CN117036962A - 遥感图像变化检测方法、装置、设备及存储介质 - Google Patents

遥感图像变化检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117036962A
CN117036962A CN202311286471.9A CN202311286471A CN117036962A CN 117036962 A CN117036962 A CN 117036962A CN 202311286471 A CN202311286471 A CN 202311286471A CN 117036962 A CN117036962 A CN 117036962A
Authority
CN
China
Prior art keywords
remote sensing
images
change detection
input images
network
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
CN202311286471.9A
Other languages
English (en)
Other versions
CN117036962B (zh
Inventor
黄智祺
王峰
尤红建
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 Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202311286471.9A priority Critical patent/CN117036962B/zh
Publication of CN117036962A publication Critical patent/CN117036962A/zh
Application granted granted Critical
Publication of CN117036962B publication Critical patent/CN117036962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种遥感图像变化检测方法、装置、设备及存储介质，可以应用于遥感图像变化检测技术领域。该方法包括：获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像；对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；将所述多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。可以在变化检测网络的训练过程中避免陷入局部最优解，同时避免产生梯度消失和梯度爆炸现象。

Description

遥感图像变化检测方法、装置、设备及存储介质
技术领域
本发明涉及遥感图像变化检测领域，尤其涉及一种遥感图像变化检测方法、装置、设备及存储介质。
背景技术
随着遥感技术的不断发展和应用，遥感图像在自然资源调查、环境监测、城市规划等方面起到了重要作用。然而，由于自然环境和人类活动的影响，遥感图像随着时间的推移可能会发生变化，如土地利用、植被覆盖、建筑物等等。因此，准确地检测遥感图像中的变化，对于保护自然资源和管理城市规划具有重要的意义。
目前，遥感图像变化检测方法主要采用像元差异法和特征差异法，这些方法受到许多因素的影响，如云雾、影子、光照变化等。且仍然存在一些问题难以解决，尤其是对遥感图像的特征提取不充分，导致特征提取效果差，进一步导致变化检测精度低。此外，现有的基于深度学习的遥感图像变化检测方法多使用梯度下降和误差反向传播的方式进行网络参数的优化，容易陷入局部最优解，同时容易产生梯度消失和梯度爆炸现象。
发明内容
鉴于上述问题，本发明提供了一种遥感图像变化检测方法、装置、设备及存储介质，旨在提高变化检测的准确性和可靠性。
根据本发明的第一个方面，提供了一种遥感图像变化检测方法，包括：
获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像；
对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；
将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；
将所述多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。
根据本发明实施例，所述对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像包括：
利用预先定义的化学反应模型，为每个像素计算一个稳定性值；
根据预先定义的图像的局部特性和天气系统模型，为每个像素计算一个动态扩散系数值；
初始化预先定义的非线性扩散模型，在每次扩散迭代中，每个像素值按照所述非线性扩散模型进行更新；
利用初始化后的扩散模型进行扩散，在每次扩散迭代中，根据所述非线性扩散模型、像素稳定性值和动态扩散系数值更新遥感图像的每个像素值；
如果达到预设的扩散次数或遥感图像的变化小于预设阈值，则终止扩散，并将终止扩散后得到的遥感图像作为输入图像。
根据本发明实施例，令I表示输入的遥感图像，坐标（x，y）上的像素值为I（x，y），坐标（x，y）的像素稳定性值为S（x，y），动态扩散系数值为D（x，y）；
所述预先定义的化学反应模型：
其中，是坐标（x，y）邻域内的像素均值，/>是该邻域内的像素标准差，/>和/>是权重系数；
所述预先定义的图像的局部特性和天气系统模型：
其中，为一常数，用于控制扩散的最大值；
所述预先定义的非线性扩散模型：
其中，是在第t次迭代后的遥感图像，/>是在第t+1次迭代后的遥感图像，/>是Laplacian算子，表示遥感图像的二阶导数，用于获取遥感图像的局部变化信息，/>是一个常数，表示扩散的时间步长。
