CN117689658B - 遥感影像变化检测方法及装置 - Google Patents
遥感影像变化检测方法及装置 Download PDFInfo
- Publication number
- CN117689658B CN117689658B CN202410145295.5A CN202410145295A CN117689658B CN 117689658 B CN117689658 B CN 117689658B CN 202410145295 A CN202410145295 A CN 202410145295A CN 117689658 B CN117689658 B CN 117689658B
- Authority
- CN
- China
- Prior art keywords
- feature map
- value
- image
- change detection
- images
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000005520 cutting process Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000006835 compression Effects 0.000 claims description 20
- 238000007906 compression Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000003491 array Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了遥感影像变化检测方法及装置,其方法包括步骤:S1、获取两期遥感影像并预处理;S2、对两期预处理的遥感影像的待检测区域裁切得到位置影像集合;S3、采用预训练的神经网络分别对每组位置影像提取N个特征图组;S4、根据特征图组的二维数组计算每组位置影像的N个特征图组的变化检测通过率;S5、根据N个特征图组的变化检测通过率,通过差异权重综合评价公式计算对应的位置影像的变化检测通过率;S6、根据位置影像的变化检测通过率判断对应的空间位置地物信息是否发生变化。本发明解决了现有遥感影像变化检测方法依赖高质量卫星数据源、多采用影像多波段像元绝对值变化率评价指标及需要构建大量的样本数据的问题。
Description
技术领域
本发明属于遥感图像信息识别与检测技术领域,具体地说,涉及遥感影像变化检测方法及装置。
背景技术
遥感影像地物信息变化检测是遥感影像信息识别的重要工作内容之一,在国土监察、环境检测、土壤侵蚀调查等方面具有重要意义。遥感图像分类一般包括三个层次:像元级、特征级和对象级。其中,差值法、比值法和回归分析法是像元级层次的常见方法,此类方法特别容易受到遥感卫星传感器精度的影响;特征级变化检测是基于从影像中提取的特征如纹理、颜色和形状等进行检测,常见的有支持向量机和随机森林分类法;对象级变化检测则是首先对影像进行分割,再创建一系列代表地面实体的对象,然后对这些对象进行比对。另外,近年来随着人工智能技术的快速发展,深度学习在遥感图像变化检测领域也得到了广泛的应用。但上述方法均存在一定的不足,分别如下:
差值、比值法:受卫星传感器温度性影响大,仅考虑单个或部分像元值的变化,未考虑像元极值的空间变化,适用性不强;
支持向量机、随机森林分类:需要针对特定的遥感影像选择合适的特征,特征提取和构建效率差、移植性弱;
基于对象的图像分析:需要对影像进行分割,提取特定对象,计算方法复杂,对象提取精度对变化检测结果影响极大;
深度学习模型:需构建样本数据库,样本数据标注工作繁重,构建好的模型不适用于其他卫星遥感数据源,方法可解释性不足。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种基于图像极值空间分布的遥感影像变化检测方法,解决了现有遥感影像变化监测方法过分依赖高质量卫星数据源、多采用影像多波段像元绝对值变化率评价指标以及需要构建大量的样本数据的问题。
本发明的第二目的在于提供遥感影像变化检测装置。
本发明的目的通过下述技术方案实现:遥感影像变化检测方法,包括步骤:
S1、获取两期遥感影像,并对所述遥感影像进行预处理;
S2、对两期预处理的遥感影像的待检测区域进行裁切,得到位置影像集合,位置影像集合的每组位置影像包括两期预处理的遥感影像;
S3、采用预训练的神经网络分别对每组位置影像进行特征提取,通过对每组位置影像设置N个输入尺寸,得到相对应压缩尺寸的特征图组,所述特征图组包括两期特征图;
S4、根据特征图组的二维数组计算每个输入尺寸对应的特征图组的变化检测通过率,得到每组位置影像的N个特征图组的变化检测通过率,所述二维数组的数据包括像元极值和像元极值的空间位置信息;
S5、根据每组位置影像的N个特征图组的变化检测通过率,通过差异权重综合评价公式计算得到对应的位置影像的变化检测通过率;
S6、根据位置影像的变化检测通过率判断对应的空间位置地物信息是否变化,当位置影像的变化检测通过率满足变化判据,则判断对应的空间位置地物信息发生变化。
优选的,步骤S1中,所述预处理包括采用遥感影像空间配准方法对两期遥感影像进行配准。
优选的,步骤S2中,所述位置影像集合包括若干个空间区域的位置影像。
优选的,步骤S3中,所述神经网络包括VGG16卷积神经网络,步骤S3具体包括步骤:
S31、通过VGG16卷积神经网络对每组位置影像设置5个不同的输入尺寸,所述输入尺寸包括64、128、256、512和1024;
S32、分别输出对应压缩尺寸的特征图组,所述压缩尺寸包括2×2、4×4、8×8、16×16和32×32且与步骤S31的输入尺寸依次对应。
优选的,所述特征图组的二维数组包括前一期特征图数组和后一期特征图数组,前一期特征图数组和后一期特征图数组分别用arr1_Q和arr2_Q表示,其中Q表示位置影像的输入尺寸,步骤S4具体包括:
S41、选取前一期特征图数组arr1_Q和后一期特征图数组arr2_Q的前s个像元极大值,s≥2;
S42、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的空间位置是否发生变化,其中1≤t≤s,若是,将检测结果记为0,若否,将检测结果记为1;
S43、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的相对误差是否满足第一期望精度M1,如式(1)所示,若是,将检测结果记为1,若否,将检测结果记为0:
abs(value1t_Q- value2t_Q)/ value1t_Q×100%≤M1,式(1),
其中,value1t_Q和 value2t_Q分别表示输入尺寸为Q时,前一期特征图组的第t个像元极大值和后一期特征图数组的第t个像元极大值;
S44、根据步骤S42- S43的检测结果计算特征图组的变化检测通过率:
check_Q=(A×1)/(3×s),式(2),
其中,check_Q表示输入尺寸为Q时对应的特征图组的变化检测通过率,A表示检测结果为1的次数之和,s表示选取的像元极大值的个数。
优选的,步骤S42具体包括步骤:
S421、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的行号坐标的误差绝对值是否满足第二期望精度M2,如式(3)所示,若是,则表示空间位置未变化并输出检测结果为1,若否,则表示空间位置变化并输出检测结果为0,判断公式如下:
Abs(x1t-Q- x2t-Q)≤M2,式(3),
其中,x1t-Q和x2t-Q分别表示输入尺寸为Q时,前一期特征图数组的第t个像元极大值的行号坐标和后一期特征图数组的第t个像元极大值的行号坐标;
