CN116091497A - 遥感变化检测方法、装置、电子设备和存储介质 - Google Patents

遥感变化检测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN116091497A
CN116091497A CN202310362240.5A CN202310362240A CN116091497A CN 116091497 A CN116091497 A CN 116091497A CN 202310362240 A CN202310362240 A CN 202310362240A CN 116091497 A CN116091497 A CN 116091497A
Authority
CN
China
Prior art keywords
image
remote sensing
change
predicted
deep learning
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
CN202310362240.5A
Other languages
English (en)
Other versions
CN116091497B (zh
Inventor
田静国
王宇翔
贾玮
李旭
范磊
王硕
殷慧
黄非
关元秀
赵楠
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.)
Henan Aerospace Hongtu Information Technology Co ltd
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Henan Aerospace Hongtu Information Technology Co ltd
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 Henan Aerospace Hongtu Information Technology Co ltd, Aerospace Hongtu Information Technology Co Ltd filed Critical Henan Aerospace Hongtu Information Technology Co ltd
Priority to CN202310362240.5A priority Critical patent/CN116091497B/zh
Publication of CN116091497A publication Critical patent/CN116091497A/zh
Application granted granted Critical
Publication of CN116091497B publication Critical patent/CN116091497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

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

Abstract

本申请提供了一种遥感变化检测方法、装置、电子设备和存储介质，涉及遥感变化检测工程化技术领域，该方法包括：获取待预测两景影像，并对待预测两景影像进行预处理；将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行变化区域预测，得到预测结果图斑栅格影像；对预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果。本申请提升了遥感地物的变化检测精度和多光谱遥感影像处理的适用性。

Description

遥感变化检测方法、装置、电子设备和存储介质
技术领域
本申请涉及遥感变化检测工程化技术领域，尤其是涉及一种遥感变化检测方法、装置、电子设备和存储介质。
背景技术
变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程，为了检测某一地表在不同时段的变化区域，可以通过覆盖同一地表区域的不同时相遥感影像数据，采用深度学习变化检测模型，对双时影像提取变化特征后分析确定。
相关技术中，深度学习变化检测模型基本基于镶嵌的可见光三波段遥感影像，即数字正射影像（Digital Orthophoto Map， DOM）。然而一方面DOM影像在复杂处理过程中，会破坏原有单景遥感影像的色彩、光谱及时间信息；另一方面，由于深度学习源于视觉，所以只能获取三波段的信息，现有基于视觉的深度学习模型很难适配大于三波段的单景多光谱地表反射率影像（Single Multispectral Surface Reflectance, SMSR），无法完整准确的获取遥感特有的光谱信息，导致变化检测精度有限、适用性差；同时，单景多光谱地表反射率影像（Single Multispectral Surface Reflectance, SMSR）存在前后影像传感器参数差异，前后影像范围无法完全重合、影像分辨率不一致、波段数不一致等问题，很大程度上限制了在深度学习变化检测的应用。
因此，目前基于遥感影像的深度学习变化检测方法存在存在检测精度、检测效率以及适用性差的问题。
发明内容
本申请的目的在于提供一种遥感变化检测方法、装置、电子设备和存储介质，提升了深度学习变化检测精度和对多光谱遥感影像的适用性。
第一方面，本发明提供一种遥感变化检测方法，方法包括：获取待预测两景影像，并对待预测两景影像进行预处理；将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行变化区域预测，得到预测结果图斑栅格影像；对预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果。
在可选的实施方式中，待预测两景影像包括前时相单景遥感影像和后时相单景遥感影像；对待预测两景影像进行预处理，包括：对前时相单景遥感影像和后时相单景遥感影像中分辨率较高的一景影像进行重采样处理，得到采样率相同的目标前时相单景遥感影像和目标后时相单景遥感影像；对目标前时相单景遥感影像和目标后时相单景遥感影像进行像元值逐个对比，提取相交影像；对目标前时相单景遥感影像和目标后时相单景遥感影像分别对应的相交影像按照预设裁剪顺序分别进行影像裁剪处理，得到前时相单景遥感影像和后时相单景影像分别对应的影像切片；对前时相单景遥感影像和后时相单景遥感影像分别对应的影像切片进行影像位深度拉伸处理，得到待预测影像。