根据本发明实施例，所述将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图包括：
将所述多对输入图像输入所述卷积神经网络，提取所述多对输入图像的特征；
将所述多对输入图像的特征输入所述孪生网络，得到所述多对输入图像的差异特征图；
将所述多对输入图像的差异特征图特征输入所述金字塔网络，得到所述多对输入图像的多层次特征图；
将所述多对输入图像的多层次特征图输入所述解码器，得到所述多对输入图像的变化特征图。
根据本发明实施例，所述卷积神经网络的第一层包括卷积层、激活函数层和最大池化层；
所述卷积神经网络的第二层包括卷积层、激活函数层和最大池化层
所述卷积神经网络的第三层包括卷积层和激活函数层。
根据本发明实施例，所述方法还包括：
采用涌现学习法，对所述卷积神经网络的参数进行优化。
所述采用涌现学习法，对所述卷积神经网络的参数进行优化包括：
利用分形理论，生成具有自相似性和多尺度特性的初始参数；
在每一尺度上，根据所述卷积神经网络的参数和输入所述卷积神经网络的数据定义一个动力系统，所述动力系统用于描述所述卷积神经网络的参数在所述尺度上的变化规律；
采用分层的方式进行参数空间的探索，每一层对应一个尺度，并在所述尺度上进行参数的局部优化，得到参数在尺度上的概率密度函数；
在不同尺度上的动力系统之间进行交互和协同学习，以使得高层的动力系统能够根据低层的学习结果进行调整和优化；
在每一次迭代过程中，根据当前尺度上的动力系统和梯度信息进行参数的调整和优化；
当迭代次数达到预设的最大次数，则停止迭代，完成对所述卷积神经网络的参数优化。
根据本发明实施例，所述预先训练好的分类器为采用蚂蚁算法优化的极限学习机；
所述方法还包括：
采用蚂蚁算法优化极限学习机中隐藏层的权重和偏置，得到优化后的隐藏层的权重和偏置；
利用所述优化后的隐藏层的权重和偏置，对所述优化极限学习机进行训练，得到所述预先训练好的分类器。
本发明的第二方面提供了一种遥感图像变化检测装置，包括：
获取模块，用于获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像；
去噪模块，用于对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；
变化检测模块，用于将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；
分类模块，用于将所述多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。
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方法。
本发明提出一种性能较好的网络，并设计一种更适合于遥感图像变化检测的损失函数，此外，本发明所采用的卷积神经网络优化算法对网络进行训练，使得在训练过程中避免陷入局部最优解，同时避免产生梯度消失和梯度爆炸现象。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、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变化检测网络的结构图；
图3示意性示出了根据本发明实施例的遥感图像变化检测装置的结构框图；
图4示意性示出了根据本发明实施例的适于实现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
以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
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。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。
在本发明的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、发明和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在本发明的技术方案中，对数据的获取、收集、存储、使用、加工、传输、提供、发明和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
本发明提出了一种使用微波光子伊辛机解决波长路由问题的方法，可以对实际光拓扑网络的波长路由问题进行优化设计，可提高网络资源利用率的方法。
图1示意性示出了根据本发明实施例的遥感图像变化检测方法的流程图。
如图1所示，该实施例的遥感图像变化检测方法包括操作S110~操作S140。
在操作S110，获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像。
在操作S120，对该多对双时相遥感图像进行去噪预处理，得到多对输入图像。
在操作S130，将该多对输入图像输入预先搭建的变化检测网络，得到该多对输入图像的变化特征图，其中，该变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器。
在操作S140，将该多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。
在本发明中，为了探索各种深度学习方法在遥感变化检测任务上的性能，研究学者们提出了大量的变化检测数据集，例如WHU-CD、LEVIR-CD、CDD、DSIFN-CD、SYSU。本发明基于数据集的广泛使用程度，选择在LEVIR-CD和CDD数据集。接下来分别对这两个数据集进行介绍。
（1） LEVIR-CD数据集
LEaring, Vision and Remote sensing(LEVIR)-CD是由北京航空航天大学提出的大规模变化检测数据集，共包含637对大小为1024*1024的图像。考虑到显存大小和样本量，本发明把LEVIR-CD中的训练、验证和测试集无重叠裁剪为256*256的大小的图像。跟随数据集的默认划分，本发明分别得到7120/1024/2048对双时态遥感影像用于模型的训练、验证和测试。
