本發(fā)明屬于遙感影像處理領(lǐng)域，具體涉及一種光學(xué)衛(wèi)星影像像素級(jí)變化檢測(cè)方法。

背景技術(shù)：

1、現(xiàn)有的遙感影像變化檢測(cè)模型在嚴(yán)格配準(zhǔn)的數(shù)據(jù)集上表現(xiàn)出較好的性能，而在實(shí)際應(yīng)用中效果不佳。除模型泛化能力因素之外，限制遙感影像變化檢測(cè)模型應(yīng)用范圍的原因還有以下兩點(diǎn)：

2、1.大多數(shù)變化檢測(cè)模型不能兼顧變化檢測(cè)任務(wù)的精度和效率。許多現(xiàn)有變化檢測(cè)模型側(cè)重于檢測(cè)變化區(qū)域的定位準(zhǔn)確性，而忽略處理效率。這極大地限制了變化檢測(cè)技術(shù)在實(shí)際任務(wù)中的應(yīng)用。

3、2.由于實(shí)際生產(chǎn)中獲取到的雙時(shí)相衛(wèi)星遙感影像存在配準(zhǔn)誤差以及衛(wèi)星遙感影像存在投影差，大多數(shù)變化檢測(cè)模型在實(shí)際生產(chǎn)中的表現(xiàn)欠佳。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供了一種的光學(xué)衛(wèi)星影像像素級(jí)變化檢測(cè)方法。該方法基于多尺度特征融合策略和多尺度輸出結(jié)構(gòu)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)像素級(jí)變化檢測(cè)，該方法能夠減小遙感影像投影差和配準(zhǔn)誤差對(duì)檢測(cè)結(jié)果的影響，以解決遙感影像像素級(jí)變化檢測(cè)過(guò)程中不精確的問(wèn)題。

2、為此，本發(fā)明采用以下技術(shù)方案：

3、一種光學(xué)衛(wèi)星影像像素級(jí)變化檢測(cè)方法包括以下步驟：

4、s1，數(shù)據(jù)采集和預(yù)處理：

5、獲取兩個(gè)不同時(shí)期的大范圍遙感影像a和b，并通過(guò)嚴(yán)格幾何校正、正射糾正和重采樣對(duì)所述大范圍遙感影像進(jìn)行預(yù)處理，將預(yù)處理后的大范圍遙感影像a和b作為輸入數(shù)據(jù)；

6、s2，模型設(shè)計(jì)：本發(fā)明所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)模型φ包括多尺度特征融合策略ψ和多尺度輸出結(jié)構(gòu)ω，其中，多尺度特征融合策略ψ包括四類(lèi)空間特征提取操作，多尺度特征融合策略ψ的輸入為s1所述輸入數(shù)據(jù)，輸出為不同尺度下的特征圖；

7、多尺度輸出結(jié)構(gòu)ω＝{si}的每個(gè)分支包括一個(gè)激活層，每個(gè)激活層包括一種非線性激活操作，每個(gè)激活層中的非線性激活操作均相同且由分類(lèi)器實(shí)現(xiàn)，si表示經(jīng)由第i個(gè)非線性激活分支處理后，該分支得到的輸出特征結(jié)果，其中i＝1,2,3,4；

8、s3，模型訓(xùn)練：

9、卷積神經(jīng)網(wǎng)絡(luò)模型φ的訓(xùn)練過(guò)程包括以下子步驟：

10、步驟i：將變化檢測(cè)影像對(duì){(a,b,cbi*)z}作為卷積神經(jīng)網(wǎng)絡(luò)模型φ的輸入，其中z＝1,2,…z，z表示變化檢測(cè)影像對(duì)的總組數(shù)，通過(guò)s2所述多尺度特征融合策略ψ，得到不同尺度下的特征圖l1-0、l2-0、l3-0和l4-0，cbi*為真值，是人工標(biāo)注的變化檢測(cè)圖斑；

11、步驟ii：對(duì)l1-0進(jìn)行高層級(jí)特征提取，得到特征圖l2-1，將l2-0和l2-1按特征級(jí)聯(lián)操作，得到特征圖l2-c，對(duì)l2-1進(jìn)行高層級(jí)特征提取，得到特征圖l3-1；