在可选的实施方式中，多光谱深度学习模型的训练步骤，包括：针对变化检测任务获取预先选择的地理范围对应的多个单景多光谱遥感影像，并基于单景多光谱遥感影像进行样本集构建；其中，样本集构建至少包括目标地物标签图像的制作、影像拉伸处理、切片处理、按比例随机划分训练集与验证集、生成样本集列表；通过样本集对初始多光谱深度学习模型进行训练，得到满足预设精度阈值的地物变化特征权重所对应的目标多光谱深度学习模型；其中，地物变化特征权重为对应预先选择的地理范围的目标权重。
在可选的实施方式中，多光谱深度学习模型包括用于提取特征的扩散概率子模型和通过双时影像特征提取变化信息的轻量变化检测子模型；其中，用于提取特征的扩散概率子模型由三波段适配多光谱影像。
在可选的实施方式中，将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行预测，得到预测结果图斑栅格影像，包括：将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行预测，得到初始预测结果；初始预测结果为切片数据；将初始预测结果按照预设裁剪顺序进行切片拼接处理，并将原始影像地理坐标与投影信息与切片拼接后的影像数据进行叠加，得到预测结果图斑栅格影像。
在可选的实施方式中，对预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果，包括：对预测结果图斑栅格影像进行变化矢量分析，得到变化区域图斑；如果变化区域图斑与预设深度学习算法图斑相交且重叠区域超过预设重叠阈值时，合并破碎图斑；如果变化区域图斑与预设深度学习算法图斑不相交时，则删除变化区域图斑；如果预设深度学习算法图斑与变化区域图斑不相交时，则保留预设深度学习算法图斑。
在可选的实施方式中，方法还包括：对变化检测结果进行掩膜提取并转换为变化检测结果矢量图。
第二方面，本发明提供一种遥感变化检测装置，装置包括：预处理模块，用于获取待预测两景影像，并对待预测两景影像进行预处理；模型预测模块，用于将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行变化区域预测，得到预测结果图斑栅格影像；图斑优化模块，用于对预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果。
第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的遥感变化检测方法。
第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项的遥感变化检测方法。
本申请提供的遥感变化检测方法、装置、电子设备和存储介质所带来的有益效果：
本申请实施例所提供的多光谱深度学习模型可以获得更加丰富的光谱信息（遥感影像4波段甚至更多波段的信息），从而在多光谱深度学习模型对预处理的两景影像进行变化区域预测时，提升遥感地物的变化检测精度；并且，通过预先训练好的多光谱深度学习模型对遥感影像特有的多光谱信息进行处理，提升了通过深度学习框架进行多光谱遥感影像处理的适用性。
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一种遥感变化检测方法的流程图；
图2为本申请实施例提供的一种单景多光谱影像处理示意图；
图3为本申请实施例提供的对模型进行训练，以及将预处理后的两景影像输入至训练好的模型进行预测的流程图；
图4为本申请实施例提供的一种图斑优化原理的示意图；
图5为本申请实施例提供的一种前后景影像的示例；
图6为本申请实施例提供的一种影像相交提取的示意图；
图7为本申请实施例提供的一种滑动窗口裁剪的示意图；
图8为本申请实施例提供的一种深度学习结果部分切片；
图9为本申请实施例提供的一种拼接结果图像；
图10为本申请实施例提供的一种变化图斑优化的示意图；
图11为本申请实施例提供的一种林地提取的示意图；
图12为本申请实施例提供的一种矢量结果图；
图13为本申请实施例提供的一种林地减少的示意图；
图14为本申请实施例提供的一种林地增加的示意图；
图15为本申请实施例提供的一种遥感变化检测装置的结构图；
图16为本申请实施例提供的一种电子设备的结构图。
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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程，实时精确地获取地表变化信息对于国土监测、环境保护、减灾防灾等领域有着重要意义。遥感对地观测技术具有大范围、长时间和周期性监测的优势，利用多时遥感影像来获取地表地物变化信息的变化检测是遥感技术应用最广泛的研究领域之一。
深度学习遥感变化检测是指基于覆盖同一地表区域的不同时相遥感影像数据，采用深度学习变化检测模型，对双时影像提取变化特征并进行分析，最终确定变化区域的过程。深度学习算法不依赖人工特征筛选、面对高维特征信息具有自动处理能力、分类精度较高的特点，使得其在遥感变化检测领域发展快速、使用广泛。
目前，深度学习变化检测模型大多为基于可见光三波段遥感图像，即数字正射影像（DOM, Digital Orthophoto Map），深度学习模型在色彩、时相等方面对前后两期影像要求高，而DOM影像需要经过镶嵌、拉伸及掩膜等一系列复杂的处理流程，在处理过程中，恰恰会破坏了原有单景遥感影像的色彩、光谱及时间信息，精度有限，很大程度上限制了深度学习在变化检测领域的应用。相对的，单景多光谱地表反射率影像（Single MultispectralSurface Reflectance, 以下简称SMSR）不仅包含了丰富的光谱信息，也具备清晰的时间信息，同时不受卫星几何位置、大气、成像条件等诸多因素的干扰，可以为深度学习变化检测模型提供高质量的、适用性强的数据源，但是SMSR存在前后影像传感器参数差异，前后影像范围无法完全重合、影像分辨率不一致、波段数不一致，多光谱影像无法适应深度学习模型等问题。
基于此，本申请实施例提供了一种遥感变化检测方法、装置、电子设备和存储介质，克服了DOM数据的局限性，简化了处理流程，解决了多光谱遥感影像应用于深度学习的难题，同时将多光谱、精准时相信息，特别是多光谱信息这一遥感影像特有的信息，与深度学习网络框架结合，能够有效提高深度学习变化检测的精度、速度和适用性，是一种便于工程化应用的深度学习遥感变化检测算法。
本申请实施例提供了一种遥感变化检测方法，参见图1所示，该方法主要包括以下步骤：
步骤S110，获取待预测两景影像，并对待预测两景影像进行预处理。
