[发明专利]多通道U型深度网络的高分辨率遥感影像变化检测方法

说明书

一种多通道U型深度网络的高分辨率遥感影像变化检测方法，包括以下步骤：对两期影像进行预处理后输入所提出模型，通过三个采用不同策略的下采样通道提取两期影像的特征，并计算通道1和2下采样过程中各个尺度特征的差异特征；将三个通道通过下采样得到的最高层特征，以及通道1和2的最高层差异特征进行级联，作为上采样输入，并在上采样过程中将三通道各尺度的特征和通道1和2的各尺度差异特征，通过短连接级联到上采样镜像特征层，求解变化概率图；基于变化概率图和真实变化图计算损失，通过反向传播训练网络模型，并通过训练好模型生成变化检测结果图。本发明能够提取两时期影像更丰富的特征，得到更优的变化检测结果。

技术领域

本发明属于遥感技术领域，特别涉及一种多通道U型深度网络的高分辨率遥感影像变化检测方法。

背景技术

变化检测是遥感领域的一个重要研究方向，随着深度学习技术的发展，基于深度学习的变化检测技术不断出现，其中基于U型深度网络的变化检测是一个重要分支。目前基于U型深度网络的变化检测技术主要通过单通道或双通道提取特征，表现出不俗的性能。然而，单通道或双通道网络提取的特征有待进一步丰富，以便得到更高精度变化检测结果。

发明内容

鉴于背景技术所存在的技术问题，本发明提供了一种多通道U型深度网络的高分辨率遥感影像变化检测方法，本发明能够提取两时期影像更丰富的特征，得到更优的变化检测结果。

为了解决上述技术问题，本发明采取了如下技术方案来实现：

一种多通道U型深度网络的高分辨率遥感影像变化检测方法，包括

步骤1：对两期影像进行预处理，将两期影像输入所提出模型，通过三个通道提取两期影像的特征，将第一时期影像输入通道1，第二时期影像输入通道2，两期影像级联输入通道3，三个通道采用不同的下采样操作来提取影像特征；并在下采样过程中获取通道1和通道2中得到不同尺度的差异特征；

步骤2：将通道1、通道2和通道3通过下采样得到的最高层特征，以及通道1和通道2的最高层特征的差异特征进行级联，将级联后特征作为上采样输入，开始上采样操作；在上采样过程中，将三个下采样通道中各尺度特征、以及通道1和通道2各尺度特征的差异特征，通过短连接级联到上采样镜像特征层；

步骤3：上采样结束后，通过SoftMax层求解变化概率图，并使用基于二元交叉熵和Dice的混合损失函数，基于上述变化概率图和真实变化图计算损失，通过反向传播来迭代训练网络结构中参数，直到满足迭代停止条件时停止迭代，保存迭代停止时参数用于生成变化检测图。

优选地，在步骤1中，通过三个下采样通道来提取特征，并考虑通道1和通道2的差异特征，操作步骤如下：

步骤1.1：利用通道1提取第一时期影像X₁的特征，依次通过五个卷积模块对X₁进行下采样处理：将五个卷积模块记作A_i，i＝1，2，3，4，5，第i个卷积模块A_i的输入和输出分别记作A_i(in)和A_i(out)；第一个卷积模块A₁的输入为X₁，即A₁(in)＝X₁，后边卷积模块A_i的输入A_i(in)为BP(A_i-1(out))，其中i＝2,3,4,5，BP()表示包含最大池化和平均池化的双池化操作；

通道1所有卷积模块具有相同的操作，每个卷积模块包括两个卷积单元，每个卷积单元包括卷积层、批量归一化层和激活层三部分。