一种通用多时相高分辨率遥感影像变化检测方法与流程

本发明属于空间信息，具体涉及一种通用多时相高分辨率遥感影像变化检测方法。

背景技术：

1、随着卫星遥感技术的不断发展，分辨率优于2米以上的卫星遥感影像，也就是高分辨率遥感影像已被广泛的应用在各个领域。现有技术中针对高分辨率遥感影像的变化检测任务通常是面向特定目标的，如建筑物变化、耕地变化、林地变化等，尽管现有的基于深度学习的特定变化检测模型在特定领域取得了较好的精度，但是当特定的变化模型泛化到其他任务时性能将会急剧下降，如建筑物变化检测模型通常难以在耕地变化检测任务上获得较好的精度。

2、基于深度学习的多时相高分辨率遥感影像变化检测目前已有较多相关研究，也开发了较多的变化检测模型，如deeplabv3+、unet++、swintransformer、siamhrnet-ocr等，这些网络模型中大多是端到端，即开发者只需要准备样本和标签即可完成模型训练、模型推理等，而无需关注模型的实现细节等，这些模型在特定任务上精度较高，但模型泛化能力较差，尤其在困难场景时精度较低。

3、此外，交互式变化检测模型，如scribblecdnet，则采用了涂鸦交互的方式来提高两时相遥感影像变化检测模型的精度，用户只需要采用涂鸦的快速交互方式，即可完成对地物的变化检测，它在困难场景的精度较高，然而在大规模验证集上仍需人机交互，因此处理效率不高。

4、通用分割模型，如seggpt，是经典的基于提示的快速地物提取模型，用户只需输入单张高分辨率图像和对应的标注，即可对整个验证集进行同类地物提取，它在航空影像上具备较好的精度，如飞机检测、船舶检测等。然而，该模型只能在单期影像上进行地物提取，无法在两期影像上进行变化检测。近期提出的基于单张提示图像的通用分割方法，同样无法实现两期影像变化检测。

5、综上所述，现有通用分割模型主要存在以下问题：一是主要针对单期影像进行地物分割，无法在两期影像上实现通用变化检测；二是主要针对自然图像，缺乏对高分辨率卫星遥感影像的普适性，处理精度较低。

技术实现思路

1、有鉴于此，本发明提供了一种通用多时相高分辨率遥感影像变化检测方法，实现了只需输入两张不同时相的模板影像和相关提示即可完成对整个数据集的相似变化目标检测。

2、本发明提供的一种通用多时相高分辨率遥感影像变化检测方法，包括以下步骤：

3、步骤1、获取不同时相的高分辨率遥感影像及其相关变化检测数据集，在高分辨率遥感影像上采集地物变化，构建包含多个任务数据集的样本数据集；将样本数据集拆分为查询集和模板集；

4、步骤2、构建包括分割骨干网络和空间语义模块的端到端通用分割模型，分割骨干网络包括阶段一、阶段二、阶段三及阶段四共四个阶段，空间语义模块包括第一深度可分离卷积模块及第二深度可分离卷积模块；端到端通用分割模型的输入包括叠加图像和标注图像，其中，叠加图像由不同时相的查询图像进行波段叠加得到，标注图像由不同时相的模板图像标注提示信息后进行波段叠加得到；阶段一的输入为叠加图像及标注图像，阶段二的输入为阶段一的输出及标注图像，阶段三的输入为阶段二的输出及标注图像，阶段四的输入为阶段三的输出及标注图像；第一深度可分离卷积模块的输入包括阶段二、阶段三及阶段四的输出和标注图像，第二深度可分离卷积模块的输入为第一深度可分离卷积模块的输出；

5、步骤3、采用样本数据集完成端到端通用分割模型的训练；

6、步骤4、在实际使用时，获取不同时相的待分析高分辨率遥感影像，将不同时相的待分析高分辨率遥感影像作为模板影像，将模板影像及提示信息进行波段叠加后输入训练得到的端到端通用分割模型完成相似目标变化目标检测。

