[发明专利]一种基于特征偏差对齐的遥感影像二值变化检测方法

说明书

本发明公开了一种基于特征偏差对齐的遥感影像二值变化检测方法，包括：步骤1：构造双时相遥感影像二值变化检测数据集并进行预处理；步骤2：构建基于特征偏差对齐的二值变化检测模型，并给定双时相遥感影像获得变化区域预测结果及变化区域辅助预测图；步骤3：使用真实变化区域标签结果与预测变化区域结果及变化区域辅助预测图分别计算主损失函数和辅助损失函数，根据损失对梯度进行反向传播更新模型，直至损失值收敛时终止训练，保存模型结构及模型权重；步骤4：使用步骤3训练好的模型权重对测试集数据进行预测。本发明可以有效的解决当双时相遥感影像由于多视角拍摄、高层建筑物过多或地形起伏较大等因素引起的变化区域误检现象。

发明领域

本发明属于遥感图像处理领域，涉及计算机深度学习领域，具体涉及一种基于特征偏差对齐的遥感影像二值变化检测方法。

背景技术

二值变化检测任务目标是给定两张同地区双时相遥感影像，定位该地区的变化区域和非变化区域。随着深度学习技术的发展，基于孪生卷积神经网络的方法在二值变化检测任务取得了超越传统方法的精度，其通常采用编码器-解码器架构，即首先采用共享权重的孪生卷积神经网络编码器分别提取双时相影像的低层特征和高层特征，然后使用解码器获得差异特征并按照自底向上的路径逐步恢复分辨率，最后连接一个分类器预测变化区域。

然而，基于孪生卷积神经网络的二值变化检测方法在高维特征空间获取差异特征时，需要尽可能的保证所提取的高维特征在原始双时相影像中的空间位置对齐，否则会由于特征偏差问题出现误检区域。然而，由于配准误差和降采样层的存在，双时相影像的高维特征间不可避免的会存在特征偏差的问题。现有的二值变化检测方法往往直接引入语义分割模型或在语义分割模型基础上进行一定的改进，并未考虑特征偏差问题。

发明内容

本发明要解决的技术问题在于针对上述方法的不足，提出了一个基于特征偏差对齐的遥感影像二值变化检测方法，以克服当双时相遥感影像存在配准误差时模型出现误检的问题。

该方法主要解决目前的基于深度学习的变化检测方法对于存在配准误差的双时相影像存在误检的文艺，通过自适应的学习双时相影像特征间的偏差流以对齐特征可以较好的解决配准误差或降采样带来的误检影响，该方法主要包括以下步骤：

步骤1，构造双时相遥感影像二值变化检测数据集并进行预处理。

具体的，步骤1进一步包括：

步骤1.1，先将全部数据集划分为训练集、验证集和测试集，若原始影像尺寸过大(如图像过大时GPU显存不足时即可视为尺寸过大)，可先将其裁剪为小尺寸影像。

步骤1.2，对训练集进行数据增强以扩大数据集。

步骤1.3，对数据集的双时相影像和标签数据进行归一化。

步骤2，构建基于特征偏差对齐的二值变化检测模型FACD，并针对给定双时相遥感影像获得的预测变化区域结果及变化区域辅助预测图。

具体的，步骤2进一步包括：

步骤2.1，给定两张双时相遥感影像I¹,I²∈R^(H×W×3)H,W代表原始影像的尺寸大小。经过孪生卷积特征提取模块，双时相影像I¹,I²被映射至一组双时相特征图集{F_l¹,F_l²}_l＝1,...,n，其中C代表第l层特征图的特征通道数目。