[发明专利]一种遥感图像变化检测方法、装置、设备及存储介质

说明书

本申请公开了一种遥感图像变化检测方法、装置、设备及存储介质，包括：对遥感图像进行图像预处理，并制作数据集；通过FPN网络建立多尺度特征集；采用SANet+网络构建遥感图像变化检测模型，并将多尺度特征集输入至SANet+网络进行预训练；SANet+网络包含三种不同尺度的网络输入层，经网络计算后得到差异特征，在网络最后使用1*1的卷积核混合差异特征信息，并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果；通过迁移学习再次训练SANet+网络，获得训练好的模型；将待测遥感图像输入至训练好的模型，获取变化检测结果。这样可以保证变化检测结果地物的完整性，提高变化检测的提取精度和处理效率。

技术领域

本发明涉及遥感数据处理技术领域，特别是涉及一种遥感图像变化检测方法、装置、设备及存储介质。

背景技术

目前，具有快速、覆盖范围广、周期性等特点的对地观测的遥感技术已成为地理国情监测数据获取的重要手段。随着遥感技术的不断发展，影像分辨率的不断提高，高分辨率影像能提供更丰富的地理、地形等空间信息，方便快捷，且定位精确、一致性强，其几何结构和纹理特征能更好的表达地类地物的信息，因此被广泛应用于建筑物、矿区等小区域信息提取。然而随着空间分辨率的提高，高分辨率遥感影像光谱信息较中低分辨率遥感影像会减少，“同物异谱、同谱异物”现象的普遍存在直接影响了地物识别与变化检测的效果；此外，随着高分辨率遥感影像资源日益丰富，需要处理的数据量也迅速增加，对计算机的配置要求也越来越高。因此对于适用于高分辨率遥感影像的变化检测方法的研究与探索是变化检测领域的热点之一。

传统的遥感图像变化检测，需要对不同时期的两幅图像进行裁剪、配准、辐射校正等预处理，然后采用差值、比值等不同的方法构造差异图进行变化区域提取；传统变化检测方法存在预处理过程要求严格，需要人工干预，自动化程度低，导致变化检测处理效率低。伴随着深度置信网络(Deep Belief Network，DBN)、卷积神经网络(Convolutional NeuralNetwork，CNN)和循环神经网络(Recurrent Neural Networks，RNN)等具有强特征学习能力的网络模型的出现，以及计算机硬件的发展，使得基于深度学习方法的遥感影像变化检测研究成为前沿热点方向。但是样本标签的缺乏是深度学习在变化检测中面临的重要问题。

发明内容

有鉴于此，本发明的目的在于提供一种遥感图像变化检测方法、装置、设备及存储介质，可以提高变化检测处理效率和变化类型检测精度。其具体方案如下：

一种遥感图像变化检测方法，包括：

对遥感图像进行图像预处理，并制作数据集；

将所述数据集输入至FPN网络获得三种不同尺度的图像特征信息，建立多尺度特征集；

采用SANet+网络构建遥感图像变化检测模型，并将多尺度特征集输入至所述SANet+网络进行预训练；所述SANet+网络的网络输入层为三种不同尺度的网络输入层，经网络计算后得到差异特征，在网络最后使用1*1的卷积核混合所述差异特征的信息，并经过3*3的卷积和上采样后恢复出输入图像分辨率的预测结果；

通过迁移学习再次训练所述SANet+网络，获得训练好的所述遥感图像变化检测模型；

将待测遥感图像输入至训练好的所述遥感图像变化检测模型，获取变化检测结果。

优选地，在本发明实施例提供的上述遥感图像变化检测方法中，对遥感图像进行图像预处理，具体包括：

将两时相遥感图像依次裁剪为设定大小的标准图像；

对裁剪后的所述标准图像进行相对配准，在配准过程中均匀地选取多个同名像点，通过配准误差控制在0.5像元以内；

利用伪不变特征点方法进行线性相对辐射校正。