7、进一步地，所述将样本数据集拆分为查询集和模板集，查询集和模板集的拆分比例为8:2。

8、进一步地，对所述样本数据集采用图像旋转、图像折叠、图像色彩变换及图像噪声添加的方式进行增强处理。

9、进一步地，所述模板图像标注提示信息的方式为点击、框选、涂鸦及二值标签。

10、进一步地，所述分割骨干网络采用变化检测模型实现，所述空间语义模块采用语义分割模型实现。

11、进一步地，所述分割骨干网络为resnext50网络；所述空间语义模块采用膨胀卷积的方式获取高阶上下文语义特征，采用空洞卷积的方式并行提取多尺度语义信息。

12、进一步地，所述采用样本数据集完成端到端通用分割模型的训练的方式为：首先从不同任务数据集中随机选择一个样本作为模板图像，再从同一任务数据集中随机一张样本作为查询图像；然后，将模板图像及查询图像分别经过波段叠加得到的标注图像和叠加图像输入端到端通用分割模型中的分割骨干网络及空间语义模块提取语义特征作为网络输出，再采用加权交叉熵对网络输出进行拟合得到最终的结果；采用多个任务数据集随机迭代输入，完成端到端通用分割模型的训练。

13、有益效果：

14、本发明构建了通用多时相高分辨率遥感影像变化检测过程，建立了端到端通用分割模型，采用查询图像及模板图像，引入多种标注方式形成提示信息，完成端到端通用分割模型的训练，实现了实际使用中仅需输入两张不同时相的模板影像和相关提示即可完成对整个数据集的相似变化目标检测，变化目标检测过程具备一定的通用性且无需重新训练，因此有效地减少了现有变化检测任务中样本标注、模型训练的工作量。

技术特征：

1.一种通用多时相高分辨率遥感影像变化检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种通用多时相高分辨率遥感影像变化检测方法，其特征在于，所述将样本数据集拆分为查询集和模板集，查询集和模板集的拆分比例为8:2。

3.根据权利要求1所述的一种通用多时相高分辨率遥感影像变化检测方法，其特征在于，对所述样本数据集采用图像旋转、图像折叠、图像色彩变换及图像噪声添加的方式进行增强处理。

4.根据权利要求1所述的一种通用多时相高分辨率遥感影像变化检测方法，其特征在于，所述模板图像标注提示信息的方式为点击、框选、涂鸦及二值标签。

5.根据权利要求1所述的一种通用多时相高分辨率遥感影像变化检测方法，其特征在于，所述分割骨干网络采用变化检测模型实现，所述空间语义模块采用语义分割模型实现。

6.根据权利要求5所述的一种通用多时相高分辨率遥感影像变化检测方法，其特征在于，所述分割骨干网络为resnext50网络；所述空间语义模块采用膨胀卷积的方式获取高阶上下文语义特征，采用空洞卷积的方式并行提取多尺度语义信息。

7.根据权利要求1所述的一种通用多时相高分辨率遥感影像变化检测方法，其特征在于，所述采用样本数据集完成端到端通用分割模型的训练的方式为：首先从不同任务数据集中随机选择一个样本作为模板图像，再从同一任务数据集中随机一张样本作为查询图像；然后，将模板图像及查询图像分别经过波段叠加得到的标注图像和叠加图像输入端到端通用分割模型中的分割骨干网络及空间语义模块提取语义特征作为网络输出，再采用加权交叉熵对网络输出进行拟合得到最终的结果；采用多个任务数据集随机迭代输入，完成端到端通用分割模型的训练。

技术总结
本发明公开了一种通用多时相高分辨率遥感影像变化检测方法，构建了通用多时相高分辨率遥感影像变化检测过程，建立了端到端通用分割模型，采用查询图像及模板图像，引入多种标注方式形成提示信息，完成端到端通用分割模型的训练，实现了实际使用中仅需输入两张不同时相的模板影像和相关提示即可完成对整个数据集的相似变化目标检测，变化目标检测过程具备一定的通用性且无需重新训练，因此有效地减少了现有变化检测任务中样本标注、模型训练的工作量。

技术研发人员：王志盼,罗青青,赵俊峰,李志飞,周毅
受保护的技术使用者：湖南星图空间信息技术有限公司
技术研发日：
技术公布日：2024/11/26