[发明专利]一种基于多层次监督和深度度量学习的遥感变化检测方法

说明书

本发明公开了一种基于多层次监督和深度度量学习的遥感变化检测方法，包括：S1：获取若干幅可用于双时相变化检测的高分辨率遥感影像；S2：基于当前已有的数据资料和人工先验知识，通过目视解译，勾绘高分辨率遥感影像之间的变化区域，获得高分辨率遥感影像之间像素级的变化标记，基于已有的遥感影像对和变化标记，将其裁剪为若干特定尺寸大小的影像对，得到面向双时相变化检测的高分辨率遥感影像数据集；S3：构建基于多层次监督和深度度量学习的遥感变化检测模型；S4：对步骤S3构建的模型进行训练；S5：将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图。本发明提高了检测效率和检测精度。

技术领域

本发明涉及遥感地理信息技术领域，更具体地，涉及一种基于多层次监督和深度度量学习的遥感变化检测方法。

背景技术

变化检测是对同一区域不同阶段地表变化进行定量分析的过程，对于环境调查、地质灾害监测、土地覆盖调查和城市规划等领域具有重要意义。近几十年来，随着生态环境的恶化，定期监测和分析土地覆被变化变得越来越重要。随着遥感技术的成熟与广泛的应用，覆盖范围广、时效性高、成本低的多源的遥感影像提供了不同光谱特征、空间特征、纹理特征，为遥感变化检测提供了可靠的数据来源。近年来，大数据的快速发展和高计算能力的普及促进了深度学习的蓬勃发展，在许多领域取得了显著的成就，包括遥感影像解译。卷积神经网络是一种功能强大的深度学习结构，能够从卫星图像中自动提取具有丰富光谱和空间特征的多层次特征，用于分类。因此，基于深度学习框架的变化检测方法在近年来取得了优异的成绩。

在现有技术中，公开号为CN109063569A，中国发明专利于2018年12月21日公开了一种基于遥感影像的语义级变化检测方法，技术核心是设计一个针对语义级变化检测的全卷积神经网络。该方法包含四个步骤：步骤一：制作数据集；步骤二：搭建全卷积神经网络网络；步骤三：训练全卷积神经网络；步骤四：遥感影像变化检测，得到最终的提取结果。该方案解决的是语义级的遥感变化检测，其使用的是全卷积的神经网络，该方法检测效果不佳。

发明内容

本发明为克服上述现有技术遥感变化检测效率低、检测精度不佳的缺陷，提供一种基于多层次监督和深度度量学习的遥感变化检测方法。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于多层次监督和深度度量学习的遥感变化检测方法，其特征在于，包括以下步骤：

S1：获取若干幅可用于双时相变化检测的高分辨率遥感影像；

S2：基于当前已有的数据资料和人工先验知识，通过目视解译，勾绘高分辨率遥感影像之间的变化区域，获得高分辨率遥感影像之间像素级的变化标记，基于已有的遥感影像对和变化标记，将高分辨率遥感影像裁剪为若干特定尺寸大小的影像对，得到面向双时相变化检测的高分辨率遥感影像数据集；

S3：构建基于多层次监督和深度度量学习的遥感变化检测模型；

S4：利用面向双时相变化检测的高分辨率遥感影像数据集对步骤S3构建的模型进行训练；

S5：将待检测区域的双时相遥感影像输入至训练好的模型中，得到待检测区域的变化栅格图。

进一步的，步骤S1所述的高分辨率遥感影像为双时相遥感影像，所述遥感影像为相同区域、相同分辨率、不同年份的遥感图像。

进一步的，步骤S1的具体过程为：

S101：从公开的数据网站选择并下载若干幅与待检测区域云量分布相似的两期高分辨率遥感影像数据；

S102：根据所下载的高分辨率遥感影像数据提供的数据描述文档，分别对高分辨率遥感影像数据进行预处理。

进一步的，所述的预处理分别从如下方面进行，具体包括：数据的DN值、投影坐标系、辐射定标、辐射校正、镶嵌、裁剪、直方图匹配。