CN116503620B - 高分遥感图像变化检测方法、装置、电子设备及介质 - Google Patents
高分遥感图像变化检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116503620B CN116503620B CN202310527885.XA CN202310527885A CN116503620B CN 116503620 B CN116503620 B CN 116503620B CN 202310527885 A CN202310527885 A CN 202310527885A CN 116503620 B CN116503620 B CN 116503620B
- Authority
- CN
- China
- Prior art keywords
- time phase
- phase image
- quantum
- feature map
- image feature
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 238000013526 transfer learning Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G06V10/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供一种高分遥感图像变化检测方法、装置、电子设备及介质,涉及遥感图像处理领域。该方法包括:获取目标区域的前时相图像和后时相图像;采用预训练的特征提取器,分别对前时相图像和后时相图像进行处理,得到前时相图像特征图和后时相图像特征图;将前时相图像特征图和后时相图像特征图转换为量子态,并通过量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图和量子态的后时相图像特征图;将增强后的量子态的前时相图像特征图和量子态的后时相图像特征图输入图像变化检测器,得到前时相图像与后时相图像在目标区域内的差异变化信息,其中,图像变化检测器是基于量子张量网络‑变分量子线路构建的。
Description
技术领域
本发明涉及遥感图像处理领域,具体涉及计算机深度学习和量子计算领域,更具体地涉及一种高分遥感图像变化检测方法、装置、电子设备及存储介质。
背景技术
在现实世界中,自然地物的不断变迁和人类活动范围的增加使得人们对地表覆盖周期性的变化保持时刻关注。高分辨率遥感图像变化检测技术是对同一区域不同时相的所对应的遥感图像进行分析,该技术已经在土地利用、灾情监测和气候变化监测等领域得到广泛的应用。但在实际应用中存在不同类型图像分辨率差异、光谱辐射差异、时空差异等,导致不同类型高分辨遥感图像之间的知识无法迁移、传递和共用。常规的检测方法往往存在网络冗余度较高,结构复杂,而且缺乏标记训练数据集,难以满足对时效性需求较高的应用。
发明内容
鉴于上述问题,本发明提供了一种高分遥感图像变化检测方法、装置、电子设备及存储介质。
根据本发明的第一个方面,提供了一种高分遥感图像变化检测方法,包括:获取目标区域的前时相图像和后时相图像;采用预训练的特征提取器,分别对前时相图像和后时相图像进行处理,得到前时相图像特征图和后时相图像特征图;将前时相图像特征图和后时相图像特征图转换为量子态,并通过量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图和量子态的后时相图像特征图;将增强后的量子态的前时相图像特征图和量子态的后时相图像特征图输入图像变化检测器,得到前时相图像与后时相图像在目标区域内的差异变化信息,其中,图像变化检测器是基于量子张量网络-变分量子线路构建的。
根据本发明的实施例,获取目标区域的前时相图像和后时相图像包括:获取目标区域的不同时相的多个遥感图像;将多个遥感图像裁剪为预设尺寸;基于预设的配准误差,对裁剪后的多个遥感图像按照标准图像尺寸进行配准;采用暗集-亮集法,对配准后的多个遥感图像进行相对辐射校正,得到前时相图像和后时相图像。
根据本发明的实施例,特征提取器采用ResNet34网络的网络输入层,且使用ImageNet数据集来预训练权重。
根据本发明的实施例,将前时相图像特征图和后时相图像特征图转换为量子态包括:将前时相图像特征图和后时相图像特征图通过向量化操作转换成向量序列,再编码为量子态向量序列。
根据本发明的实施例,差异变化信息包括目标区域内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。
本发明的第二方面提供了一种高分遥感图像变化检测装置,包括:时相图像获取模块,用于获取目标区域的前时相图像和后时相图像;特征提取模块,用于采用预训练的特征提取器,分别对前时相图像和后时相图像进行处理,得到前时相图像特征图和后时相图像特征图;量子处理模块,用于将前时相图像特征图和后时相图像特征图转换为量子态,并通过量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图和量子态的后时相图像特征图;图像变化检测模块,用于将增强后的量子态的前时相图像特征图和量子态的后时相图像特征图输入图像变化检测器,得到前时相图像与后时相图像在目标区域内的差异变化信息,其中,图像变化检测器是基于量子张量网络-变分量子线路构建的。
本发明的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述的方法。
本发明的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述的方法。