S422、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的列号坐标的误差绝对值是否满足第二期望精度M2,如式(4)所示,若是,则表示空间位置未变化并输出检测结果为1,若否,则表示空间位置变化并输出检测结果为0,判断公式如下:
Abs(y1t-Q-y2t-Q)≤M2,式(4),
其中,y1t-Q和y2t-Q分别表示输入尺寸为Q时,前一期特征图数组的第t个像元极大值的列号坐标和后一期特征图数组的第t个像元极大值的列号坐标。
优选的,步骤S5具体包括:
S51、对5个特征图组的变化检测通过率进行评价权重赋值:输入尺寸为64、128、256、512和1024对应的变化检测通过率的评价权重值分别为0.50、0.30、0.10、0.07和0.03;
S52、根据每组位置影像的5个变化检测通过率和所述评价权重值计算对应的位置影像的变化检测通过率,差异权重综合评价公式如式(5):
check_n_total=0.50×check_64+0.30×check_128+0.10×check_256+0.07×check_512+0.03×check_1024,式(5),
其中,check_n_total表示第n组位置影像的变化检测通过率,check_64、check_128、check_256、check_512和check_1024分别表示输入尺寸为64、128、256、512和1024对应的特征图组的变化检测通过率。
优选的,所述变化判据为:位置影像的变化检测率小于0.8,即check_n_total<0.8,则判断对应的空间位置地物信息发生变化。
优选的,所述第一期望精度M1的取值为50%,所述第二期望精度M2的取值范围为:0≤M2≤1。
遥感影像变化检测装置,包括:
获取图像模块,用于获取两期遥感影像,并对所述遥感影像进行预处理;
裁切模块,用于对两期预处理的遥感影像的待检测区域进行裁切,得到位置影像集合,位置影像集合的每组位置影像包括两期预处理的遥感影像;
特征提取模块,用于采用预训练的神经网络分别对每组位置影像进行特征提取,通过对每组位置影像设置N个输入尺寸,得到相对应压缩尺寸的特征图组,所述特征图组包括两期特征图;
第一计算模块,用于根据特征图组的二维数组计算每个输入尺寸对应的特征图组的变化检测通过率,得到每组位置影像的N个特征图组的变化检测通过率,所述二维数组的数据包括像元极值和像元极值的空间位置信息;
第二计算模块,用于根据每组位置影像的N个特征图组的变化检测通过率,通过差异权重综合评价公式计算得到对应的位置影像的变化检测通过率;
判断模块,用于根据位置影像的变化检测通过率判断对应的空间位置地物信息是否变化,当位置影像的变化检测通过率满足变化判据,则判断对应的空间位置地物信息发生变化。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明首先获取需要开展变化检测的两期遥感影像,预处理并裁切后,通过预训练的神经网络(VGG16神经网络)提取特征图,通过输入不同输入尺寸得到不同压缩尺寸的特征图,根据这些特征图的像元极值的空间位置和像元极值计算同一压缩尺寸的两期特征图之间的变化检测通过率,最后通过差异权重综合评价公式计算对应的位置影像的变化结果。本发明适用于两期或者两期以上的遥感影像变化检测,本发明的方法实现了不同期遥感影像变化检测的自动化、批量化作业,有效克服现有的遥感影像变化检测方法的不足,不需要构建大量的标注样本数据,不高度依赖多遥感影像数据像元值的绝对稳定性,且能够最大程度避免少量云层覆盖对变化检测结果的影响。
(2)本发明的方法能够快速识别不同期的遥感影像在同一空间范围内是否存在地物信息的变化,为遥感影像地物识别及信息提取提供技术支持。
附图说明
图1为本发明的遥感影像变化检测方法的总体流程示意图。
图2为本发明的对每组位置影像进行变化检测的流程示意图。
图3为本发明的一个变化区域前后两期遥感图像的2×2特征图。
图4为本发明的一个变化区域前后两期遥感图像的对比图。
图5为本发明的对图4中前后两期遥感影像提取特征图的过程示意图。
图6为本发明的一个未变化区域前后两期遥感图像的对比图。
图7为本发明的对图6中前后两期遥感影像提取特征图的过程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细描述,但本发明的实施方式不限于此。
实施例1
如图1-图2所示为遥感影像变化检测方法的流程示意图,包括步骤:
S1、获取两期遥感影像,并对所述遥感影像进行预处理;
S2、对两期预处理的遥感影像的待检测区域进行裁切,得到位置影像集合,位置影像集合的每组位置影像包括两期预处理的遥感影像;
S3、采用预训练的神经网络分别对每组位置影像进行特征提取,通过对每组位置影像设置N个输入尺寸,得到相对应压缩尺寸的特征图组,所述特征图组包括两期特征图;
S4、根据特征图组的二维数组计算每个输入尺寸对应的特征图组的变化检测通过率,得到每组位置影像的N个特征图组的变化检测通过率,所述二维数组的数据包括像元极值和像元极值的空间位置信息;
S5、根据每组位置影像的N个特征图组的变化检测通过率,通过差异权重综合评价公式计算得到对应的位置影像的变化检测通过率;
S6、根据位置影像的变化检测通过率判断对应的空间位置地物信息是否变化,当位置影像的变化检测通过率满足变化判据,则判断对应的空间位置地物信息发生变化。
具体的,本实施例以红绿蓝三波段遥感数据为例说明具体的方法流程。本发明首先获取需要开展变化检测的两期遥感影像,两期遥感影像分别记为previous_picture和next_picture;步骤S1中,所述预处理包括采用遥感影像空间配准方法对两期遥感影像进行配准,确保两期遥感影像各像元空间位置完全一致;然后对需要变化检测的区域进行裁切,使用Python等开源平台编程完成该步骤;预处理并裁切后,通过预训练的神经网络进行特征提取,通过输入不同输入尺寸得到不同压缩尺寸的特征图组,本发明基于图像特征极值空间分布统计的方法进行变化检测,其中,特征图组二维数组的数据包括像元极值和像元极值的空间位置信息,根据这些特征图的像元极值的空间位置和像元极值计算同一压缩尺寸的两期特征图之间的变化检测通过率;最后通过差异权重综合评价公式计算对应的位置影像的变化结果,即判断对应的位置影像所在空间位置的实际地面的物质信息(土地利用方式)是否发生改变。本发明适用于两期或者两期以上的遥感影像变化检测,实现了不同期遥感影像变化检测的自动化、批量化作业,实现对不同期遥感影像在同一空间范围的变化情况进行快速、准确检测,有效克服现有的遥感影像变化检测方法的不足,不需要构建大量的标注样本数据,不高度依赖多遥感影像数据像元值的绝对稳定性。
步骤S2中,所述位置影像集合包括若干个空间区域的位置影像。
具体的,如图1所示,裁切后得到n个空间区域的位置影像,为便于描述,所述位置影像的数据记为:空间位置n(datan1,datan2),datan1和datan2分别表示第n个空间区域对应的前一期预处理的遥感影像的数据和后一期预处理的遥感影像的数据,本实施例中将各个空间区域的位置影像分别记为如下数据:空间位置1数据(图像1—前一期数据、图像2—后一期数据)、空间位置2数据(图像1—前一期数据、图像2—后一期数据)、...、空间位置N数据(图像1—前一期数据、图像2—后一期数据),上述数据分别记为空间位置1(data11,data12)、空间位置2(data21,data22)……空间位置n(datan1,datan2)。
步骤S3中,所述神经网络包括VGG16卷积神经网络,步骤S3具体包括步骤:
S31、通过VGG16卷积神经网络对每组位置影像设置5个不同的输入尺寸,所述输入尺寸包括64、128、256、512和1024;
S32、分别输出对应压缩尺寸的特征图组,所述压缩尺寸包括2×2、4×4、8×8、16×16和32×32且与步骤S31的输入尺寸依次对应。
