一种基于共性与差异解耦的遥感图像变化检测方法
本发明涉及遥感图像检测,尤其是指一种基于共性与差异解耦的遥感图像变化检测方法。
背景技术:
1、遥感变化检测(remote sensing change detection, rscd)旨在从同一地理区域、不同观测时间获取的双时相图像中识别真实的地表覆被变化,该技术在城市扩张监测、灾害评估、土地资源调查、生态保护等领域具有广泛的应用价值。随着遥感对地观测平台的发展,遥感图像在空间细节和场景多样性方面展现出日益增强的表示能力。然而,双时相观测之间的每一个差异并不都对应于真实的地表覆被变化,例如,光照条件差异、季节变化、天气状况和大气条件等因素同样会引起显著的光谱和纹理差异,从而产生伪变化响应,因此,遥感变化检测的核心挑战不仅在于检测时序差异,更在于从无关的时序干扰中区分出真实变化。
2、遥感变化检测方法一般可分为基于卷积神经网络的方法、基于transformer的方法和基于状态空间模型的方法。基于卷积神经网络的方法主要依赖卷积运算的局部感受野来捕获双时相图像中的纹理和结构变化,其中change3d从视频建模视角重新审视变化检测任务,将双时相图像视为时序序列,通过三维卷积和时序建模来捕获跨时间的变化模式,在多个数据集上取得了较强的检测性能;wdmf-net提出了轻量级小波对齐差分和掩码引导融合网络,利用小波变换在频域中进行多尺度特征对齐和差分增强,以减少空间错位和噪声干扰对小尺度变化目标的影响。然而,卷积运算固有的局部感受野限制了此类方法捕获长程空间依赖和全局双时相上下文的能力,在复杂场景中常导致预测不一致和边界不精确,且上述方法均未对双时相特征中共性成分与差异成分进行显式分离,伪变化响应难以从根源上得到抑制。
3、为克服卷积神经网络感受野的局限,基于transformer的方法被引入遥感变化检测领域。bit首次将transformer架构应用于变化检测,通过将双时相特征压缩为一组紧凑的语义令牌,在令牌空间中建模跨区域的时空关系,从而增强了全局语义表示能力;maskcd进一步将变化检测重新定义为掩码分类问题,通过一组可学习的掩码提议对变化区域进行实例级别的分类和分割,在多个公开数据集上取得了领先的检测精度。尽管transformer凭借自注意力机制具备了全局建模能力,但这些方法仍然直接在混合的双时相特征上进行特征交互和差异建模,未将时序不变的共性成分从变化敏感的差异成分中区分出来,导致由光照、季节、大气等无关因素引起的差异被作为变化线索传播,伪变化响应难以有效抑制。
4、近年来,状态空间模型,尤其是mamba架构,以线性计算复杂度实现了transformer级别的全局建模能力,在大规模、高分辨率遥感场景中兼具高效推理和有效长程空间依赖建模的双重优势。changemamba首次将视觉状态空间模型引入遥感变化检测,通过双时相孪生编码器提取双时相特征,利用二维选择性扫描机制在全局感受野下进行时空上下文建模,初步验证了状态空间模型在双时相变化检测中的可行性;cdmamba在此基础上引入卷积增强分支,通过并行的局部细节提取与全局上下文建模,强化了变化边界处的细节恢复能力。然而,上述方法仍然将编码后的双时相特征直接用于变化定位,未解决双时相特征中真实变化信息与伪变化信息高度纠缠的关键问题。由于双时相图像中存在由光照变化、季节性差异、大气条件等引起的无关干扰,这些干扰在编码后的特征空间中与真实变化信号高度混合,直接将此类混合特征用于变化定位存在根本性局限,难以同时兼顾高召回率和高精确率。
5、综上所述,传统遥感变化检测方法依赖手工设计特征和预定义的差异算子,对复杂场景中的光谱和纹理干扰高度敏感;深度学习方法通过特征融合、差分、注意力交互和多尺度解码来学习双时相表示并预测变化图,显著提升了检测性能,然而:
6、现有方法主要在空间域进行特征交互与差异建模,缺乏在频域中对不同频率成分进行针对性处理的能力,而双时相图像中稳定的场景结构主要对应低频成分、变化敏感的差异细节主要对应高频成分,无法有效利用这种频域特性意味着难以从物理层面实现精细的共性-差异解耦,使得去伪存真的能力受到根本性限制。
7、现有方法的解码器通常直接从深层语义特征上采样预测变化图,缺乏从深层语义到浅层细节的渐进式空间推理过程,深层特征语义强但空间细节弱、浅层特征结构保真但对噪声敏感,如何有效整合多尺度变化线索、注入边界引导并逐步细化模糊响应是当前方法的共同短板。
