[发明专利]基于局部动态能量函数FCN-CRF模型的生态变化监测方法

说明书

本发明属于生态环境变化检测技术领域，公开了一种基于局部动态能量函数FCN‑CRF模型的生态变化监测方法，利用输入的两时相SAR图像，生成均值比差异图和对数比差异图，并且进行数据扩增作为FCN网络的训练和测试数据集；采用FCN网络进行训练，获得二分类类标作为CRF模型的一阶势函数的输入；基于局部动态能量函数的CRF模型，实现动态求解二阶势函数的权重系数，获得最终的变化检测结果。本发明利用了SAR图像的语义变化特征、基于动态能量函数的FCN‑CRF模型可以提取更加丰富的邻域信息，有效提高了SAR图像中变化区域的检测精确，实现有效识别出关键信息，为生态环境变化监测的科学决策提供有力证据支撑。

技术领域

本发明属于生态环境变化检测领域，尤其涉及一种基于局部动态能量函数FCN-CRF模型的生态变化监测方法。

背景技术

目前，最接近的现有技术：我国是世界上人口最多的国家，目前水土流失面积达356万平方公里，占国土总面积37.08％，荒漠化土地面积是耕地面积的2倍，每年以2400平方公里的速度扩展，40％的湿地遭到中等或者严重威胁，大气污染、污水等环境安全问题也十分突出，已经严重影响人民群众正常生活和身体健康，生态环境治理和保护刻不容缓。

遥感技术由于连续性、实时性、覆盖广、不受地形地势约束、手段多、信息量大而成为生态环境监测的主要手段之一，近年来，我国遥感技术尤其是高分辨率遥感技术获得了长足的进步。例如高分五号卫星，主要服务于我国环境综合观测对高光谱遥感数据的迫切需求，该卫星的光谱分辨率达到0.5nm，可用于地表精细分类、生态环境监测、生态系统状况及动态变化监测。

遥感生态环境变化检测是指多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据来确定和分析土地、水体、植被等地物的变化，从而监测生态环境变化。合成孔径雷达(SAR)是一种主动式微波成像传感器，与光学遥感和其他微波遥感相比，合成孔径雷达成像技术具有不受光照和气候条件等限制实现全天时、全天候对地观测的特点。因此，SAR图像广泛应用于变化检测领域，可以有效识别出变化区域、范围、类别等关键信息，为科学决策提供有力证据支撑，所以研究SAR图像变化检测具有重要意义。

遥感图像变化检测本质上是一个二分类问题，即将差异图像分为变化类和非变化类。在过去的十几年中，国内外研究学者提出了大量的变化检测方法，随着遥感图像分辨率的不断提高，这些传统的方法，从早期的基于像素逐渐向基于对象过渡。其中，基于像素的方法是对图像逐像素点进行变化分析，该类算法通常需要获取多时相图像的差异图像，通过分割阈值的选择或无监督的聚类操作来确定变化区域。例如Ostu阈值法、K-I最小误差阈值法等；聚类算法有K-means聚类、模糊C均值聚类和谱聚类等等。随着遥感图像的空间分辨率的不断提高，图像中包含了更加复杂的图像组织结构和更加丰富的地物信息，传统的像素级别变化检测方法不再适用于高分辨率图像。因此，为了充分利用图像的空间邻域信息和局部结构特征，对象级别的分析方法通过将图像映射为同质区域从而获得半语义信息成为图像理解和识别的关键技术。2015年，Qiang C等人提出以地理对象作为基本分析单元，依据最小噪声分离变换确定划分阈值来获取变化检测结果，其检测精度显著优于传统的变化检测方法。2017年，Yang G等人提出了一种基于超像素分割和变分高斯混合模型的多时间遥感图像无监督变化检测方法，该方法结合了图像的半语义信息，显著提高了检测性能。但是上述的变化检测方法都存在以下缺点：需要人工构造出浅层特征,这使得最终检测的效果非常依赖于构造的特征的有效性,往往会丢失有效信息并且掺杂虚假信息,并且难以挖掘遥感图像中的深层特征。

由于深度学习的快速发展，有很多研究者尝试使用各类深度学习模型来解决变化检测问题。变化检测的本质是图像的理解和分类，神经网络具有强大的特征学习和表达能力，通过多层网络学习得到图像中的抽象信息和深层特征，可以有效抑制噪声的干扰；同时神经网络模型强大的分类能力能够对图像中变化和非变化区域进行判定，因此，神经网络模型非常适合处理图像变化检测问题。全卷积网络(FCN)是经典的语义分割网络之一，能从抽象的特征中恢复出每个像素所属的类别，实现像素级别的分类，并且保留了原始输入图像的空间信息。