12、步驟iii：通過(guò)兩個(gè)分支對(duì)特征圖l2-c進(jìn)行高層級(jí)特征提取，得到特征圖l3-2和l4-3，將特征圖l3-0，l3-1和l3-2進(jìn)行通道級(jí)聯(lián)處理，得到l3-c；

13、步驟iv：對(duì)特征圖l3-1進(jìn)行高層級(jí)特征提取，得到特征圖l4-1，對(duì)特征圖l3-2進(jìn)行高層級(jí)特征提取，得到特征圖l4-2，將特征圖l3-c進(jìn)行高層級(jí)特征提取，得到特征圖l4-4，將特征圖l4-0，l4-1，l4-2，l4-3和l4-4進(jìn)行通道級(jí)聯(lián)處理，得到l4-c；

14、步驟v：對(duì)特征圖l4-c進(jìn)行反卷積操作與上采樣操作，并與特征圖l3-c級(jí)聯(lián)，得到特征圖l3-u，對(duì)特征圖組{l3-u,l2-c}和{l2-u，l1-0}重復(fù)步驟v，依次得到l2-u和l1-u；

15、步驟vi：分別對(duì)l1-u，l2-u，l3-u和l4-c進(jìn)行反卷積處理，得到卷積層的特征圖其中，c表示特征圖的通道數(shù)，下標(biāo)數(shù)字代表第h層對(duì)應(yīng)的卷積特征圖，對(duì)進(jìn)行維度變換，經(jīng)過(guò)降維處理將c降為1，得到，其中1表示得到的特征圖為單通道向量；

16、步驟vii：將降維后的不同尺度的特征圖輸入到s2所述多尺度輸出結(jié)構(gòu)ω中，通過(guò)多尺度輸出結(jié)構(gòu)ω中的激活層分類(lèi)器進(jìn)行二分類(lèi)，輸出特征結(jié)果的像素值變化概率，對(duì)所有像素的變化概率結(jié)果進(jìn)行二值化，得到變化檢測(cè)的預(yù)測(cè)結(jié)果cbi；

17、s4，模型優(yōu)化：

18、通過(guò)預(yù)測(cè)結(jié)果cbi和真值cbi*之間的相似程度計(jì)算損失函數(shù)，利用后向傳播更新卷積神經(jīng)網(wǎng)絡(luò)模型φ＝{θ,m,t}，其中，θ表示待訓(xùn)練的模型參數(shù)；m表示輸出的網(wǎng)絡(luò)特征圖；t表示變化檢測(cè)分類(lèi)器；

19、上述訓(xùn)練和優(yōu)化過(guò)程需要迭代進(jìn)行，通過(guò)不斷更新模型參數(shù)來(lái)降低損失函數(shù)、提升網(wǎng)絡(luò)性能，直到滿(mǎn)足迭代停止條件；

20、s5，模型預(yù)測(cè)：固定卷積神經(jīng)網(wǎng)絡(luò)φ，對(duì)每一對(duì)待測(cè)試影像進(jìn)行變化檢測(cè)，得到對(duì)應(yīng)尺寸的變化檢測(cè)結(jié)果圖cbi。

21、步驟s2中所述多尺度特征融合策略包括四類(lèi)空間特征提取操作，其中：

22、表示經(jīng)由r個(gè)第一類(lèi)空間特征提取分支處理后，該分支得到的輸出特征結(jié)果；

23、表示經(jīng)由j個(gè)第二類(lèi)空間特征提取分支處理后，該分支得到的輸出特征結(jié)果；

24、表示經(jīng)由k個(gè)第三類(lèi)空間特征提取分支處理后，該分支得到的輸出特征結(jié)果；

25、表示經(jīng)由l個(gè)第四類(lèi)空間特征提取分支處理后，該分支得到的輸出特征結(jié)果；

26、第一類(lèi)空間特征提取分支采用的卷積操作為：進(jìn)行一個(gè)卷積核大小為{3×3}、步距為1的可變形卷積操作，該處理分支的輸出結(jié)果為

