[发明专利]基于视频理解和时空解耦的高分辨率遥感影像变化检测方法

说明书

本发明涉及一种基于视频理解和时空解耦的高分辨率遥感影像变化检测方法。本发明针对双时相高分辨率遥感影像对空间、时间维度构造不平衡的特点，采用时序线性插值策略构建伪视频帧序列，扩展时间维度，使得使用视频理解算法处理变化检测任务成为可能。本发明结合变化检测任务侧重时空信息的特点，提出一种时空解耦的编码器设计方案，使网络一次只关注问题的一个维度，从而缓解解码器的负担，提升检测效果。同时，为了促进时空编码器间的信息交流，本发明提出时序聚合模块，将其设置在空间编码器到时间编码器的边路连接中，提升时空特征的契合度。此外，本发明使用深度监督技术，改善深层模型收敛速度，解决模型中间层特征有效性不足的问题。

技术领域

本发明涉及遥感影像变化检测领域，特别涉及一种通过时序插值实现影像对-伪视频帧序列变换、并基于此搭建时空解耦的网络结构对遥感影像进行变化检测的技术方法。以数据驱动的方式完成整个变化检测网络的训练，实现对高分辨率遥感影像对中变化信息的精准提取。

背景技术

遥感影像变化检测旨在通过对同一地区不同时间重复观测来分析区域内地物的状态变化。自上世纪70年代以来，国内外研究者针对不同来源的遥感影像数据，从不同的角度进行分析，提出了大量模型与方法。随着卫星传感器技术和信号传输技术的进步，遥感影像的获取越来越便捷，影像的空间分辨率也不断提升。日益丰富的高分辨率遥感数据为遥感影像变化检测领域同时带来了契机与挑战。一方面，相比中低分辨率遥感影像，高分辨率遥感影像能够提供更加丰富的地物细节和空间分布信息，从而有助于发现细小变化以及更好地定位变化地物的边界。另一方面，在高分辨率影像中，同一地物通常以面状的形式出现，像素之间彼此独立的假设不再成立，同一地物内部的像素灰度受目标的材质和反射特性影响起伏不定，“同物异谱，同谱异物”的现象相较中低分辨率遥感影像更为明显，致使检测变化区域的难度急剧上升。近年来，随着深度学习在人工智能领域的兴起和成熟，基于高分辨率遥感影像的变化检测获得了新的解决方案。深度学习方法使用海量样本对网络模型进行训练，使模型具备提取更具判别性特征的能力，从而避免了繁琐而低效的手工特征提取。与此同时，相比传统算法，深度学习架构往往具有更高的并行度，且具备端到端的优良性质，能够实现高效、准确的推理。考虑到遥感影像具有海量、多维的天然性质，深度学习十分适用于对遥感影像变化检测任务进行学习和优化。研究基于深度学习的高分辨率遥感影像变化检测方法，不仅可以大大提升检测精度，同时也能够极大地加速变化检测算法的智能化和自动化进程，使其具有更高的应用价值。

总体来说，目前的遥感影像变化检测算法可归为三类：

基于像素的传统变化检测方法：基于像素的变化检测方法是所有方法中最早被发展、种类最丰富的。作为中低分辨率影像变化检测的主要方法，基于像素方法中最具代表性的当属影像代数法、影像变换法以及分类检测法。影像代数法通过两幅影像对应波段间逐像素的代数运算得到变化强度图，其思想影响了许多后来提出的更先进的变化检测算法。影像变换法从数据的统计结构出发，根据主成分分析、慢特征分析等理论，对输入影像进行数学变换后提取像素级变化信息。分类检测法首先对每个时相的影像进行独立分类，再根据分类结果得到变化检测结果。传统的像素级变化检测方法往往原理简单，实现方便。然而，由于高分辨率遥感影像中地物的复杂性，这些方法仅适用于处理一些影像波段数较少、场景相对简单的情况，很难在各种场景下杜绝检测结果中的大面积错漏现象。

基于对象的传统变化检测方法：基于对象的变化检测算法突破了基于像素变化检测方法处理高分辨率影像效果不佳的限制。这类方法首先根据像素的空间与光谱性质分割出对象，然后以对象代替像素作为检测过程中的基本处理单元。与基于像素方法相比，基于对象的变化检测方法具有准确刻画地物边界、确保地物内部变化状态一致的天然优势，但其仍具有两个主要限制：首先，基于对象方法的检测效果极大地受制于分割出的对象的质量；其次，基于对象的变化检测方法往往采用先分割对象、后提取变化特征的两阶段结构，而非采用端到端框架优化，这样容易导致误差累积，从而难以得到全局最优解。