本發(fā)明涉及遙感領(lǐng)域，特別是涉及一種基于高分辨率衛(wèi)星影像的城市化語義變化檢測方法。主要適用于城市化變化趨勢分析，并實現(xiàn)可視化。

背景技術(shù)：

1、隨著社會和經(jīng)濟的快速發(fā)展，城市化擴張是城市發(fā)展的必然結(jié)果，但不夠理性的無序擴張將對土地資源和自然環(huán)境帶來極大的負面影響，全面細致的了解城市城市化的變化和趨勢，是保障城市可持續(xù)發(fā)展的重要保障。通過檢測城市邊緣區(qū)不透水面的變化趨勢和速度，可以基本反映城市發(fā)展的總體情況，持續(xù)的監(jiān)測可以比較客觀的評估目標(biāo)區(qū)域的城市化擴張和衰退程度，對城建規(guī)劃和城市的可持續(xù)發(fā)展管理具有著重要作用。

2、基于衛(wèi)星影像的變化檢測，是利用同一地理位置在不同時期拍攝的一組或多組影像，結(jié)合地物紋理和形狀信息，判別其中地物新增和衰退的一種技術(shù)。隨著遙感技術(shù)的進步，目前已能通過多種遙感平臺(如：worldview-3、geoeye-1、quickbird、gaofen-2)持續(xù)接收多期影像數(shù)據(jù)，極大的促進變化檢測技術(shù)的發(fā)展。

3、目前針對變化檢測的方法可大致分為2類：基于圖像特征提取和基于深度學(xué)習(xí)。其中基于圖像特征提取的變化檢測方法主要面向多光譜影像，提取影像中豐富的光譜、紋理和結(jié)構(gòu)特征，如主成分分析、變化向量和多變量變化檢測，此類方法操作簡潔，在變化檢測領(lǐng)域得到廣泛應(yīng)用，但也因其特征提取通常依賴于專家手工設(shè)計，在面對不同的光照、天氣條件和季節(jié)變化時無法有效地捕捉到關(guān)鍵信息，性能和自動化程度較低。基于深度學(xué)習(xí)的變化檢測方式擁有著更高的自動化程度與大規(guī)模數(shù)據(jù)處理能力，可通過在卷積神經(jīng)網(wǎng)絡(luò)中結(jié)合注意力機制(如空間注意力、通道注意力、全局注意力等)和多尺度模塊，為變化提取網(wǎng)絡(luò)帶來更大的感受野和上下文信息提取能力。近些年相關(guān)研究開始將transformer引入卷積神經(jīng)網(wǎng)絡(luò)中，并取得了良好的檢測效果，在細粒度邊界描繪和特征提取中取得了較大提升。例如，chen等首先引入transformer提取變化特征，通過空間注意力將每個時序的特征圖壓縮為token，對空間上下文進行建模，獲取全局特征。例如，chang等基于segformer進行改進，采用孿生網(wǎng)絡(luò)結(jié)構(gòu)并完全由transformer構(gòu)建，對多尺度特征進行拼接，獲取多尺度全局信息。同時隨著convnext的提出，證明cnn具備與transformer相當(dāng)?shù)男阅軡摿?，兩者在感受野大小和上下文建模方面有著各自的?yōu)劣。

4、綜上所述，隨著衛(wèi)星影像分辨率的不斷提高，影像中包含了更清晰的幾何結(jié)構(gòu)、更復(fù)雜的紋理信息，會導(dǎo)致傳統(tǒng)的提取方式產(chǎn)生過多的偽變化，提取難度大大增加。如何通過深度學(xué)習(xí)的方式，構(gòu)造具有高精度提取能力、自動化程度高、大規(guī)模處理影像數(shù)據(jù)的模型是當(dāng)前亟待實現(xiàn)的任務(wù)。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的是提供一種基于高分辨率衛(wèi)星影像的城市化語義變化檢測方法，以實現(xiàn)對城市化變化趨勢的精準(zhǔn)檢測與可視化。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下步驟：a.通過google?earth平臺獲取同一地區(qū)不同時序的衛(wèi)星影像，對影像進行預(yù)處理，獲取校準(zhǔn)后影像數(shù)據(jù)；b.將校準(zhǔn)后影像進行數(shù)據(jù)標(biāo)注、數(shù)據(jù)劃分和數(shù)據(jù)增強，生成城市化語義變化數(shù)據(jù)集；c.將城市化語義變化數(shù)據(jù)集輸入城市化語義變化檢測模型(ct-net)中，獲取每張影像的城市化變化趨勢；d.基于檢測結(jié)果，統(tǒng)計目標(biāo)區(qū)域的城市化擴張、衰退、未變化的百分比和面積。

