高分辨率遙感影像建筑物變化檢測方法、裝置及電子設備制造方法及圖紙

本發明專利技術公開了一種高分辨率遙感影像建筑物變化檢測方法、裝置及電子設備，包括獲取同一地區的雙時像建筑物數據集，預處理后劃分為訓練集、驗證集和測試集，進行數據增強處理；構建編碼器解碼器結構的卷積神經網絡FERA

【技術實現步驟摘要】
高分辨率遙感影像建筑物變化檢測方法、裝置及電子設備


[0001]本專利技術涉及計算機視覺中的圖像信息處理
，更具體地，涉及一種高分辨率遙感影像建筑物變化檢測方法、裝置及電子設備。

技術介紹

[0002]建筑是城市發展的重要組成部分，建筑變化檢測通常用于土地利用管理、非法建筑管理和城市發展。變化檢測旨在分析同一區域內的多時間圖像，并檢測區域內物體或現象差異的過程。遙感圖像通常可用于識別和評估地表變化，利用獲得的同一地表區域的多時相遙感圖像及其伴隨數據，是遙感領域最熱門的研究領域之一。
[0003]隨著地球觀測技術的不斷發展，現在可以獲取大量具有高光譜、空間和時間分辨率的遙感數據，從而提供有關土地覆蓋的大量信息。地球觀測、計算和人工智能技術的快速發展也導致了各種遙感圖像變化檢測方法的發展。然而，現有的建筑變化檢測模型不能有效地提取多尺度建筑特征，也不能充分利用特征地圖的局部和全局信息，例如建筑邊緣。這些缺陷影響了檢測精度，并可能限制模型的進一步應用。
[0004]由于計算機視覺領域的突破，深度學習網絡，特別是卷積網絡，已被應用于遙感圖像分析。將深度學習網絡應用于變化檢測任務，以自動提取相關語義特征并獲得圖像信息的抽象特征表示。與傳統的基于方法相比，基于深度學習的方法可以自動學習特征，這顯著減少了對專業領域知識的需求。由于卷積神經網絡等深度學習模型在捕獲和表示圖像特征方面的優異性能，變化檢測任務的性能大大提高了性能，并將變化檢測技術推向了一個新時代。盡管深度學習方法在變化檢測任務中表現突出，但仍存在一些問題。一方面，現有的檢測方法不能有效地從高分辨率遙感圖像中提取多尺度建筑特征。由于編碼器部分的連續下采樣操作和解碼器部分的連續上采樣操作，諸如建筑物邊界信息和多尺度建筑物的細節信息逐漸被稀釋。另一方面，當通過跳過連接傳遞上下文信息時，現有的變化檢測網絡往往只連接同級特征圖。這使得網絡在連接上層和下層時存在信息差異，無法充分利用特征圖的局部和全局信息，從而影響特征提取的效率并限制模型的性能。
[0005]因此，多尺度建筑物變化檢測問題和建筑物變化檢測邊緣模糊問題是亟待解決的技術問題。

