[发明专利]一种同源或异源遥感图像用无监督变化检测方法及系统

权利要求书

1.一种同源或异源遥感图像用无监督变化检测方法，其特征在于，包括以下步骤：

S1、构建孪生全卷积特征提取网络，将同源或异源双时相图像分别输入构建的孪生全卷积特征提取网络，提取多尺度语义特征，得到不同尺度的特征差异图；

S2、根据步骤S1得到的不同尺度的特征差异图，通过全局特征采样网络提取全局特征，并将异源图像映射到同一特征空间中；构建对应每个尺度的基于元学习与分组卷积的特征融合网络，将不同尺度的特征差异图融合，通过深度变化矢量分析方法得到差异图；

S3、使用改进的目标函数完成对步骤S1构建的孪生全卷积特征提取网络和步骤S2基于元学习与分组卷积的特征融合网络的优化，使用Adam优化方法迭代更新孪生全卷积特征提取网络和特征融合网络的权重值；在训练过程中不断拉大步骤S2得到的差异图中变化像素与不变像素的数值差距；

S4、将步骤S3训练完的差异图通过阈值完成二值化操作,得到与原图大小相同的二值变化图，完成图像变化检测。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，孪生全卷积特征提取网络为一组双分支权重共享的全卷积网络，每一个全卷积网络均由五个串联的卷积模块组成的VGG16模型构成。

3.根据权利要求1所述的方法，其特征在于，步骤S1中，输入同源或异源双时相图像具体为：

将同源图像对的大小调整为640×640，通过将同源图像对中的每个像素点减去均值再除以标准差的方式对双时相图像进行标准化，并使用预处理方法完成对输入的同源图像对的配准；

将异源图像对的大小调整为640×640，通过将异源图像对中的每个像素点减去均值再除以标准差的方式对双时相图像进行标准化，并使用预处理方法完成两张图像的配准；

将经过处理的同源或者异源图像输入孪生全卷积特征提取网络和特征融合网络中，得到相对应的特征差异图。

4.根据权利要求1所述的方法，其特征在于，步骤S2中，基于元学习与分组卷积的特征融合网络包括全局特征采样网络，基于元学习模块的特征上采样模型和基于分组卷积模块的特征融合模型；全局特征采样网络为一个双分支权重不共享的U形网络，且在U形网络的编码器和解码器的相应层之间采用跳过连接；基于元学习模块的特征上采样模块包含一个位置编码过程和一个倒置残差块；基于分组卷积的特征融合模块由4个卷积核的大小各不相同的分组卷积模块并联而成。

5.根据权利要求1所述的方法，其特征在于，步骤S3中，将步骤S2得到的不同尺度的特征差异图通过深度变化矢量分析网络，得到每一个像素对应位置的变化幅度ρ，采用改进的损失函数更新搭建的孪生全卷积特征提取网络和基于元学习与分组卷积的特征融合网络的网络参数，使得变化幅度ρ不断逼近0或者1，得到最优差异图。

6.根据权利要求1所述的方法，其特征在于，步骤S3中，使用Adam优化方法迭代更新网络权重值具体为：

将一对同源或异源双时相图像对输入搭建的孪生全卷积特征提取网络和基于元学习与分组卷积的特征融合网络中，利用权值更新孪生全卷积特征提取网络和基于元学习与分组卷积的特征融合网络的权重值；重复将同源或异源双时相图像对输入孪生全卷积特征提取网络和基于元学习与分组卷积的特征融合网络中，对权重值更新后的损失函数loss值进行更新。

7.根据权利要求6所述的方法，其特征在于，损失函数loss如下：

其中，τ_local(i,j)为局部自适应阈值，H为差异图的长，W为差异图的宽，ρ_i,j为差异图在(i,j)位置处的数值大小，即在(i,j)位置处的像素的变化幅度。

8.根据权利要求6所述的方法，其特征在于，更新后的权重值W_new为：

其中，W为多尺度图卷积神经网络的初始权重值，L为多尺度图卷积神经网络训练的学习率，表示求偏导操作。