与现有技术相比,本发明提供的高分遥感图像变化检测方法、装置、电子设备及介质,至少具有以下有益效果:
通过调用基于ResNet34迁移学习网络特征提取器,对不同时相的遥感图像数据进行特征提取;通过调用量子多头自注意力神经网络,对量子态的前时相图像特征图和量子态的后时相图像特征图进行增强;通过调用基于量子张量网络-变分量子线路的图像变化检测器,确定出前时相图像与后时相图像在目标区域内的差异变化信息。本发明提供的高分遥感图像变化检测方法,能够提高迁移学习模型的运行速度,提高高分辨率遥感图像变化检测精度。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的高分遥感图像变化检测方法的流程图。
图2示意性示出了根据本发明实施例的前时相图像和后时相图像获取过程的流程图。
图3示意性示出了根据本发明实施例的量子多头自注意力神经网络的结构图。
图4示意性示出了根据本发明实施例的量子张量网络-变分量子线路的结构图。
图5示意性示出了根据本发明实施例的高分遥感图像变化检测装置的方框图。
图6示意性示出了根据本发明实施例的适于实现高分遥感图像变化检测方法的电子设备的方框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。显然,所描述的实施例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。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
量子神经网络模型至少在以下几个方面具有明显的优势:(1)拥有指数级的记忆容量;(2)神经网络采用较少的隐层神经元,却能有更高的性能;(3)拥有更快的学习速率;(4)消除了灾变性的失忆现象;(5)单层网络可以解决线性不可分问题;(6)处理速度快(1010 bits/s);(7)网络规模小、稳定性和可靠性高;(8)处理的模式数或图像数目比较大。这些优势为创建超大容量、超高速新型信息处理系统提供了强大的信息处理能力,而且有助于重新理解智力和人脑的功能。因此,随着量子机器学习理论、特别是量子神经网络技术的不断成熟和完善,更多巧妙结合物理原理和机器学习理论的新型算法的提出。量子机器学习将极大促进现有机器学习的发展,产生出更加高效、强大的新算法、新技术以及新的计算平台。在迁移学习中,源域和目标域样本分布是不同的,不符合数据同分布假设;源域学习得到的模型不再适用于目标域,因此不能直接进行变化检测。
鉴于此,本发明采用了量子迁移学习技术,提供一种基于多模态量子迁移神经网络的高分遥感图像变化检测方法。
图1示意性示出了根据本发明实施例的高分遥感图像变化检测方法的流程图。
如图1所示,根据该实施例的高分遥感图像变化检测方法,可以包括操作S1~操作S6。
在操作S1,获取目标区域的前时相图像和后时相图像。
例如,目标区域的前时相图像和后时相图像可以通过对不同时相的遥感图像数据集进行预处理而得到。
如图2所示,在本发明实施例中,上述操作S1可以进一步包括操作S11~操作S14。
在操作S11,获取目标区域的不同时相的多个遥感图像。
在操作S12,将多个遥感图像裁剪为预设尺寸。
本操作将不同的遥感图像统一裁剪至大小一致的尺寸。
在操作S13,基于预设的配准误差,对裁剪后的多个遥感图像按照标准图像尺寸进行配准。
例如,该配准误差可以控制在0.5个像元以内。
在操作S14,采用暗集-亮集法,对配准后的多个遥感图像进行相对辐射校正,得到前时相图像和后时相图像。
具体而言,采用暗集-亮集法进行相对辐射校正可以包括:首先,样本点的选取是根据亮度波段掩膜和绿度波段掩膜的交集获取的,表达方式为:亮点={绿度≤T1 and 亮度>T2};暗点={绿度≤T1 and 亮度≤T2},其中,T1, T2为筛选阈值。接着,通过K-T变换并依据绿度-亮度散点图提取样本暗像元与亮像元,确定上述筛选阈值T1, T2。然后,根据提取到的暗像元与亮像元的平均灰度值分别代替整景图像的最小灰度值、最大灰度值,从而计算线性变换方程的斜率和截距,实现校正。
在操作S2,采用预训练的特征提取器,分别对前时相图像和后时相图像进行处理,得到前时相图像特征图和后时相图像特征图。
在本发明实施例中,特征提取器采用ResNet34网络的网络输入层,且使用ImageNet数据集来预训练权重。ImageNet数据集是为了促进计算机图像识别技术的发展而设立的一个大型图像数据集。ImageNet 数据集中已经超过干万张图片,每一张图片都被手工标定好类别。ImageNet 数据集中的图片涵盖了大部分生活中会看到的图片类别。
需要说明的是,在其他实施例中,该特征提取器的网络方案还可以为LeNet、AlexNet、ZFNet、VGGNet、GoogleNet等网络模型,本发明并不以此为限。
在操作S3,将前时相图像特征图和后时相图像特征图转换为量子态,并通过量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图和量子态的后时相图像特征图。
在本发明实施例中,将前时相图像特征图和后时相图像特征图转换为量子态包括:将前时相图像特征图和后时相图像特征图通过向量化操作转换成向量序列,再编码为量子态向量序列。
接着,将量子态的前时相图像特征图和量子态的后时相图像特征图输入到如图3所示的量子多头自注意力(Quantum Multi-headed Self-attention)神经网络,得到增强后的量子态的前时相图像特征图,和增强后的量子态的后时相图像特征图。