具体的,如图2所示,为减少原始图像数据的计算量,本发明采用VGG16卷积神经网络分别对位置影像的两期遥感影像提取特征图并生成两个二维数组。由于VGG16卷积神经网络经过5个最大池化层后,特征图对应的输出尺寸被缩小到原输入尺寸的1/25,因此上述5个图像输入尺寸(input_size):64、128、256、512和1024,提取得到的特征图的大小依次是2×2、4×4、8×8、16×16和32×32,即输入尺寸为64的遥感影像,得到两个特征图的输出尺寸均为2×2。
所述特征图组的二维数组包括前一期特征图数组和后一期特征图数组,前一期特征图数组和后一期特征图数组分别用arr1_Q和arr2_Q表示,其中Q表示位置影像的输入尺寸,步骤S4具体包括:
S41、选取前一期特征图数组arr1_Q和后一期特征图数组arr2_Q的前s个像元极大值,s≥2;
S42、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的空间位置是否发生变化,其中1≤t≤s,若是,将检测结果记为0,若否,将检测结果记为1;
S43、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的相对误差是否满足第一期望精度M1,如式(1)所示,若是,将检测结果记为1,若否,将检测结果记为0:
abs(value1t_Q- value2t_Q)/ abs(value1t_Q)×100%≤M1,式(1),
其中,value1t_Q和 value2t_Q分别表示输入尺寸为Q时,前一期特征图组的第t个像元极大值和后一期特征图数组的第t个像元极大值;
S44、根据步骤S42- S43的检测结果计算特征图组的变化检测通过率:
check_Q=(A×1)/(3×s),式(2),
其中,check_Q表示输入尺寸为Q时对应的特征图组的变化检测通过率,A表示检测结果为1的次数之和,s表示选取的像元极大值的个数。
具体的,为了检测前后两期遥感影像是否发生变化,且能够避免因卫星传感器精度不高、避免云层及阴影的影像,本发明的方法与现有技术中采用特征图像元值的绝对值大小进行对比分析不同,本发明根据像元值的极大值的空间位置是否发生变化,以及前后两期的极大值的变化差异程度进行判断两期图像是否发生变化。其中,像元极大值的个数s的选择,s越大即选择的像元极大值的个数越多计算结果越精确,在本实施例中,为了减少计算量且保证计算结果的精确性,对于输入尺寸为64、128、256、512和1024的对应的特征图,像元极大值的选取依次为2个(即第一至第二极大值)、3个(第一至第三极大值)、4个(第一至第三极大值)、5个(第一至第四极大值)和6个(第一至第五极大值),对每个输入尺寸下两期特征图所选取的所有像元极大值的空间位置和变化率分别进行判断分析。
步骤S42具体包括步骤:
S421、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的行号坐标的误差绝对值是否满足第二期望精度M2,如式(3)所示,若是,则表示空间位置未变化并输出检测结果为1,若否,则表示空间位置变化并输出检测结果为0,判断公式如下:
Abs(x1t-Q- x2t-Q)≤M2,式(3),
其中,x1t-Q和x2t-Q分别表示输入尺寸为Q时,前一期特征图数组的第t个像元极大值的行号坐标和后一期特征图数组的第t个像元极大值的行号坐标;
S422、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的列号坐标的误差绝对值是否满足第二期望精度M2,如式(4)所示,若是,则表示空间位置未变化并输出检测结果为1,若否,则表示空间位置变化并输出检测结果为0,判断公式如下:
Abs(y1t-Q-y2t-Q)≤M2,式(4),
其中,y1t-Q和y2t-Q分别表示输入尺寸为Q时,前一期特征图数组的第t个像元极大值的列号坐标和后一期特征图数组的第t个像元极大值的列号坐标。
具体的,由图3能够得知,判断空间位置是否变化对应到特征图的二维数组中即判断极大值的行列号是否相同,当图像特征值极大值的空间位置(行列号)发生变化时,对于同一空间地理位置范围、同一卫星数据源的不同期的卫星遥感图像的地物信息已经发生变化。第二期精度M2的取值越小,代表前一期的第t个像元极大值的行号坐标(或者列号坐标)与后一期的第t个像元极大值的行号坐标(或者列号坐标)的差异越小,检测精度越高,即M2越小代表两者越接近,当M2取值为0,表示前一期的像元极大值的行号坐标与后一期的像元极大值的列号坐标完全相同。在本实施例中,所述第一期望精度M1的取值为50%,所述第二期望精度M2的取值范围为:0 ≤M2≤1。
本实施例中,选择1个位置影像(即空间位置1)为例说明基于特征图的像元极大值进行变化检测的过程,具体包括:
对于空间位置1(data11,data12):
第一步:对于输入尺寸参数input_size=64,得到两个特征图的二维数组,分别记为arr1_64和arr2_64,这两个二维数组分别与预处理的两期遥感影像的数据data11_64和data12_64相对应;
取特征图数组为2×2(input_size=64)的第一极大值和第二极大值的空间位置及其变化率进行判断是否发生变化,如下:
设置参数:
arr1_64的第一极大值行列号坐标及其像元值分别为x11_64、y11_64和value11_64;
arr2_64的第一极大值行列号坐标及其像元值分别为x21_64、y21_64和value21_64;
arr1_64的第二极大值行列号坐标及其像元值分别为x12_64、y12_64和value12_64;
arr2_64的第二极大值行列号坐标及其像元值分别为x22_64、y22_64和value22_64;
则判断条件有:
1、abs(x11_64-x21_64)≤M2,认为前一期第一极大值与后一期第一极大值行号相同;
2、abs(y11_64-y21_64)≤M2,认为前一期第一极大值与后一期第一极大值列号相同;
3、abs(value11_64-value21_64)/value11_64×100%≤M1,表示前一期第一极大值与后一期第一极大值相对误差小于或者等于M1;
4、abs(x12_64-x22_64)≤M2,认为前一期第二极大值与后一期第二极大值行号相同;
5、abs(y12_64-y22_64)≤M2,认为前一期第二极大值与后一期第二极大值列号相同;
6、abs(value12_64-value22_64)/value11_64×100%≤M1,表示前一期第二极大值与后一期第二极大值相对误差小于或者等于M1;
其中,条件1、2、4和5认为前后两期特征图的第一、第二极大值的空间位置相同,条件3和6表示前两后期特征图极值具有连续性。
按照上述6个判断条件分别进行判断,本实施例中假设有5个条件满足,即有5个检测结果为1,则通过公式(2)计算得到输入尺寸为64对应的特征图的变化检测通过率为:check_64=(5×1)/(3×2)=5/6;
第二步、对于输入尺寸参数input_size=128,得到两个特征图的二维数组,分别记为arr1_128和arr2_128,这两个二维数组分别与预处理的两期遥感影像的数据data11_128和data12_128相对应;
取特征图数组为4×4(input_size=128)的第一、第二和第三极大值空间位置及其变化率进行判断是否发生变化,如下:
设置参数:
arr1_128的第一极大值行列号坐标及其像元值分别为x11_128、y11_128和value11_128;
arr2_128的第一极大值行列号坐标及其像元值分别为x21_128、y21_128和value21_128;
arr1_128的第二极大值行列号坐标及其像元值分别为x12_128、y12_128和value12_128;
arr2_128的第二极大值行列号坐标及其像元值分别为x22_128、y22_128和value22_128;
arr1_128的第三极大值行列号坐标及其像元值分别为x13_128、y13_128和value13_128;
