一种基于两阶段特征金字塔网络的遥感图像变化检测方法

本发明涉及光学遥感图像处理的变化检测，具体涉及一种基于两阶段特征金字塔网络的遥感图像变化检测方法。

背景技术：

1、光学遥感图像变化检测的目的是在不同时期的光学遥感图像中进行差异检测，获取地表感兴趣目标的变化信息，是遥感图像处理的一个重要研究方向。变化检测是获取土地利用的现状、进行地点和全球检测的一项重要技术，在快速发展的现代社会中具有广泛应用，如城市扩张检测、灾害评估、环境监测、气候监测，资源管理、公益诉讼取证、城市规划等。随着遥感技术的发展，对地观测具备了多平台、多分辨率、多时相等多重能力。同时随着近些年数据的积累，形成了天然的遥感大数据平台，传统的遥感人工判读和监督分类算法由于效率低、耗费的财力、物力巨大等缺陷，已经难以满足海量遥感数据的应用与信息服务需求，呈现出判读精度差、处理时效性低、鲁棒性差、难以进行长时间高强度的判读任务的弊端。因此，急需针对遥感大数据开展研究以解决现有技术中存在的问题。目前已经存在的方案大多是借助智能解译算法利用智能化算法将遥感大数据高效地转化为数据服务信息，减少对人工判读的依赖，促进遥感图像快速自动化评估。

2、传统的变化检测方法比如变化向量分析(cva)、主成分分析(pca)、多元变化检测(mad)等主要通过提取遥感影像图像中的波谱信息来检测是否变化。然而这类方法需要人为在决策阶段设定判决界限，这需要大量的专家知识并且效率低下。而机器学习算法比如支持向量机、决策树、k近邻等，可以从大量有标签的样本中学习一个自动决策模型。因此机器学习算法被广泛应用于遥感影像变化检测。然而，这类方法非常依赖手工特征，这导致很难捕捉到高级特征表示，导致变化检测的性能低下。近年来，深度学习在图像分析、自然语言处理等领域取得了巨大的突破。随着图像处理器的改进、数据量的增加，使用了用于特征编码的深层网络的深度学习方法，大大减少了对专家知识和手工特征的需要，被广泛应用于变化检测等遥感任务，并取得了显著的成果。深度特征表达和非线性建模的特点使得基于深度学习的方法更加适合于复杂图像的特征提取，并且引起了遥感图像变化检测领域的关注。

3、近些年，基于fcn架构的语义分割网络被提出，并证明其对像素级变化检测任务是有效的。许多基于深度学习的遥感图像变化检测方法被不断提出，且性能优于传统方法。这些方法可以分为两类：基于度量学习的方法和基于语义分割的方法。前者一般使用不同特征提取器的孪生网络提取双时相特征后，进行度量学习来得到变化图，而后者则是采用语义分割的模型解决变化检测问题，将通道维级联的双时相图像送入语义分割网络中来预测变化区域。尽管上面方法取得了不错的变化检测效果，但是他们都忽略了不同尺度差异特征在空间信息和语义信息上的差异性引起的伪变化干扰，从而影响了遥感图像变化检测的性能。另外这些模型往往编码器复杂，解码器简单，不能充分利用编码器提取的多尺度特征。因此，亟需开展消除不同尺度特征语义差异和空间差异导致的伪变化干扰的方法研究，以及适合变化检测且充分利用编码器多尺度信息的特征金字塔网络设计。

技术实现思路

1、有鉴于此，本发明提供了一种基于两阶段特征金字塔网络的遥感图像变化检测方法，包括：将第一图像和第二图像分别进行编码特征提取，以获得第一图像编码特征图以及第二图像编码特征图；其中，所述第一图像和所述第二图像是位于同一地点的不同时间点的图像，所述第一图像编码特征图包括4个不同尺度的编码特征图，分别为第一图像第0级编码特征图、第一图像第1级编码特征图、第一图像第2级编码特征图和第一图像第3级编码特征图，所述第二图像编码特征图包括4个不同尺度的编码特征图，分别为第二图像第0级编码特征图、第二图像第1级编码特征图、第二图像第2级编码特征图和第二图像第3级编码特征图；将所述第一图像编码特征图以及所述第二图像编码特征图进行相似性处理，以获得初始差异特征图；其中，所述初始差异特征图包括4个不同尺度的初始差异特征图，分别为第0级初始差异特征图、第1级初始差异特征图、第2级初始差异特征图和第3级初始差异特征图；将所述第3级初始差异特征图进行自注意力空间增强处理，以获得初始差异注意力特征图；将所述第0级初始差异特征图、所述第1级初始差异特征图、所述第2级初始差异特征图以及所述初始差异注意力特征图进行第一阶段特征金字塔处理，以获得初始变化特征图；其中，所述初始变化特征图包括3级初始变化特征图，分别为第0级初始变化特征图、第1级初始变化特征图以及第2级初始变化特征图；将所述初始变化特征图进行第二阶段特征金字塔处理，以获得重优化变化特征图；其中，所述重优化变化特征图包括3级重优化变化特征图，分别为第0级重优化变化特征图、第1级重优化变化特征图以及第2级重优化变化特征图；基于所述重优化变化特征图对所述第一图像和所述第二图像进行变化预测；基于损失函数进行深度监督和优化，以获得优化后的两阶段特征金字塔网络模型；以及基于所述优化后的两阶段特征金字塔网络模型对第一待检测图像和第二待检测图像进行检测，以获得检测结果，所述检测结果指示所述第一待检测图像和所述第二待检测图像的变化情况，其中第一待检测图像和第二待检测图像是位于同一地点的不同时间点的图像。