请继续参阅图3,该量子多头自注意力神经网络是分别对量子态的前时相图像特征图和量子态的后时相图像特征图执行三个不同的浅层训练线路(ansatzes)类,其中前两个类为query和key部分,最后的一个类为value部分。与此同时,通过对数正态分布函数计算query部分<Zq>s和key部分<Zk>j的测量输出,得到量子自注意力系数αs,j,将value部分测量得到的经典加权求和,然后将所有输入相加,得到输出结果。将之前的三类query、key和value部分作为一个“头”,而“多头”即通过量子自注意力系数αs,j,计算多组value部分测量得到的经典加权和,并将输入相加,得到输出结果。
需要说明的是,在其他实施例中,该量子多头自注意力神经网络的网络方案还可以为其他类型的注意力机制模型,例如RNN、LSTM、Seq2Seq和attention注意力机制模型,本发明并不以此为限。
在操作S4,将增强后的量子态的前时相图像特征图和量子态的后时相图像特征图输入图像变化检测器,得到前时相图像与后时相图像在目标区域内的差异变化信息,其中,图像变化检测器是基于量子张量网络-变分量子线路构建的。
最后,将前述得到的增强后的量子态的前时相图像特征图,和增强后的量子态的后时相图像特征图输入到如图4所示的基于量子张量网络-变分量子线路构建的图像变化检测器之中,得到前时相图像与后时相图像在目标区域内的差异变化信息。
请继续参阅图4,该量子张量网络-变分量子线路的作用是通过对增强后的量子态的前时相图像特征图和增强后的量子态的后时相图像特征图进行降维操作来让参数化量子门操作更容易快捷。该线路是由多个量子比特组成的变分电路,每一层线路包含位于相邻量子比特之间参数化e iθXX门,接着是量子Z旋转门和量子X旋转门操作。
在本发明实施例中,前时相图像与后时相图像在目标区域内的差异变化信息包括:目标区域内变化的各像元的前时相像元值、前时相地物类型,以及目标区域内变化的各像元的后时相像元值和后时相地物类型。
通过本发明的实施例,通过调用基于ResNet34迁移学习网络特征提取器,对不同时相的遥感图像数据进行特征提取;通过调用量子多头自注意力神经网络,对量子态的前时相图像特征图和量子态的后时相图像特征图进行增强;通过调用基于量子张量网络-变分量子线路的图像变化检测器,确定出前时相图像与后时相图像在目标区域内的差异变化信息。本发明实施例提供的高分遥感图像变化检测方法,能够提高迁移学习模型的运行速度,提高高分辨率遥感图像变化检测精度。
通过本发明的实施例,基于多模态量子迁移神经网络模型,结合多时相多模态遥感影像的数据特点,设计双通道量子多头自注意力神经网络架构,有效提取多模态数据的空间和光谱联合特征;同时,采用生成量子迁移神经网络,逐步更新特征生成器和分类判别器,从而使得源域和目标域特征差异逐渐减小;通过充分利用现有的训练数据集来区分已发生变化和未改变的领域,实现网络源域和目标域模型共用与迁移,并提高高分辨遥感图像变化检测效率。
基于上述实施例公开的方法,本发明还提供了一种高分遥感图像变化检测装置,以下将结合图5对该装置进行详细描述。
图5示意性示出了根据本发明实施例的高分遥感图像变化检测装置的方框图。
如图5所示,根据该实施例的高分遥感图像变化检测装置500包括时相图像获取模块510、特征提取模块520、量子处理模块530和图像变化检测模块540。
时相图像获取模块510,用于获取目标区域的前时相图像和后时相图像。在一实施例中,时相图像获取模块510可以用于执行前文描述的操作S1,在此不再赘述。
特征提取模块520,用于采用预训练的特征提取器,分别对前时相图像和后时相图像进行处理,得到前时相图像特征图和后时相图像特征图。在一实施例中,特征提取模块520可以用于执行前文描述的操作S2,在此不再赘述。
量子处理模块530,用于将前时相图像特征图和后时相图像特征图转换为量子态,并通过量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图和量子态的后时相图像特征图。在一实施例中,量子处理模块530可以用于执行前文描述的操作S3,在此不再赘述。
图像变化检测模块540,用于将增强后的量子态的前时相图像特征图和量子态的后时相图像特征图输入图像变化检测器,得到前时相图像与后时相图像在目标区域内的差异变化信息,其中,图像变化检测器是基于量子张量网络-变分量子线路构建的。在一实施例中,图像变化检测模块540可以用于执行前文描述的操作S4,在此不再赘述。
需要说明的是,装置部分的实施例方式与方法部分的实施例方式对应类似,并且所达到的技术效果也对应类似,具体细节请参照上述方法实施例方式部分,在此不再赘述。
根据本发明的实施例,时相图像获取模块510、特征提取模块520、量子处理模块530和图像变化检测模块540中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,时相图像获取模块510、特征提取模块520、量子处理模块530和图像变化检测模块540中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,时相图像获取模块510、特征提取模块520、量子处理模块530和图像变化检测模块540中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本发明实施例的适于实现高分遥感图像变化检测方法的电子设备的方框图。
如图6所示,根据本发明实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有电子设备600操作所需的各种程序和数据。处理器 601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本发明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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的高分遥感图像变化检测方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种高分遥感图像变化检测方法,其特征在于,包括:
获取目标区域的前时相图像和后时相图像;
采用预训练的特征提取器,分别对所述前时相图像和后时相图像进行处理,得到前时相图像特征图和后时相图像特征图;
将所述前时相图像特征图和后时相图像特征图转换为量子态,并通过量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图和量子态的后时相图像特征图;
将所述增强后的量子态的前时相图像特征图和量子态的后时相图像特征图输入图像变化检测器,得到所述前时相图像与后时相图像在所述目标区域内的差异变化信息,其中,所述图像变化检测器是基于量子张量网络-变分量子线路构建的;
所述将所述前时相图像特征图和后时相图像特征图转换为量子态包括:
将所述前时相图像特征图和后时相图像特征图通过向量化操作转换成向量序列,再编码为量子态向量序列;
接着,将量子态的前时相图像特征图和量子态的后时相图像特征图输入所述量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图,和增强后的量子态的后时相图像特征图;
其中,所述量子多头自注意力神经网络是分别对量子态的前时相图像特征图和量子态的后时相图像特征图执行三个不同的浅层训练线路(ansatzes)类,其中前两个类为query和key部分,最后的一个类为value部分;与此同时,通过对数正态分布函数计算query部分<Zq>s和key部分<Zk>j的测量输出,得到量子自注意力系数αs,j,将value部分测量得到的经典加权求和,然后将所有输入相加,得到输出结果;将之前的三类query、key和value部分作为一个“头”,而“多头”即通过量子自注意力系数αs,j,计算多组value部分测量得到的经典加权和,并将输入相加,得到输出结果。
2.根据权利要求1所述的高分遥感图像变化检测方法,其特征在于,所述获取目标区域的前时相图像和后时相图像包括:
获取目标区域的不同时相的多个遥感图像;
将所述多个遥感图像裁剪为预设尺寸;
基于预设的配准误差,对裁剪后的多个遥感图像按照标准图像尺寸进行配准;
采用暗集-亮集法,对配准后的多个遥感图像进行相对辐射校正,得到所述前时相图像和后时相图像。
3.根据权利要求1所述的高分遥感图像变化检测方法,其特征在于,所述特征提取器采用ResNet34网络的网络输入层,且使用ImageNet数据集来预训练权重。
4.根据权利要求1所述的高分遥感图像变化检测方法,其特征在于,所述差异变化信息包括所述目标区域内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。
5.一种高分遥感图像变化检测装置,包括:
时相图像获取模块,用于获取目标区域的前时相图像和后时相图像;
特征提取模块,用于采用预训练的特征提取器,分别对所述前时相图像和后时相图像进行处理,得到前时相图像特征图和后时相图像特征图;
量子处理模块,用于将所述前时相图像特征图和后时相图像特征图转换为量子态,并通过量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图和量子态的后时相图像特征图;
图像变化检测模块,用于将所述增强后的量子态的前时相图像特征图和量子态的后时相图像特征图输入图像变化检测器,得到所述前时相图像与后时相图像在所述目标区域内的差异变化信息,其中,所述图像变化检测器是基于量子张量网络-变分量子线路构建的;
所述将所述前时相图像特征图和后时相图像特征图转换为量子态包括:
将所述前时相图像特征图和后时相图像特征图通过向量化操作转换成向量序列,再编码为量子态向量序列;
接着,将量子态的前时相图像特征图和量子态的后时相图像特征图输入所述量子多头自注意力神经网络,得到增强后的量子态的前时相图像特征图,和增强后的量子态的后时相图像特征图;
其中,所述量子多头自注意力神经网络是分别对量子态的前时相图像特征图和量子态的后时相图像特征图执行三个不同的浅层训练线路(ansatzes)类,其中前两个类为query和key部分,最后的一个类为value部分;与此同时,通过对数正态分布函数计算query部分<Zq>s和key部分<Zk>j的测量输出,得到量子自注意力系数αs,j,将value部分测量得到的经典加权求和,然后将所有输入相加,得到输出结果;将之前的三类query、key和value部分作为一个“头”,而“多头”即通过量子自注意力系数αs,j,计算多组value部分测量得到的经典加权和,并将输入相加,得到输出结果。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~4中任一项所述的方法。
7.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527885.XA CN116503620B (zh) | 2023-05-11 | 2023-05-11 | 高分遥感图像变化检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527885.XA CN116503620B (zh) | 2023-05-11 | 2023-05-11 | 高分遥感图像变化检测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503620A CN116503620A (zh) | 2023-07-28 |