（2）CDD数据集
CDD数据集是应用最为广泛的变化检测数据集之一。本发明所采用的是CDD数据集中的真实遥感影像。CDD遥感变化检测数据集中的图像空间分辨率范围为0.03-1m，所有图像的大小为256*256。CDD数据集共包含10000对用于模型训练的双时相图像，各3000对用于模型验证和测试的双时相遥感图像。
在一实施例中，在操作S120对该多对双时相遥感图像进行去噪预处理，得到多对输入图像包括：利用预先定义的化学反应模型，为每个像素计算一个稳定性值；根据预先定义的图像的局部特性和天气系统模型，为每个像素计算一个动态扩散系数值；初始化预先定义的非线性扩散模型，在每次扩散迭代中，每个像素值按照该非线性扩散模型进行更新；利用初始化后的扩散模型进行扩散，在每次扩散迭代中，根据该非线性扩散模型、像素稳定性值和动态扩散系数值更新遥感图像的每个像素值；如果达到预设的扩散次数或遥感图像的变化小于预设阈值，则终止扩散，并将终止扩散后得到的遥感图像作为输入图像。
具体的，在遥感图像处理中，去噪是一个至关重要的预处理步骤，因为遥感图像常常受到各种噪声的影响，包括传感器的限制、大气扰动等。传统的去噪算法如均值滤波、中值滤波等都存在一定的局限性。为了更好地去除遥感图像中的噪声，本发明提出一种基于扩散模型的去噪算法。
扩散模型基于物理学中的扩散过程来模拟像素值的传播。传统的扩散模型主要是线性扩散，但线性扩散可能会导致图像的边缘和细节损失。为了解决这个问题，本发明提出非线性扩散模型，其中扩散过程会根据像素之间的关系变化。同时，为了保持图像的边缘和细节，在扩散过程中引入像素稳定性概念，受到化学中稳定分子的启发，假设图像中的每个像素都有一定的稳定性。当扩散到达某个像素时，如果该像素的稳定性很高，则扩散效果会降低，从而保护该像素不受噪声的影响。此外，在扩散模型中，扩散系数是一个关键参数，其决定了扩散的速度和范围。受到气象学中天气系统的变化的启发，本发明提出一个动态扩散系数。这个系数根据图像的局部特性动态变化，从而在某些区域加强去噪效果，而在其他区域减少去噪效果。
在去噪时，对多个时相的遥感图像均进行去噪操作。具体的，在基于非线性扩散模型的去噪过程中，主要步骤如下：
1、输入遥感图像：首先将待处理的遥感图像加载到算法中，令I表示输入的遥感图像，坐标（x，y）上的像素值为I（x，y），坐标（x，y）的像素稳定性值为S（x，y），动态扩散系数值为D（x，y）。
2、计算像素稳定性：利用预先定义的化学反应模型，为每个像素计算一个稳定性值。像素的稳定性是基于其邻域的均值和方差来计算的，受到化学反应中分子稳定性的启发，计算方式可以表示为：
其中，是坐标（x，y）邻域内的像素均值，/>是该邻域内的像素标准差，/>和/>是权重系数。
3、动态扩散系数计算：根据图像的局部特性和天气系统模型，为每个像素动态计算扩散系数。动态扩散系数是根据像素的稳定性和局部特性来决定的，受到气象学中的启发，计算方式可以表示为：
其中，为一常数，用于控制扩散的最大值。
4、扩散模型初始化：初始化扩散模型，设定扩散次数和其他相关参数。在每次迭代中，每个像素值会按照以下的非线性扩散模型进行更新：
其中，是在第t次迭代后的遥感图像，/>是在第t+1次迭代后的遥感图像，/>是Laplacian算子，表示遥感图像的二阶导数，用于获取遥感图像的局部变化信息，/>是一个常数，表示扩散的时间步长。
5、开始扩散过程：在每次扩散迭代中，根据非线性扩散模型、像素稳定性值和动态扩散系数值更新遥感图像的每个像素值。
6、终止条件检查：如果达到预设的扩散次数或遥感图像的变化小于某个阈值，则终止扩散过程。
7、输出去噪后的图像：将处理完毕的遥感图像输出为结果。
在一实施例中，在操作S130将该多对输入图像输入预先搭建的变化检测网络，得到该多对输入图像的变化特征图包括：将该多对输入图像输入该卷积神经网络，提取该多对输入图像的特征；将该多对输入图像的特征输入该孪生网络，得到该多对输入图像的差异特征图；将该多对输入图像的差异特征图特征输入该金字塔网络，得到该多对输入图像的多层次特征图；将该多对输入图像的多层次特征图输入该解码器，得到该多对输入图像的变化特征图。
具体的，参阅图3，将上述进行去噪预处理得到的多对输入图像分别采用卷积神经网络进行特征提取。卷积神经网络的第一层为卷积层+激活函数+最大池化，第二层为卷积层+激活函数+最大池化，第三层为卷积层+激活函数。
在一个具体的实施例中，假设输入的一遥感图像尺寸为32×32×3(宽×高×通道)，则第一层为：
卷积层：使用16个5×5×3的滤波器，步长为1，填充为2（确保输出特征图的尺寸与输入图像相同）。输出的特征图尺寸为32×32×16。
激活函数：ReLU。
最大池化：2×2的池化窗口，步长为2。输出的特征图尺寸为16×16×16。
第二层为：
卷积层：使用32个3×3×16的滤波器，步长为1，填充为1。输出的特征图尺寸为16×16×32。
激活函数：ReLU。
最大池化：2×2的池化窗口，步长为2。输出的特征图尺寸为8×8×32。
第三层为：
卷积层：使用64个3×3×32的滤波器，步长为1，填充为1。输出的特征图尺寸为8×8×64。
激活函数：ReLU。
在一实施例中，该卷积神经网络采用涌现学习法进行参数的优化，优化步骤为：
1、初始化神经网络参数：
权重（w）和偏置（b）的初始化不采用传统方法，而是利用分形理论，生成具有自相似性和多尺度特性的初始参数。设：
其中，和/>是分形函数，用于生成自相似性和多尺度特性的初始参数。/>为卷积神经网络的权重，/>为卷积神经网络的偏置。
2、定义多尺度的动力系统：
在每一尺度上，根据网络参数和输入数据定义一个动力系统，该系统能够描述网络参数在该尺度上的变化规律。在尺度s上，动力系统可以表示为：
；
；
其中，和/>是描述在尺度s上的动力系统的函数，与网络参数和输入数据x相关。
3、参数空间的探索：
