[发明专利]基于深度可分离卷积网络的图像变化检测方法

说明书

本发明提出了一种基于深度可分离卷积网络的图像变化检测方法，用于解决现有图像变化检测方法中存在的检测准确度低的技术问题。实现步骤为：构建训练样本集、验证样本集和测试样本集，以全卷积网络的变体U‑Net为基础网络搭建深度可分离卷积网络，构建训练深度可分离卷积网络的损失函数，训练、测试并验证深度可分离卷积网络，利用已验证的最终训练好的深度可分离卷积网络进行测试，得到变化检测结果图。本发明通过深度可分离卷积网络提取的图像特征语义及结构信息丰富，对图像的表达能力及辨别性强，提高了变化检测检测准确度，可用于土地覆盖检测、灾难评估、视频监控等技术领域。

技术领域

本发明属于图像处理技术领域，涉及一种图像变化检测方法，具体涉及一种遥感图像变化检测技术领域中基于深度可分离卷积网络的图像变化检测方法，可用于土地覆盖检测、灾难评估、视频监控等技术领域。

背景技术

图像变化检测指利用多时相获取的覆盖同一地表区域的图像及其它辅助数据来确定和分析地表变化。它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。根据图像数据处理的基本单位，变化检测方法主要分为三大类：1)基于像素点的方法；2)基于窗口的方法；3)基于图像的方法。

基于像素点的方法以像素点为图像分析的基本单元，充分利用光谱特性，而没有考虑空间上下文，这种方法简单容易理解，但是对噪声的鲁棒性很差，很难处理高分辨率的遥感图像。基于窗口的方法常见处理方法为：通过差值法或比值法等算子得到差异图，然后在差异图上滑窗取块，对窗口中心像素点或者整个窗口内的像素点做二分类，一般窗口大小都不超过9×9。相比于基于像素点的方法，基于窗口的方法考虑了空间邻域和上下文信息，对噪声有更佳的鲁棒性，但是在处理大批量图像数据和复杂的高分辨率遥感图像时，由于其在大批量图像数据上应用滑动窗口需要巨大时间花费，而且在图像分辨率很高和地形环境复杂时(如处理建筑物变化检测)，该方法效率下降很多。

基于图像的方法与基于窗口的方法的主要区别在于基于图像的方法训练标签使用图像，而不是类别标量。基于图像的方法不仅大大减少了时间开销，实现检测的实时性，而且充分考虑了图像的全局信息，上下文信息更加丰富，提高了检测的准确度。Zhan等人在其发表的论文“Change Detection Based on Deep Siamese Convolutional Network forOptical Aerial Images”(IEEE Geoscience&Remote Sensing Letters,2017,PP(99):1-5)中，公开了一种基于权值耦合的深度卷积网络的光学航拍图像变化检测方法。该方法以端对端的方式训练整个网络，采用5层卷积，网络的输入和输出的尺寸相等。预测时直接输入两时刻的图像，输出两时刻图像的欧式距离图，对欧式距离图进行分割或者聚类等后处理操作得到最终的变化检测结果图。该方法的缺点是对图像的表征能力有限，而且对后处理操作依赖性很强，导致变化检测的准确度比较低。

深度可分离卷积是一种高效的卷积操作，它在每个通道独立执行空间卷积，然后进行逐点卷积，即1×1卷积，将深度卷积的通道映射到新的通道空间。深度可分离卷积减少了拟合数据所需要的参数，降低了训练模型时过拟合的风险，提高卷积效果。

发明内容

本发明的目的在于针对上述已有技术的缺点，提出一种基于深度可分离卷积网络的图像变化检测方法，用于解决现有图像变化检测方法中存在的检测准确度低的技术问题。

本发明实现上述目的的思路是：构建训练样本集、验证样本集和测试样本集，以全卷积网络的变体U-Net为基础网络搭建深度可分离卷积网络，构建训练深度可分离卷积网络的损失函数，训练、测试并验证深度可分离卷积网络，利用已验证的最终训练好的深度可分离卷积网络进行测试，得到变化检测结果图。

根据上述技术思路，实现本发明目的采用的技术方案包括如下步骤：

(1)构建训练样本集、验证样本集和测试样本集：