两景影像为已经过大气校正和配准的地表反射率影像，并在同一地区内有重合部分的影像数据。在一种实施方式，待预测两景影像包括前时相单景遥感影像和后时相单景遥感影像，也可以称之为前时相单景地表反射率遥感影像和后时相单景地表反射率遥感影像。
上述对待预测两景影像进行预处理，可以首先统一前后影像的分辨率，对两景影像中分辨率较高的一景做重采样处理，确保前后影像像元大小一致；然后判断影像有效值的相交部分，并将相交部分提取出来，对无效像元进行处理；再通过规定滑动窗口大小，对两景影像进行滑动裁剪，并通过影像位深度计算，使其成为深度学习变化检测模型能够接受的位度切片集，即为模型的待预测的数据。
步骤S120，将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行变化区域预测，得到预测结果图斑栅格影像。
上述多光谱深度学习模型为利用DDPM-CD模型构建适用于多光谱影像的深度学习网络框架（Multispectral Denoising Diffusion Probabilistic Model—ChangeDetection, 下简称MDDPM-CD），其中DDPM-CD包括两个部分，分别为提取特征的扩散概率模型和通过双时影像特征提前变化信息的轻量变化检测模型。本实施例通过修改提取特征的扩散概率模型，将该模型由三波段适配多光谱影像，使得MDDPM-CD网络框架适用于多光谱影像的深度学习。
步骤S130，对预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果。
由于预先训练好的多光谱深度学习模型进行变化区域预测时是基于像素级的语义分割，无可避免会造成变化图斑的破碎，因此，在一种实施方式中，可以通过深度学习变化检测图斑中心，叠加变化矢量分析（CVA, Change Vector Analysis）算法获得的变化检测范围，优化深度学习变化检测结果的边界，从而可以保证地物完整性与变化准确性。
以下对本申请上述步骤的具体实施手段进行详细说明。
在可选的实施方式中，对待预测两景影像进行预处理，可以包括以下步骤S11至步骤S14：
S11，对前时相单景遥感影像和后时相单景遥感影像中分辨率较高的一景影像进行重采样处理，得到采样率相同的目标前时相单景遥感影像和目标后时相单景遥感影像；
S12，对目标前时相单景遥感影像和目标后时相单景遥感影像进行像元值逐个对比，提取相交影像；
S13，对目标前时相单景遥感影像和目标后时相单景遥感影像分别对应的相交影像按照预设裁剪顺序分别进行影像裁剪处理，得到前时相单景遥感影像和后时相单景影像分别对应的影像切片；
S14，对前时相单景遥感影像和后时相单景遥感影像分别对应的影像切片进行影像位深度拉伸处理，得到待预测影像。
参见图2所示的单景多光谱影像处理示意图，在具体实施时，可以采用以下手段：
（1）重采样
将前后两景影像记为A1，B1，首先获取前后时相两景影像分辨率，即单个像元宽对应的实际地物长度，分别记为Pa、Pb，计算重采样倍率：
如果则对影像B1进行重采样，反之如果则对影像A1进行重采样。
以重采样B1影像为例，原始B1影像栅格列数数为Rwb，行数为Rhb，重采样计算影像行列栅格数公式为：
（2）影像相交提取
判断前后两景影像相交区域并提取，通过逐个对比像元值，如果前后两景影像的同位置像元有一个为无值像元，则对这两景影像该像元都赋于无值属性，只保留同位置像元均为有值的部分，最后按有值区域范围对两景影像进行裁剪完成提取。
（3）滑动窗口裁剪
由于深度学习模型受硬件性能影响，读取影像有大小限制，不能同时读取整景影像，需要裁剪为合适大小。设计滑动窗口形式对两景遥感影像进行同步裁剪，通过设定窗口大小与重叠率，确定滑动步长，按从左至右、从上到下的顺序依次滑动，对于裁剪至右侧与底部无法保证剩余影像满足窗口大小的情况，采取向前获取像元，直到最后一列与最后一行为完整的窗口大小影像，并保证裁剪后前后影像为一一对应关系。
（4）影像位深度拉伸
深度学习模型通常针对8位图像进行归一化处理，为适应模型处理过程，在裁剪后对原始的16位遥感影像进行拉伸处理，这里采用线性拉伸方法。
线性拉伸是将波段中分布在[valuemin,valuemax]的像元值进行归一化，然后统一线性拉伸到[outmin,outmax]中，公式为：
式中， value (x,y)为波段中的每个像元；当 value min、 value max为统计像元的最小值、最大值时，即为最值拉伸；当 value min、 value max为直方图累计的百分位像元值时，即为百分位拉伸，常见的有2-98%拉伸； out min ,out max为拉伸后的像元范围，当为0和255时，即为8位深影像的像元范围， result为拉伸结果。
由于多波段是遥感数据特有的属性，因此需要对适用三波段的深度模型进行改进，本申请实施例所采用的改进的深度学习模型，也即多光谱深度学习模型，具体利用DDPM-CD模型进行多光谱影像的深度学习网络框架（Multispectral Denoising DiffusionProbabilistic Model—Change Detection, 下简称MDDPM-CD）的构建。其中模型包括提取特征的扩散概率模型和通过双时影像特征提前变化信息的轻量变化检测模型，改进的模型可以同时根据变化检测特征和模型需求去处理多光谱影像，让这两者能够结合起来提高变化检测精度。该模型是修改扩散概率模型为提取特征结构，构建变化检测模型，改进方法是通过修改影像数据的读取与卷积网络输入计算，将该模型由三波段适配多光谱影像。具体适配如下：
基础的扩散概率模型通过对具有 T个时间步长的马尔可夫过程执行变分推理来学习训练数据分布。扩散过程包括前向扩散过程和后向扩散过程。在向前扩散正向过程中，逐步向原始图像中加入高斯噪声，得到各向同性高斯分布。该过程中每个时间步长 t的加噪操作定义如下：
，其中表示 T步马尔可夫链，为控制每步添加噪声方差的噪声表。
在反向过程中，使用神经网络进行去噪操作以获得原始图像。在反向过程的每一步中，对图像执行去噪操作，以获得。为此，使用神经网络来模拟反向分布的参数。该网络的参数 θ是通过最小化所有时间步上正向分布和反向分布之间的KL发散来获得的。在优化过程中，从分布中采样需要的知识，给定的边际分布可以通过将中间潜变量边缘化得到：
其中，使用后验分布而不是前向分布，可以简化正向分布和反向分布之间的KL散度的最小化。在马尔可夫假设下，利用前两个公式，后验分布可导出为：
其中：
当参数化反向马尔可夫链并在反向链的对数似然上制定变分下界时，进一步利用这种后验分布。在优化时，分布和的协方差矩阵通常被认为是相同的，网络预测分布的平均值。
去噪模型以噪声图像为输入：
t为时间步长，用于恢复后验分布的均值。优化网络参数训练目标的公式定义为：