2、进一步地，所述将所述第一图像编码特征图以及所述第二图像编码特征图进行相似性处理包括：相似性处理采用差分的形式计算：

3、fi＝abs(fi1-fi2),i＝0,1,2,3

4、其中，fi1表示所述第一图像第i级编码特征图，fi2表示所述第二图像第i级编码特征图，fi表示第i级初始差异特征图。

5、进一步地，所述将所述第3级初始差异特征图进行自注意力空间增强处理包括：对所述第3级初始差异特征图进行滤波处理，以获得第3级初始差异特征图的滤波结果；基于所述滤波结果生成初始差异注意力图：

6、a＝softmax(ktq)

7、fa＝va

8、其中，a表示注意力图，k表示被查询特征图，q表示查询特征图，t表示矩阵转置，v表示表征特征图，fa表示初始差异注意力图。

9、进一步地，所述将所述第0级初始差异特征图、所述第1级初始差异特征图、所述第2级初始差异特征图以及所述初始差异注意力特征图进行第一阶段特征金字塔处理，包括：基于所述初始差异注意力特征图和第2级初始差异特征图，经过第2级双注意力处理，生成第2级初始变化特征图；基于所述第2级初始变化特征图和第1级初始差异特征图，经过第1级双注意力处理，生成第1级初始变化特征图；以及基于所述第1级初始变化特征图和第0级初始差异特征图，经过第0级双注意力处理，生成第0级初始变化特征图；其中，所述第2级双注意力处理、所述第1级双注意力处理以及所述第0级双注意力处理都包括双注意力处理。

10、进一步地，所述双注意力处理包括：对第一输入数据和第二输入数据在通道维度上进行压缩激活处理，以生成通道注意力图；对所述通道注意力图进行融合处理，以生成混合通道注意力图；基于所述混合通道注意力图对所述第一输入数据在通道上滤波，以生成通道特征图；对所述第二输入数据与通道特征图进行融合处理，以获得混合特征图；对所述混合特征图在空间维度进行压缩激活，以获得空间混合注意力图；使用所述空间混合注意力图对所述第二输入数据进行空间信息增强，以生成空间特征图；以及对所述通道特征图和所述空间特征图进行融合处理，以生成初始变化特征图。

11、所述将所述初始变化特征图进行第二阶段特征金字塔处理包括：基于所述初始差异注意力特征图与所述第2级初始变化特征图，通过第2级滤波融合处理，以生成第2级重优化变化特征图；基于所述第2级重优化变化特征图与所述第1级初始变化特征图，通过第1级滤波融合处理，以生成第1级重优化变化特征图；以及基于所述第1级重优化变化特征图与所述第0级初始变化特征图，通过第0级滤波融合处理，以生成所述第0级重优化变化特征图。

12、进一步地，所述第2级滤波融合处理表达式如下：所述第1级滤波融合处理表达式如下：所述第0级滤波融合处理表达式如下：其中，fr,2表示所述第2级重优化变化特征图，fr,1表示所述第1级重优化变化特征图，fr,0表示所述第0级重优化变化特征图，fr,2表示所述第2级初始变化特征图，fr,1表示所述第1级初始变化特征图，fr,0表示所述第0级初始变化特征图，fa表示所述初始差异注意力特征图。

13、进一步地，使用所述重优化变化特征图对所述第一图像和所述第二图像进行变化预测包括：对所述第2级重优化变化特征图进行滤波，以获得滤波后的第2级重优化变化特征图；并将滤波后的第2级重优化变化特征图放大到所述第一图像的大小，以获得第2级变化预测图；对所述第1级重优化变化特征图进行滤波，以获得滤波后的第1级重优化变化特征图；并将滤波后的第1级重优化变化特征图放大到所述第一图像的大小，以获得第1级变化预测图；以及对所述第0级重优化变化特征图进行滤波，以获得滤波后的第0级重优化变化特征图；并将滤波后的第0级重优化变化特征图放大到所述第一图像的大小，以获得第0级变化预测图。

14、进一步地，所述基于损失函数进行深度监督和优化包括：构建损失函数l，所述损失函数l包括二元交叉熵损失函数lbce和dice损失函数ldice：

15、l＝ldice+lbce

16、

17、

18、其中，n是变化图中像素的数量，yn表示第n个像素的状态，n为图像像素位置的索引，yn＝1表示变化，yn＝0表示未变化，pn表示第n个像素变化的概率，y为实际变化图，是变化预测图；

19、以及基于所述整体损失函数ls对第2级变化预测图、第1级变化预测图以及第0级变化预测图进行深度监督，所述整体损失函数ls表达式如下：

20、

21、其中，li表示第i级变化预测图与实际变化图计算的损失函数l。

22、本发明可以实现高效、高精度的高分辨光学遥感图像多时相遥感变化检测，可以缓解不同尺度语义差异特征带来的伪变化干扰和类不平衡、尺度差异过大带来的模型性能下降；可以在类不平衡、目标尺度差异过大的遥感场景取得不错的变化检测效果，可以缓解不同尺度特征语义差异导致的伪变化干扰。

23、应当理解，本
技术实现要素：
部分中所描述的内容并非旨在限定本发明的实施例的关键特征或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的描述而变得容易理解。