27、第二類(lèi)空間特征提取分支采用的卷積操作為：進(jìn)行一個(gè)卷積核大小為{3×3}、卷積步距為2，該處理分支的輸出結(jié)果為

28、第三類(lèi)空間特征提取分支采用的卷積操作為：先進(jìn)行一個(gè)卷積核大小為{3×3}、卷積步距為1的卷積操作，再進(jìn)行池化操作；再進(jìn)行一個(gè)卷積核大小為{3×3}、卷積步距為2的卷積操作，該處理分支的輸出結(jié)果為

29、第四類(lèi)空間特征提取分支采用的卷積操作為：先進(jìn)行三個(gè)卷積核大小均為{3×3}且卷積步距為1的卷積操作，再進(jìn)行池化操作，再進(jìn)行一個(gè)卷積核大小為{3×3}且卷積的步距為1的卷積操作，該處理分支的輸出結(jié)果為

30、在每個(gè)空間特征提取分支處理后，對(duì)輸出結(jié)果進(jìn)行池化操作，得到該處理分支的輸出特征圖。

31、步驟s2中所述分類(lèi)器根據(jù)sigmoid函數(shù)設(shè)計(jì)，其中，表示輸入特征向量，2表示對(duì)輸入特征向量進(jìn)行二分類(lèi)；

32、分類(lèi)器的公式如下：

33、

34、其中，fi為分類(lèi)器t的輸入，exp()為求對(duì)數(shù)函數(shù)，f(fi)為分類(lèi)器t的結(jié)果輸出，作為二分類(lèi)任務(wù)，f(fi)的輸出范圍為[0,1]，f(fi)表示特征圖中第m行第n列像素的變化概率。

35、步驟s4中所述損失函數(shù)由二分類(lèi)交叉熵?fù)p失函數(shù)ebce與dice系數(shù)損失函數(shù)edc組合而成，公式如下：

36、e＝ebce+λedc

37、其中，λ為權(quán)重控制參數(shù)，用以調(diào)控ebce與edc之間的比例；

38、二分類(lèi)交叉熵?fù)p失函數(shù)ebce公式為：

39、

40、其中，q為影像a的像素總數(shù)，yq表示第q個(gè)像素的狀態(tài)，yq＝1表示影像中變化的像素?cái)?shù)；yq＝0表示未變化的像素?cái)?shù)；pq表示第q個(gè)像素變化的概率；

41、dice系數(shù)損失函數(shù)edc公式為：

42、

43、其中，y表示給定的變化圖真值，表示預(yù)測(cè)的變化結(jié)果圖。

44、步驟s4所述迭代停止條件為：至少迭代40次。

45、所述多尺度特征融合策略中的四類(lèi)空間特征提取分支數(shù)取值相同，均為1，r＝j(luò)＝k＝l＝1。

46、所述池化操作均采用最大化池化，且池化操作的步距均為2。

47、所述權(quán)重控制參數(shù)λ多次預(yù)設(shè)數(shù)值進(jìn)行測(cè)試，λ設(shè)置為0.5。

48、本發(fā)明的光學(xué)衛(wèi)星影像像素級(jí)變化檢測(cè)方法通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型φ實(shí)現(xiàn)光學(xué)衛(wèi)星影像像素級(jí)變化的檢測(cè)。

49、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

50、1.本發(fā)明提出的多尺度特征融合策略結(jié)合了可變形卷積操作，能有效抵抗衛(wèi)星影像間的配準(zhǔn)誤差，有效融合多尺度的特征信息，進(jìn)而提升像素級(jí)變化檢測(cè)的精度。

51、2.本發(fā)明設(shè)計(jì)的多尺度輸出結(jié)構(gòu)不僅能夠優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，而且能夠有效抵抗雙時(shí)相衛(wèi)星遙感影像間存在的配準(zhǔn)誤差及遙感影像本身存在的投影差帶來(lái)的影響，進(jìn)而提高了變化檢測(cè)模型檢測(cè)的精度，更加適合于光學(xué)衛(wèi)星影像像素級(jí)變化檢測(cè)。

52、3.本發(fā)明構(gòu)建的變化檢測(cè)模型具有更優(yōu)的特征提取能力、更高效的處理效率。