推理过程即为逆向马尔可夫过程，其方向与正向扩散过程相反。推理从高斯噪声开始，对每个时间步 t的进行迭代去噪，得到，如下所示：
，其中，。
通过修改数据读取和卷积神经网络输入，使模型适配多波段遥感影像，包括以下两个步骤：
①将多波段遥感影像像元值按波段顺序读取为数据集形式，再通过转换将数据集转为三维矩阵形式，三个维度分别表示波段数量、影像宽度、影像高度，并对矩阵进行对称、翻转或随机旋转处理，最后转为张量形式，以便传入卷积神经网络进行运算处理。
②调整卷积神经网络的数据通道参数接收，由原本三通道计算修改为对应数据通道数量计算，并增加相关通道参数权重；同时，在加载三波段数据的预训练权重时，保留三波段权重，其他波段采用随机权重，以此充分利用预训练权重数据，提高模型学习能力。
图3示出了一种对模型进行训练，以及将预处理后的两景影像输入至训练好的模型进行预测的流程图，在构建模型后，基于MDDPM-CD网络框架和多光谱样本数据进行多光谱深度学习模型的训练和预测。多光谱深度学习模型需要先通过大量的遥感影像数据与标签进行训练，获得针对特定区域的某类地物变化特征权重，并记录存储。在经过测试集测试后，通过评价指标确定该模型的预测能力。之后在对模型进行实际预测时，需要将之前训练好的权重文件加载进模型结构，并将预处理过的单景地表反射率影像传入模型，模型通过权重文件获取之前学习到的地物特征信息，对预测图像进行判断，生成预测结果图斑栅格影像。
在一可选的实施方式中，多光谱深度学习模型的训练步骤，可以包括步骤（1）和步骤（2）：
步骤（1），针对变化检测任务获取预先选择的地理范围对应的多个单景多光谱遥感影像，并基于单景多光谱遥感影像进行样本集构建；其中，样本集构建至少包括目标地物标签图像的制作、影像拉伸处理、切片处理、按比例随机划分训练集与验证集、生成样本集列表。
对针对变化检测任务取得的多个单景多光谱遥感影像进行样本集构建，包括目标地物标签图像的制作、影像拉伸处理、切片处理、按比例随机划分训练集与验证集、生成样本集列表等。样本集用于深度学习模型训练产生权重文件。
步骤（2），通过样本集对初始多光谱深度学习模型进行训练，得到满足预设精度阈值的地物变化特征权重所对应的目标多光谱深度学习模型；其中，地物变化特征权重为对应预先选择的地理范围的目标权重。
在一种实施方式中，满足预设精度阈值的地物变化特征权重可以为达到预设置信度时的权重，也可以为训练时长达到预设时长的权重，还可以为训练次数达到预设次数的权重。在实际应用时，可以根据实际情况进行适应性选择。
进一步，将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行预测，得到预测结果图斑栅格影像，可以包括以下步骤S21和步骤S22：
步骤S21，将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行预测，得到初始预测结果；初始预测结果为切片数据；
步骤S22，将初始预测结果按照预设裁剪顺序进行切片拼接处理，并将原始影像地理坐标与投影信息与切片拼接后的影像数据进行叠加，得到预测结果图斑栅格影像。
在具体实施时，通过上述样本集对改进的深度学习模型（也即多光谱深度学习模型）进行训练，获得较高的验证精度后储存权重文件，加载进网络结构中并对预测数据进行变化区域预测。由于预测数据预处理为切片形式传入模型，算法获得的预测结果栅格图同样为切片形式，需要按裁剪顺序拼接回原始影像大小，并将原始影像地理坐标与投影信息赋予结果栅格影像，以便最终获得深度学习算法预测结果图斑栅格影像。
进一步，上述对预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果，在具体实施时，可以包括以下步骤S31至步骤S34：
步骤S31，对预测结果图斑栅格影像进行变化矢量分析，得到变化区域图斑。
步骤S32，如果变化区域图斑与预设深度学习算法图斑相交且重叠区域超过预设重叠阈值时，合并破碎图斑；
步骤S33，如果变化区域图斑与预设深度学习算法图斑不相交时，则删除变化区域图斑；
步骤S34，如果预设深度学习算法图斑与变化区域图斑不相交时，则保留预设深度学习算法图斑。
在具体实施时，由于深度学习变化检测算法是基于像素级的语义分割，无可避免会造成变化图斑的破碎，通过深度学习变化检测图斑中心，叠加变化矢量分析CVA算法获得的变化检测范围，优化深度学习变化检测结果的边界，保证地物完整性与变化准确性。
变化矢量分析算法基于对辐射校正后的遥感影像各波段的差异进行分析，计算与确定变化差异特征图，变化差异是利用欧氏距离得到的，即变化强度图像的灰度值是由差值多光谱图像上对应位置的像元灰度值的平方和再开方得到的，表达式如公式：
式中， DX表示某一像元的变化差异影像，表示1波段时该像元灰度值，（1，2，…， bands）为波段索引。
根据区域具体情况对差异影像设定一个阈值。可以提取出变化区域。基于CVA提取的变化区域叠加深度学习变化图斑，可以有效提高变化图斑内地物的完整性与变化准确性。
图斑优化原理参见图4所示，当CVA算法图斑与一个或多个深度学习算法图斑相交且重叠区域大于设定值时，以CVA区域边界为正确值对变化区域进行优化，合并破碎图斑；当CVA算法提取图斑与深度学习算法图斑不相交时，舍去该CVA算法图斑；当深度学习算法图斑与CVA算法图斑不相交时，保留该深度学习算法图斑不做任何改变。
进一步，为了使得最终得到的变化区域精度更高，在一可选的实施方式中，可以对变化检测结果进行掩膜提取并转换为变化检测结果矢量图。
在具体实施时，变化检测算法获得的预测结果为栅格图，需要将变化区域栅格按空间要求掩膜提取，之后转为矢量数据，进行面积计算和按阈值筛选，并增加相应的字段信息。再通过判断变化类型算法，输出图斑的前后变化结果，记录在矢量属性内。
（1）预测结果空间分布处理
最终期待检测的变化地物为单一地物，需要通过使用该地物分布矢量图斑对结果区域进行空间提取，仅保留该地物区域影像。
（2）预测结果矢量转换
由于获得的预测结果为栅格影像，需要转为矢量图斑并记录有效信息，对预测结果进行栅格转矢量的操作。
（3）预测结果面积处理与信息保存
由于深度学习变化检测算法是基于像素的分类原理，获得的变化区域栅格其椒盐噪声不可避免，尤其是进行栅格转矢量处理后，会增加许多面积较小但不必要的图斑，需要通过一定的面积筛选处理，去掉不必要的图斑。根据样本面积大小的估计，设置合理的阈值进行面积筛选，并将对应的前后影像名称、日期等重要信息储存在矢量图斑属性内。
（4）预测结果图斑变化类型判断
