[发明专利]基于目标面积分布特征的遥感影像变化检测质量评估方法

说明书

本发明提供基于目标面积分布特征的遥感影像变化检测质量评估方法，属于计算机图像处理评价领域，方法如下，将地表变化真值数据与模型预测结果对象化，将栅格数据转换为面要素类等能表征地物目标的矢量对象，各目标面积的归一化处理，统计地表变化真值集合中的面积分布情况，计算地表变化真值与模型预测值的匹配情况，根据得到的面积分布特征直方图，选定合适的参数，进行各目标权重值分配计算，最后加权计算。通过采用非线性函数与可变参数，弥补惩罚曲线与实际不符的情况，用函数可通过可变参数进行不同业务场景下的惩罚曲线调整，对各种业务场景适应性更高，应用在筛选不同批次的训练成果、根据业务场景挑选最佳模型等多种遥感变化检测场景。

技术领域

本发明涉及计算机图像处理评价领域，尤其涉及基于目标面积分布特征的遥感影像变化检测质量评估方法。

背景技术

遥感变化检测指通过对同一地区但不同时相的遥感影像进行对比分析，通过遥感解译手段发现前后时影像中的地物目标变化，并获取具体变化范围与变化种类的过程。遥感变化检测是诸如耕地保护、森林资源开发情况监测、矿山督查、重大项目批后实施等各类自然资源监测任务当中的关键步骤。

目前，为了应对各类季度、月度自然资源综合监测项目的需要，弥补人工解译费时费力的缺陷，基于机器学习、深度学习等人工智能(AI)技术的智能遥感解译技术已经在变化检测中获得了较为广泛的应用。其中，各类基于监督分类与影像语义分割的深度学习技术又因其针对性强、准确率高、能够获得变化目标完整图斑边界等特点，更适应自然资源综合监测任务中的变化检测环节。由于深度学习算法在训练参数时采用的随机梯度下降(stochastic gradient descent)方法的限制，即使采用相同的损失函数(loss function)与训练样本，不同批次训练所产生的模型在可视化结果上往往具备不同倾向。评价基于语义分割的变化检测效果往往采用交并比(Intersection over Union,IoU)、F1分数(F1Score)、准确率(Precision)、召回率(Recall)等基于像素计算的精度指标，上述精度指标的计算主要依赖逐像素比对地表真值(Ground Truth)与模型预测结果，计算过程中各个像素值权重相等，因此无法反映出遥感变化检测中的地物目标概念，这使得具有相同精度指标值的模型往往在可视化效果上出现不同偏向，导致模型难以适应对某类地物目标有特殊监测需求的遥感监测任务。

例如，在耕地保护项目中，需要检测农田范围内的违建建筑与动土痕迹，这类违法行为相对隐蔽，虽然目标数量多但单个变化目标的面积较小，多个目标累计面积仍然低于道路修建、城市新区开发等大规模工程，在指标计算时，对小目标优势的模型不占优势，因此指标数值表现优秀的模型很可能是偏向大型目标而忽略小目标的模型，导致模型针对性与实际任务的需求不匹配。倘若使用仅基于像素个数计算的各类变化指标来完成评估与选择检测模型的工程，将导致所选用的模型在测试中指标效果优秀，实际使用时却表现不良，无法适应监测需要。

发明内容

本发明的目的在于提供基于目标面积分布特征的遥感影像变化检测质量评估方法，解决基于像素计算的精度指标在面对各地物目标面积差距较大的场景时，无法有效衡量不同面积变化目标的检测质量的技术问题。本方法适用于对各类基于机器学习或深度学习的遥感影像分割算法的影像分割效果进行评估，并可辅助人工判读对深度学习训练模型进行挑选，可服务于各类智能遥感变化检测系统与平台。为在遥感变化监测项目中快速挑选能够有效针对目标任务场景的算法模型提供参考。

为了实现上述目的，本发明采用的技术方案如下：

基于目标面积分布特征的遥感影像变化检测质量评估方法，所述方法包括如下步骤：

步骤1：将地表变化真值数据与模型预测结果对象化，将栅格数据转换为面要素类的能表征地物目标的矢量对象，转换矢量对象的方法采用区域成长法，产生的目标对象为区域内所有数据分类类型均相同，且任一相邻像元中的数据分类类型均与区域内部不同的闭合多边形；