[发明专利]一种改进的全卷积孪生神经网络的矿区变化检测方法

说明书

一种基于高分辨率遥感影像的矿区变化检测方法。该方法通过对两景不同时相的高分辨率遥感影像使用全卷积孪生网络架构与膨胀卷积模块进行特征自动提取生成最终的矿区变化检测结果，能够更好地区分真正的矿区变化与自然地物的时令变化。

技术领域

本发明属于遥感数据智能处理技术领域，具体涉及基于遥感影像的矿区土地类型快速变化检测。

背景技术

矿产资源是我国非常重要的战略发展资源，由于各类矿产资源开采和相关工程建设的推进，矿区土地覆盖处于快速变化之中，成为区域生态环境变化、地质灾害等最直接的承载体和表现方式。矿区土地覆盖变化动态监测和综合分析是区域资源环境保护和地质灾害防治的重要研究内容，传统的矿山环境监测一般采取国土资源动态巡查的方式来发现问题。由于矿区占地面积较大，利用传统方法对矿区开发及其所产生的生态环境问题进行全面调查时效性差、周期长、效率低。随着卫星对地观测技术的发展，尤其是高空间分辨率卫星数据的不断出现，遥感变化检测技术已成为矿区变化监测的最有效手段。

矿产资源种类多样，为了能够对不同种类的矿区及其周边环境进行高效变化检测，需要研究一种精度较高且泛化性能较好的变化检测算法。目前已有的矿区变化检测方法与应用，大多使用传统机器学习方法，仅能对范围较小、矿种单一的矿区进行检测，并且通常需要人工干预，算法自动化和智能化程度差。随着遥感技术的发展和深度学习技术的成熟，基于全卷积孪生神经网络的变化检测算法不断出现，但大多数模型均针对城市建筑物所设计，相较于城市等地区的变化检测，矿产开发区的自然地物与人工地物混杂，尤其是自然地物的时令变化会对检测造成一定干扰。

发明内容

本发明旨在解决上面描述的问题。具体地，本发明提供一种基于高分辨率遥感影像的矿区变化检测方法。

本发明通过对两景不同时相的高分辨率遥感影像使用全卷积孪生网络架构与膨胀卷积模块进行特征自动提取生成最终的矿区变化检测二分类结果，并使用遥感影像样本、二分类图像样本对矿区变化检测模型进行训练。全卷积孪生网络使用两个相同的编码器分别对前后两时相遥感影像进行特征提取并在训练时共享权重，并最终回到同一个解码器中，这种结构能够在不增加参数量的条件下提升模型的特征提取能力。而膨胀卷积能够在不降低特征图分辨率的情况下扩大卷积的感受野，获取更多目标周围地物的信息，从而能更好区分真正的矿区变化与植被农田变化。

参照附图来阅读对于示例性实施例的以下描述，本发明的其他特性特征和优点将变得清晰。

附图说明

图1是根据一示例性实施例示出的基于高分遥感影像的矿区变化检测的流程图。

图2为根据一示例性实施例示出的遥感影像示意图，左图为2017年11月20日获取的影像，右图为2020年4月28日获取的影像。

图3为根据一示例性实施例示出的二分类图像示意图。

图4为根据一示例性实施例示出的矿区变化检测模型示意图。

图5为根据一示例性实施例示出的矿区变化检测模型的预测结果示意图。

具体实施方式

图1是根据一示例性实施例示出的基于遥感影像的矿区变化检测的流程图。参考图1，基于遥感影像的矿区变化检测方法，包括：

(1)对目标区域两景不同时相的遥感影像进行数据预处理，包括辐射定标、大气校正、影像裁剪等，最终获得两景不同时相的矿区地表反射率影像。

(2)制作二分类变化样本。根据两时相影像制作成变化区域的二分类图像样本。两个时相的遥感影像样本中的变化需与二分类图像样本中的变化一一对应。

(3)模型训练。使用对应的两景不同时相的遥感影像样本、二分类图像样本训练矿区变化检测模型。