深度学习变化检测算法通常为二分类算法，最终的结果仅为变化和不变两种类型，而在实际应用中，还会存在该地物为增加变化还是减少变化的情况。通过设计算法对变化情况进行判断，其原理为：首先对预测图斑进行矢量栅格化；基于该栅格化结果提供的范围，对前后变化影像进行裁切，随后对切片进行过绿-过红指数处理，最后比较像元累加值，判断变化类型。
其中，过绿-过红指数计算公式为：
式中， G为绿波段像元值， R为红波段像元值， B为蓝波段像元值。
为便于理解，本申请实施例还提供了一种具体的操作示例：
一、多光谱深度学习网络框架构建
以选取某市多景影像样本作为深度学习算法的训练与验证集，训练MDDPM-CD模型进行二三季度林地变化检测。
选取某市的两期影像作为预测影像，参见图5所示，前后景影像分别为吉林1号1m分辨率四波段影像 A1（左图2022年4月8日影像），B1（右图2022年7月13日影像），均已进行影像预处理。
通过修改模型结构参数，调整数据传入，使得深度学习模型适配多光谱地表反射率产品，适用于遥感影像变化检测。
二、单景多光谱影像处理
对前后时相图像处理，获得相交区域，并使其成为深度学习变化检测模型能够接受的位度图像。
（1）重采样
如果前后影像分辨率不一致，按照低分辨率对高分辨率影像重采样，保证前后影像的分辨率一致。
（2）影像相交提取
提取重叠区域，去掉非重叠区域和无值区域，获得前后时相影像A2，B2，参见图6所示。
（3）滑动窗口裁剪
将前后时相影像同步裁剪为统一窗口大小图片{A21，A22，…，A2n}与{B21，B22，…，B2n}，这里采用256*256像素窗口大小，方便传入深度学习模型，参见图7所示。
（4）影像位深度拉伸
将原始的16bit数据影像转换为8bit数据影像，方便深度学习模型归一化处理。
三、深度学习模型训练与预测
通过制作数据集，训练深度学习模型产生权重文件，再将权重加载入网络结构，对需要预测的前后两景影像进行预测。获得预测结果栅格切片{D21，D22，…，D2n}，其中包含变化和非变化区域，参见图8所示的深度学习结果部分切片。之后将结果切片按原始影像拼接，并赋予投影信息，参见图9所示的拼接结果图像。
四、基于CVA的变化图斑优化
通过CVA算法获得该地区的地物变化范围栅格图，叠加至深度学习变化检测结果栅格后，通过重叠中心与面积确定变化区域并优化边界，参见图10所示，其中，（1）为深度学习局部变化区域结果Xn，（2）为CVA算法局部变化区域结果M2n，（3）算法叠加局部优化最终结果X2n。
五、变化图斑后处理
5.1 预测结果空间分布处理
目标变化地物为林地，不考虑非林地树木变化，叠加林地范围图进行林地提取，参见图11所示，其中（1）为原始拼接结果X，（2）为林地范围，（3）为空间分布处理后结果X’。
5.2 预测结果矢量转换
将预测结果栅格图像转矢量图，参见图12所示的矢量结果图。
5.3 预测结果面积处理与信息保存
根据实际预测情况，设置面积阈值为400平方米，小于该阈值的图斑舍去，并赋予时间、前后影像名称等属性信息。
5.4 预测结果图斑变化类型判断
通过指数计算分析确定图斑变化类型，判断是林地增加还是林地减少，获得最终深度学习变化检测结果矢量图斑，图13示出了一种林地减少的示意图，图14示出了一种林地增加的示意图。
综上，本申请实施例提供的遥感变化检测方法，适用于国内外大多数中高分辨率遥感影像数据，该方法能够充分利用SMSR的光谱、时间信息，不局限于前后时相影像是为同一传感器数据，不受分辨率不一致、影像无法重合、波段数不一致，多光谱信息无法适应模型等限制，可以自动处理变化检测影像，并结合变化矢量分析（CVA, Change VectorAnalysis）优化变化区域边界精度，输出变化区域的栅格和矢量结果，具备适用性强、准确度高、自动化程度高等优势，可以广泛应用于深度学习模型在遥感领域的变化检测任务，能够为土地调查、生态变化、灾害检测和评估等领域方面的提供基础技术支撑。
基于上述方法实施例，本申请实施例还提供一种遥感变化检测装置，参见图15所示，该装置主要包括以下部分：
预处理模块150，用于获取待预测两景影像，并对待预测两景影像进行预处理；
模型预测模块152，用于将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行变化区域预测，得到预测结果图斑栅格影像；
图斑优化模块154，用于对预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果。
本申请实施例提供的遥感变化检测装置，通过多光谱深度学习模型可以获得更加丰富的光谱信息，从而在多光谱深度学习模型对预处理的两景影像进行变化区域预测时，提升遥感地物的变化检测精度；并且，通过预先训练好的多光谱深度学习模型对遥感影像特有的多光谱信息进行处理，提升了通过深度学习框架进行多光谱遥感影像处理的适用性。
在一可行的实施方式中，待预测两景影像包括前时相单景遥感影像和后时相单景遥感影像；
上述预处理模块150，还用于：对前时相单景遥感影像和后时相单景遥感影像中分辨率较高的一景影像进行重采样处理，得到采样率相同的目标前时相单景遥感影像和目标后时相单景遥感影像；对目标前时相单景遥感影像和目标后时相单景遥感影像进行像元值逐个对比，提取相交影像；对目标前时相单景遥感影像和目标后时相单景遥感影像分别对应的相交影像按照预设裁剪顺序分别进行影像裁剪处理，得到前时相单景遥感影像和后时相单景影像分别对应的影像切片；对前时相单景遥感影像和后时相单景遥感影像分别对应的影像切片进行影像位深度拉伸处理，得到待预测影像。
在一可行的实施方式中，上述装置还包括，模型训练模块，用于：针对变化检测任务获取预先选择的地理范围对应的多个单景多光谱遥感影像，并基于单景多光谱遥感影像进行样本集构建；其中，样本集构建至少包括目标地物标签图像的制作、影像拉伸处理、切片处理、按比例随机划分训练集与验证集、生成样本集列表；通过样本集对初始多光谱深度学习模型进行训练，得到满足预设精度阈值的地物变化特征权重所对应的目标多光谱深度学习模型；其中，地物变化特征权重为对应预先选择的地理范围的目标权重。
在一可行的实施方式中，多光谱深度学习模型包括用于提取特征的扩散概率子模型和通过双时影像特征提取变化信息的轻量变化检测子模型；其中，用于提取特征的扩散概率子模型由三波段适配多光谱影像。
在一可行的实施方式中，上述模型预测模块152，还用于：将预处理后的待预测两景影像输入至预先训练好的多光谱深度学习模型进行预测，得到初始预测结果；初始预测结果为切片数据；将初始预测结果按照预设裁剪顺序进行切片拼接处理，并将原始影像地理坐标与投影信息与切片拼接后的影像数据进行叠加，得到预测结果图斑栅格影像。
