[发明专利]遥感图像的变换检测方法、装置、电子设备及存储介质

说明书

本申请公开了一种遥感图像的变换检测方法、装置、电子设备及可读存储介质。其中，方法包括预先基于双重监督方法训练样本数据集得到变化检测模型；样本数据集中的各遥感样本图像的变化区域已知且携带对应变化类型的标签。计算第一遥感图像和第二遥感图像的差值图像；将差值图像输入至变化检测模型，得到第一遥感图像相对第二遥感图像的变换检测结果。本申请可有效降低模型过拟合出现概率，提高遥感图像的变换检测精度。

技术领域

本申请涉及数据处理技术领域，特别是涉及一种遥感图像的变换检测方法、装置、电子设备及可读存储介质。

背景技术

遥感技术具有快速、覆盖范围广、周期性等特点，通过遥感技术对地观测被广泛应用于数据获取技术领域。随着遥感技术的不断发展，遥感影像的分辨率也不断提高，高分辨率影像能提供更丰富的地理、地形等空间信息、更方便快捷，且定位精确、一致性强，其几何结构和纹理特征能更好地表达地类地物的信息，因此被广泛应用于建筑物、矿区等小区域信息提取。

可以理解的是，随着空间分辨率的提高，高分辨率遥感影像光谱信息较中低分辨率遥感影像会减少，“同物异谱、同谱异物”现象的普遍存在会直接影响地物识别与变化检测的效果。此外，随着高分辨率遥感影像资源日益丰富，需要处理的数据量也迅速增加，对计算机的配置要求也越来越高。

传统的遥感图像变化检测，需要先对不同时期的两幅图像进行裁剪、配准、辐射校正等预处理，然后再采用差值、比值等不同的方法构造差异图进行变化区域提取。这种方式对遥感图像的图像预处理过程要求严格，需要人工干预，自动化程度低，变化检测处理效率低。伴随着深度置信网络(Deep Belief Network，DBN)、卷积神经网络(ConvolutionalNeural Network，CNN)和循环神经网络(Recurrent Neural Networks，RNN)等具有强特征学习能力的网络模型的出现，以及计算机硬件的快速发展，基于深度学习方法的遥感影像变化检测方法逐渐取代传统的遥感图像变化检测方法。除了检测地物变化范围外，变化类型的检测，即获取“from-to”变化信息的方法，对于获取地表地物分布的变化情况十分重要，变化类型的检测可以为环境变化和城市扩展监测等提供有价值的信息。多类型变化检测问题通常被看作是根据监督方法如半监督和混合监督显式地检测转换的问题。

相关技术中的变化类型检测法包括极坐标下的CVA变化方向检测法和分类检测法，这些方法都是需要先进行分类识别在进行变化检测，这种方法存在变化检测结果受分类累积误差影响，分类结果的好坏对变化检测的结果有着重要影响，例如在分类后变化检测方法中，如果有一时相遥感影像类别分类错误，会导致最终类别分类错误，进而会造成分类误差的累积。此外，相关技术中变化检测方法所训练的模型容易出现过拟合问题，导致最终变化检测精度不高。

发明内容

本申请提供了一种遥感图像的变换检测方法、装置、电子设备及可读存储介质，有效降低模型过拟合出现概率，可以提高遥感图像变换检测的精度。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种遥感图像的变换检测方法，包括：

预先基于双重监督方法训练样本数据集得到变化检测模型；所述样本数据集中的各遥感样本图像的变化区域已知且携带对应变化类型的标签；

计算第一遥感图像和第二遥感图像的差值图像；

将所述差值图像输入至所述变化检测模型，得到所述第一遥感图像相对所述第二遥感图像的变换检测结果。

可选的，所述基于双重监督方法训练样本数据集得到变化检测模型之前，还包括：

获取样本数据集；