[發(fā)明專(zhuān)利]邊緣引導(dǎo)的循環(huán)卷積神經(jīng)網(wǎng)絡(luò)建筑物變化檢測(cè)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110421796.8
• 申請(qǐng)日: 2021-04-20
• 公開(kāi)（公告）號(hào): CN112990112B
• 公開(kāi)（公告）日: 2021-07-27
• 發(fā)明（設(shè)計(jì)）人: 李樹(shù)濤;白北方;盧婷
• 申請(qǐng)（專(zhuān)利權(quán)）人: 湖南大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 湖南兆弘專(zhuān)利事務(wù)所(普通合伙) 43008
• 代理人: 譚武藝

本發(fā)明公開(kāi)了一種邊緣引導(dǎo)的循環(huán)卷積神經(jīng)網(wǎng)絡(luò)建筑物變化檢測(cè)方法及系統(tǒng)，本發(fā)明包括對(duì)遙感圖像T₁和T₂進(jìn)行多層次特征提取得到特征對(duì)f_1i和f_2i，計(jì)算差異特征并進(jìn)行差異增強(qiáng)、對(duì)深層結(jié)果逐層上采樣并融合淺層結(jié)果后輸入邊緣引導(dǎo)概率預(yù)測(cè)網(wǎng)絡(luò)得到多層次的變化概率圖和邊緣概率圖，選擇T₁大小相同的變化概率圖二值化處理得到檢測(cè)結(jié)果M。本發(fā)明能夠?qū)ψ兓瘏^(qū)域的差異進(jìn)行放大，對(duì)非變化區(qū)域的差異進(jìn)行抑制，從而提高了變化檢測(cè)的精度，使得檢測(cè)性能有所提升，而且通過(guò)邊緣引導(dǎo)利用建筑物邊緣結(jié)構(gòu)的先驗(yàn)信息進(jìn)一步提升了變化檢測(cè)性能，使得檢測(cè)結(jié)果中建筑物輪廓更加清晰，有效改善了建筑物分布密集區(qū)域檢測(cè)結(jié)果中建筑物粘連的情況。

技術(shù)領(lǐng)域

本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種邊緣引導(dǎo)的循環(huán)卷積神經(jīng)網(wǎng)絡(luò)建筑物變化檢測(cè)方法及系統(tǒng)。

背景技術(shù)

遙感圖像提供土地的覆蓋和利用信息，通過(guò)變化檢測(cè)技術(shù)對(duì)同一區(qū)域內(nèi)多時(shí)相圖像進(jìn)行分析，可以實(shí)現(xiàn)對(duì)建筑物動(dòng)態(tài)變化的監(jiān)測(cè)。建筑物變化檢測(cè)已經(jīng)廣泛應(yīng)用于城市規(guī)劃、災(zāi)害評(píng)估和違章建筑物監(jiān)管等領(lǐng)域。建筑物變化檢測(cè)的核心問(wèn)題在于解析雙時(shí)相圖像之間的相關(guān)性，由于不同時(shí)相的圖像存在地物易于混淆和輻射差異等現(xiàn)象，使得變化檢測(cè)是非線性的任務(wù)。基于監(jiān)督學(xué)習(xí)的方法可以有效的完成這一任務(wù)。

近年來(lái)，深度學(xué)習(xí)在遙感圖像解譯中發(fā)揮了非常重要的作用。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)可以自動(dòng)提取圖像的深層特征，對(duì)于遙感圖像的多種任務(wù)都有廣泛的適用性，因此越來(lái)越多的深度學(xué)習(xí)算法應(yīng)用到變化檢測(cè)中。例如，Chen等人在文獻(xiàn) “A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing ImageChange Detection. Remote Sensing, 2020, 12(10): 1662.”提出了一種基于孿生卷積神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)方法，輸入雙時(shí)相的遙感圖像后，該算法通過(guò)共享權(quán)重的卷積神經(jīng)網(wǎng)絡(luò)分別提取圖像對(duì)的深層特征并且利用金字塔注意力模塊在特征中融入多尺度的空間信息。融合空間信息的特征對(duì)通過(guò)歐氏距離來(lái)進(jìn)行變化分析，最后設(shè)置閾值來(lái)分割變化和非變化區(qū)域。作為深度學(xué)習(xí)的重要分支，循環(huán)神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)處理序列數(shù)據(jù)，因此循環(huán)神經(jīng)網(wǎng)絡(luò)同樣可以應(yīng)用于變化檢測(cè)任務(wù)。例如，Mou等人在文獻(xiàn)“Learning spectral-spatial-temporal features via a recurrent convolutional neural network for changedetection in multispectral imagery. IEEE Transactions on Geoscience andRemote Sensing, 2018, 57(2): 924-935.”提出了聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的方法，利用空間和時(shí)間特性實(shí)現(xiàn)變化檢測(cè)。輸入雙時(shí)相的遙感圖像后，該算法利用孿生卷積神經(jīng)網(wǎng)絡(luò)分別提取圖像對(duì)的空間特征，接著利用循環(huán)神經(jīng)網(wǎng)絡(luò)從時(shí)序角度對(duì)特征對(duì)進(jìn)行變化分析，最后設(shè)置閾值來(lái)分割變化區(qū)域。但是，上述兩種方法的不足之處在于，沒(méi)有充分利用建筑物的幾何特性，導(dǎo)致檢測(cè)結(jié)果建筑物輪廓不清晰而且在建筑物分布密集區(qū)域檢測(cè)結(jié)果存在粘連的情況。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題為：針對(duì)現(xiàn)有技術(shù)的上述問(wèn)題，提供一種邊緣引導(dǎo)的循環(huán)卷積神經(jīng)網(wǎng)絡(luò)建筑物變化檢測(cè)方法及系統(tǒng)，本發(fā)明旨在解決建筑物分布密集區(qū)域檢測(cè)結(jié)果中建筑物粘連的情況，以及提高建筑物變化檢測(cè)的精確度以及性能。

為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為：

一種邊緣引導(dǎo)的循環(huán)卷積神經(jīng)網(wǎng)絡(luò)建筑物變化檢測(cè)方法，包括：