8、现有方法在模型效率与检测精度之间存在明显失衡,基于transformer的方法虽然全局建模能力强但参数量和计算开销过大,难以部署于资源受限的边缘设备,而基于卷积神经网络的方法虽然高效但感受野受限、长程依赖建模不足,如何在极低的参数量和计算量下实现高精度的变化检测仍是该领域面临的重要挑战。
9、现有方法普遍直接在融合或差分后的混合双时相特征上进行变化检测,未对时序共享的共性成分与变化敏感的差异成分进行显式分离,导致由光照变化、季节差异、大气条件等因素引起的无关干扰被作为变化响应传播,产生大量伪变化误检,尤其在场景复杂、地物多样的高分辨率遥感图像中,伪变化与真实变化在特征空间中高度混合,严重制约了检测精度。
技术实现思路
1、为此,本发明所要解决的技术问题在于克服现有技术中由于未对共性成分与差异成分进行显式分离,导致无关干扰被作为变化响应传播,无法有效区分真实变化与伪变化,进而导致检测精度低的问题。
2、为解决上述技术问题,本发明提供了一种基于共性与差异解耦的遥感图像变化检测方法,包括:
3、对待检测的第一时相图片与第二时相图片分别进行多尺度特征提取,将第级尺度的第一时相特征与第二时相特征,组成第级尺度的双时相特征;
4、对于第级尺度的双时相特征,将两个时相特征输入低冗余共性-差异解耦模块,分别进行特征投影获取紧凑特征后,对两个紧凑特征进行频率感知变化解耦,获取第级尺度的差异特征;
5、将所有尺度对应的紧凑特征、差异特征,输入变化引导渐进定位模块中,包括:
6、将除尺度最大的第1级尺度外剩余尺度的差异特征上采样至相同尺寸后拼接,映射获取边缘先验;
7、对于除尺度最小的第级尺度外剩余尺度,将第尺度的深层细化特征与第尺度的差异特征输入第尺度的跨尺度变化聚合模块中,进行尺度对齐与特征融合,生成第尺度的聚合特征;
8、对于任意尺度,将边缘先验、第尺度的聚合特征、紧凑特征与第尺度的深层细化特征,输入第尺度的定位细化模块,进行逐通道空间重标定与空间重加权,获取第尺度的深层细化特征;
9、直至获取第1级尺度的深层细化特征,经插值上采样与分类映射,获取变化检测预测图;
10、其中,,表示尺度总个数;当时,在第尺度的定位细化模块中,以第尺度的差异特征代替第尺度的聚合特征。
11、本技术提供的基于共性与差异解耦的遥感图像变化检测方法具有以下有益效果:
12、基于低冗余共性-差异解耦模块与变化引导渐进定位模块,构建了基于解耦与定位的协同变化检测范式,先通过共性-差异解耦识别变化敏感的表示,显式分离差异特征与共性特征;随后利用变化引导渐进定位模块,推断变化区域的空间范围与边界,通过变化边缘调制、跨尺度变化聚合和变化感知定位细化三个子模块的协同配合,自深至浅渐进解码,将解耦后的差异表示逐步转化为边界清晰、区域完整的变化检测图,改变了现有方法在时变混合特征上直接检测变化区域的做法,保障了检测完整性、边界清晰度和伪变化抑制能力,有效提升了变化区域预测的清晰度与准确性。
13、低冗余共性-差异解耦模块,通过紧凑子空间投影实现双时相特征的通道冗余抑制,在保留关键变化信息的前提下获得紧凑的低维时序表示,为后续频域解耦减少计算开销;同时,基于全局重要性先验调制与可重参数化空间细化,将通道注意力响应的大致强度耦合进最终紧凑投影,使得即使经过大幅压缩后的特征仍能保留对整体特征显著性的粗粒度感知。获取紧凑特征后,结合频率感知差异解耦,利用离散小波变换在频域中对双时相特征进行子带级时序交互,将低频结构共性与高频变化差异显式分离,实现稳定场景结构与变化敏感差异的物理域解耦,获得紧凑且判别力强的差异表示。
14、变化引导渐进定位模块,以变化边缘调制生成边缘先验、以跨尺度变化聚合对齐深层语义与浅层细节、以变化感知定位细化逐步抑制伪变化响应并恢复精确的变化边界;自深至浅逐步将解耦后的差异表示转化为边界清晰、区域完整的变化检测图,有效克服了现有方法直接从深层语义上采样而缺乏渐进式空间推理的局限,有效控制了复杂干扰条件下的误检率,同时保持了变化区域边界的清晰度,有效提升了遥感图像在复杂场景、多样地物和多变气候条件下的变化检测精度、区域完整性与边界清晰度。
15、本发明采用多任务联合训练策略,以变化定位损失优化变化区域的定位精度与区域完整性,以边缘结构损失配合分段衰减策略优化变化边界的锐度与连续性,以共性保持损失通过反向掩膜约束促进共性-差异语义的清晰分离,三项损失分别作用于定位精度、边界质量和解耦纯度,实现了端到端的协同优化,保障了检测模型的检测定位精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com