遥感图像水体变化检测方法及装置、电子设备及存储介质与流程

本发明涉及遥感图像处理，尤其涉及一种遥感图像水体变化检测方法及装置、电子设备及存储介质。

背景技术：

1、遥感图像水体变化检测是指识别不同时间获得的同一对象区域的遥感图像中水体差异的过程，其广泛应用于城市水域监测、土地水体流失、洪涝灾害评估 和生态环境监测等。

2、目前，由于遥感图像中水体图像内容较为复杂且语义丰富，同时受到实际情况中光照变化、生态环境以及失配误差等因素的影响，导致真实水体区域的变化难以被检测，遥感图像水体变化检测的检测结果准确性以及检测过程效率均偏低。

技术实现思路

1、本发明提供一种遥感图像水体变化检测方法及装置、电子设备及存储介质，用以解决现有技术中遥感图像水体变化检测的检测结果准确性以及检测过程效率均偏低的缺陷，实现提高遥感图像水体变化检测的检测结果准确性和检测效率的目的。

2、本发明提供一种遥感图像水体变化检测方法，包括如下步骤。

3、获取第一时间拍摄第一区域得到的第一遥感图像和第二时间拍摄第一区域得到的第二遥感图像；其中，第一区域中分布有水体；将第一遥感图像和第二遥感图像分别作为目标图像，基于特征增强网络模型，对目标图像进行多尺度特征提取并对多尺度特征提取的结果进行特征增强处理，获得多个尺度下的水体图像增强特征；基于特征图获取与融合网络模型对多个尺度下的水体图像增强特征进行特征图获取处理和特征图融合处理，获得多个尺度中每个尺度下的水体图像增强特征对应的特征图、以及获得将第一尺度下的特征图和第二尺度下的特征图进行融合得到的目标图像的融合特征图；其中，特征图基于特征图金字塔网络fpn获得，第一尺度的特征图的分辨率大于多个尺度中其他尺度的特征图的分辨率，第二尺度的特征图的分辨率小于多个尺度中其他尺度的特征图的分辨率；基于特征聚合网络模型，对多个尺度下的融合特征图进行聚合处理，得到目标图像的聚合特征图；基于空间注意力网络模型和聚合特征图，获得目标图像的空间注意力特征图；基于卷积网络模型对第一遥感图像的空间注意力特征图和第二遥感图像的空间注意力特征图进行分割，获得第一遥感图像和第二遥感图像中水体图像上每个像元的预测变化信息；其中，预测变化信息包括：变化或者未变化；基于阈值非线性映射模型，对第一遥感图像的融合特征图、第二遥感图像的融合特征图和预测变化信息进行阈值非线性映射，确定第一遥感图像和第二遥感图像中的水体变化区域；输出水体变化区域的第一图像。

4、根据本发明提供的一种遥感图像水体变化检测方法，输出水体变化区域的第一图像之后，该方法还包括：根据水体变化区域，在第一遥感图像或者第二遥感图像中标注水体变化区域的区域范围；输出标注区域范围的第二图像。

5、根据本发明提供的一种遥感图像水体变化检测方法，获取第一时间拍摄第一区域得到的第一遥感图像和第二时间拍摄第一区域得到的第二遥感图像之前，还包括：获取多组遥感图像样本；其中，多组遥感图像样本中的每组遥感图像样本包括第三时间拍摄第二区域的第一遥感样本图像和第四时间拍摄第二区域的第二遥感样本图像，第二区域中分布有水体；对第一遥感样本图像和第二遥感样本图像中水体区域进行标注，获得至少一个水体区域标签；其中，水体区域标签的类型包括：变化和未变化；根据多组遥感图像样本和每组遥感图像样本的至少一个水体区域标签，对多个初始神经网络模型进行训练，获得多个初始神经网络模型一一对应的多个目标神经网络模型；其中，多个目标神经网络模型包括：特征增强网络模型、特征图获取与融合网络模型、特征聚合网络模型和空间注意力网络模型。

6、根据本发明提供的一种遥感图像水体变化检测方法，对多个初始神经网络模型进行训练，包括：基于预设的损失函数对多个初始神经网络模型进行训练；其中，损失函数基于对第一损失函数、第二损失函数和第三损失函数进行加权求和来获得；第一损失函数根据第一像元数量、第二像元数量和第三像元数量确定，第一像元数量为对多个初始神经网络模型进行训练的过程中本次输入的至少一组遥感图像样本中预测变化信息和水体区域标签中相同的像元数量，第二像元数量为本次输入的至少一组遥感图像样本中预测变化信息为变化的像元的数量，第三像元数量为本次输入的至少一组遥感图像样本中水体区域标签为变化的像元的数量；第二损失函数根据本次输入的至少一组遥感图像样本中预测变化信息的二进制映射参数值和本次输入的至少一组遥感图像样本中水体区域标签的二进制映射参数值确定；第三损失函数根据本次输入的至少一组遥感图像样本中未发生变化的像元对个数、发生变化的像元对个数、遥感图像样本的高和遥感图像样本的宽和距离映射确定。

