[发明专利]面向遥感技术领域两期高分辨率遥感影像变化检测系统

说明书

一种面向遥感技术领域两期高分辨率遥感影像变化检测方法，通过基础特征提取网络将一对待测遥感影像输入双路神经网络并分别提取出特征图，然后通过双路神经网络中的特征金字塔结构以通道数拼接的方式融合得到包含两层特征图的语义信息的特征融合图，对拼接后得到特征差异图进行影像分割后将分割结果融合得到分割轮廓结果。本发明将图像块(Patch)级相似度检测与像素(Pixel)级的多尺度分割相结合，构建双路神经网络(PPCNET,Patch‑level and Pixel‑level Combined Network)，融合块级与像素级的变化检测方式，提高了变化检测的精度以及检测速度，同时避免了噪声影响，适合高分辨率遥感影像的变化检测。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于双路神经网络的Patch(图像块)级与Pixel(像素)级融合策略下的高分辨率遥感影像变化检测方法。

背景技术

高分辨率遥感影像中存在大量关于目标尺度、光照不一致、目标遮挡以及低阶与高阶相关性问题，使得高分辨率遥感影像的变化检测一直都是一个挑战性的问题，特别是如何精确地提取出变化区域的轮廓是高分辨率遥感影像变化检测中的一个研究热点和难点。

遥感影像变化检测中常用的方法包括PCA(主成分分析法)、CVA(变化向量分析法)、基于双路神经网络、特征融合与阈值分割的SCCN检测方法等等。

然而，目前的变化检测方法大多考虑获取两幅影响的差异性，即采用获取两期影像之间的差异图或采用双路网络与特征级融合获取特征之间的特征差异图，后者对遥感影像变化检测的性能影响具有重要的提升作用，但经过卷积神经网络多次卷积池化后得到的最终特征图一般只具有较强的语义信息，不具备检测多尺度目标的能力，无法找到变化区域的准确轮廓。

发明内容

本发明针对现有技术存在的上述不足，提出一种面向遥感技术领域两期高分辨率遥感影像变化检测方法，将图像块(Patch)级变与不变检测与像素(Pixel)级变与不变检测相结合，构建双路神经网络(PPCNET,Patch-level and Pixel-level Combined Network)，融合块级与像素级的变化检测方式，提高了变化检测的精度以及检测速度，同时避免了噪声影响，适合高分辨率遥感影像的变化检测。

本发明是通过以下技术方案实现的：

本发明通过基础特征提取网络将一对待测遥感影像输入双路神经网络并分别提取出特征图，然后通过双路神经网络中的特征金字塔融合模块以通道数拼接的方式融合得到包含两层特征图语义信息的特征融合图，对拼接后得到的特征差异图进行像素级分类后将多尺度变化检测结果融合得到具体轮廓结果。

技术效果

与现有技术相比，本发明能够较好地实现高分辨率遥感影像特定区域是否发生变化的精确描述，在最后的像素级分类与块级分类的学习预测阶段，能够获得两期影像变化区域的准确轮廓。本发明采用特征金字塔模块进行特征提取，着重解决了影像中单层特征信息不足问题。双路网络特征融合操作有助于获取两期影像特征图之间的特征差异图。层级特征图的融合有助于提升多尺度目标的轮廓提取准确度。通过双路神经网络与Patch-Pixel融合策略可显著提高遥感影像的变化检测准确率。

附图说明

图1为本发明原理示意图；

图2为融合特征生成与块级分类流程图；

图3为像素级分类流程图；

图4为两期影像网络结构示意图；

图5为特征金字塔融合模块示意图；

图6为变化区域检测算法示意图；

图7为实施例中两期影像航拍数据集示意图；