arr2_128的第三极大值行列号坐标及其像元值分别为x23_128、y23_128和value23_128;
则判断条件有:
1、abs(x11_128-x21_128)≤M2,认为前一期第一极大值与后一期第一极大值行号相同;
2、abs(y11_128-y21_128)≤M2,认为前一期第一极大值与后一期第一极大值列号相同;
3、abs(value11_128-value21_128)/value11_128×100%≤M1,表示前一期第一极大值与后一期第一极大值相对误差小于或者等于M1;
4、abs(x12_128-x22_128)≤M2,认为前一期第二极大值与后一期第二极大值行号相同;
5、abs(y12_128-y22_128)≤M2,认为前一期第二极大值与后一期第二极大值列号相同;
6、abs(value12_128-value22_128)/value12_128×100%≤M1,表示前一期第二极大值与后一期第二极大值相对误差小于或者等于M1;
7、abs(x13_128-x23_128)≤M2,认为前一期第三极大值与后一期第二极大值行号相同;
8、abs(y13_128-y23_128)≤M2,认为前一期第三极大值与后一期第二极大值列号相同;
9、abs(value13_128-value23_128)/value13_128×100%≤M1,表示前一期第三极大值与后一期第三极大值相对误差小于或者等于M1;
其中,上述条件1、2、4、5、7和8认为前后两期特征图的第一、第二、第三极大值的空间位置相同,条件3、6和9表示前两后期特征图极值具有连续性。
按照上述9个判断条件分别进行判断,本实施例中假设有5个条件满足,即有5个检测结果为1,则通过公式(2)计算得到输入尺寸为128对应的特征图的变化检测通过率为:check_128=(5×1)/(3×3)=5/9;
第三步、对于输入尺寸参数input_size=256,得到两个特征图的二维数组,分别记为arr1_256和arr2_256,这两个二维数组分别与预处理的两期遥感影像的数据data11_256和data12_256相对应;
取特征图数组为8×8(input_size=256)的第一、第二、第三和第四极大值空间位置及其变化率进行判断是否发生变化,如下:
设置参数:
arr1_256的第一极大值行列号坐标及其像元值分别为x11_256、y11_256和value11_256;
arr2_256的第一极大值行列号坐标及其像元值分别为x21_256、y21_256和value21_256;
arr1_256的第二极大值行列号坐标及其像元值分别为x12_256、y12_256和value12_256;
arr2_256的第二极大值行列号坐标及其像元值分别为x22_256、y22_256和value22_256;
arr1_256的第三极大值行列号坐标及其像元值分别为x13_256、y13_256和value13_256;
arr2_256的第三极大值行列号坐标及其像元值分别为x23_256、y23_256和value23_256;
arr1_256的第四极大值行列号坐标及其像元值分别为x14_256、y14_256和value14_256;
arr2_256的第四极大值行列号坐标及其像元值分别为x24_256、y24_256和value24_256;
则判断条件有:
1、abs(x11_256-x21_256)≤M2,认为前一期第一极大值与后一期第一极大值行号相同;
2、abs(y11_256-y21_256)≤M2,认为前一期第一极大值与后一期第一极大值列号相同;
3、abs(value11_256-value21_256)/value11_256×100%≤M1,表示前一期第一极大值与后一期第一极大值相对误差小于或者等于M1;
4、abs(x12_256-x22_256)≤M2,认为前一期第二极大值与后一期第二极大值行号相同;
5、abs(y12_256-y22_256)≤M2,认为前一期第二极大值与后一期第二极大值列号相同;
6、abs(value12_256-value22_256)/value12_256×100%≤M1,表示前一期第二极大值与后一期第二极大值相对误差小于或者等于M1;
7、abs(x13_256-x23_256)≤M2,认为前一期第三极大值与后一期第二极大值行号相同;
8、abs(y13_256-y23_256)≤M2,认为前一期第三极大值与后一期第二极大值列号相同;
9、abs(value13_256-value23_256)/value13_256×100%≤M1,表示前一期第三极大值与后一期第三极大值相对误差小于或者等于M1;
10、abs(x14_256-x24_256)≤M2,认为前一期第四极大值与后一期第二极大值行号相同;
11、abs(y14_256-y24_256)≤M2,认为前一期第四极大值与后一期第二极大值列号相同;
12、abs(value14_256-value24_256)/value14_256×100%≤M1,认为前一期第四极大值与后一期第四极大值相对误差小于或者等于M1;
其中,判断条件1、2、4、5、7、8、10和11认为前后两期特征图第一、第二、第三、第四极大值空间位置相同,条件3、6、9和12表示前后两期特征图极值具有连续性;
按照上述12个判断条件分别进行判断,本实施例中假设有10个条件满足,即有10个检测结果为1,则通过公式(2)计算得到输入尺寸为256对应的特征图的变化检测通过率为:check_256=(10×1)/(3×4)=10/12;
第四步、对于输入尺寸参数input_size=512,得到两个特征图的二维数组,分别记为arr1_512和arr2_512,这两个二维数组分别与预处理的两期遥感影像的数据data11_512和data12_512相对应;
取特征图数组为16×16(input_size=512)的第一、第二、第三、第四和第五极大值的空间位置及其变化率进行判断是否发生变化,如下:
设置参数:
arr1_512的第一极大值行列号坐标及其像元值分别为x11_512、y11_512和value11_512;
arr2_512的第一极大值行列号坐标及其像元值分别为x21_512、y21_512和value21_512;
arr1_512的第二极大值行列号坐标及其像元值分别为x12_512、y12_512和value12_512;
arr2_512的第二极大值行列号坐标及其像元值分别为x22_512、y22_512和value22_512;
arr1_512的第三极大值行列号坐标及其像元值分别为x13_512、y13_512和value13_512;
arr2_512的第三极大值行列号坐标及其像元值分别为x23_512、y23_512和value23_512;
arr1_512的第四极大值行列号坐标及其像元值分别为x14_512、y14_512和value14_512;
arr2_512的第四极大值行列号坐标及其像元值分别为x24_512、y24_512和value24_512;
arr1_512的第五极大值行列号坐标及其像元值分别为x15_512、y15_512和value15_512;
arr2_512的第五极大值行列号坐标及其像元值分别为x25_512、y25_512和value25_512;
则判断条件有:
1、abs(x11_512-x21_512)≤M2,认为前一期第一极大值与后一期第一极大值行号相同;
2、abs(y11_512-y21_512)≤M2,认为前一期第一极大值与后一期第一极大值列号相同;
3、abs(value11_512-value21_512)/value11_512×100%≤M1,表示前一期第一极大值与后一期第一极大值相对误差小于或者等于M1;
4、abs(x12_512-x22_512)≤M2,认为前一期第二极大值与后一期第二极大值行号相同;
