[发明专利]一种基于深度孪生神经网络的冰川变化遥感检测方法

说明书

本发明适用于遥感图像处理技术领域，提供了一种基于深度孪生神经网络的冰川变化遥感检测方法。主要包括以下步骤：步骤A，对双时相冰川遥感影像进行预处理，得到冰川变化检测的训练数据；步骤B，将所述双时相训练数据输入至深度孪生神经网络进行训练，获得训练后的深度孪生神经网络；步骤C，将双时相冰川遥感影像数据输入至训练后的深度孪生神经网络，获得冰川变化检测二值预测图像，将获得的冰川变化检测二值预测图像矢量化，得到冰川变化区域矢量图。本发明中可有效地增强细微变化区域的空间特征，获得冰川遥感影像变化检测图，提升冰川变化检测精度。

技术领域

本发明涉及遥感影像变化检测领域，特别是涉及基于深度孪生神经网络的冰川变化遥感检测方法。

背景技术

近几年，随着全球气候的不断变暖，冰川融化加速，冰川的位置不断发生变化。冰川是冰冻圈的重要组成部分，它不仅是气候变化的重要驱动因素之一，也反映气候变化的记录器和预警器，所以快速准确地检测冰川变化区域具有重要意义。

目前基于遥感影像的冰川变化检测方法主要有简单代数运算法、图像分类法、结构特征分析法。

基于简单代数运算的变化检测方法又可以分为图像插值法、图像比值法、图像回归分析法、和变量向量分析等。图像插值法的基本原理是将不同时间获取的两幅影像进行几何配准，然后将图像中对应像元的灰度值相减，获得一幅差异图像以表示在所选两个时间之间目标区发生的变化。图像比值法是对不同时间的配准后的图像对应像素进行相除，得到比值图像。基于代数运算的变化检测技术的优点是相对简单、直接，其关键是确定合适的阈值。由于阈值选取困难，目前通常采用人机交互的方法确定变化阈值。这类方法的不足是难以确定变化的类型和不能对变化信息进行描述。回归分析方法首先假定两期影像线性相关，也就是说两期影像中，多数像元变化不大。该方法通过最小二乘法进行回归分析，然后再用回归方程计算出的预测值减去影像真实值，从而获得两期影像的回归差值影像，利用该影像可以反映土地覆盖变化信息。回归分析方法解决了不同时相影像像元均值和方差的差异，处理后的遥感影像数据在一定程度上类似于相对辐射校正，因而能够减小多时相影像数据中由于大气条件和太阳高度角的不同所带来的不利影响。但是这种方法的检测需要得到准确的回归方程且需要选择合适的波段，在实际应用中精度不高。变化矢量分析法首先对两个不同时相的影像进行差值运算，求得每个像元的变化值，称为变化向量。变化的强度用变化向量的欧氏距离表示，变化的内容用变化向量的方向表示。变化矢量分析法可以利用较多甚至全部的波段来探测变化像元，因此避免了单一波段比较所带来的信息不完整，而且可以通过变化矢量的方向提供变化类型信息，但是随着波段数的增加，变化阈值的确定比较困难。

基于图像分类的变化检测方法主要有分类后比较和多时相图像同时分类两种方法。分类后比较法的基本原理是对两个不同时相的影像进行单独分类，然后在已分类的区域中逐像素比较以确定变化信息的位置和类型。多时相图像同时分类法的基本原理是将两个或多个时相的遥感图像数据放在一个数据库中同时进行分类。出现变化的类别，其数据的统计量，如标准差等将会很大，而未发生变化的类别其数据的标准差很小，因此通过统计量的比较，可以区分出类别变化与否。这类方法可以提供变化的种类信息，并且可以减少大气等外部因素对变化检测的影响。缺点是需要选择足够的高精度学习样本，而这对历史数据是非常困难的。此外基于分类的变化检测方法性能受分类结果的影响很大。