[发明专利]遥感图像变化检测方法、装置、电子设备及存储介质

说明书

本公开提供一种遥感图像变化检测方法、装置、电子设备及存储介质，包括：对周期性时序遥感影像进行辐射校正、正射校正、重采样、配准、去云和阴影以及波段或指数提取等预处理，得到逐像素和逐波段或指数的周期性时序数据；利用经验设定的LSTM网络结构，对监测期之前的时序数据进行逐像素地学习，得到像素级的时序演变LSTM模型；利用各模型预测监测期各像素各波段或指数数据，通过计算模型预测值与真实监测值之间的差异，得到监测期各波段或指数的非周期性变化标记图；利用通过感兴趣变化样本训练得到的分类器，对全部非周期性变化标记图进行分类，得到感兴趣变化的分类检测结果。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种遥感图像变化检测方法、装置、电子设备及存储介质。

背景技术

在国内外高分辨卫星对地观测系统的支持下，覆盖全球及重点区域的遥感影像得到不断积累和快速更新。具有高时间分辨率的周期性时序遥感影像可大幅提高地表变化的近实时监测能力。周期性时序遥感影像，蕴含着丰富的地表规律性变化信息，电隐含着由人类活动或自然灾害引起的地表非规律性变化信息，如土地开发、自然灾害等。同时，周期性时序遥感影像数据也夹杂着由气象和物候等诸多因素带来的复杂扰动，给变化检测带来了挑战。因此，通过分析周期性时序遥感影像，挖掘地表规律性和非规律性变化信息，并发现感兴趣变化，对于提高变化检测能力和推动近实时遥感监测能力至关重要。

遥感图像变化检测是图像处理领域最经典、最活跃的技术分支之一，检测方法除了经典的双时相对比法和多时相分析法外，时间序列分析法近些年快速兴起。基于时间序列分析的方法，正在从针对历史变化的回溯检测和分析，到面向当前或潜在变化的近实时监测和预警的方向发展。同时，除了传统的土地覆盖/利用类型的年际变化之外，针对地表出现的非规律性的、感兴趣的变化越来越受到关注，例如病虫害、干旱、地质灾害等。

根据所采用的时间序列分析和变化检测的机制的不同，周期性时序卫星影像变化检测方法可以归为三大类：窗口分析法、时序分割法和时序预测法。时序预测法基于历史波动特征对未来波动趋势进行预测，当新观测数据出现时即可进行变化检测，具有较强连续性和时效性，亦能克服季节时相差异带来的问题，适用于地表变化的近实时监测。然而，经典的时序预测法多采用显式的、确定的回归模型和预测模型，模型形式及其参数过于依赖地物及经验，不同时期数据对模型贡献程度未作区分等，使得方法模型难以自适应拓展到其它地理区域或遥感指数数据、难以反映数据最近的动态变化趋势。

发明内容

本申请的主要目的在于提供一种遥感图像变化检测方法、装置、电子设备及存储介质，通过学习序列内短期至长期依赖关系，产生隐式的自适应的序列预测模型，可提高周期性时序影像变化检测的便利性和有效性。

为实现上述目的，本申请实施例第一方面提供一种遥感图像变化检测方法，包括：

对周期性时序遥感影像进行预处理，其中，第t个时相的周期性时序遥感影像表示为I_t，I_t的时序长度表示为n，周期表示为s，{I_t：t＝1，2，...，m，m+1，...，n}；

从经过所述预处理的周期性时序遥感影像中提取影像光谱波段或计算遥感指数，得到周期性时序光谱波段图像或遥感指数图像，其中，所述周期性时序光谱波段图像或遥感指数图像表示为的光谱波段或遥感指数表示为i，

从所述周期性时序光谱波段图像或遥感指数图像中逐像素和逐时相的提取周期性时序数据，其中，所述周期性时序数据表示为(x，y)表示所述周期性时序数据的图像像素坐标，

将所述周期性时序数据以时相t＝m分为两段，分别得到时序训练数据和时序监测数据，其中，所述时序训练数据为所述时序监测数据为

逐像素、逐波段或逐指数地利用所述时序训练数据对预设长短期记忆网络进行训练，得到像素级的周期性时序波段或指数数据演变模型，其中，所述像素级的周期性时序波段或指数数据演变模型表示为