在一可行的实施方式中，上述图斑优化模块154，还用于：对预测结果图斑栅格影像进行变化矢量分析，得到变化区域图斑；如果变化区域图斑与预设深度学习算法图斑相交且重叠区域超过预设重叠阈值时，合并破碎图斑；如果变化区域图斑与预设深度学习算法图斑不相交时，则删除变化区域图斑；如果预设深度学习算法图斑与变化区域图斑不相交时，则保留预设深度学习算法图斑。
在一可行的实施方式中，上述装置还包括，后优化模块，用于：对变化检测结果进行掩膜提取并转换为变化检测结果矢量图。
本申请实施例提供的遥感变化检测装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，遥感变化检测装置的实施例部分未提及之处，可参考前述遥感变化检测方法实施例中相应内容。
本申请实施例还提供了一种电子设备，如图16所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器161和存储器160，该存储器160存储有能够被该处理器161执行的计算机可执行指令，该处理器161执行该计算机可执行指令以实现上述任一项遥感变化检测方法。
在图16示出的实施方式中，该电子设备还包括总线162和通信接口163，其中，处理器161、通信接口163和存储器160通过总线162连接。
其中，存储器160可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口163（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线162可以是ISA（IndustryStandard Architecture，工业标准体系结构）总线、PCI（Peripheral ComponentInterconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线162可以分为地址总线、数据总线、控制总线等。为便于表示，图16中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器161可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器161中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器161可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器161读取存储器中的信息，结合其硬件完成前述实施例的遥感变化检测方法的步骤。
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可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述遥感变化检测方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的遥感变化检测方法、装置、电子设备和存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能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，可以存储在一个处理器可执行的非易失的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，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）执行本申请各个实施例所述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（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。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
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 (10)

1.一种遥感变化检测方法，其特征在于，所述方法包括：
获取待预测两景影像，并对所述待预测两景影像进行预处理；
将预处理后的所述待预测两景影像输入至预先训练好的多光谱深度学习模型进行变化区域预测，得到预测结果图斑栅格影像；
对所述预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果。
2.根据权利要求1所述的遥感变化检测方法，其特征在于，所述待预测两景影像包括前时相单景遥感影像和后时相单景遥感影像；
对所述待预测两景影像进行预处理，包括：
对所述前时相单景遥感影像和后时相单景遥感影像中分辨率较高的一景影像进行重采样处理，得到采样率相同的目标前时相单景遥感影像和目标后时相单景遥感影像；
对所述目标前时相单景遥感影像和目标后时相单景遥感影像进行像元值逐个对比，提取相交影像；
对目标前时相单景遥感影像和目标后时相单景遥感影像分别对应的相交影像按照预设裁剪顺序分别进行影像裁剪处理，得到前时相单景遥感影像和后时相单景影像分别对应的影像切片；
对前时相单景遥感影像和后时相单景遥感影像分别对应的影像切片进行影像位深度拉伸处理，得到待预测影像。
3.根据权利要求2所述的遥感变化检测方法，其特征在于，所述多光谱深度学习模型的训练步骤，包括：
针对变化检测任务获取预先选择的地理范围对应的多个单景多光谱遥感影像，并基于所述单景多光谱遥感影像进行样本集构建；其中，所述样本集构建至少包括目标地物标签图像的制作、影像拉伸处理、切片处理、按比例随机划分训练集与验证集、生成样本集列表；
通过所述样本集对初始多光谱深度学习模型进行训练，得到满足预设精度阈值的地物变化特征权重所对应的目标多光谱深度学习模型；其中，所述地物变化特征权重为对应预先选择的地理范围的目标权重。
4.根据权利要求3所述的遥感变化检测方法，其特征在于，所述多光谱深度学习模型包括用于提取特征的扩散概率子模型和通过双时影像特征提取变化信息的轻量变化检测子模型；
其中，所述用于提取特征的扩散概率子模型由三波段适配多光谱影像。
5.根据权利要求3所述的遥感变化检测方法，其特征在于，将预处理后的所述待预测两景影像输入至预先训练好的多光谱深度学习模型进行预测，得到预测结果图斑栅格影像，包括：
将预处理后的所述待预测两景影像输入至预先训练好的多光谱深度学习模型进行预测，得到初始预测结果；所述初始预测结果为切片数据；
将所述初始预测结果按照所述预设裁剪顺序进行切片拼接处理，并将原始影像地理坐标与投影信息与切片拼接后的影像数据进行叠加，得到所述预测结果图斑栅格影像。
6.根据权利要求1所述的遥感变化检测方法，其特征在于，对所述预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果，包括：
