[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

说明书

本发明公开了一种同源或异源遥感图像用无监督变化检测方法及系统，将同源或异源双时相图像输入孪生全卷积特征提取网络，得到不同尺度的特征差异图；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，得到差异图；使用改进的目标函数完成对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差异图中变化像素与不变像素的数值差距；将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，能够以无监督的方式高效准确地获得一对同源或异源双时相遥感图像的变化检测结果。

技术领域

本发明属于图像处理技术领域，具体涉及一种同源或异源遥感图像用无监督变化检测方法及系统，可用于从两种不同时间，相同或者不同传感器中获得的遥感图像中准确地检测出两张图片之间所发生的变化并生成相应的变化检测图。

背景技术

随着近年来遥感卫星种类、数量的增多以及对地观测技术的提升，人们可以有更多的机会从太空中监测地球表面发生的变化，遥感图像变化检测任务也就由此产生。该任务在诸如土地覆盖监测、灾害管理、生态系统监视、城市规划等实际应用能起到至关重要的作用。为了实现变化检测，各种卫星平台在不断的工作中已经为变化检测数据库提供了大量的多时相遥感图像并且这些图像通常具有非常高的空间分辨率。为了达到更好的检测效果，一般的监督或半监督的训练方式需要大量的手工标注的数据才能保证变化检测的效果，而手工标注的过程是复杂而繁琐的，因此人们希望在无监督的条件下尽量精确地完成变化检测。然而由于遥感图像所含信息丰富以及空间细节复杂等特点，同时图像对间发生的变化也具有不可知性，这些都对遥感图像的变化检测带来了巨大的挑战。同时，遥感卫星种类的增多也为变化检测任务提出了新的需求，即针对异源图像的变化检测任务。当同一地点的两张图像是由2种不同的传感器于不同的时间拍摄时，我们称之为异源图像对。如何去除不同传感器所带来的干扰并准确识别出两种图像间发生的变化，为遥感图像变化检测任务带来了更多的挑战。

由于传统机器学习方法具有良好的稳定性和较高的效率，因此手工特征(如纹理特征、光谱特征、颜色特征、形状特征)被广泛的应用于变化检测领域。传统的无监督变化检测方法通常是基于差异图像开发的，并且已经提出了许多实用的算法来获得有用的差异图像，例如主成分分析和慢速特征分析等。然而，由于手工特征难以全面描述遥感图像的信息，因此应用传统机器学习方法在遥感图像变化检测的表现不能满足我们的预期。

近年来，随着深度学习技术，尤其是卷积神经网络的发展，计算机视觉领域进入了一个新时代，也使得遥感图像处理问题得到了很大的解决。由于卷积神经网络强大的非线性拟合能力和层次结构，学习到的特征可以同时获得高级语义和丰富的空间上下文信息。提出了一系列基于卷积神经网络的遥感图像变化检测方法，此类方法的实现步骤通常为：通过预训练的卷积神经网络进行深度特征提取并进行多层特征组合，通过一定的特征选择策略进行深度特征的比较与选择，设定阈值生成相对应得二值变化图。然而，如何充分挖掘图像对间的多尺度深度特征，合理地选择并利用提取到的特征，突出并强调图像对间的差异信息，这些均是当前变化检测任务所面临的难点。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种同源或异源遥感图像用无监督变化检测方法及系统，构建多尺度全卷积网络用于使深度特征图拥有不同尺度下各像素点间的空间关系，通过元学习提升全卷积网络对全局特征的把握能力并减小异源图像间的特征差异，并利用分组卷积保证不同特征的融合效果，同时，改进的目标函数将进一步突出差异图中的变化区域，从而提升变化检测的精确度和召回率。

本发明采用以下技术方案：

一种同源或异源遥感图像用无监督变化检测方法，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；