5、abs(y12_512-y22_512)≤M2,认为前一期第二极大值与后一期第二极大值列号相同;
6、abs(value12_512-value22_512)/value12_512×100%≤M1,表示前一期第二极大值与后一期第二极大值相对误差小于或者等于M1;
7、abs(x13_512-x23_512)≤M2,认为前一期第三极大值与后一期第二极大值行号相同;
8、abs(y13_512-y23_512)≤M2,认为前一期第三极大值与后一期第二极大值列号相同;
9、abs(value13_512-value23_512)/value13_512×100%≤M1,表示前一期第三极大值与后一期第三极大值相对误差小于或者等于M1;
10、abs(x14_512-x24_512)≤M2,认为前一期第四极大值与后一期第二极大值行号相同;
11、abs(y14_512-y24_512)≤M2,认为前一期第四极大值与后一期第二极大值列号相同;
12、abs(value14_512-value24_512)/value14_512×100%≤M1,表示前一期第四极大值与后一期第四极大值相对误差小于或者等于M1;
13、abs(x15_512-x25_512)≤M2,认为前一期第五极大值与后一期第二极大值行号相同;
14、abs(y15_512-y25_512)≤M2,认为前一期第五极大值与后一期第二极大值列号相同;
15、abs(value15_512-value25_512)/value15_512×100%≤M1,表示前一期第五极大值与后一期第五极大值相对误差小于或者等于M1;
其中,上述条件1、2、4、5、7、8、10、11、13和14认为前后两期特征图的第一、第二、第三极大值的空间位置相同,条件3、6、9、12和15表示前两后期特征图极值具有连续性;
按照上述15个判断条件分别进行判断,假设有10个条件满足,即有10个检测结果为1,则通过公式(2)计算得到输入尺寸为512对应的特征图的变化检测通过率为:check_512=(10×1)/(3×5)=10/15;
第五步、对于输入尺寸参数input_size=1024,得到两个特征图的二维数组,分别记为arr1_1024和arr2_1024,这两个二维数组分别与预处理的两期遥感影像的数据data11_1024和data12_1024相对应;
取特征图数组为32×32(input_size=1024)的第一、第二、第三、第四、第五和第六极大值空间位置及其变化率进行判断是否发生变化。
设置参数:
arr1_1024的第一极大值行列号坐标及其像元值分别为x11_1024、y11_1024和value11_1024;
arr2_1024的第一极大值行列号坐标及其像元值分别为x21_1024、y21_1024和value21_1024;
arr1_1024的第二极大值行列号坐标及其像元值分别为x12_1024、y12_1024和value12_1024;
arr2_1024的第二极大值行列号坐标及其像元值分别为x22_1024、y22_1024和value22_1024;
arr1_1024的第三极大值行列号坐标及其像元值分别为x13_1024、y13_1024和value13_1024;
arr2_1024的第三极大值行列号坐标及其像元值分别为x23_1024、y23_1024和value23_1024;
arr1_1024的第四极大值行列号坐标及其像元值分别为x14_1024、y14_1024和value14_1024;
arr2_1024的第四极大值行列号坐标及其像元值分别为x24_1024、y24_1024和value24_1024;
arr1_1024的第五极大值行列号坐标及其像元值分别为x15_1024、y15_1024和value15_1024;
arr2_1024的第五极大值行列号坐标及其像元值分别为x25_1024、y25_1024和value25_1024;
arr1_1024的第六极大值行列号坐标及其像元值分别为x16_1024、y16_1024和value16_1024;
arr2_1024的第六极大值行列号坐标及其像元值分别为x26_1024、y26_1024和value26_1024;
则判断条件有:
1、abs(x11_1024-x21_1024)≤M2,认为前一期第一极大值与后一期第一极大值行号相同;
2、abs(y11_1024-y21_1024)≤M2,认为前一期第一极大值与后一期第一极大值列号相同;
3、abs(value11_1024-value21_1024)/value11_1024×100%≤M1,表示前一期第一极大值与后一期第一极大值相对误差小于或者等于M1;
4、abs(x12_1024-x22_1024)≤M2,认为前一期第二极大值与后一期第二极大值行号相同;
5、abs(y12_1024-y22_1024)≤M2,认为前一期第二极大值与后一期第二极大值列号相同;
6、abs(value12_1024-value22_1024)/value12_1024×100%≤M1,表示前一期第二极大值与后一期第二极大值相对误差小于或者等于M1;
7、abs(x13_1024-x23_1024)≤M2,认为前一期第三极大值与后一期第二极大值行号相同;
8、abs(y13_1024-y23_1024)≤M2,认为前一期第三极大值与后一期第二极大值列号相同;
9、abs(value13_1024-value23_1024)/value13_1024×100%≤M1,表示前一期第三极大值与后一期第三极大值相对误差小于或者等于M1;
10、abs(x14_1024-x24_1024)≤M2,认为前一期第四极大值与后一期第二极大值行号相同;
11、abs(y14_1024-y24_1024)≤M2,认为前一期第四极大值与后一期第二极大值列号相同;
12、abs(value14_1024-value24_1024)/value14_1024×100%≤M1,表示前一期第四极大值与后一期第四极大值相对误差小于或者等于M1;
13、abs(x15_1024-x25_1024)≤M2,认为前一期第五极大值与后一期第二极大值行号相同;
14、abs(y15_1024-y25_1024)≤M2,认为前一期第五极大值与后一期第二极大值列号相同;
15、abs(value15_1024-value25_1024)/value15_1024×100%≤M1,表示前一期第五极大值与后一期第五极大值相对误差小于或者等于M1;
16、abs(x16_1024-x26_1024)≤M2,认为前一期第五极大值与后一期第二极大值行号相同;
17、abs(y16_1024-y26_1024)≤M2,认为前一期第五极大值与后一期第二极大值列号相同;
18、abs(value16_1024-value26_1024)/value16_1024×100%≤M1,表示前一期第五极大值与后一期第五极大值相对误差小于或者等于M1;
其中,判断条件1、2、4、5、7、8、10、11、13、14、16和17认为前后两期特征图第一、第二、第三、第四、第五、第六极大值空间位置相同,条件3、6、9、12、15和18表示前后两期特征图极值具有连续性;
按照上述18个判断条件分别进行判断,本实施例假设有10个条件满足,即有10个检测结果为1,则通过公式(2)计算得到输入尺寸为1024对应的特征图的变化检测通过率为:check_1024=(10×1)/(3×6) =10/18。
步骤S5具体包括:
S51、对5个特征图组的变化检测通过率进行评价权重赋值:输入尺寸为64、128、256、512和1024对应的变化检测通过率的评价权重值分别为0.50、0.30、0.10、0.07和0.03;
S52、根据每组位置影像的5个变化检测通过率和所述评价权重值计算对应的位置影像的变化检测通过率,差异权重综合评价公式如式(5):
