[发明专利]基于全卷积神经网络的遥感图像变化检测方法

说明书

本发明公开了一种基于全卷积神经网络的遥感图像变化检测方法，将训练集输入预先构建的全卷积神经网络，采用梯度下降算法训练全卷积神经网络，确定遥感图像变化检测网络，将测试集输入遥感图像变化检测网络，生成测试集中各个测试图像的分割图像，计算各个分割图像中像素的强度值差值，根据强度值差值的绝对值生成差异图像，提取所述差异图像中像素块的各个特征向量，根据各个特征向量构建特征向量空间，对特征向量空间进行聚类，根据聚类结果生成粗变化检测图，对粗变化检测图进行形态学滤波，以生成变化检测图，实现测试集中各个测试图像的变化检测，使检测得到的测试图像变化状态更为全面，提高检测准确性以及相应的检测精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于全卷积神经网络的遥感图像变化检测方法。

背景技术

随着各种卫星传感器提供的地球观测数据不断增加，使用相同或不同的传感器很容易获得多时相的遥感图像数据。基于同一地理地区域获取的多时相遥感图像，变化检测任务是通过在不同时间观测一个物体或自然现象来识别其状态差异的一种方法，这对准确理解和处理地球表面的变化有着重要的作用。一般而言，变化检测技术已应用于许多领域，如土地覆盖、土地利用制图、自然资源调查、城市扩展监测、环境评估等。

近年来，深度学习在图像处理、自然语言处理和三维场景理解等领域取得了明显的优势。由于它们的巨大成功，深度学习技术也被尝试用来解决变化检测问题。基本上，基于深度学习的变化检测方法可以分为三大类：(1)基于特征的深度学习变化检测；(2)基于补丁的深度学习变化检测；(3)基于图像的深度学习变化检测。

公开号CN108564083A一种遥感图像变化检测方法及装置，获取双时相遥感图像的差异图像，利用预置算法生成向量集合，利用预置聚类算法对各个所述向量进行聚类，得到最终差异图。该方法虽然解决了现有的无监督检测遥感图像变化区域时，由于无监督检测性能指标较低而导致的遥感图像变化区域检测的准确率较低的问题，但是由于直接通过双时相遥感图像获取变化图，所得精度不高，易造成误差累计，影响变化检测结果图精度。

公开号CN107480712A基于局部不变特征的高分辨率遥感图像变化检测方法，在待检测图像对两次交叉分块的基础上，分别利用LBP和SURF特征描述子分析图像块对的相似度置信度，基于相似度置信度判断1/4图像块的变化性质，并采用形态学区域增长的方式处理变化和非变化1/4图像块形成的块状效应。该方法两次分块处理，按图像块分析纹理特征，按1/4图像块判断图像变化性质，提高了图像块描述的准确性和图像块分析的精度，但是LBP算子当光照变化不均匀时,各像素间的大小关系被破坏,对应的LBP算子也就发生了变化，并且通过引入旋转不变的定义,使LBP算子更具鲁棒性，但这也使得LBP算子丢失了方向信息。

可见，传统的遥感图像变化检测方案检测得到的结果往往存在信息不全、准确性低、以及检测精度低的问题。

发明内容

针对以上问题，本发明提出一种基于全卷积神经网络的遥感图像变化检测方法。

为实现本发明的目的，提供一种基于全卷积神经网络的遥感图像变化检测方法，包括如下步骤：

S30，将训练集输入预先构建的全卷积神经网络，并选择特定损失函数，根据所述特定损失函数采用梯度下降算法训练所述全卷积神经网络，在所述全卷积神经网络收敛时确定遥感图像变化检测网络；

S40，将测试集输入遥感图像变化检测网络，生成测试集中各个测试图像的分割图像；

S50，计算各个分割图像中像素的强度值差值，根据强度值差值的绝对值生成差异图像；

S60，提取所述差异图像中像素块的各个特征向量，根据各个特征向量构建特征向量空间，对特征向量空间进行聚类，根据聚类结果生成粗变化检测图；

S70，对粗变化检测图进行形态学滤波，以生成变化检测图。