[发明专利]遥感图像的变化检测方法、装置及计算机可读存储介质

说明书

本申请提供一种遥感图像的变化检测方法、装置及计算机可读存储介质，方法包括：识别出待测图像中目标对象所在的第一待测区域，以及识别出基准图像中目标对象所在的第二待测区域；待测图像和基准图像为对应相同拍摄区域的遥感图像；确定第一待测区域对应的目标第二待测区域；将第一待测区域与第一待测区域对应的目标第二待测区域进行交并比运算，确定出待测图像相对于基准图像的变化区域。上述实现方案，提供了一种新的可以实现对于图像中变化区域识别的方法，可以满足遥感图像中变化区域的识别需求。且该方案资源消耗少，利于对遥感图像中的建筑物、水体、耕地中的一种或多种目标进行变化监测。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种遥感图像数据的遥感图像的变化检测方法、装置及计算机可读存储介质。

背景技术

在实际应用中，存在识别出遥感图像中变化区域的需求。而当前的变化检测技术主要基于深度神经网络模型，通过采用对称遥感图像（即两张图像除了拍摄时间不同外，具有相同的拍摄区域、相同的分辨率）进行训练，使用训练好的深度神经网络模型来实现对称遥感图像中的变化区域的识别。

目前公开的用于深度学习的变化检测数据集较少，对于需要大量数据进行训练的深度模型来说，很难取得较高的准确率，同时由于数据分布较为单一，模型不能学习到足够多的经验，使得模型在遇到未见过的数据时，不能很好的预测结果，且现有深度学习模型需要大量标注的数据集，制作数据集的标签需要大量人力耗费大量时间。

发明内容

本申请实施例的目的在于提供一种遥感图像的变化检测方法、装置及计算机可读存储介质，用以提供另一种实现遥感图像中的变化区域的识别的方案。

本申请实施例提供了一种遥感图像的变化检测方法，包括：识别出待测图像中目标对象所在的第一待测区域，以及识别出基准图像中所述目标对象所在的第二待测区域；所述待测图像和所述基准图像为对应相同拍摄区域的遥感图像；确定所述第一待测区域对应的目标第二待测区域；所述目标第二待测区域为与该第一待测区域存在交集的第二待测区域；将所述第一待测区域与所述第一待测区域对应的目标第二待测区域进行交并比运算，确定出所述待测图像相对于所述基准图像的变化区域。

在上述实现过程中，通过分别识别出目标对象在待测图像所在的第一待测区域，和该目标对象在基准图像中所在的第二待测区域，进而通过将第一待测区域分别与对应的目标第二待测区域（即在区域上与该第一待测区域存在交集的第二待测区域）进行交并比运算，这样即可实现对应性比较，快速确定出待测图像相对于基准图像的变化区域。上述实现方案，提供了一种新的可以实现对于遥感图像中变化区域识别的方法，可以满足实际应用中存在的识别出遥感图像中变化区域的需求。且该方案无需进行两幅遥感图像之间的整体对比，资源消耗少，利于对遥感图像中的建筑物、水体、耕地中的一种或多种目标进行变化监测。

进一步地，识别出待测图像中目标对象所在的第一待测区域，以及识别出基准图像中所述目标对象所在的第二待测区域，包括：将所述待测图像输入至预先训练好的语义分割模型中，得到第一概率图，确定出所述第一概率图中像素值大于预设像素阈值的各第一目标像素点；各所述第一目标像素点所在的区域构成所述第一待测区域；将所述基准图像输入至预先训练好的语义分割模型中，得到第二概率图，确定出所述第二概率图中像素值大于预设像素阈值的各第二目标像素点；各所述第二目标像素点所在的区域构成所述第二待测区域。

应理解，在现有技术中，由于需要采用对称遥感图像（即两张图像除了拍摄时间不同外，具有相同的拍摄区域、相同的分辨率）进行训练，但是目前公开的遥感图像中，可以用于进行深度神经网络模型的训练的对称遥感图像较少，对于需要大量数据进行训练的深度神经网络模型来说，很难取得较高的准确率。且现有可用于进行深度神经网络模型的训练的对称遥感图像分布较为单一，深度神经网络模型不能学习到足够多的经验，使得深度神经网络模型在遇到未见过的数据时，不能很好的预测结果。