CN116503620B true CN116503620B (zh) | 2023-12-08 |
Family
ID=87320040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310527885.XA Active CN116503620B (zh) | 2023-05-11 | 2023-05-11 | 高分遥感图像变化检测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503620B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345481A (zh) * | 2018-09-28 | 2019-02-15 | 北京空间机电研究所 | 一种用于航天光学遥感图像的量子优化方法 |
CN114022788A (zh) * | 2022-01-05 | 2022-02-08 | 长沙理工大学 | 遥感图像变化检测方法、装置、计算机设备和存储介质 |
CN114359735A (zh) * | 2021-12-31 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种高光谱遥感影像变化检测方法 |
CN114494870A (zh) * | 2022-01-21 | 2022-05-13 | 山东科技大学 | 一种双时相遥感图像变化检测方法、模型构建方法和装置 |
CN114821350A (zh) * | 2022-03-17 | 2022-07-29 | 西北工业大学 | 多阶段信息融合的高分辨率遥感图像建筑物变化检测方法 |
CN115063359A (zh) * | 2022-06-08 | 2022-09-16 | 西安电子科技大学 | 基于对抗双自编码器网络的遥感图像变化检测方法及系统 |
CN115240081A (zh) * | 2022-09-19 | 2022-10-25 | 航天宏图信息技术股份有限公司 | 一种遥感影像全要素变化检测方法及装置 |
CN115471467A (zh) * | 2022-08-31 | 2022-12-13 | 核工业北京地质研究院 | 一种高分辨率光学遥感影像建筑物变化检测方法 |
CN115690002A (zh) * | 2022-10-11 | 2023-02-03 | 河海大学 | 一种基于Transformer和密集特征融合的遥感图像变化检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11210552B2 (en) * | 2018-11-14 | 2021-12-28 | Cape Analytics, Inc. | Systems, methods, and computer readable media for predictive analytics and change detection from remotely sensed imagery |
-
2023
- 2023-05-11 CN CN202310527885.XA patent/CN116503620B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345481A (zh) * | 2018-09-28 | 2019-02-15 | 北京空间机电研究所 | 一种用于航天光学遥感图像的量子优化方法 |
CN114359735A (zh) * | 2021-12-31 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种高光谱遥感影像变化检测方法 |
CN114022788A (zh) * | 2022-01-05 | 2022-02-08 | 长沙理工大学 | 遥感图像变化检测方法、装置、计算机设备和存储介质 |
CN114494870A (zh) * | 2022-01-21 | 2022-05-13 | 山东科技大学 | 一种双时相遥感图像变化检测方法、模型构建方法和装置 |
CN114821350A (zh) * | 2022-03-17 | 2022-07-29 | 西北工业大学 | 多阶段信息融合的高分辨率遥感图像建筑物变化检测方法 |
CN115063359A (zh) * | 2022-06-08 | 2022-09-16 | 西安电子科技大学 | 基于对抗双自编码器网络的遥感图像变化检测方法及系统 |
CN115471467A (zh) * | 2022-08-31 | 2022-12-13 | 核工业北京地质研究院 | 一种高分辨率光学遥感影像建筑物变化检测方法 |
CN115240081A (zh) * | 2022-09-19 | 2022-10-25 | 航天宏图信息技术股份有限公司 | 一种遥感影像全要素变化检测方法及装置 |
CN115690002A (zh) * | 2022-10-11 | 2023-02-03 | 河海大学 | 一种基于Transformer和密集特征融合的遥感图像变化检测方法及系统 |
Non-Patent Citations (5)
Title |
---|
A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing Image Change Detection;Chen Hao et al.;《Remote Sensing》;第12卷(第10期);1-23 * |
