[发明专利]一种基于多尺度CNN-Transformer的遥感图像变化检测方法和装置

说明书

本发明实施例提供了一种基于多尺度CNN‑Transformer的遥感图像变化检测方法和装置，所述方法包括：将双时态遥感图像输入多尺度CNN‑Transformer编码器；利用所述多尺度CNN‑Transformer编码器对所述双时态遥感图像进行特征提取，得到双时态遥感图像的多尺度全局‑局部特征；利用级联解码器将所述双时态遥感图像的多尺度全局‑局部特征进行逐层融合重构，得到变化特征图；通过分类器对所述变化特征图进行逐像素分类，得到变化检测结果图。本发明实施例实现将CNN和Transformer在多个尺度上进行有效结合，充分提取并融合遥感图像中多尺度的全局‑局部特征，融合得到变化特征图中包含了多个尺度的全局‑局部特征，进而增强了对不同大小变化区域检测的鲁棒性。

技术领域

本发明涉及遥感图像分析技术领域，特别涉及一种基于多尺度CNN-Transformer的遥感图像变化检测方法和装置。

背景技术

遥感变化检测是遥感领域的一项重要的任务。遥感变化检测是指通过对比同一地理区域在两个不同时间拍摄的共配准图像，识别出该区域中地表事物的变化情况并做出相应的应对措施。遥感变化检测可广泛应用于农业上、军事领域、城市规划领域、环境检测等领域。

现有的遥感变化检测方法可分为传统方法和基于机器学习的方法。传统遥感变化检测方法图像通常根据代数计算或基于手工特征变换来检测变化区域，基于代数计算的方法严重依赖于人工对最终变化概率图分割阈值的选择，不合适的阈值会导致大量的虚警；基于手工特征变换的方法需要预先选择好一个待转换的特征空间，但寻找一个合适的特征空间十分耗费时间，且不具有良好的泛化性。基于机器学习的遥感变化检测方法包含基于传统机器学习的方法和基于深度学习的方法，基于传统机器学习的方法通常采取后分类的思想，其精度严重依赖于对分类算法的选择，因此其泛化性仍旧不高；基于深度学习的方法通常是由卷积神经网络模型(CNN)构成，该方法虽然可以有效地提取遥感图像的局部特征，但由于卷积操作本身的局部性，难以关注到遥感图像的全局特征。近年来，有研究使用Transformer结构用于增强变化检测算法对全局特征的提取能力，但其只在单尺度上对CNN和Transformer进行了简单的结合，未考虑到多尺度上的全局-局部特征，因此会造成不同大小的变化区域的漏检，进而检测的鲁棒性不好、精度不高。

因此，亟需一种鲁棒性更好、检测精度更高的遥感图像变化检测方法。

发明内容

鉴于上述问题，本发明实施例提供了一种基于多尺度CNN-Transformer的遥感图像变化检测方法和装置，以便克服上述问题或者至少部分地解决上述问题。

本发明实施例的第一方面，公开了一种基于多尺度CNN-Transformer的遥感图像变化检测方法，所述方法包括：

将双时态遥感图像输入多尺度CNN-Transformer编码器；

利用所述多尺度CNN-Transformer编码器对所述双时态遥感图像进行特征提取，得到双时态遥感图像的多尺度全局-局部特征；

利用级联解码器将所述双时态遥感图像的多尺度全局-局部特征进行逐层融合重构，得到变化特征图；

通过分类器对所述变化特征图进行逐像素分类，得到变化检测结果图，所述变化检测结果图表征所述双时态遥感图像中第一时态遥感图像和第二时态遥感图像的变化区域。

可选地，所述多尺度CNN-Transformer编码器包括两个子网络，所述两个子网络结构相同、参数共享，每个子网络分别对所述双时态遥感图像中的一个时态图像进行处理，所述每个子网络包括1个卷积块和N个CovTrans块，所述1个卷积块和N个CovTrans块对应一个子网络的N+1个处理阶段，所述每个处理阶段对应一个尺度；所述利用所述多尺度CNN-Transformer编码器对所述双时态遥感图像进行特征提取，得到双时态遥感图像的多尺度全局-局部特征，包括：