[发明专利]遥感图像建筑物的检测模型优化方法及检测方法、装置

说明书

本发明公开了一种遥感图像建筑物的检测模型优化方法及检测方法、装置，检测模型优化方法包括如下步骤：优化U‑Net网络模型：在U‑Net网络的特征提取环节用非对称卷积块代替3×3标准卷积，在U‑Net网络的阶跃连接部分引入注意力机制调节特征权重；制作样本数据；将样本数据输入改造后的U‑Net网络模型进行模型训练；对模型训练结果进行精确度计算。

技术领域

本发明涉及一种遥感图像建筑物的检测模型优化方法及检测方法、装置，属于遥感图像处理技术领域。

背景技术

传统的遥感图像变化检测方法流程一般分为三步：1)应用图像预处理技术对图像进行配准、去噪等，消除成像因素带来的图像差异；2)以图像差分、图像比值等方法生成差分图像；3)对差分图像进行分类，从中提取变化类特征，分析变化类特征得到变化图。Gong等人在小波域利用平均比值图像和对数比值图像的互补信息生成差分图像，并对FLICM算法进行改进，提出改良局部邻域模糊c均值(Reformulated Fuzzy Local Infor-nation C-means,RFLICM)聚类算法，对融合后的差分图像进行分类，得到图像的变化情况；刘陆洋等利用对数比差异图和均值差异图合成新的差异图，再由主成分分析法得到新差异图每个像素的向量表示，最后通过模糊 c均值聚类算法得到变化图，减少了散斑噪声对检测结果的影响，提高了变化检测的精度。上述方法都依赖于手工构建的特征表示，对复杂的高层次变化信息的建模能力有限，并且当变化类和非变化类的特征重叠或其统计分布建模不准确时，检测结果会产生误差。近年来，深度学习技术发展迅速，在目标检测、语义分割和图像分类等领域中取得了显著效果，一些学者开始对深度学习在遥感图像变化检测中的应用进行研究。杨海伦提出基于卷积神经网络的有监督特征学习，通过无监督特征学习生成特征图，再利用有监督的卷积神经网络从中提取更加抽象的特征，从而检测出遥感图像中的变化部分和非变化部分；赵景晨提出一种基于超像素和孪生卷积神经网络模型，首先以超像素为单位进行局部特征计算和样本选择，实现对数据集的自动标注，然后利用孪生网络对标注后的数据集进行训练，最后以欧式距离来度量目标相似性，通过阈值分割提取变化结果，兼顾了两组图像各自的特征信息，但是阈值的选取较为困难；顾炼将超列和FlowNet的细化结构应用于U-Net 中，在U-Net网络解码阶段对每一层进行预测，并将预测结果融入下一层的预测中，设计出FlowS-Unet网络，实现对遥感图像的变化检测；唐文博将FPN结构融入U-Net网络，构建具有更深层语义特征的金字塔模型，并逐层与前一层特征图横向连接，有效融合多个层级的特征，丰富了编码阶段的特征语义信息，提高了变化检测对建筑物边缘信息的提取精度。深度学习技术在遥感图像变化检测中的应用取得了初步成效，但进一步提高变化检测的准确性仍然是该领域研究的主要难点之一。

U-Net网络是一个U型对称网络，左侧是一个编码器，右侧是一个解码器。编码器用于提取图像特征、减少空间维度，解码器逐步恢复图像的细节信息和空间维度，两者之间阶跃连接，使解码器更好的恢复目标的细节信息，还原图像精度。编码器由4组相同的编码块组成，每组编码块包含2 个卷积核为3×3的卷积层和一个下采样层，卷积层用以提取图像特征，下采样层用以过滤一些不重要的高频信息，减小特征维度，增大感受野。重复的卷积和池化操作可以充分提取图像的高层特征，每经过一个编码块，特征图尺度缩小一半而维度加倍。解码器由4组相同的解码块组成，每组解码块包含两个卷积核为3×3的卷积层和一个反卷积层，每组解码块都将特征图的尺度扩大一倍而将特征图的维度减半；同时，每组解码块的输入将与对应层编码块的输出相融合作为下一个反卷积层的输入，以降低编码块中下采样带来的信息损失。经过4组解码块后得到与输入图片尺寸相同的64维特征图，将其映射为2维变化特征图。利用Softmax分类器计算变化特征图中每个像素属于变化类和非变化类的概率，对概率进行映射，得到以黑色为背景、白色为变化区域的变化图。利用U-Net网络进行遥感图像中建筑物的变化检测，首先将两幅多时相图像合并通道，然后将合并通道后的数据送入U-Net模型进行测试，最后得到变化检测结果图。

针对遥感图像变化检测的准确性有进一步提高的空间，本发明提出了一种基于U-NET模型的建筑物变化检测方案。

发明内容