[发明专利]一种应用于变化检测任务的网络结构及方法

说明书

本发明公开一种应用于变化检测任务的网络结构及方法，网络结构包括特征提取模块和度量学习模块；特征提取模块用于将输入的图片进行特征提取；并对特征进行高低频信息的分类；最后将部分低频信息特征向量中剥离，输出最终处理好的特征向量；度量学习模块首先通过特征图进行欧氏距离的计算；通过欧氏距离的计算矩阵，设定阈值，完成对矩阵的分离，并最终获得CD map，完成变化检测任务。

技术领域

本发明涉及图像处理、变化检测和高低频信息分析等领域，特别是涉及一种应用于变化检测任务的网络结构及方法。

背景技术

遥感变化检测是一种检测和分析地理变化的技术，对城市建筑物，森林面积的检测甚至每棵树的精确检测具有重要意义。在传统方法中，它主要分为两类：一种是基于像素的更改检测方法，另一种是基于对象的变化检测方法。基于像素的变化检测方法直接比较图片中的光谱和纹理信息以生成图像，然后执行聚类操作以最终创建变化图。这些类型的检测过程由于忽略了许多空间信息而导致精度降低。另一种方法是基于对象的检测。该方法用于计划遥感图像分割以分离对象，并结合图片中的光谱，纹理和几何信息以得出图片的差异。尽管这些方法实施起来更舒适，但实际应用中的鲁棒性也很低。

利用卫星摄影和航空摄影，获得许多遥感图像成为一种便捷的方法。航空摄影是通过飞机收集的图像，用于捕获地球表面的高分辨率照片。图像已“矫正”或进行了几何校正，以创建统一的比例尺。消除了诸如镜头和相机倾斜之类的失真，并且对照片进行了地形起伏调整。生成的产品是地球表面的精确表示，可用于测量真实距离。同样，可以将从不同日期收集的正射影像相互比较，以进行给定区域中的变化检测分析。但是，根据经验，航拍过程会有些偏差，因为两个拍摄图像之间存在定位差异。对于无人机数据采集的自然环境，无法避免这种冲突。通常，一些研究将所有收集的照片合并在一起，然后将它们分成相等的大小，以进行进一步处理。这种预处理由于耗时和硬件依赖性而受到批评。

近年来，随着深度学习的出现，特别是卷积神经网络的出现，提取图片信息的能力得到了极大提高。此外，GAN网络和孪生网络等不同模型也提供了更改检测解决方案。与传统方法相比，这些AI模型取得了重大进展，尤其是在图像信息提取方面。

在传统方法中，输入是特征向量，一对像素或一个对象；然后，系统根据预定义的阈值确定区域是否已更改。例如，变化向量分析(CVA)计算图像之间的差异，并最终通过阈值来确定面积是变化还是不变。主成分分析(PCA)是计算主成分的过程，该过程基于数据执行更改，有时仅使用前几个主成分，而忽略其余的。相反，大多数变更检测任务都需要进行监督，因此不可避免地需要手动注释。随着深度学习技术(尤其是卷积神经网络)的发展，深度学习方法可以更好地从图片中提取有用的信息。CNN的出现极大地促进了深度学习的发展。如今，许多深度学习方法都优于传统方法。这些方法也可以分为两类，即基于度量的方法和基于分类的方法。

基于度量的方法比较距离矢量的图像矩阵，以确定某些区域是否存在变化。这些方法需要学习一个参数化的嵌入空间，其中相似(无变化)样本的嵌入向量是从距离较短的闭合处导出的。相反，相异的(已更改)已彼此分开，表示为长距离。该方法的问题是需要通过共享网络权重来导出孪生全卷积网络(FCN)中图像的特征图。这种分担权重可能会导致差异图像出现意外情况。此外，基于分类的方法通过对提取的二进制数据特征进行分类来识别变化类别。一种更常见的方法是计算每个图像位置的变化得分，其中变化的位置比未更改的位置具有更高的得分。

因此，CDNet，FC-EF，FC-Siam-Conc和FC-Siam-Diff和BiDateNet，这些方法都可以从头到尾执行结束对变更检测数据集的培训，并了解变更图的决策边界。最后，DASnet建立了双重关注机制，以便在关键频道上获得更好的时空细节。

发明内容