[发明专利]基于三元组语义关系学习的航拍遥感图像变化检测方法

说明书

本公开提供一种基于三元组语义关系学习的航拍遥感图像变化检测方法，包括：步骤A：构建基于三元组语义关系学习的双路深度神经网络模型；步骤B：利用训练数据集训练双路深度神经网络模型；步骤C：基于测试数据集和训练后的双路深度神经网络模型，得到测试数据集的特征表示；步骤D：基于测试数据集的特征表示，计算两时相图像之间的欧式距离，得到一幅差异图像；以及步骤E：利用阈值法对差异图像进行处理，得到变化检测结果。本公开提供的基于三元组语义关系学习的航拍遥感图像变化检测方法，利用深度学习方法自动实现多时相航拍遥感图像特征的自动选择，能够更加全面、深层地表达图像，无需手工特征选择，省时省力，便于工程应用。

技术领域

本公开涉及遥感图像处理技术领域，尤其涉及一种基于三元组语义关系学习的航拍遥感图像变化检测方法。

背景技术

人类活动对地球表面环境造成了巨大影响，这种影响体现在环境变化、城市发展等各个方面。因此，实时精确地获取地球地表覆盖的变化情况对于环境监测和资源管理意义重大，变化检测是指通过对同一地区不同时间的地物分布情况进行观测来确定地表变化。遥感影像能够长期提供较大范围的地表信息，在变化检测中有着重要的应用。近年来，随着航空遥感技术的发展，航空图像有着海量的数据，因此，航拍遥感图像变化检测目前也是遥感领域一项重要的课题。

航拍遥感图像变化检测的方法主要分为两类：一类是先分别分类两时相遥感图像，然后对得到的分类类别图比较分析，从而得到变化检测的结果；另一类是先比较分析多时相图像，产生一幅差异图像，然后分析该差异图，得到变化检测的结果。目前主流的变化检测方法为后者，其中如何产生一个高质量的差异图是变化检测一个重要的研究方向。

然而，在实现本公开的过程中，本申请发明人发现，常用的产生差异图的方法是对提取的不同时相特征进行比较。传统的变化检测方法是手动提取特征，特征表达力不高；结合深度学习的变化检测方法，是通过深度神经网络来提取特征，其鲁棒性和抽象性更强，但是深度学习方法提取的特征中忽略了像素之间的语义关系和变化区域多尺度的问题，均无法产生高质量的差异图。

公开内容

(一)要解决的技术问题

基于上述技术问题，本公开提供一种基于三元组语义关系学习的航拍遥感图像变化检测方法，以缓解现有技术中的变化检测方法忽略了像素之间的语义关系和变化区域多尺度的问题，无法产生高质量的差异图的技术问题。

(二)技术方案

本公开提供一种基于三元组语义关系学习的航拍遥感图像变化检测方法，包括：步骤A：构建基于三元组语义关系学习的双路深度神经网络模型；步骤B：利用训练数据集训练所述双路深度神经网络模型；步骤C：基于测试数据集和训练后的双路深度神经网络模型，得到测试数据集的特征表示；步骤D：基于所述测试数据集的所述特征表示，计算两时相图像之间的欧式距离，得到一幅差异图像；以及步骤E：利用阈值法对所述差异图像进行处理，得到变化检测结果。

在本公开的一些实施例中，所述步骤A包括：步骤A1：构建用于提取特征的基于101层残差网络的所述双路深度神经网络模型；步骤A2：获取用于训练的三元组选择层；以及步骤A3：设置损失函数Triplet loss层。

在本公开的一些实施例中，所述步骤A1包括：步骤A1a：将101层的残差网络中的全连接层用全卷积层代替；步骤A1b：采用带孔卷积扩大感受野的范围；以及步骤A1c：采用带孔的空间金字塔池化方法提取不同尺度的特征。

在本公开的一些实施例中，所述步骤A2包括：步骤A2a：将经过训练的所述训练数据集中两时相的训练数据的特征表示通过级联层将其级联成一个特征图，该特征图满足下式：

f_w(X)＝{f_w(x_ij)|1≤i≤H，1≤j≤W}