check_n_total=0.50×check_64+0.30×check_128+0.10×check_256+0.07×check_512+0.03×check_1024,式(5),
其中,check_n_total表示第n组位置影像的变化检测通过率,check_64、check_128、check_256、check_512和check_1024分别表示输入尺寸为64、128、256、512和1024对应的特征图组的变化检测通过率。
所述变化判据为:位置影像的变化检测率小于0.8,即check_n_total<0.8,则判断对应的空间位置地物信息发生变化。
具体的,对于VGG16卷积神经网络,输入尺寸的个数N为5个,本发明的方法经过分析发现不同输入尺寸下得到的前后两期遥感影像的变化检测结果的重要性不同,重要性排序为:check_64>check_128>check_256>check_512>check_1024,根据此重要性关系确定与之对应的评价权重值,保证检测的精确性。本实施例中,当check_n_total<0.8,即认为空间位置1对应的两期遥感影像发生变化即对应的空间位置地物信息发生变化,当check_n_total≥0.8,则认为认为空间位置1对应的两期遥感影像未发生变化即对应的空间位置地物信息未发生变化。按照上述步骤分别计算n组位置影像即若干个空间位置对应的对应的空间位置地物信息是否发生变化。本发明的方法能够快速识别不同期的遥感影像在同一空间范围内是否存在地物信息的变化,为遥感影像地物识别及信息提取提供技术支持。
为了说明本发明实施例提供的遥感影像变化检测方法的变化检测效果,本发明以某遥感影像前后两期发生变化的空间位置1为例说明计算过程,计算结果如图4和图5所示,具体如下:
第一步、计算图像输入尺寸为64对应的特征图组的变化检测通过率:check_64=0.6667;
第二步、计算图像输入尺寸为128对应的特征图组的变化检测通过率:check_128=0.7778;
第三步、计算图像输入尺寸为256对应的特征图组的变化检测通过率:check_256=0.6667;
第四步、计算图像输入尺寸为512对应的特征图组的变化检测通过率:check_512=0.6000;
第五步、计算图像输入尺寸为1024对应的特征图组的变化检测通过率:check_1024=0.6667;
第六步、计算空间位置1的位置影像的变化检测通过率:
check_total=0.5*0.6667+0.3*0.7778+0.1*0.6667+0.07*0.6000+0.03*0.6667=0.6553,
第七步、根据变化判据判断对应的两期遥感影像是否发生变化:
check_total=0.6553<0.8,判断两期遥感影像发生变化即对应的空间位置地物信息发生变化。
为了说明本发明实施例提供的遥感影像变化检测方法的变化检测效果,本发明以某遥感影像前后两期未发生变化的空间位置2为例说明计算过程,计算结果如图6和图7所示,具体如下:
第一步、计算图像输入尺寸为64对应的特征图组的变化检测通过率:check_64=1.0000;
第二步、计算图像输入尺寸为128对应的特征图组的变化检测通过率:check_128=0.7778;
第三步、计算图像输入尺寸为256对应的特征图组的变化检测通过率:check_256=0.5833;
第四步、计算图像输入尺寸为512对应的特征图组的变化检测通过率:check_512=0.6667;
第五步、计算图像输入尺寸为1024对应的特征图组的变化检测通过率:check_1024=0.4444;
第六步、计算空间位置2的位置影像的变化检测通过率:
check_total=0.5*1.0000+0.3*0.7778+0.1*0.5833+0.07*0.6667+0.03*0.4444=0.8017,
第七步、根据变化判据判断对应的两期遥感影像是否发生变化:
check_total=0.8017>0.8,判断两期遥感影像未发生变化对应的空间位置地物信息未发生变化。
实施例2
遥感影像变化检测装置,包括:
获取图像模块,用于获取两期遥感影像,并对所述遥感影像进行预处理;
裁切模块,用于对两期预处理的遥感影像的待检测区域进行裁切,得到位置影像集合,位置影像集合的每组位置影像包括两期预处理的遥感影像;
特征提取模块,用于采用预训练的神经网络分别对每组位置影像进行特征提取,通过对每组位置影像设置N个输入尺寸,得到相对应压缩尺寸的特征图组,所述特征图组包括两期特征图;
第一计算模块,用于根据特征图组的二维数组计算每个输入尺寸对应的特征图组的变化检测通过率,得到每组位置影像的N个特征图组的变化检测通过率,所述二维数组的数据包括像元极值和像元极值的空间位置信息;
第二计算模块,用于根据每组位置影像的N个特征图组的变化检测通过率,通过差异权重综合评价公式计算得到对应的位置影像的变化检测通过率;
判断模块,用于根据位置影像的变化检测通过率判断对应的空间位置地物信息是否变化,当位置影像的变化检测通过率满足变化判据,则判断对应的空间位置地物信息发生变化。
具体的,本发明首先获取需要开展变化检测的两期遥感影像,然后对需要变化检测的区域进行裁切,使用Python等开源平台编程完成该步骤;预处理并裁切后,通过预训练的神经网络进行特征提取,通过输入不同输入尺寸得到不同压缩尺寸的特征图组,其中,特征图组二维数组的数据包括像元极值和像元极值的空间位置信息,根据这些特征图的像元极值的空间位置和像元极值计算同一压缩尺寸的两期特征图之间的变化检测通过率;最后通过差异权重综合评价公式计算对应的位置影像的变化结果。本发明适用于两期或者两期以上的遥感影像变化检测,本发明实现了不同期遥感影像变化检测的自动化、批量化作业,有效克服现有的遥感影像变化检测方法的不足,不需要构建大量的标注样本数据,不高度依赖多遥感影像数据像元值的绝对稳定性。
所述神经网络包括VGG16卷积神经网络,特征提取模块,用于采用预训练的神经网络分别对每组位置影像进行特征提取,具体包括步骤:
S01、通过VGG16卷积神经网络对每组位置影像设置5个不同的输入尺寸,所述输入尺寸包括64、128、256、512和1024;
S02、分别输出对应压缩尺寸的特征图组,所述压缩尺寸包括2×2、4×4、8×8、16×16和32×32且与步骤S31的输入尺寸依次对应。
所述特征图组的二维数组包括前一期特征图数组和后一期特征图数组,前一期特征图数组和后一期特征图数组分别用arr1_Q和arr2_Q表示,其中Q表示位置影像的输入尺寸,第一计算模块用于根据特征图组的二维数组计算每个输入尺寸对应的特征图组的变化检测通过率,具体包括:
S41、选取前一期特征图数组arr1_Q和后一期特征图数组arr2_Q的前s个像元极大值,s≥2;
S42、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的空间位置是否发生变化,其中1≤t≤s,若是,将检测结果记为0,若否,将检测结果记为1;
S43、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的相对误差是否满足第一期望精度M1,如式(1)所示,若是,将检测结果记为1,若否,将检测结果记为0:
abs(value1t_Q- value2t_Q)/ value1t_Q×100%≤M1,式(1),
其中,value1t_Q和 value2t_Q分别表示输入尺寸为Q时,前一期特征图组
的第t个像元极大值和后一期特征图数组的第t个像元极大值;
S44、根据步骤S42- S43的检测结果计算特征图组的变化检测通过率:
check_Q=(A×1)/(3×s),式(2),
其中,check_Q表示输入尺寸为Q时对应的特征图组的变化检测通过率,A表示检测结果为1的次数之和,s表示选取的像元极大值的个数。
本发明能够快速识别不同期的遥感影像在同一空间范围内是否存在地物信息的变化,为遥感影像地物识别及信息提取提供技术支持。
