路由器、调制解调器等）通信。这种通信可以通过输入/输出（Input /Output，I/O）接口305进行。并且，电子设备300还可以通过网络适配器306与一个或者多个网络（例如局域网（Local AreaNetwork，LAN），广域网（Wide Area Network，WAN）和/或公共网络，例如因特网）通信。如图4所示，网络适配器306通过总线303与电子设备300的其它模块通信。应当理解，尽管图4中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列（Redundant Arrays of IndependentDisks，RAID）子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是，图4所示的电子设备300仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被处理器执行时实现本申请实施例提供的遥感影像全要素变化检测方法。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (8)

1.一种遥感影像全要素变化检测方法，其特征在于，包括：
获取目标区域的前时相影像和后时相影像；
通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；
通过预先训练完成的地物全要素提取模型分别对前时相影像和后时相影像进行处理，得到前时相地物全要素提取结果和后时相地物全要素提取结果；
利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型。
2.根据权利要求1所述的遥感影像全要素变化检测方法，其特征在于，所述变化检测模型包括：孪生编码器和解码器；
所述孪生编码器包括依次连接的编码模块、融合模块和空洞卷积池化金字塔ASPP模块；编码模块包括并联的第一编码分支和第二编码分支，第一编码分支和第二编码分支的结构相同，第一编码分支包括纹理特征提取单元，第一拼接单元、特征提取单元和通道注意力单元；所述特征提取单元采用ResNet50网络；
所述解码器包括依次连接的第一4倍上采样单元、第二拼接单元，3×3卷积核和第二4倍上采样单元；所述融合模块的输出分别进入空洞卷积池化金字塔ASPP模块和通过1×1卷积核进入第二拼接单元；
通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；包括：
利用第一编码分支的纹理特征提取单元对前时相影像进行处理，得到前时相影像的纹理图像，纹理图像的每个像元的像元值为纹理特征值；
利用第一编码分支的第一拼接单元对前时相影像和纹理图像进行拼接，得到四通道的特征图；
利用第一编码分支的特征提取单元对四通道的特征图进行特征提取，得到特征提取图；
利用第一编码分支的通道注意力单元对特征提取图进行处理，得到前时相初始特征图；
利用第二编码分支对后时相影像进行处理，得到后时相初始特征图；
利用融合模块对前时相初始特征图和后时相初始特征图进行融合，得到浅层变化信息特征图；
利用空洞卷积池化金字塔ASPP模块对浅层变化信息特征图进行处理，得到第一分辨率的深层变化信息特征图；
利用第一4倍上采样单元对低分辨深层变化信息特征图进行处理，得到第二分辨率的深层变化信息特征图，第二分辨率大于第一分辨率；
利用第二拼接单元对通过1×1卷积核的浅层变化信息特征图和高分辨深层变化信息特征图进行拼接，得到综合变化信息特征图；
利用3×3卷积核对综合变化信息特征图进行处理，得到变化信息概率分布图；
利用第二4倍上采样单元对变化信息概率分布图进行处理，得到二值变化图，其变化像元的像元值为1，未变化像元的像元值为0。
3.根据权利要求1所述的遥感影像全要素变化检测方法，其特征在于，所述前时相地物全要素提取结果为一幅与前时相影像尺寸大小相同的单通道图像，每个像元的像元值表示对应的地物类别；所述后时相地物全要素提取结果为一幅与后时相影像尺寸大小相同的单通道图像，每个像元的像元值表示对应的地物类别。
4.根据权利要求3所述的遥感影像全要素变化检测方法，其特征在于，利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型；包括：
将二值变化图的每个像元的像元值和后时相地物全要素提取结果的每个相同像元的像元值进行相乘，得到目标区域中发生变化的后时相地物全要素提取结果，其中，未变化像元的像元值为0，变化像元的像元值不变；
获取目标区域中发生变化的后时相地物全要素提取结果中的孤立小图斑的像元个数，若像元个数小于50，则将孤立小图斑中各像元的像元值更新为0；
获取修正后的目标区域中发生变化的后时相地物全要素提取结果的每个非零值像元的像元值和对应的地物类型，作为后时相像元值和后时相地物类型；从前时相地物全要素提取结果中获取相同位置的非零值像元的像元值和对应的地物类型，作为前时相像元值和前时相地物类型。
5.根据权利要求4所述的遥感影像全要素变化检测方法，其特征在于，所述方法还包括：
根据二值变化图计算后时相影像与前时相影像相比发生变化的区域面积S；
将所有的前时相要素像素值、前时相地物类别、后时相要素像素值、后时相地物类别以及面积S写入矢量文件。
6.一种遥感影像全要素变化检测装置，其特征在于，包括：
获取单元，用于获取目标区域的前时相影像和后时相影像；
变化检测单元，用于通过预先训练完成的变化检测模型对前时相影像和后时相影像进行处理，得到二值变化图；
全要素提取单元，用于通过预先训练完成的地物全要素提取模型分别对前时相影像和后时相影像进行处理，得到前时相地物全要素提取结果和后时相地物全要素提取结果；
处理单元，用于利用二值变化图分别对前时相地物全要素提取结果和后时相地物全要素提取结果进行处理，得到目标区域中发生变化的各像元的前时相像元值、前时相地物类型、后时相像元值和后时相地物类型。
7.一种电子设备，其特征在于，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的方法。
8.一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存储有计算机指令，所述计算机指令被处理器执行时实现如权利要求1-5任一项所述的方法。
CN202211134153.6A 2022-09-19 2022-09-19 一种遥感影像全要素变化检测方法及装置 Active CN115240081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211134153.6A CN115240081B (zh) 2022-09-19 2022-09-19 一种遥感影像全要素变化检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211134153.6A CN115240081B (zh) 2022-09-19 2022-09-19 一种遥感影像全要素变化检测方法及装置