3、其中，所述的步驟a具體包括：

4、將獲取的前時序影像為基準(zhǔn)，以雙時序影像中明顯的點區(qū)域作為控制點(如交叉路口、建筑角落)，對雙時序的矢量數(shù)據(jù)進行配準(zhǔn)；

5、之后對影像中的目標(biāo)區(qū)域進行裁剪，獲取同一地理位置不同時序的影像組。

6、所述的步驟b具體包括：

7、對預(yù)處理后影像組進行數(shù)據(jù)標(biāo)注，之后對檢測區(qū)域進行數(shù)據(jù)劃分，將影像以512×512的尺寸進行切割；

8、將影像旋轉(zhuǎn)90°或270°，或是將影像翻轉(zhuǎn)，進行影像第一步數(shù)據(jù)增強；

9、將影像對比度調(diào)整為原始影像的60％或120％，進行影像的第二步數(shù)據(jù)增強。

10、所述的步驟c具體包括：

11、ct-net編碼器由淺層網(wǎng)絡(luò)和深層網(wǎng)絡(luò)構(gòu)成；

12、淺層網(wǎng)絡(luò)由卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成，主要關(guān)注地物中的局部細微變化；

13、深層網(wǎng)絡(luò)由卷積神經(jīng)網(wǎng)絡(luò)和transformer構(gòu)成，關(guān)注地物中的區(qū)域性變化并擴大感受野，捕獲更廣闊的上下文信息；

14、ct-net的雙時序特征融合結(jié)構(gòu)用以實現(xiàn)雙時序中非線性關(guān)系的融合；

15、ct-net解碼器由多尺度混合模塊和mlp構(gòu)成，將雙時序特征融合結(jié)果進行多尺度融合，以此統(tǒng)一各通道維度；

16、利用ct-net網(wǎng)絡(luò)對影像組進行檢測，得到城市化變化趨勢。

17、所述的步驟d具體包括：

18、對ct-net網(wǎng)絡(luò)的檢測結(jié)果進行分析，統(tǒng)計檢測結(jié)果中的城市化擴張、城市化衰退和未變化像素數(shù)量，結(jié)合高分辨率影像的分辨率，進一步計算總擴張、衰退、未變化的面積和百分比。

技術(shù)特征：

1.一種基于高分辨率衛(wèi)星影像的城市化語義變化檢測方法，其特征在于，包括：

2.如權(quán)利要求1所述的方法，其特征在于，所述的步驟a具體包括：

3.如權(quán)利要求1所述的方法，其特征在于，所述的步驟b包括：

4.如權(quán)利要求1所述的方法，其特征在于，所述的步驟c包括：

5.如權(quán)利要求1所述的方法，其特征在于，所述的步驟d包括：

技術(shù)總結(jié)
本發(fā)明實施例公開了一種基于高分辨率衛(wèi)星影像的城市化語義變化檢測方法，包括：采集高分辨率衛(wèi)星影像，對影像進行預(yù)處理、數(shù)據(jù)標(biāo)注和數(shù)據(jù)增強構(gòu)建城市化語義變化數(shù)據(jù)集；將數(shù)據(jù)增強后的城市化語義變化數(shù)據(jù)集輸入到城市化語義變化檢測模型(CT?Net)中，獲取不同時序的城市化變化趨勢；基于城市化變化結(jié)果，統(tǒng)計目標(biāo)區(qū)域的城市化擴張、衰退的百分比和面積。本發(fā)明實施例的計算方案根據(jù)不透水面這一直觀的城市化樣本，在高分辨率影像中實現(xiàn)了細粒度的邊界檢測和少空洞的區(qū)域性檢測，并實現(xiàn)對目標(biāo)區(qū)域的城市擴張、衰退的百分比和面積的統(tǒng)計計算，實現(xiàn)高精度、自動化城市化變化提取。

技術(shù)研發(fā)人員：戴建國,穆正陽,陳沛沛,張國順
受保護的技術(shù)使用者：石河子大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9