上述实施例为本发明较佳的实施方式,并不能对本发明进行限定,其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.遥感影像变化检测方法,其特征在于,包括步骤:
S1、获取两期遥感影像,并对所述遥感影像进行预处理;
S2、对两期预处理的遥感影像的待检测区域进行裁切,得到位置影像集合,位置影像集合的每组位置影像包括两期预处理的遥感影像;
S3、采用预训练的神经网络分别对每组位置影像进行特征提取,通过对每组位置影像设置N个输入尺寸,得到相对应压缩尺寸的特征图组,所述特征图组包括两期特征图;
S4、根据特征图组的二维数组计算每个输入尺寸对应的特征图组的变化检测通过率,得到每组位置影像的N个特征图组的变化检测通过率,所述二维数组的数据包括像元极值和像元极值的空间位置信息;
S5、根据每组位置影像的N个特征图组的变化检测通过率,通过差异权重综合评价公式计算得到对应的位置影像的变化检测通过率;
S6、根据位置影像的变化检测通过率判断对应的空间位置地物信息是否变化,当位置影像的变化检测通过率满足变化判据,则判断对应的空间位置地物信息发生变化;
所述特征图组的二维数组包括前一期特征图数组和后一期特征图数组,前一期特征图数组和后一期特征图数组分别用arr1_Q和arr2_Q表示,其中Q表示位置影像的输入尺寸,步骤S4具体包括:
S41、选取前一期特征图数组arr1_Q和后一期特征图数组arr2_Q的前s个像元极大值,s≥2;
S42、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的空间位置是否发生变化,其中1≤t≤s,若是,将检测结果记为0,若否,将检测结果记为1;
S43、根据式(1)判断前一期特征图数组和后一期特征图数组的第t个像元极大值的相对误差是否满足第一期望精度M1,若是,将检测结果记为1,若否,将检测结果记为0:
abs(value1t_Q- value2t_Q)/ value1t_Q×100%≤M1,式(1),
其中,value1t_Q和 value2t_Q分别表示输入尺寸为Q时,前一期特征图组的第t个像元极大值和后一期特征图数组的第t个像元极大值;
S44、根据步骤S42- S43的检测结果计算特征图组的变化检测通过率:
check_Q=(A×1)/(3×s),式(2),
其中,check_Q表示输入尺寸为Q时对应的特征图组的变化检测通过率,A表示检测结果为1的次数之和,s表示选取的像元极大值的个数;
步骤S42具体包括步骤:
S421、根据式(3)判断前一期特征图数组和后一期特征图数组的第t个像元极大值的行号坐标的误差绝对值是否满足第二期望精度M2,若是,则表示空间位置未变化并输出检测结果为1,若否,则表示空间位置变化并输出检测结果为0:
Abs(x1t-Q- x2t-Q)≤M2,式(3),
其中,x1t-Q和x2t-Q分别表示输入尺寸为Q时,前一期特征图数组的第t个像元极大值的行号坐标和后一期特征图数组的第t个像元极大值的行号坐标;
S422、根据式(4)判断前一期特征图数组和后一期特征图数组的第t个像元极大值的列号坐标的误差绝对值是否满足第二期望精度M2,若是,则表示空间位置未变化并输出检测结果为1,若否,则表示空间位置变化并输出检测结果为0:
Abs(y1t-Q -y2t-Q)≤M2,式(4),
其中,y1t-Q和y2t-Q分别表示输入尺寸为Q时,前一期特征图数组的第t个像元极大值的列号坐标和后一期特征图数组的第t个像元极大值的列号坐标。
2.根据权利要求1所述的遥感影像变化检测方法,其特征在于,步骤S1中,所述预处理包括采用遥感影像空间配准方法对两期遥感影像进行配准。
3.根据权利要求1所述的遥感影像变化检测方法,其特征在于,步骤S2中,所述位置影像集合包括若干个空间区域的位置影像。
4.根据权利要求1所述的遥感影像变化检测方法,其特征在于,步骤S3中,所述神经网络包括VGG16卷积神经网络,步骤S3具体包括步骤:
S31、通过VGG16卷积神经网络对每组位置影像设置5个不同的输入尺寸,所述输入尺寸包括64、128、256、512和1024;
S32、分别输出对应压缩尺寸的特征图组,所述压缩尺寸包括2×2、4×4、8×8、16×16和32×32且与步骤S31的输入尺寸依次对应。
5.根据权利要求1所述的遥感影像变化检测方法,其特征在于,步骤S5具体包括:
S51、对5个特征图组的变化检测通过率进行评价权重赋值:输入尺寸为64、128、256、512和1024对应的变化检测通过率的评价权重值分别为0.50、0.30、0.10、0.07和0.03;
S52、根据每组位置影像的5个变化检测通过率和所述评价权重值计算对应的位置影像的变化检测通过率,根据式(5)进行差异权重综合评价:
check_n_total=0.50×check_64+0.30×check_128+0.10×check_256+0.07×check_512+0.03×check_1024,式(5),
其中,check_n_total表示第n组位置影像的变化检测通过率,check_64、check_128、check_256、check_512和check_1024分别表示输入尺寸为64、128、256、512和1024对应的特征图组的变化检测通过率。
6.根据权利要求5所述的遥感影像变化检测方法,其特征在于,所述变化判据为:位置影像的变化检测率小于0.8,即check_n_total<0.8,则判断对应的空间位置地物信息发生变化。
7.根据权利要求1所述的遥感影像变化检测方法,其特征在于,所述第一期望精度M1的取值为50%,所述第二期望精度M2的取值范围为:0 ≤M2≤1。
8.遥感影像变化检测装置,其特征在于,包括:
获取图像模块,用于获取两期遥感影像,并对所述遥感影像进行预处理;
裁切模块,用于对两期预处理的遥感影像的待检测区域进行裁切,得到位置影像集合,位置影像集合的每组位置影像包括两期预处理的遥感影像;
特征提取模块,用于采用预训练的神经网络分别对每组位置影像进行特征提取,通过对每组位置影像设置N个输入尺寸,得到相对应压缩尺寸的特征图组,所述特征图组包括两期特征图;
第一计算模块,用于根据特征图组的二维数组计算每个输入尺寸对应的特征图组的变化检测通过率,得到每组位置影像的N个特征图组的变化检测通过率,所述二维数组的数据包括像元极值和像元极值的空间位置信息;
第二计算模块,用于根据每组位置影像的N个特征图组的变化检测通过率,通过差异权重综合评价公式计算得到对应的位置影像的变化检测通过率;
判断模块,用于根据位置影像的变化检测通过率判断对应的空间位置地物信息是否变化,当位置影像的变化检测通过率满足变化判据,则判断对应的空间位置地物信息发生变化;
所述特征图组的二维数组包括前一期特征图数组和后一期特征图数组,前一期特征图数组和后一期特征图数组分别用arr1_Q和arr2_Q表示,其中Q表示位置影像的输入尺寸,第一计算模块用于根据特征图组的二维数组计算每个输入尺寸对应的特征图组的变化检测通过率,具体包括:
S41、选取前一期特征图数组arr1_Q和后一期特征图数组arr2_Q的前s个像元极大值,s≥2;
S42、判断前一期特征图数组和后一期特征图数组的第t个像元极大值的空间位置是否发生变化,其中1≤t≤s,若是,将检测结果记为0,若否,将检测结果记为1;
S43、根据式(1)判断前一期特征图数组和后一期特征图数组的第t个像元极大值的相对误差是否满足第一期望精度M1,若是,将检测结果记为1,若否,将检测结果记为0:
abs(value1t_Q- value2t_Q)/ value1t_Q×100%≤M1,式(1),
其中,value1t_Q和 value2t_Q分别表示输入尺寸为Q时,前一期特征图组的第t个像元极大值和后一期特征图数组的第t个像元极大值;
S44、根据步骤S42- S43的检测结果计算特征图组的变化检测通过率:
check_Q=(A×1)/(3×s),式(2),
其中,check_Q表示输入尺寸为Q时对应的特征图组的变化检测通过率,A表示检测结果为1的次数之和,s表示选取的像元极大值的个数;
步骤S42具体包括步骤:
S421、根据式(3)判断前一期特征图数组和后一期特征图数组的第t个像元极大值的行号坐标的误差绝对值是否满足第二期望精度M2,若是,则表示空间位置未变化并输出检测结果为1,若否,则表示空间位置变化并输出检测结果为0:
Abs(x1t-Q- x2t-Q)≤M2,式(3),
其中,x1t-Q和x2t-Q分别表示输入尺寸为Q时,前一期特征图数组的第t个像元极大值的行号坐标和后一期特征图数组的第t个像元极大值的行号坐标;
S422、根据式(4)判断前一期特征图数组和后一期特征图数组的第t个像元极大值的列号坐标的误差绝对值是否满足第二期望精度M2,若是,则表示空间位置未变化并输出检测结果为1,若否,则表示空间位置变化并输出检测结果为0:
Abs(y1t-Q -y2t-Q)≤M2,式(4),
其中,y1t-Q和y2t-Q分别表示输入尺寸为Q时,前一期特征图数组的第t个像元极大值的列号坐标和后一期特征图数组的第t个像元极大值的列号坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145295.5A CN117689658B (zh) | 2024-02-02 | 2024-02-02 | 遥感影像变化检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145295.5A CN117689658B (zh) | 2024-02-02 | 2024-02-02 | 遥感影像变化检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689658A CN117689658A (zh) | 2024-03-12 |
CN117689658B true CN117689658B (zh) | 2024-05-10 |
Family
ID=90133738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145295.5A Active CN117689658B (zh) | 2024-02-02 | 2024-02-02 | 遥感影像变化检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689658B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708260A (zh) * | 2022-05-30 | 2022-07-05 | 阿里巴巴(中国)有限公司 | 图像检测方法 |
CN115410096A (zh) * | 2022-11-03 | 2022-11-29 | 成都国星宇航科技股份有限公司 | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 |
CN116091497A (zh) * | 2023-04-07 | 2023-05-09 | 航天宏图信息技术股份有限公司 | 遥感变化检测方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563438B (zh) * | 2017-08-31 | 2019-08-30 | 西南交通大学 | 一种快速鲁棒的多模态遥感影像匹配方法和系统 |
-
2024
- 2024-02-02 CN CN202410145295.5A patent/CN117689658B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708260A (zh) * | 2022-05-30 | 2022-07-05 | 阿里巴巴(中国)有限公司 | 图像检测方法 |
CN115410096A (zh) * | 2022-11-03 | 2022-11-29 | 成都国星宇航科技股份有限公司 | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 |
CN116091497A (zh) * | 2023-04-07 | 2023-05-09 | 航天宏图信息技术股份有限公司 | 遥感变化检测方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
粤港澳大湾区安县变换遥感识别机器监管意义探讨;喻丰华等;中国水利学会2019学术年会论文集第二分册;20191231;第634-639页 * |
高分辨率遥感影像的深度学习变化检测方法;张鑫龙等;测绘学报;20170831;第46卷(第8期);第999-1008页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117689658A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084292B (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
CN109829399B (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN109241913B (zh) | 结合显著性检测和深度学习的船只检测方法及系统 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
CN112348787A (zh) | 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置 | |
CN104952070B (zh) | 一种类矩形引导的玉米田遥感图像分割方法 | |
CN111310756A (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
CN114387520A (zh) | 一种用于机器人采摘的密集李子精准检测方法及其系统 | |
CN104754327A (zh) | 一种检测及消除高光谱图像坏点的方法 | |
CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
CN110909615A (zh) | 基于多尺度输入混合感知神经网络的目标检测方法 | |
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 | |
CN112184809A (zh) | 相对位姿的估计方法、装置、电子设备及介质 | |
CN114926738A (zh) | 一种基于深度学习的滑坡识别方法及系统 | |
CN109063577B (zh) | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
CN117036756B (zh) | 基于变分自动编码器的遥感图像匹配方法及系统 | |
CN117689658B (zh) | 遥感影像变化检测方法及装置 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN112734695A (zh) | 基于区域增强卷积神经网络的sar图像变化检测方法 | |
CN109726679B (zh) | 一种遥感分类误差空间分布制图方法 | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 |
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 |