Publications (2)

Publication Number Publication Date
CN115240081A true CN115240081A (zh) 2022-10-25
CN115240081B CN115240081B (zh) 2023-01-17

Family

ID=83682322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211134153.6A Active CN115240081B (zh) 2022-09-19 2022-09-19 一种遥感影像全要素变化检测方法及装置

Country Status (1)

Country Link
CN (1) CN115240081B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012731A (zh) * 2023-03-30 2023-04-25 成都国星宇航科技股份有限公司 一种星上在轨云检测的方法、系统及设备
CN116503620A (zh) * 2023-05-11 2023-07-28 中国科学院空天信息创新研究院 高分遥感图像变化检测方法、装置、电子设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914692A (zh) * 2014-04-21 2014-07-09 山东科技大学 一种用于煤矿周围地表水系的遥感识别方法
CN104036293A (zh) * 2014-06-13 2014-09-10 武汉大学 基于快速二值编码的高分辨率遥感影像场景分类方法
CN108388927A (zh) * 2018-03-26 2018-08-10 西安电子科技大学 基于深度卷积孪生网络的小样本极化sar地物分类方法
CN110378224A (zh) * 2019-06-14 2019-10-25 香港理工大学深圳研究院 一种地物变化的检测方法、检测系统及终端
CN111539316A (zh) * 2020-04-22 2020-08-14 中南大学 基于双注意力孪生网络的高分遥感影像变化检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914692A (zh) * 2014-04-21 2014-07-09 山东科技大学 一种用于煤矿周围地表水系的遥感识别方法
CN104036293A (zh) * 2014-06-13 2014-09-10 武汉大学 基于快速二值编码的高分辨率遥感影像场景分类方法
CN108388927A (zh) * 2018-03-26 2018-08-10 西安电子科技大学 基于深度卷积孪生网络的小样本极化sar地物分类方法
CN110378224A (zh) * 2019-06-14 2019-10-25 香港理工大学深圳研究院 一种地物变化的检测方法、检测系统及终端
CN111539316A (zh) * 2020-04-22 2020-08-14 中南大学 基于双注意力孪生网络的高分遥感影像变化检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012731A (zh) * 2023-03-30 2023-04-25 成都国星宇航科技股份有限公司 一种星上在轨云检测的方法、系统及设备
CN116503620A (zh) * 2023-05-11 2023-07-28 中国科学院空天信息创新研究院 高分遥感图像变化检测方法、装置、电子设备及介质
CN116503620B (zh) * 2023-05-11 2023-12-08 中国科学院空天信息创新研究院 高分遥感图像变化检测方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN115240081B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
Zhang et al. Remote sensing image spatiotemporal fusion using a generative adversarial network
CN115240081B (zh) 一种遥感影像全要素变化检测方法及装置
Fu et al. Using convolutional neural network to identify irregular segmentation objects from very high-resolution remote sensing imagery
Li et al. Integrated shadow removal based on photogrammetry and image analysis
CN113706482A (zh) 一种高分辨率遥感影像变化检测方法
Zhang et al. Recurrent Shadow Attention Model (RSAM) for shadow removal in high-resolution urban land-cover mapping
Long et al. Bishift networks for thick cloud removal with multitemporal remote sensing images
Licciardi et al. Retrieval of the height of buildings from WorldView-2 multi-angular imagery using attribute filters and geometric invariant moments
CN113628180B (zh) 一种基于语义分割网络的遥感建筑物检测方法及系统
Jiang et al. Intelligent image semantic segmentation: a review through deep learning techniques for remote sensing image analysis
CN113808251B (zh) 一种基于语义分割的稠密重建的方法、系统、装置和介质
CN117058367A (zh) 高分辨率遥感影像建筑物语义分割方法及装置
CN111291615A (zh) 一种多时相遥感影像变化监测方法
Ma et al. Homogenized ORB algorithm using dynamic threshold and improved quadtree
Khan et al. Advanced road extraction using CNN-based U-Net model and satellite imagery
CN117557774A (zh) 一种基于改进YOLOv8的无人机图像小目标检测方法
CN116363526A (zh) MROCNet模型构建与多源遥感影像变化检测方法及系统
CN115577768A (zh) 半监督模型训练方法和装置
CN117788296B (zh) 基于异构组合深度网络的红外遥感图像超分辨率重建方法
Xu et al. Extended non-local feature for visual saliency detection in low contrast images
CN117115641B (zh) 建筑物信息提取方法、装置、电子设备及存储介质
CN117351360A (zh) 一种基于注意力机制改进的遥感图像道路提取方法
Huang et al. Research on crop planting area classification from remote sensing image based on deep learning
Wang et al. [Retracted] Adaptive Enhancement Algorithm of High‐Resolution Satellite Image Based on Feature Fusion
CN115661451A (zh) 一种深度学习单帧红外弱小目标高分辨率分割方法

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
GR01 Patent grant
GR01 Patent grant