[发明专利]一种融合深度学习与区域分割的遥感影像变化检测方法

说明书

本发明涉及一种融合深度学习与区域分割的遥感影像变化检测方法，包括以下步骤：1）对前、后时相的两幅遥感影像进行自动配准；2）对前后时相影像进行分块裁切，得到前时相影像集和后时相影像集；3）分别对前、后时相影像集的每块影像的每个像素进行地物分类；4）分别对前、后时相影像集进行区域分割；5）融合分类图和分割图；6）对前、后时相影像集的分类图集分别按坐标信息拼接回原影像尺寸，形成前时相影像的最终分类图和后时相影像的最终分类图；7）按地物类别对两幅影像和分别进行差值处理，得到变化的区域；8）去掉细小区域，过滤掉过小的变化，并对边缘进行平滑处理，得到变化检测结果。该方法有利于提高遥感影像变化检测的精度。

技术领域

本发明涉及遥感影像处理技术领域，具体涉及一种融合深度学习与区域分割的遥感影像变化检测方法。

背景技术

地球表面的地物分布随着人类的生产活动和自然生态变化而不断改变，这些变化信息对生态保护、环境治理、应急管理、城市建设规划等都有着重要的指导意义。随着航天航空遥感技术的飞速发展，影像分辨率大大提高，遥感影像变化检测也成为遥感影像处理领域的研究热点。传统的遥感影像变化检测方法主要为基于像素的分析，应用场景比较简单，仅适用于较低分辨率的遥感影像，因此针对高分辨率遥感影像的变化检测研究具有重要的研究意义和实用价值。

现有的遥感影像变化检测技术主要分为直接检测法和分类后检测法。直接检测法包括差值法、比值法、主成分分析法等，通过直接比较前后时相的遥感影像中的像元值找出变化的区域，这类方法容易受噪声影响，再加上遥感影像相同地物不同时相的光谱响应差异较大，容易造成误检，检测精度有限。分类后检测法对前后时相的遥感影像先进行地物分类，然后再比较分类结果得出变化信息，这类方法依赖于地物分类的精度以及前后分类标准的一致性。目前的遥感影像分类方法主要包括基于像素的方法和基于对象的方法，其中基于像素的方法以单个像元为处理单元，只利用到了影像的光谱信息特征，丰富的空间信息利用率几乎为零，基于对象的方法的处理单元是一个个影像对象，较之基于像素的方法包含了地物的多种特征，包括光谱特征、结构特征和上下文特征等，但这类方法非常依赖于分割算法的效果，当前流行的分割算法普遍需要人工不断调整尺度参数，过分割和欠分割都将直接影响检测结果的精度。近年来，深度学习在自然图像处理上取得的巨大进步，基于深度学习的遥感影像分类方法也层出不穷，通过深度网络可以提取遥感影像的高层语义特征，鲁棒性更高，但边界像素分类易受到干扰，难以保证精准的边界。

发明内容

本发明的目的在于提供一种融合深度学习与区域分割的遥感影像变化检测方法，该方法有利于提高遥感影像变化检测的精度。

为了实现上述目的，本发明采用的技术方案是：一种融合深度学习与区域分割的遥感影像变化检测方法，包括以下步骤：

1)对前、后时相的两幅遥感影像进行自动配准；

2)根据设定尺寸分别对前后时相影像进行分块裁切，按坐标位置顺序存储为前时相影像集和后时相影像集；

3)使用u-net语义分割网络分别对前、后时相影像集的每块影像的每个像素进行地物分类，分为水体、绿植、建筑和其它四个类别，单块影像的分类图记为I_cls；

4)采用meanshift算法分别对前、后时相影像集进行初始分割，形成若干个初始区域，然后采用自底向上的层次区域合并对初始区域进行逐步合并，形成最终的区域分割图，单块影像的分割图记为I_seg；

5)融合分类图I_cls和分割图I_seg，对I_seg中的每个区域r_i，计算对应分类图I_cls的属于每个类别的像素个数，将个数最多的那个类别标签赋予该区域的所有像素，进一步修正分类图的边界；