技術實現思路

[0006]本專利技術旨在解決多尺度建筑物變化檢測問題和建筑物變化檢測邊緣模糊問題，為了解決該技術問題，本專利技術提供了一種高分辨率遙感影像建筑物變化檢測方法、裝置及電子設備，基于殘差注意力機制和高頻特征對雙時像數據進行建筑物變化檢測。
[0007]根據本專利技術的第一方面，本專利技術提供的一種高分辨率遙感影像建筑物變化檢測方法，具體包括如下步驟：
[0008]S1：獲取同一地區的雙時像建筑物數據集，進行預處理后劃分為訓練集、驗證集和測試集，并進行數據增強處理；
[0009]S2：構建編碼器解碼器結構的卷積神經網絡FERA
?
Net，所述FERA
?
Net的編碼器中包括殘差注意力引導的高頻特征增強模塊，所述FERA
?
Net的解碼器中包括特征增強的跳躍連接模塊；
[0010]S3：將訓練集和驗證集中的數據輸入FERA
?
Net中，分別在編碼器提取多層次特征，在解碼器聚合全尺度信息更好的恢復特征圖，設計混合損失函數，優化網絡訓練，并通過驗證集驗證訓練結果，訓練完成后，獲得訓練好的網絡模型；
[0011]S4：將測試集中的數據輸入訓練好的網絡模型來預測建筑物變化檢測結果，并測試模型性能，獲得模型精度評價結果。
[0012]進一步地，步驟S1具體包括：
[0013]對原始數據集進行數據裁剪，裁剪為H
×
W像素大小；
[0014]將裁剪后的數據集進行數據劃分，劃分為訓練集，驗證集和測試集；
[0015]對訓練集和驗證集中的數據采用平移、旋轉、垂直鏡像方式進行數據增強；將標簽數據進行重編碼、將其轉換為0、1編碼的二值圖。
[0016]進一步地，所述FERA
?
Net的網絡結構采用共享權重的孿生結構提取雙時像特征。
[0017]進一步地，步驟S2中，在編碼器部分由多層的殘差注意力引導的高頻特征增強模塊增強遙感圖像的高頻特征并挖掘多層次特征，獲取低層空間信息和深層語義信息；
[0018]殘差注意力引導的高頻特征增強模塊包括殘差空間注意力特征提取階段和通道注意力高頻特征增強階段；
[0019]在殘差空間注意力特征提取階段，通過空間注意力機制捕捉特征圖中的空間關系，重點關注遙感圖像中的建筑物部分；
[0020]在通道注意力高頻特征增強階段，通過全向Sobel算子提取遙感圖像中的高頻信息，通過通道注意力機制增強特征圖中的高頻特征；
[0021]在解碼器部分，將編碼器部分獲得的多層特征圖通過特征增強的跳躍連接模塊增強特征圖中的局部信息和全局信息，并通過全尺度跳躍連接聚合全尺度信息，用于特征圖的恢復。
[0022]進一步地，所述通過全尺度跳躍連接聚合全尺度信息，聚合全尺度信息的第i層特征圖具體的計算公式如下：
[0023][0024]其中，i表示下采樣層數，N表示總特征圖層數，表示提取的第i層雙時像特征圖，k＝1，...，i
?
1，FEM(
·
)表示特征增強模塊，Down(
·
)表示下采樣算子，表示激活函數和歸一化函數，Up(
·
)表述上采樣算子。
[0025]進一步地，步驟S3中，所述混合損失函數包括主體損失函數和邊緣損失函數；主體損失函數用于監督建筑物主體部分，使用Focal Loss函數；邊緣損失函數用于監督建筑物邊緣部分，使用MSE Loss函數。
[0026]進一步地，混合損失函數的表達式如下：
[0027]L＝λ1L
out
+λ2L
edge
[0028]其中，L
out
表示主體損失函數，L
edge
表示邊緣損失函數，λ1、λ2為比例系數。
[0029]根據本專利技術的第二方面，本專利技術提供了一種實施所述方法的高分辨率遙感影像建筑物變化檢測裝置，包括以下模塊：
[0030]圖像獲取及預處理模塊，用于獲取同一地區的雙時像建筑物數據集，進行預處理后劃分為訓練集、驗證集和測試集，并進行數據增強處理；
[0031]網絡構建模塊，用于構建編碼器解碼器結構的卷積神經網絡FERA
?
Net，所述FERA
?
Net的編碼器中包括殘差注意力引導的高頻特征增強模塊，所述FERA
?
Net的解碼器中包含特征增強的跳躍連接模塊；
[0032]網絡訓練模塊，用于將訓練集和驗證集中的數據輸入FERA
?
Net中，分別在編碼器提取多層次特征，在解碼器聚合全尺度信息更好的恢復特征圖，設計混合損失函數，優化網絡訓練，并通過驗證集驗證訓練結果，訓練完成后，獲得訓練好的網絡模型；
本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種高分辨率遙感影像建筑物變化檢測方法，其特征在于，包括以下步驟：S1：獲取同一地區的雙時像建筑物數據集，進行預處理后劃分為訓練集、驗證集和測試集，并進行數據增強處理；S2：構建編碼器解碼器結構的卷積神經網絡FERA
?
Net，所述FERA
?
Net的編碼器中包括殘差注意力引導的高頻特征增強模塊，所述FERA
?
Net的解碼器中包括特征增強的跳躍連接模塊；S3：將訓練集和驗證集中的數據輸入FERA
?
Net中，分別在編碼器提取多層次特征，在解碼器聚合全尺度信息更好的恢復特征圖，設計混合損失函數，優化網絡訓練，并通過驗證集驗證訓練結果，訓練完成后，獲得訓練好的網絡模型；S4：將測試集中的數據輸入訓練好的網絡模型來預測建筑物變化檢測結果，并測試模型性能，獲得模型精度評價結果。2.根據權利要求1所述的高分辨率遙感影像建筑物變化檢測方法，其特征在于，步驟S1具體包括：對原始數據集進行數據裁剪，裁剪為H
×
W像素大小；將裁剪后的數據集進行數據劃分，劃分為訓練集，驗證集和測試集；對訓練集和驗證集中的數據采用平移、旋轉、垂直鏡像方式進行數據增強；將標簽數據進行重編碼、將其轉換為0、1編碼的二值圖。3.根據權利要求1所述的高分辨率遙感影像建筑物變化檢測方法，其特征在于，所述FERA
?
Net的網絡結構采用共享權重的孿生結構提取雙時像特征。4.根據權利要求1所述的高分辨率遙感影像建筑物變化檢測方法，其特征在于，步驟S2中，在編碼器部分由多層的殘差注意力引導的高頻特征增強模塊增強遙感圖像的高頻特征并挖掘多層次特征，獲取低層空間信息和深層語義信息；殘差注意力引導的高頻特征增強模塊包括殘差空間注意力特征提取階段和通道注意力高頻特征增強階段；在殘差空間注意力特征提取階段，通過空間注意力機制捕捉特征圖中的空間關系，重點關注遙感圖像中的建筑物部分；在通道注意力高頻特征增強階段，通過全向Sobel算子提取遙感圖像中的高頻信息，通過通道注意力機制增強特征圖中的高頻特征；在解碼器部分，將編碼器部分獲得的多層特征圖通過特征增強的跳躍連接模塊增強特征圖中的局部信息和全局信息，并通過全尺度跳躍連接聚合全尺度信息，用于特征圖的恢復。5.根據權利要求4所述的高分辨率遙感影像建筑物變化檢測方法，其特征在于，所述通過全尺度跳躍連接聚合全尺度信息，聚合全尺度信息的第i層特征圖具體的計算公式如下：
其中，i表示下采樣層數，N表示總特征圖層...

【專利技術屬性】
技術研發人員：徐旭偉，周媛，魯謝春，陳占龍，
申請(專利權)人：中國地質大學武漢，
類型：發明
國別省市：