[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

说明书

本发明提供一种基于卷积神经网络的遥感影像建筑物变化检测方法，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(Mask R‑CNN或多尺度全卷积网络)进行训练，学习高分辨率遥感影像中的建筑物特征，然后使用训练好的网络提取变化区域的多时相建筑物二值分类图；步骤3，利用步骤1构建的样本库中的模拟数据集训练变化检测网络Mask CD‑net，然后直接使用Mask CD‑net预测建筑物变化检测数据集，得到变化检测结果。若包含真实变化数据集，则用来进一步训练并精化Mask CD‑net，得到更好的变化检测效果。

技术领域

本发明涉及一种用于高分辨率遥感影像建筑物变化检测的深度学习方法，尤其是提出了一种可自我训练的变化检测网络。此方法可用于两期遥感影像的建筑物变化检测。

背景技术

变化检测指的是通过在不同时间观察同一区域来识别物体或现象状态差异的过程。变化检测框架使用多时相数据集来定性分析现象的时间效应并量化变化。在遥感应用中，变化被视为具有不同速率的表面成分变化。土地覆盖和土地利用的变化信息非常重要，它在各种应用中具有实际用途，例如GIS数据库更新，城市发展趋势，自然灾害评估和森林火灾、砍伐等。

变化检测分析通常分为三个层级，即像素级，特征级和目标级。其中像素级的变化检测是指直接对两期影像的像素检测其变化，这种方法有很多局限性，但是像素信息表示的是图像最原始的信息，能够提供细微的信息。特征级变化检测是指先通过一些手段提取图像中的特征，例如边缘、纹理、形状、轮廓等，然后结合特征综合分析变化，通过这样的处理方式得到的变化检测结果具有更高的置信度和准确性，但是在提取特征的过程中可能会损失一些信息。目标级变化检测指针对图像中的某一类变化对象进行具体分析，例如建筑物，道路，森林，水域等，这一级别的变化检测分析前提是能够很好地提取出感兴趣区域。三个级别的变化检测分析方法各有优势，在实际应用中，需要根据不同的目的和数据条件选择最合适的分析方法。

传统的变化检测方法分为基于像素的方法和基于对象的方法，基于像素的方法以像素为变化检测分析的基本单元，通过利用像素的光谱特征等信息来检测变化，不考虑像素之间的空间关系。基于对象的方法处理高分辨率多光谱影像的能力通过从图像中提取的对象来体现。基于像素的方法主要有直接比较、影像转换、基于分类的变化检测和机器学习方法等。其中直接比较有影像差值、影像比值、回归分析。影像转换有植被指数差分、变化矢量分析法(CVA)、主成分分析法(PCA)、缨帽变换法等。基于对象的方法主要有基于对象的分类比较和基于堆叠的多时相影像比较。机器学习方法主要有人工神经网络、支持向量机和决策树等。

随着近些年来深度学习技术的发展，一些基于深度学习的变化检测方法也被陆续提出。然而，这些方法有些只在非常小的范围进行测试，缺乏统计意义；有些方法的精度较差；最重要的是：对于充足的训练样本极度依赖，但实际情况是：变化的样本非常难以得到。

发明内容

本发明提出了一个新的基于CNN的框架，用于高分辨率航空影像的建筑物变化检测。整个框架分为建筑物提取网络和建筑物变化检测网络两部分。首先采用建筑物提取网络对多时相影像进行分类，提取高精度的建筑物信息，然后以分类结果为输入，采用建筑物变化检测网络识别建筑物的变化。该网络通过模拟建筑物变化数据集，可以在不提供真实训练数据的情况下，得到良好的变化检测结果。该网络同时通过模拟建筑物的视差变化进行自我训练，解决了不同视角的高分辨率航空影像上建筑物难以完全配准的问题。最后，若提供了真实的变化样本，则用来进一步训练并精化变化检测网络，得到更好的变化检测效果。