7、根据本发明提供的一种遥感图像水体变化检测方法，基于卷积网络模型对第一遥感图像的空间注意力特征图和第二遥感图像的空间注意力特征图进行分割，获得第一遥感图像和第二遥感图像中水体图像上每个像元的预测变化信息，包括：基于卷积网络模型将第一遥感图像的空间注意力特征图分割为多个第一分割图像，以及基于卷积网络模型将第二遥感图像的空间注意力特征图分割为多个第二分割图像；其中，多个第一分割图像与多个第二分割图像一一对应；计算目标第一分割图像与其对应的目标第二分割图像的相似度；在相似度大于或等于相似度阈值的情况下，确定目标第一分割图像和目标第二分割图像中的每个像元的预测变化信息为未变化；在相似度小于相似度阈值的情况下，确定标第一分割图像和目标第二分割图像中的每个像元的预测变化信息为变化。

8、根据本发明提供的一种遥感图像水体变化检测方法，多尺度特征提取中裁剪的步长为50px。

9、本发明还提供一种遥感图像水体变化检测装置，包括如下模块：

10、获取模块，用于获取第一时间拍摄第一区域得到的第一遥感图像和第二时间拍摄第一区域得到的第二遥感图像；其中，第一区域中分布有水体；

11、第一处理模块，用于将第一遥感图像和第二遥感图像分别作为目标图像，基于特征增强网络模型，对目标图像进行多尺度特征提取并对多尺度特征提取的结果进行特征增强处理，获得多个尺度下的水体图像增强特征；

12、第二处理模块，用于基于特征图获取与融合网络模型对多个尺度下的水体图像增强特征进行特征图获取处理和特征图融合处理，获得多个尺度中每个尺度下的水体图像增强特征对应的特征图、以及获得将第一尺度下的特征图和第二尺度下的特征图进行融合得到的目标图像的融合特征图；其中，特征图基于特征图金字塔网络fpn获得，第一尺度的特征图的分辨率大于多个尺度中其他尺度的特征图的分辨率，第二尺度的特征图的分辨率小于多个尺度中其他尺度的特征图的分辨率；

13、第三处理模块，用于基于特征聚合网络模型，对多个尺度下的融合特征图进行聚合处理，得到目标图像的聚合特征图；

14、第四处理模块，用于基于空间注意力网络模型和聚合特征图，获得目标图像的空间注意力特征图；

15、预测模块，用于基于卷积网络模型对第一遥感图像的空间注意力特征图和第二遥感图像的空间注意力特征图进行分割，获得第一遥感图像和第二遥感图像中水体图像上每个像元的预测变化信息；其中，预测变化信息包括：变化或者未变化；

16、确定模块，用于基于阈值非线性映射模型，对第一遥感图像的融合特征图、第二遥感图像的融合特征图和预测变化信息进行阈值非线性映射，确定第一遥感图像和第二遥感图像中的水体变化区域；

17、输出模块，用于输出水体变化区域的第一图像。

18、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述遥感图像水体变化检测方法。

19、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述遥感图像水体变化检测方法。

20、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述遥感图像水体变化检测方法。

21、本发明提供的遥感图像水体变化检测方法及装置、电子设备及存储介质，通过获取第一时间拍摄第一区域得到的第一遥感图像和第二时间拍摄第一区域得到的第二遥感图像；其中，第一区域中分布有水体；将第一遥感图像和第二遥感图像分别作为目标图像，基于特征增强网络模型，对目标图像进行多尺度特征提取并对多尺度特征提取的结果进行特征增强处理，获得多个尺度下的水体图像增强特征；基于特征图获取与融合网络模型对多个尺度下的水体图像增强特征进行特征图获取处理和特征图融合处理，获得多个尺度中每个尺度下的水体图像增强特征对应的特征图、以及获得将第一尺度下的特征图和第二尺度下的特征图进行融合得到的目标图像的融合特征图；其中，特征图基于特征图金字塔网络fpn获得，第一尺度的特征图的分辨率大于多个尺度中其他尺度的特征图的分辨率，第二尺度的特征图的分辨率小于多个尺度中其他尺度的特征图的分辨率；基于特征聚合网络模型，对多个尺度下的融合特征图进行聚合处理，得到目标图像的聚合特征图；基于空间注意力网络模型和聚合特征图，获得目标图像的空间注意力特征图；基于卷积网络模型对第一遥感图像的空间注意力特征图和第二遥感图像的空间注意力特征图进行分割，获得第一遥感图像和第二遥感图像中水体图像上每个像元的预测变化信息；其中，预测变化信息包括：变化或者未变化；基于阈值非线性映射模型，对第一遥感图像的融合特征图、第二遥感图像的融合特征图和预测变化信息进行阈值非线性映射，确定第一遥感图像和第二遥感图像中的水体变化区域；输出水体变化区域的第一图像。由此可见，本发明实施例能够解决现有技术中遥感图像水体变化检测的检测结果准确性以及检测过程效率均偏低的缺陷，实现提高遥感图像水体变化检测的检测结果准确性和检测效率的目的。