[发明专利]一种联合局部表征和全局建模的双时遥感变化检测方法

说明书

本发明公开了一种联合局部表征和全局建模的双时遥感变化检测方法，包括：获取双时遥感图像对并将图像分割为相同尺寸的子图；建立对偶主干网络模型并进行预训练；采用预训练好的对偶主干网络模型对子图进行特征提取，对应获得多尺度局部特征图和全局特征图；对相同空间分辨率下的局部特征图和全局特征图执行双分支信息交叉融合操作，获取联合表示；对不同空间分辨率的联合表示执行多尺度特征图融合操作，获取多尺度融合特征图；将图像对中对应子图获得的多尺度融合特征图之间依次进行差值、上采样和卷积变换，获取变化检测图。该方法可实现更好的目标定位、边缘细化和语义理解，保障检测精度和泛化性能，数据处理速度快。

技术领域

本发明属于图像处理技术领域，具体涉及一种联合局部表征和全局建模的双时遥感变化检测方法。

背景技术

双时遥感图像变化检测对于理解地表变化至关重要，其在灾害损失评估、土地覆盖制图和城市扩展调查等应用中得到了广泛研究。随着高分辨率光学传感器的发展，高分辨率遥感图像的可用性不断提高，从而拓宽了高分辨率双时相图像中变化检测的应用范围。

基于卷积网络的变化检测模型CNN凭借局部连接和权值共享的特性而取得了较好的检测性能，但是受感受野大小和局部特征提取的限制，不具备全局上下文信息的建模能力。而Transformer网络一经从自然语言处理领域应用到计算机视觉中，就凭借其自注意力机制中长距离依赖特性产生了巨大轰动，然而Transformer中不同网络阶段所捕获的全局特征极度相似而存在冗余。因此，提出一种检测精度和泛化性能更好的双时遥感图像变化检测方法。

发明内容

本发明的目的在于针对上述问题，提出一种联合局部表征和全局建模的双时遥感变化检测方法，兼具CNN模型和Transformer模型的优点，在引进局部归纳偏置的同时，建立长距离依赖，从而保证模型的特征互补与有效表征，可实现更好的目标定位、边缘细化和语义理解，进一步保障双时遥感图像对变化检测的检测精度和泛化性能，且数据处理速度快。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种联合局部表征和全局建模的双时遥感变化检测方法，包括如下步骤：

S1、获取双时遥感图像对，将图像对中的两图像分割为若干相同尺寸的子图；

S2、建立对偶主干网络模型并进行预训练，对偶主干网络模型包括并行的CNN模型和Transformer模型；

S3、采用预训练好的对偶主干网络模型对子图进行特征提取，对应获得CNN模型输出的多尺度局部特征图F_local和Transformer模型输出的多尺度全局特征图F_global；

S4、对相同空间分辨率下的局部特征图F_local和全局特征图F_global执行双分支信息交叉融合操作，局部特征图F_local的尺寸记为W×H×L_local，全局特征图F_global的尺寸记为W×H×L_global，其中，W为当前空间分辨率下局部特征图F_local或全局特征图F_global的宽度，H为当前空间分辨率下局部特征图F_local或全局特征图F_global的高度，L_local为当前空间分辨率下局部特征图F_local的通道深度，L_global为当前空间分辨率下全局特征图F_global的通道深度，双分支信息交叉融合操作具体如下：

S41、将局部特征图F_local和全局特征图F_global分别通过卷积操作统一尺寸为W×H×d，其中，d为局部特征图F_local或全局特征图F_global统一后的通道深度；