采用分层的方式进行参数空间的探索，每一层都对应一个尺度，并在该尺度上进行参数的局部优化。利用几何概率论，可以得到参数在尺度s上的概率密度函数。参数的探索可以看作是在这个概率密度函数上的采样过程：
进一步地，利用基于几何概率论的方法进行参数空间的探索，以找到潜在的优秀解。
4、交互和协同学习：
在不同尺度上的动力系统之间进行交互和协同学习，使得高层的动力系统能够根据低层的学习结果进行调整和优化。交互和协同学习可以表示为：
其中，是一个权重系数，用于控制不同尺度之间交互的强度。/>和/>为动力系统函数，/>和/>分别为交互和协同学习函数，x为输入数据，s为尺度。
5、参数调整和优化：
在每一次迭代过程中，根据当前尺度上的动力系统和梯度信息进行参数的调整和优化。在尺度s上，参数的调整和优化可以表示为：
其中，是学习率，/>和/>为更新后的权重和偏置参数。
进一步地，和/>分别是由螺旋因子收敛得到的权重和偏置的更新值。具体的，设在卷积神经网络的训练过程中，权重和偏置也可能存在类似的螺旋状收敛特性，这种收敛特性可能有助于提高训练效率。为了模拟这种螺旋状收敛特性，本发明引入一个称为螺旋收敛因子/>的参数。这个参数用于调整权重和偏置的更新公式，使其更加趋近于最优值。则由螺旋因子收敛得到的权重和偏置的更新值的计算方式可以表示为：
其中，和/>分别是由螺旋因子收敛得到的权重和偏置的更新值，/>和/>分别是所有权重和偏置的均方值。/>是螺旋收敛因子，其取值范围为0，1。
6、终止条件：
当算法迭代次数达到预设的最大次数，则停止迭代，即表示卷积神经网络的参数优化完成。
通过上述流程，卷积神经网络的参数优化将成为一个多尺度、多层次的动态过程，能够更好地捕捉和利用数据的结构和特性，实现更高效的学习和优化。
进一步地，将卷积神经网络的输出输入到参数共享的孪生网络中，用于提取遥感图像的特征，并将结果逐像素作差去绝对值，获得差异特征图。具体的，编码器通过孪生的ResNet18网络以共享权值的方式实现两个时相遥感图像特征的提取。ResNet18网络分为conv1、layerl、layer2、layer3、layer4，输出的尺寸大小为128×128、64×64、32×2、16×、16×6。将网络后4个阶段获得的对应层次特征图分别进行像素相减并取绝对值，并输入特征金字塔网络（FPN）网络中。
特征金字塔网络（FPN）用于建立多层次特征图之间的联系，获得更好的特征表示，传统的卷积神经网络都是利用最高层网络获得变化图，忽略了其他层特征图的细节信息，不利于小体积目标的变化检测。特征金字塔网络将浅层和深层的特征进行融合，能够提升小体积目标变化检测的准确性。残差网络自底向上进行特征提取，生成一系列不同尺寸的特征图，横向连接自上而下的通路，得到不同尺度的预测结果，并输入解码器中。
解码器用于将FPN网络结果融合上采样，得到变化图。将FPN网络得到的多层次特征图作为解码器输入，分别进行2倍、4倍、8倍上采样，并对结果进行特征图融合，然后进行4倍上采样，最后通过一个1×1的卷积将其映射为一个2通道的变化特征图，利用Sigmoid分类器计算变化特征图中每个像素发生变化的概率，最终得到变化图。
孪生网络、特征金字塔网络和解码器模型训练时使用Adam网络优化器，采用交叉熵和Dice系数共同作为损失函数。模型批处理大小设置为4个子图像对，训练迭代共有50个轮次。
进一步地，对解码器的输出进行观察，以区分要遥感图像的变化。
在一实施例中，操作S140中的预先训练好的分类器为采用蚂蚁算法优化的极限学习机。图1该方法还包括：采用蚂蚁算法优化极限学习机中隐藏层的权重和偏置，得到优化后的隐藏层的权重和偏置；利用该优化后的隐藏层的权重和偏置，对该优化极限学习机进行训练，得到该预先训练好的分类器。
具体的，将解码器的输出输入到分类器中，进行分类器模型的训练，以评估变化程度。本发明提出一种基于蚂蚁算法的极限学习机算法，用于对变化程度进行评估。
蚂蚁算法是一种群体智能优化算法，它模拟蚂蚁觅食行为来找到问题的最优解。在传统的极限学习机（ELM）中，隐藏层权重和偏置是随机初始化的，这种随机性会导致模型的不稳定性。为了解决这个问题，本发明提出使用蚂蚁算法来优化这些参数。
具体的，设输入图像的变化特征图为，其中N是样本数量，每一个x是一个d维特征向量。目标标签为/>，t是输出标签。
在极限学习机（ELM）中，隐藏层输出矩阵H可以表示为：
其中，w是输入到隐藏层的权重矩阵，尺寸为d×m；b是隐藏层的偏置，尺寸为1×m；是激活函数；m是隐藏节点数。
输出层权重可以通过解以下最优化问题来获得：
进一步地，该最优化问题可以通过Moore-Penrose伪逆来解决：
其中，是H的Moore-Penrose伪逆。
传统的ELM算法随机初始化w和b，本发明采用蚂蚁算法进行优化。定义目标函数F为：
蚂蚁算法通过以下方式来优化w和b：
1、初始化：设定蚂蚁的数量为n，随机在参数空间（w，b）初始化n个蚂蚁的位置，即随机放置n蚂蚁在参数空间中。
2、觅食与信息素更新：每一只蚂蚁会评估目标函数F（w，b），并依据F的大小来在其路径上释放信息素。信息素的浓度与目标函数的值成反比。
3、转移概率：根据信息素的浓度，计算每只蚂蚁转移到附近位置的概率。
4、更新与蒸发：更新所有蚂蚁的位置，并允许信息素自然蒸发。
5、收敛检测：如果达到预设的最大迭代次数或目标函数F改进不明显，则停止。
通过蚂蚁算法，得到优化后的W*和B*，然后用这些参数进行ELM模型的训练，即，最终的ELM模型由蚂蚁算法找到的最优W*和B*决定：
进一步地，即为变化程度的评估等级，包括1、2、3、4、5工5个等级。
基于上述遥感图像变化检测方法，本发明还提供了一种遥感图像变化检测装置。以下将结合图3对该装置进行详细描述。
图3示意性示出了根据本发明实施例的波长路由装置的结构框图。
如图3所示，该实施例的遥感图像变化检测装置300包括获取模块310、去噪模块320、变化检测模块330、分类模块340。
