[发明专利]一种基于卷积神经网络的遥感影像建筑物变化检测方法

权利要求书

1.一种基于卷积神经网络的遥感影像建筑物变化检测方法，其特征在于，包括如下步骤：

步骤1，根据已有的影像及地表覆盖矢量文件构建样本库，该样本库包括建筑物分类数据集，建筑物变化检测模拟数据集；

步骤1的具体实现包括如下子步骤，

步骤1.1，影像拼接与裁剪；若待处理影像为分幅影像，则对分景和分幅的影像进行拼接，得到完整的影像；然后根据已有的地表覆盖文件所覆盖的区域为可用作训练的影像范围，将完整影像按地表覆盖范围进行裁剪；

步骤1.2，影像重采样；以某一影像分辨率为基准，对其它影像进行重采样；

步骤1.3，制作标签数据；将矢量文件进行栅格化，转换成与对应影像分辨率相同的栅格影像，栅格化的地表覆盖影像即为影像所对应的地物类型标签数据；

步骤1.4，样本分割；将裁剪、重采样后的影像及对应的标签数据分割为一定大小的样本数据；

步骤2，利用步骤1构建的样本库中的建筑物分类数据集对建筑物提取网络进行训练，学习高分辨率遥感影像中的建筑物特征，然后使用训练好的建筑物提取网络提取变化区域的多时相建筑物二值分类图，所述建筑物提取网络为Mask R-CNN或多尺度全卷积网络；

步骤3，利用步骤1自动生成的建筑物变化检测模拟数据集预训练变化检测网络MaskCD-net，然后直接使用预训练的Mask CD-net预测待检测遥感影像，得到影像中建筑物变化检测结果；

所述的Mask CD-net包括第二输入、第二编码、第二解码以及第二输出4个部分；其中第二输入为步骤2中不同时相的建筑物二值分类图，并将它们进行串联；第二编码部分包括5个卷积层、4个最大池化层；第二解码部分由4个卷积层，4个反卷积层组成；第二输出部分由Sigmoid函数组成；

第二编码部分的5个卷积层都由两组连续堆叠的卷积，修正线性单元组成，卷积核大小均为3×3，卷积步长均为1；

第二解码部分的4个卷积层都由2组连续堆叠的卷积和修正线性单元组成。

2. 如权利要求1所述的一种基于卷积神经网络的遥感影像建筑物变化检测方法，其特征在于：所述步骤1中还包括建筑物变化检测真实数据集；步骤3中使用预训练的Mask CD-net在建筑物变化检测真实数据集上再进一步训练模型，得到精度更高的变化检测网络，并通过其预测得到待检测遥感影像中建筑物变化检测结果。

3.如权利要求1或2所述的一种基于卷积神经网络的遥感影像建筑物变化检测方法，其特征在于：所述MS-FCN包括第一编码、第一解码以及第一输出3个部分，其中第一编码部分由5个卷积层、4个最大池化层组成；第一解码部分由4个卷积层，4个反卷积层组成；第一输出部分由Sigmoid函数组成。

4.如权利要求3所述的一种基于卷积神经网络的遥感影像建筑物变化检测方法，其特征在于：第一编码部分的5个卷积层都由两组连续堆叠的卷积，修正线性单元组成，卷积核大小均为3×3，卷积步长均为1。

5.如权利要求3所述的一种基于卷积神经网络的遥感影像建筑物变化检测方法，其特征在于：第一解码部分的4个卷积层都由2组连续堆叠的卷积和修正线性单元组成。