[发明专利]遥感影像变化检测方法、装置、电子设备及存储介质

说明书

本申请提供了遥感影像变化检测方法、装置、电子设备及存储介质，涉及遥感影像处理技术领域，具体为：获取目标区域的前期遥感影像和目标区域的后期遥感影像；对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；将预处理后的目标区域的前期遥感影像和预处理后的目标区域的后期遥感影像合成为一个目标区域的多通道遥感影像；对目标区域的多通道遥感影像进行区域分割，得到多个影像对象；从每个影像对象中获取预设尺寸的影像对象块；通过训练完成的对象卷积神经网络对每个影像对象块进行处理，得到对应的影像对象是否发生变化的检测结果。本申请提高了遥感图像变化检测的效率和精度。

技术领域

本申请涉及遥感影像处理技术领域，尤其是涉及遥感影像变化检测方法、装置、电子设备及存储介质。

背景技术

变化检测是通过不同时间观测到的数据，对同一地物或现象的位置、范围、性质、状态等变化进行识别的过程，广泛应用于自然资源、土地利用/土地覆被、城市、农业、林业、生态环境、减灾、军事等领域，变化检测已成为遥感领域研究的难点和热点问题之一。

早期变化检测主要采用中低分辨率遥感影像，常用方法是基于像元的直接比较法和分类后比较法。随着GIS技术和机器学习技术的发展，支持向量机、决策树、人工神经网络等机器学习分类算法逐渐应用于变化检测。随着高分辨率卫星遥感技术的快速发展，为克服基于像元技术的局限性，基于对象影像分析技术应运而生，并广泛应用于变化检测领域。目前，深度学习变化检测逐渐受到业界关注。

基于对象影像分析通过区域分割技术可以获取地物比较准确的边界，但只能人工提取对象的浅层特征用于分类，对专家的依赖强，比较费区时、费力，且精度有限。深度学习的卷积神经网络可以自动从数据中学习不同层次的特征，但由于多层抽象难以获取地物的准确边界。另外，基于像素卷积神经网络需要在输入的影像上按照一定的步长滑动预测，巨大的计算冗余量和计算开销造成预测效率低下。

发明内容

有鉴于此，本申请提供遥感影像变化检测方法、装置、电子设备及存储介质，以解决现有的像素卷积神经网络进行遥感图像变化检测时存在的效率和精度低的技术问题。

一方面，本申请实施例提供了一种遥感影像变化检测方法，包括：

获取目标区域的前期遥感影像和目标区域的后期遥感影像；

对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；将预处理后的目标区域的前期遥感影像和预处理后的目标区域的后期遥感影像合成为一个目标区域的多通道遥感影像；

对目标区域的多通道遥感影像进行区域分割，得到多个影像对象；

从每个影像对象中获取预设尺寸的影像对象块；

通过训练完成的对象卷积神经网络对每个影像对象块进行处理，得到对应的影像对象是否发生变化的检测结果。

进一步的，对目标区域的前期遥感影像和目标区域的后期遥感影像进行预处理；包括：

对目标区域的前期遥感影像和目标区域的后期遥感影像分别进行正射校正；

对校正后的目标区域的前期遥感影像和校正后的目标区域的后期遥感影像进行配准；

对配准后的目标区域的前期遥感影像和目标区域的后期遥感影像分别进行降位处理；

在降位处理后的目标区域的后期遥感影像中，选取一块涵盖多种自然地物类型的区域作为模板区域，对模板区域进行调色匀色处理；

对处理后模板区域的均值和方差进行统计，作为Wallis滤波器的均值和方差；

采用所述Wallis滤波器对降位处理后的目标区域的前期遥感影像与降位处理后的后期遥感影像进行处理，使降位处理后的目标区域的前期遥感影像与降位处理后的后期遥感影像的对应波段在灰度空间进行整体对齐。