获取模块310用于获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像。在一实施例中，获取模块310可以用于执行前文描述的操作S110，在此不再赘述。
去噪模块320用于对该多对双时相遥感图像进行去噪预处理，得到多对输入图像。在一实施例中，去噪模块320可以用于执行前文描述的操作S120，在此不再赘述。
变化检测模块330，用于将该多对输入图像输入预先搭建的变化检测网络，得到该多对输入图像的变化特征图，其中，该变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器。在一实施例中，变化检测模块330可以用于执行前文描述的操作S130，在此不再赘述。
分类模块340，用于将该多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。在一实施例中，分类模块340可以用于执行前文描述的操作S140，在此不再赘述。
根据本发明的实施例，该对该多对双时相遥感图像进行去噪预处理，得到多对输入图像包括：
利用预先定义的化学反应模型，为每个像素计算一个稳定性值；
根据预先定义的图像的局部特性和天气系统模型，为每个像素计算一个动态扩散系数值；
初始化预先定义的非线性扩散模型，在每次扩散迭代中，每个像素值按照该非线性扩散模型进行更新；
利用初始化后的扩散模型进行扩散，在每次扩散迭代中，根据该非线性扩散模型、像素稳定性值和动态扩散系数值更新遥感图像的每个像素值；
如果达到预设的扩散次数或遥感图像的变化小于预设阈值，则终止扩散，并将终止扩散后得到的遥感图像作为输入图像。
根据本发明的实施例，令I表示输入的遥感图像，坐标（x，y）上的像素值为I（x，y），坐标（x，y）的像素稳定性值为S（x，y），动态扩散系数值为D（x，y）；
该预先定义的化学反应模型：
其中，是坐标（x，y）邻域内的像素均值，/>是该邻域内的像素标准差，/>和/>是权重系数；
该预先定义的图像的局部特性和天气系统模型：
其中，为一常数，用于控制扩散的最大值；
该预先定义的非线性扩散模型：
其中，是在第t次迭代后的遥感图像，/>是在第t+1次迭代后的遥感图像，/>是Laplacian算子，表示遥感图像的二阶导数，用于获取遥感图像的局部变化信息，/>是一个常数，表示扩散的时间步长。
根据本发明的实施例，该将该多对输入图像输入预先搭建的变化检测网络，得到该多对输入图像的变化特征图包括：
将该多对输入图像输入该卷积神经网络，提取该多对输入图像的特征；
将该多对输入图像的特征输入该孪生网络，得到该多对输入图像的差异特征图；
将该多对输入图像的差异特征图特征输入该金字塔网络，得到该多对输入图像的多层次特征图；
将该多对输入图像的多层次特征图输入该解码器，得到该多对输入图像的变化特征图。
根据本发明的实施例，该卷积神经网络的第一层包括卷积层、激活函数层和最大池化层；
该卷积神经网络的第二层包括卷积层、激活函数层和最大池化层
该卷积神经网络的第三层包括卷积层和激活函数层。
根据本发明的实施例，该装置300还用于：
采用涌现学习法，对该卷积神经网络的参数进行优化。
该采用涌现学习法，对该卷积神经网络的参数进行优化包括：
利用分形理论，生成具有自相似性和多尺度特性的初始参数；
在每一尺度上，根据该卷积神经网络的参数和输入该卷积神经网络的数据定义一个动力系统，该动力系统用于描述该卷积神经网络的参数在该尺度上的变化规律；
采用分层的方式进行参数空间的探索，每一层对应一个尺度，并在该尺度上进行参数的局部优化，得到参数在尺度上的概率密度函数；
在不同尺度上的动力系统之间进行交互和协同学习，以使得高层的动力系统能够根据低层的学习结果进行调整和优化；
在每一次迭代过程中，根据当前尺度上的动力系统和梯度信息进行参数的调整和优化；
当迭代次数达到预设的最大次数，则停止迭代，完成对该卷积神经网络的参数优化。
根据本发明的实施例，该预先训练好的分类器为采用蚂蚁算法优化的极限学习机；
该装置300还用于：
采用蚂蚁算法优化极限学习机中隐藏层的权重和偏置，得到优化后的隐藏层的权重和偏置；
利用该优化后的隐藏层的权重和偏置，对该优化极限学习机进行训练，得到该预先训练好的分类器。
根据本发明的实施例，获取模块310、去噪模块320、变化检测模块330、分类模块340中的任意多个模块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，获取模块310、去噪模块320、变化检测模块330、分类模块340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，获取模块310、去噪模块320、变化检测模块330、分类模块340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4示意性示出了根据本发明实施例的适于实现波长路由方法的电子设备的方框图。
如图4所示，根据本发明实施例的电子设备400包括处理器401，其可以根据存储在只读存储器（ROM）402中的程序或者从存储部分408加载到随机访问存储器（RAM）403中的程序而执行各种适当的动作和处理。处理器401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401还可以包括用于缓存用途的板载存储器。处理器401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 403中，存储有电子设备400操作所需的各种程序和数据。处理器 401、ROM402以及RAM 403通过总线404彼此相连。处理器401通过执行ROM 402和/或RAM 403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，该程序也可以存储在除ROM402和RAM 403以外的一个或多个存储器中。处理器401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400还可以包括输入/输出（I/O）接口405，输入/输出（I/O）接口405也连接至总线404。