On Circuit-Based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification;Alessandro Sebastianelli et al.;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;第15卷;第565-580页 * |
Spatial-Temporal Based Multihead Self-Attention for Remote Sensing Image Change;Zhou Yong et al.;《IEEE Transactions on Circuits and Systems for Video Technology》;第32卷(第10期);6615-6626 * |
Towards quantum machine learning with tensor networks;William Huggins et al.;《Quantum Science and Technology》;第4卷(第2期);第1-12页 * |
多时相遥感图像变化检测及趋势分析;郭庆乐;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;第I140-2610页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503620A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020199931A1 (zh) | 人脸关键点检测方法及装置、存储介质和电子设备 | |
El Aziz et al. | Multi-objective whale optimization algorithm for multilevel thresholding segmentation | |
Xie et al. | Deep convolutional networks with residual learning for accurate spectral-spatial denoising | |
WO2009142858A2 (en) | Geodesic image and video processing | |
CN111275686B (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
Guo et al. | Single image dehazing based on fusion strategy | |
US11935213B2 (en) | Laparoscopic image smoke removal method based on generative adversarial network | |
CN109977832B (zh) | 一种图像处理方法、装置及存储介质 | |
CN116205962B (zh) | 基于完整上下文信息的单目深度估计方法及系统 | |
CN113256592A (zh) | 图像特征提取模型的训练方法、系统及装置 | |
Khandare et al. | A survey paper on image segmentation with thresholding | |
CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
Yin et al. | Super resolution reconstruction of CT images based on multi-scale attention mechanism | |
CN116503620B (zh) | 高分遥感图像变化检测方法、装置、电子设备及介质 | |
CN112116585A (zh) | 图像移除篡改盲检测方法、系统、设备及存储介质 | |
Zhang et al. | Single image dehazing using deep convolution neural networks | |
US20220182302A1 (en) | Network traffic rule identification | |
AU2016256681A1 (en) | Normalized probability of change algorithm for image processing | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN114596209A (zh) | 指纹图像修复方法、系统、设备及存储介质 | |
Devi et al. | Predicting The Stages Of Covid-19 Affected Patients Using CNN With CT Scan | |
Chao et al. | Instance-aware image dehazing | |
Archana et al. | Design and analysis of imaging chip using high-speed AXI-interface for MPSOC applications on FPGA platform | |
Zhang et al. | Single image dehazing via image generating | |
CN114998990B (zh) | 一种工地人员安全行为识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |