[发明专利]边缘引导的循环卷积神经网络建筑物变化检测方法及系统

说明书

本发明公开了一种边缘引导的循环卷积神经网络建筑物变化检测方法及系统，本发明包括对遥感图像T₁和T₂进行多层次特征提取得到特征对f_1i和f_2i，计算差异特征并进行差异增强、对深层结果逐层上采样并融合浅层结果后输入边缘引导概率预测网络得到多层次的变化概率图和边缘概率图，选择T₁大小相同的变化概率图二值化处理得到检测结果M。本发明能够对变化区域的差异进行放大，对非变化区域的差异进行抑制，从而提高了变化检测的精度，使得检测性能有所提升，而且通过边缘引导利用建筑物边缘结构的先验信息进一步提升了变化检测性能，使得检测结果中建筑物轮廓更加清晰，有效改善了建筑物分布密集区域检测结果中建筑物粘连的情况。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种边缘引导的循环卷积神经网络建筑物变化检测方法及系统。

背景技术

遥感图像提供土地的覆盖和利用信息，通过变化检测技术对同一区域内多时相图像进行分析，可以实现对建筑物动态变化的监测。建筑物变化检测已经广泛应用于城市规划、灾害评估和违章建筑物监管等领域。建筑物变化检测的核心问题在于解析双时相图像之间的相关性，由于不同时相的图像存在地物易于混淆和辐射差异等现象，使得变化检测是非线性的任务。基于监督学习的方法可以有效的完成这一任务。

近年来，深度学习在遥感图像解译中发挥了非常重要的作用。深度学习中的卷积神经网络可以自动提取图像的深层特征，对于遥感图像的多种任务都有广泛的适用性，因此越来越多的深度学习算法应用到变化检测中。例如，Chen等人在文献 “A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing ImageChange Detection. Remote Sensing, 2020, 12(10): 1662.”提出了一种基于孪生卷积神经网络的变化检测方法，输入双时相的遥感图像后，该算法通过共享权重的卷积神经网络分别提取图像对的深层特征并且利用金字塔注意力模块在特征中融入多尺度的空间信息。融合空间信息的特征对通过欧氏距离来进行变化分析，最后设置阈值来分割变化和非变化区域。作为深度学习的重要分支，循环神经网络擅长处理序列数据，因此循环神经网络同样可以应用于变化检测任务。例如，Mou等人在文献“Learning spectral-spatial-temporal features via a recurrent convolutional neural network for changedetection in multispectral imagery. IEEE Transactions on Geoscience andRemote Sensing, 2018, 57(2): 924-935.”提出了联合卷积神经网络和循环神经网络的方法，利用空间和时间特性实现变化检测。输入双时相的遥感图像后，该算法利用孪生卷积神经网络分别提取图像对的空间特征，接着利用循环神经网络从时序角度对特征对进行变化分析，最后设置阈值来分割变化区域。但是，上述两种方法的不足之处在于，没有充分利用建筑物的几何特性，导致检测结果建筑物轮廓不清晰而且在建筑物分布密集区域检测结果存在粘连的情况。

发明内容

本发明要解决的技术问题为：针对现有技术的上述问题，提供一种边缘引导的循环卷积神经网络建筑物变化检测方法及系统，本发明旨在解决建筑物分布密集区域检测结果中建筑物粘连的情况，以及提高建筑物变化检测的精确度以及性能。

为了解决上述技术问题，本发明采用的技术方案为：

一种边缘引导的循环卷积神经网络建筑物变化检测方法，包括：