电子设备400还可以包括连接至I/O接口405的以下部件中的一项或多项：包括键盘、鼠标等的输入部分406；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407；包括硬盘等的存储部分408；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409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，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410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408。
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 402和/或RAM 403和/或ROM 402和RAM 403以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的方法。
在该计算机程序被处理器401执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分409被下载和安装，和/或从可拆卸介质411被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被处理器401执行时，执行本发明实施例的系统中限定的上述功能。根据本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
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。
本领域技术人员可以理解，本发明的各个实施例中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。

Claims (10)

1.一种遥感图像变化检测方法，其特征在于，包括：
获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像；
对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；
将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；
将所述多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。
2.根据权利要求1所述的遥感图像变化检测方法，其特征在于，所述对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像包括：
利用预先定义的化学反应模型，为每个像素计算一个稳定性值；
根据预先定义的图像的局部特性和天气系统模型，为每个像素计算一个动态扩散系数值；
初始化预先定义的非线性扩散模型，在每次扩散迭代中，每个像素值按照所述非线性扩散模型进行更新；
利用初始化后的扩散模型进行扩散，在每次扩散迭代中，根据所述非线性扩散模型、像素稳定性值和动态扩散系数值更新遥感图像的每个像素值；
如果达到预设的扩散次数或遥感图像的变化小于预设阈值，则终止扩散，并将终止扩散后得到的遥感图像作为输入图像。
3.根据权利要求1所述的遥感图像变化检测方法，其特征在于，令I表示输入的遥感图像，坐标（x，y）上的像素值为I（x，y），坐标（x，y）的像素稳定性值为S（x，y），动态扩散系数值为D（x，y）；
所述预先定义的化学反应模型：
；
其中，是坐标（x，y）邻域内的像素均值，/>是该邻域内的像素标准差，/>和/>是权重系数；
所述预先定义的图像的局部特性和天气系统模型：
；
其中，为一常数，用于控制扩散的最大值；
所述预先定义的非线性扩散模型：
；
其中，是在第t次迭代后的遥感图像，/>是在第t+1次迭代后的遥感图像，/>是Laplacian算子，表示遥感图像的二阶导数，用于获取遥感图像的局部变化信息，/>是一个常数，表示扩散的时间步长。
4.根据权利要求1所述的遥感图像变化检测方法，其特征在于，所述将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图包括：
将所述多对输入图像输入所述卷积神经网络，提取所述多对输入图像的特征；
将所述多对输入图像的特征输入所述孪生网络，得到所述多对输入图像的差异特征图；
将所述多对输入图像的差异特征图特征输入所述金字塔网络，得到所述多对输入图像的多层次特征图；
将所述多对输入图像的多层次特征图输入所述解码器，得到所述多对输入图像的变化特征图。
5.根据权利要求1所述的遥感图像变化检测方法，其特征在于，所述卷积神经网络的第一层包括卷积层、激活函数层和最大池化层；
所述卷积神经网络的第二层包括卷积层、激活函数层和最大池化层
所述卷积神经网络的第三层包括卷积层和激活函数层。
6.根据权利要求1所述的遥感图像变化检测方法，其特征在于，所述方法还包括：
采用涌现学习法，对所述卷积神经网络的参数进行优化；
所述采用涌现学习法，对所述卷积神经网络的参数进行优化包括：
利用分形理论，生成具有自相似性和多尺度特性的初始参数；
在每一尺度上，根据所述卷积神经网络的参数和输入所述卷积神经网络的数据定义一个动力系统，所述动力系统用于描述所述卷积神经网络的参数在所述尺度上的变化规律；
采用分层的方式进行参数空间的探索，每一层对应一个尺度，并在所述尺度上进行参数的局部优化，得到参数在尺度上的概率密度函数；
在不同尺度上的动力系统之间进行交互和协同学习，以使得高层的动力系统能够根据低层的学习结果进行调整和优化；
在每一次迭代过程中，根据当前尺度上的动力系统和梯度信息进行参数的调整和优化；
当迭代次数达到预设的最大次数，则停止迭代，完成对所述卷积神经网络的参数优化。