对所述预测结果图斑栅格影像进行变化矢量分析，得到变化区域图斑；
如果所述变化区域图斑与预设深度学习算法图斑相交且重叠区域超过预设重叠阈值时，合并破碎图斑；
如果所述变化区域图斑与预设深度学习算法图斑不相交时，则删除所述变化区域图斑；
如果预设深度学习算法图斑与所述变化区域图斑不相交时，则保留预设深度学习算法图斑。
7.根据权利要求6所述的遥感变化检测方法，其特征在于，所述方法还包括：
对所述变化检测结果进行掩膜提取并转换为变化检测结果矢量图。
8.一种遥感变化检测装置，其特征在于，所述装置包括：
预处理模块，用于获取待预测两景影像，并对所述待预测两景影像进行预处理；
模型预测模块，用于将预处理后的所述待预测两景影像输入至预先训练好的多光谱深度学习模型进行变化区域预测，得到预测结果图斑栅格影像；
图斑优化模块，用于对所述预测结果图斑栅格影像进行变化图斑优化，得到变化检测结果。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的遥感变化检测方法。
10.一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可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的遥感变化检测方法。
CN202310362240.5A 2023-04-07 2023-04-07 遥感变化检测方法、装置、电子设备和存储介质 Active CN116091497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310362240.5A CN116091497B (zh) 2023-04-07 2023-04-07 遥感变化检测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310362240.5A CN116091497B (zh) 2023-04-07 2023-04-07 遥感变化检测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN116091497A true CN116091497A (zh) 2023-05-09
CN116091497B CN116091497B (zh) 2023-06-27

Family

ID=86199455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310362240.5A Active CN116091497B (zh) 2023-04-07 2023-04-07 遥感变化检测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116091497B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011730A (zh) * 2023-09-27 2023-11-07 国网江苏省电力有限公司电力科学研究院 一种无人机图像变化的检测方法、电子终端及存储介质
CN117173222A (zh) * 2023-09-01 2023-12-05 深圳扬奇医芯智能科技有限公司 一种基于扩散模型的配准方法及系统
CN117253155A (zh) * 2023-11-17 2023-12-19 山东大学 一种基于深度学习的人类活动检测方法及系统
CN117495797A (zh) * 2023-10-30 2024-02-02 武汉大学 基于隐式三维表达引导的航空数据变化检测方法及系统
CN117689658A (zh) * 2024-02-02 2024-03-12 珠江水利委员会珠江水利科学研究院 遥感影像变化检测方法及装置
CN118262191A (zh) * 2024-02-05 2024-06-28 自然资源部国土卫星遥感应用中心 基于多/高光谱影像和地表覆盖数据可变格网样本批量生成方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827330A (zh) * 2019-10-31 2020-02-21 河海大学 一种时序集成的多光谱遥感图像变化检测方法及系统
CN112434653A (zh) * 2020-12-09 2021-03-02 张龙 一种遥感图像建筑区检测方法及系统
CN112434650A (zh) * 2020-12-09 2021-03-02 张龙 一种多光谱图像建筑物变化检测方法及系统
CN112434648A (zh) * 2020-12-09 2021-03-02 张龙 一种墙体形状变化检测方法及系统
CN113989681A (zh) * 2021-12-29 2022-01-28 航天宏图信息技术股份有限公司 遥感影像变化检测方法、装置、电子设备及存储介质
CN114627087A (zh) * 2022-03-21 2022-06-14 国网江苏省电力有限公司无锡供电分公司 一种多时相卫星遥感图像的地物变化自动检测方法及系统
CN114972191A (zh) * 2022-04-25 2022-08-30 航天宏图信息技术股份有限公司 一种耕地变化检测方法和装置
US20220292278A1 (en) * 2021-03-12 2022-09-15 Lawrence Livermore National Security, Llc Model-based image change quantification
CN115223054A (zh) * 2022-07-15 2022-10-21 国家林业和草原局西南调查规划院 一种基于分区聚类与卷积的遥感影像变化检测方法
CN115861823A (zh) * 2023-02-21 2023-03-28 航天宏图信息技术股份有限公司 一种基于自监督深度学习的遥感变化检测方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827330A (zh) * 2019-10-31 2020-02-21 河海大学 一种时序集成的多光谱遥感图像变化检测方法及系统
CN112434653A (zh) * 2020-12-09 2021-03-02 张龙 一种遥感图像建筑区检测方法及系统
CN112434650A (zh) * 2020-12-09 2021-03-02 张龙 一种多光谱图像建筑物变化检测方法及系统
CN112434648A (zh) * 2020-12-09 2021-03-02 张龙 一种墙体形状变化检测方法及系统
US20220292278A1 (en) * 2021-03-12 2022-09-15 Lawrence Livermore National Security, Llc Model-based image change quantification
CN113989681A (zh) * 2021-12-29 2022-01-28 航天宏图信息技术股份有限公司 遥感影像变化检测方法、装置、电子设备及存储介质
CN114627087A (zh) * 2022-03-21 2022-06-14 国网江苏省电力有限公司无锡供电分公司 一种多时相卫星遥感图像的地物变化自动检测方法及系统
CN114972191A (zh) * 2022-04-25 2022-08-30 航天宏图信息技术股份有限公司 一种耕地变化检测方法和装置
CN115223054A (zh) * 2022-07-15 2022-10-21 国家林业和草原局西南调查规划院 一种基于分区聚类与卷积的遥感影像变化检测方法
CN115861823A (zh) * 2023-02-21 2023-03-28 航天宏图信息技术股份有限公司 一种基于自监督深度学习的遥感变化检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孟琮棠;赵银娣;向阳;: "基于卷积神经网络的遥感图像变化检测", 现代测绘, no. 05 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173222A (zh) * 2023-09-01 2023-12-05 深圳扬奇医芯智能科技有限公司 一种基于扩散模型的配准方法及系统
CN117011730A (zh) * 2023-09-27 2023-11-07 国网江苏省电力有限公司电力科学研究院 一种无人机图像变化的检测方法、电子终端及存储介质
CN117495797A (zh) * 2023-10-30 2024-02-02 武汉大学 基于隐式三维表达引导的航空数据变化检测方法及系统
CN117253155A (zh) * 2023-11-17 2023-12-19 山东大学 一种基于深度学习的人类活动检测方法及系统
CN117253155B (zh) * 2023-11-17 2024-03-15 山东大学 一种基于深度学习的人类活动检测方法及系统
CN117689658A (zh) * 2024-02-02 2024-03-12 珠江水利委员会珠江水利科学研究院 遥感影像变化检测方法及装置
CN117689658B (zh) * 2024-02-02 2024-05-10 珠江水利委员会珠江水利科学研究院 遥感影像变化检测方法及装置
CN118262191A (zh) * 2024-02-05 2024-06-28 自然资源部国土卫星遥感应用中心 基于多/高光谱影像和地表覆盖数据可变格网样本批量生成方法

Also Published As

Publication number Publication date
CN116091497B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN116091497B (zh) 遥感变化检测方法、装置、电子设备和存储介质
US10783610B2 (en) Method and apparatus for identifying fragmented material portions within an image
CN105574513B (zh) 文字检测方法和装置
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
US9202259B2 (en) Automated geospatial image mosaic generation with automatic source selection
CN110991430B (zh) 基于遥感图像的地物识别及覆盖率计算方法及系统
CN113239736B (zh) 一种基于多源遥感数据的土地覆盖分类标注图获取方法
CN115861823B (zh) 一种基于自监督深度学习的遥感变化检测方法和装置
CN113887472A (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
CN114399480A (zh) 蔬菜叶片病害严重程度检测方法及装置
CN114494821A (zh) 基于特征多尺度感知与自适应聚合的遥感影像云检测方法
CN111242026A (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
Teodoro et al. Identification of beach hydromorphological patterns/forms through image classification techniques applied to remotely sensed data
CN118097450A (zh) 一种卫星遥感数据海洋涡旋实时检测方法、装置及介质
CN117115666B (zh) 基于多源数据的高原湖泊提取方法、装置、设备及介质
CN117853942A (zh) 用于云雾的识别方法、云雾识别装置及云雾识别系统
CN112784806A (zh) 一种基于全卷积神经网络的含锂伟晶岩脉提取方法
CN115410074B (zh) 遥感影像云检测方法及装置
Angelini et al. A review and test of shoreline extraction techniques
CN116612272A (zh) 一种图像处理智能数字化的检测系统及其检测方法
CN113627292A (zh) 基于融合网络的遥感图像识别方法及装置
CN112699710A (zh) 一种基于深度学习的gf2遥感影像密集目标识别方法和系统
CN117152621B (zh) 建筑物变化检测方法、装置、电子设备及存储介质
Seo et al. Analysis of image preprocessing effects in a Landsat image simulation
CN115205853B (zh) 一种基于图像的柑橘果实检测与识别方法及系统

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