[发明专利]一种基于U-net改进算法的遥感影像变化检测方法及系统

说明书

本发明提供一种基于U‑net改进算法的遥感影像变化检测方法及系统，该方法包括：对遥感影像进行预处理，然后将预处理后的不同时相的遥感影像进行整合得到输入图像；基于改进的U‑net网络，对输入图像进行下采样编码和上采样解码；最后根据分析结果输出影像是否发生变化的二值图像。本发明将语义分割方向的网络结构运用于变化检测领域，并引入残差学习机制使得编码器可快速收敛且加深网络层数，同时使用ASPP加强网络对图像特征的感知能力，使得算法在精度和效率上都能保持在较高水平，同时具有较强的鲁棒性。适用于遥感影像的变化检测领域的同时也可推广到其他领域，具有重要意义。

技术领域

本发明涉及计算机视觉技术领域，特别是指一种基于U-net改进算法的遥感影像变化检测方法及系统。

背景技术

遥感影像的变化检测工作是指针对同一区域，定量分析该区域不同时相的遥感影像，从而确定影像中地表的形态与特征，检测出不同时间该区域发生变化的部分与未变化部分。遥感影像变化检测在土地资源管制方向有着广泛作用，现广泛应用于检测违章搭建建筑、自然灾害评估以及城市建设规划等方向。

随着卫星技术的不断发展，现阶段遥感影像呈现出巡航周期短、数据量庞大等特点，使用人工对比分析来进行区域变化检测的方法已经无法满足需求。如何快速准确地从遥感影像中提取出相应区域的变化信息，是现阶段遥感影像应用领域的热点问题之一。

另一方面，随着近年来机器计算能力的快速发展和数据质量的普遍提升，深度学习成为了计算机机器学习领域的热门方向，同时在计算机视觉和自然语言处理等方向都取得了非常好的成绩。深度学习的原理是模拟生物神经网络，搭建出一个由相互连接的神经元组成的网络结构。当对网络输入图像、文本等数据时，该网络可通过各网络层之间协调工作，提取数据中深层次的特征进行分析，最终反馈数据的解释。

介于深度学习方法在计算机视觉的出色发挥，遥感影像变化检测也开始从传统的构造差分图像再进行阈值划分的方法，转向与深度学习算法结合，利用深度神经网络学习不同时相卫星影像中非线性的变化特征，并确定最终的变化检测结果。目前，深度学习思想为卫星影像处理提供了新的思路，基于深度学习的变化检测算法已经成为卫星影像变化检测领域新的热点。

现阶段主流的变化检测方法主要有两类：①面向像素的变化检测，其思路是以像素为基本单位，根据像素的光谱及领域特征对像素进行分析，将遥感影像的变化检测问题转变成目标变化与未变化的二分类问题。该方法以每个像素为单位进行运算，从而容易得到很多噪声信息，影响精度。②面向对象的变化检测，在以像素为单位的方法上做出改进，首先对多个像素进行聚类，使其组成一个对象，然后对该对象进行分类。进而对比不同时相影像的分类情况来获得检测结果。这类方法相比第一种方法画面较纯净同时噪声少，缺点是过于依赖对象地类的分类精度。

其中，一种方案是基于堆栈降噪自动编码器网络的变化检测。该方案属于面向像素的变化检测技术，首先对遥感影像进行领域特征提取，再将每个像素点的领域特征输入到堆栈降噪自动编码器中，然后逐层训练，并进行有监督微调，直到完成训练。在已有的变化检测技术中，选择合适的邻域范围，该方法可在降低噪声的基础上实现较好的变化检测效果。但该方法在实际应用中十分依赖邻域范围的选取，若选取不当容易出现误检漏检情况。同时网络结构相对简单，层数较少，所以虽然效果较之于传统方法更好，但是很难再有新的突破。

综上，现有的遥感影像变化检测的主流方法中，主要分为先分类再比较和先比较再分析两种，前者对应的是面向对象的变化检测，后者对应的是面向像素的变化检测。而现有的遥感影像变化检测方法都存在一些缺点。

其中，面向对象的变化检测方法可以将对象的纹理特征、形状特征、对象间邻域关系等信息作为变化检测的依据，但在对像素点进行集群之后对其进行分类，所以地类分类的精度极大程度地影响了变化检测的精度，所以也存在很严重的误差累积问题。同时该类方法对遥感影像的质量要求更高，尽可能满足不变的地类呈现相似的特征而变化的地类呈现不同的特征。面向像素的变化检测方法面临的问题则是处理结果噪声较多，且过度依赖于阈值选择。