7.根据权利要求1所述的遥感图像变化检测方法，其特征在于，所述预先训练好的分类器为采用蚂蚁算法优化的极限学习机；
所述方法还包括：
采用蚂蚁算法优化极限学习机中隐藏层的权重和偏置，得到优化后的隐藏层的权重和偏置；
利用所述优化后的隐藏层的权重和偏置，对所述优化极限学习机进行训练，得到所述预先训练好的分类器。
8.一种遥感图像变化检测装置，其特征在于，包括：
获取模块，用于获取待训练的多对双时相遥感图像，每对双时相遥感图像包括不同时相的两张遥感图像；
去噪模块，用于对所述多对双时相遥感图像进行去噪预处理，得到多对输入图像；
变化检测模块，用于将所述多对输入图像输入预先搭建的变化检测网络，得到所述多对输入图像的变化特征图，其中，所述变化检测网络依次包括卷积神经网络、孪生网络、特征金字塔网络和解码器；
分类模块，用于将所述多对输入图像的变化特征图输入到预先训练好的分类器中，得到变化检测结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
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1~7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，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1~7中任一项所述的方法。
CN202311286471.9A 2023-10-08 2023-10-08 遥感图像变化检测方法、装置、设备及存储介质 Active CN117036962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311286471.9A CN117036962B (zh) 2023-10-08 2023-10-08 遥感图像变化检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311286471.9A CN117036962B (zh) 2023-10-08 2023-10-08 遥感图像变化检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117036962A true CN117036962A (zh) 2023-11-10
CN117036962B CN117036962B (zh) 2024-02-06

Family

ID=88641415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311286471.9A Active CN117036962B (zh) 2023-10-08 2023-10-08 遥感图像变化检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117036962B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710749A (zh) * 2023-12-26 2024-03-15 中国科学院空天信息创新研究院 一种基于扩散模型的遥感图像变化检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108428216A (zh) * 2018-01-16 2018-08-21 辽宁师范大学 基于散布矩阵特征的二阶偏微分方程遥感图像去噪方法
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN112149547A (zh) * 2020-09-17 2020-12-29 南京信息工程大学 基于图像金字塔引导和像素对匹配的遥感影像水体识别
CN112540030A (zh) * 2019-09-20 2021-03-23 中国石油化工股份有限公司 一种基于光学遥感监测计算大气扩散规律的系统及其方法
CN113989256A (zh) * 2021-11-08 2022-01-28 北京市测绘设计研究院 遥感图像建筑物的检测模型优化方法及检测方法、装置
CN114329872A (zh) * 2020-09-29 2022-04-12 中国科学院长春光学精密机械与物理研究所 一种光学遥感相机椭率稳定度的计算仿真方法及系统
CN115995040A (zh) * 2022-10-31 2023-04-21 西北工业大学 一种基于多尺度网络的sar图像小样本目标识别方法
CN116310851A (zh) * 2023-05-26 2023-06-23 中国科学院空天信息创新研究院 遥感图像变化检测方法
CN116363526A (zh) * 2023-04-07 2023-06-30 河海大学 MROCNet模型构建与多源遥感影像变化检测方法及系统
CN116363516A (zh) * 2023-03-31 2023-06-30 西安电子科技大学 基于边缘辅助自适应的遥感图像变化检测方法
CN116740527A (zh) * 2023-05-23 2023-09-12 西安电子科技大学 U型网络与自注意力机制结合的遥感图像变化检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN108428216A (zh) * 2018-01-16 2018-08-21 辽宁师范大学 基于散布矩阵特征的二阶偏微分方程遥感图像去噪方法
CN112540030A (zh) * 2019-09-20 2021-03-23 中国石油化工股份有限公司 一种基于光学遥感监测计算大气扩散规律的系统及其方法
CN112149547A (zh) * 2020-09-17 2020-12-29 南京信息工程大学 基于图像金字塔引导和像素对匹配的遥感影像水体识别
CN114329872A (zh) * 2020-09-29 2022-04-12 中国科学院长春光学精密机械与物理研究所 一种光学遥感相机椭率稳定度的计算仿真方法及系统
CN113989256A (zh) * 2021-11-08 2022-01-28 北京市测绘设计研究院 遥感图像建筑物的检测模型优化方法及检测方法、装置
CN115995040A (zh) * 2022-10-31 2023-04-21 西北工业大学 一种基于多尺度网络的sar图像小样本目标识别方法
CN116363516A (zh) * 2023-03-31 2023-06-30 西安电子科技大学 基于边缘辅助自适应的遥感图像变化检测方法
CN116363526A (zh) * 2023-04-07 2023-06-30 河海大学 MROCNet模型构建与多源遥感影像变化检测方法及系统
CN116740527A (zh) * 2023-05-23 2023-09-12 西安电子科技大学 U型网络与自注意力机制结合的遥感图像变化检测方法
CN116310851A (zh) * 2023-05-26 2023-06-23 中国科学院空天信息创新研究院 遥感图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
向阳 等: "基于改进UNet孪生网络的遥感影像矿区变化检测", 煤炭学报, vol. 44, no. 12, pages 3773 - 3780 *
吴强 等: "面向遥感图像无损压缩的CCD噪声抑制方法研究", 遥感信息, no. 01 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710749A (zh) * 2023-12-26 2024-03-15 中国科学院空天信息创新研究院 一种基于扩散模型的遥感图像变化检测方法

Also Published As

Publication number Publication date
CN117036962B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
US10650236B2 (en) Road detecting method and apparatus
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN117036962B (zh) 遥感图像变化检测方法、装置、设备及存储介质
CN112084864A (zh) 模型优化方法、装置、电子设备和存储介质
CN111783716A (zh) 基于姿态信息的行人检测方法、系统、装置
CN117036941A (zh) 一种基于孪生Unet模型的建筑物变化检测方法及系统
CN116977311A (zh) 一种洪涝灾害区域检测方法、系统、电子设备及存储介质
CN112084865A (zh) 目标检测方法、装置、电子设备和存储介质
CN115937071A (zh) 一种图像检测方法、装置、设备及介质
Tziokas et al. Downscaling satellite night-time lights imagery to support within-city applications using a spatially non-stationary model
CN116310851B (zh) 遥感图像变化检测方法
CN116861262A (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN116047463A (zh) 多角度sar目标散射各向异性推演方法、装置、设备及介质
Merjora et al. Optimized shuffle attention based Lidar signal denoising and temperature retrievals in the middle atmosphere
He et al. [Retracted] An Early Warning Intelligent Algorithm System for Forest Resource Management and Monitoring
CN117710749A (zh) 一种基于扩散模型的遥感图像变化检测方法
Wang Remote sensing image semantic segmentation network based on ENet
Ganguli et al. Predicting food security outcomes using cnns for satellite tasking
CN116400317B (zh) 基于图卷积的散射拓扑特征构建与空间目标识别方法
Cong et al. Salient man-made object detection based on saliency potential energy for unmanned aerial vehicles remote sensing image
Mi et al. An improved arithmetic optimization algorithm with multi-strategy for adaptive multi-spectral image fusion
CN118521905B (zh) 一种岩性识别方法、装置、设备及介质
CN116246175B (zh) 土地利用信息生成方法、电子设备和计算机可读介质
CN113505627B (zh) 遥感数据处理方法、装置、电子设备和存储介质
Skøien et al. Uncertainty propagation in chained web based modeling services: the case of eHabitat.

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