一种融合D-InSAR形变监督的遥感影像变化检测方法

本发明涉及遥感信息处理与人工智能，特别是指一种融合d-insar形变监督的遥感影像变化检测方法。

背景技术：

1、遥感变化检测是通过对比同一区域不同时相的遥感影像，识别地表是否发生变化的技术。该技术广泛应用于灾害应急监测、城市建设管理、建筑物变化识别、基础设施损毁评估和地表形变分析等场景。

2、在极端气象灾害中，变化检测具有重要作用。例如，极端降雨可能引发洪涝、滑坡、地面沉降和道路损毁；台风可能造成建筑物破坏、岸线变化、农田受损和基础设施损毁。灾害发生后，快速、准确地识别变化区域和变化程度，对于灾情研判、应急救援和灾后评估具有重要意义。

3、现有变化检测方法多依赖变化前、变化后的光学遥感影像，通过深度学习模型提取两期影像之间的差异，并生成变化检测结果。光学遥感影像具有纹理清晰、空间细节丰富等优点，适合识别建筑物、道路、水体和植被等地物变化。

4、但是，光学遥感影像也容易受到光照、阴影、云雾、季节差异、植被物候变化和成像条件变化的影响。在极端降雨、台风等灾害场景中，灾前灾后影像的光照和地表覆盖状态往往差异较大，模型容易把阴影变化、湿度变化、植被变化等误判为真实变化，从而产生伪变化。

5、d-insar技术能够利用sar影像获取地表形变信息，可反映地表真实形变情况。与单纯依赖光学影像相比，d-insar形变信息能够为变化检测提供更可靠的物理依据，尤其适用于滑坡、沉降、建筑物损毁和灾害扰动区域的识别。

6、目前，d-insar结果通常作为独立的形变分析产品使用，较少与光学遥感影像变化检测模型进行深度结合。现有方法也缺少一种灵活机制，能够根据sar数据的可获取情况，在训练阶段或推理阶段选择性加入d-insar形变信息。

7、因此，有必要提出一种融合d-insar形变监督的遥感影像变化检测方法，使模型既能利用光学影像识别表观变化，又能借助d-insar形变信息判断变化是否真实发生，并进一步将变化结果划分为无明显变化、轻微变化、中等变化和显著变化四类，从而提高极端气象灾害场景下变化检测的准确性和可靠性。

技术实现思路

1、为了解决现有技术存在的光学影像易受干扰产生伪变化，导致检测结果不准，且未将d-insar形变信息与光学影像变化检测深度融合，无法充分利用形变信息提升检测精度的技术问题，本发明实施例提供了一种融合d-insar形变监督的遥感影像变化检测方法。所述技术方案如下：

2、一方面，提供了一种融合d-insar形变监督的遥感影像变化检测方法，包括：

3、s1，获取目标区域双时相光学遥感影像及对应区域sar影像；所述双时相光学遥感影像为变化前和变化后的光学遥感影像；

4、s2，若能获取到sar影像，生成反映地表形变的d-insar形变信息；

5、s3，对光学遥感影像和d-insar形变信息进行预处理，使二者在空间位置、分辨率和图像范围上保持一致；

6、s4，构建由共享编码器、变化检测解码器和形变估计解码器组成的联合学习网络；

7、s5，将双时相光学遥感影像输入共享编码器，提取变化特征；

8、s6，将变化特征输入变化检测解码器，得到无明显变化、轻微变化、中等变化和显著变化四类变化检测概率图；

9、s7，将变化特征输入形变估计解码器，得到预测形变结果；

10、s8，在训练阶段根据d-insar形变信息获取状态，选择是否加入形变监督：当d-insar形变信息可获取时，利用变化真值标签和d-insar形变信息共同训练联合学习网络；当d-insar形变信息不可获取时，利用变化真值标签训练变化检测分支；

11、s9，在推理阶段采用自适应形变修正策略：当d-insar形变信息可获取时用其修正四类变化检测概率图；当d-insar形变信息不可获取时，利用预测形变结果或直接利用变化检测解码器输出结果生成变化检测图；

12、s10，根据修正后的四类变化检测概率图或变化检测解码器输出结果，得到最终变化检测结果。

13、进一步地，所述光学遥感影像用于提供目标区域变化前后的表面纹理、颜色和空间结构信息；

14、所述预处理包括：影像配准、裁剪、重采样和归一化处理。

15、进一步地，所述d-insar形变信息为垂直向形变信息，表示为：

16、；

17、其中，表示垂直向形变量，表示雷达视线方向形变量，表示雷达入射角。

18、进一步地，所述d-insar形变信息为垂直向形变信息；

19、建立如下观测方程：

20、；

21、；

22、通过最小二乘求解垂直向形变分量和东西向形变分量，为升轨视线向形变，为降轨视线向形变，、分别为升轨和降轨对应的入射角，、分别为升轨和降轨对应的方位角。

23、进一步地，所述共享编码器用于提取变化前后光学遥感影像的变化特征；

24、设变化前光学遥感影像为，变化后光学遥感影像为，共享编码器为e，提取到的变化特征为：

25、；

26、其中，表示由变化前后光学遥感影像提取到的变化特征。

27、进一步地，所述变化检测解码器用于输出每个像元分别属于无明显变化、轻微变化、中等变化和显著变化的概率；

28、设变化检测解码器为，得到的四类变化检测概率图为：

29、；

30、其中，表示第个像元属于第类变化的预测概率，=0,1,2,3，表示由变化前后光学遥感影像提取到的变化特征，softmax表示归一化指数函数。

31、进一步地，所述形变估计解码器用于估计目标区域各像元位置的形变程度，即输出预测形变结果；

32、设形变估计解码器为，得到的预测形变结果为：

33、；

34、其中，表示第个像元的预测形变值，表示由变化前后光学遥感影像提取到的变化特征。

35、进一步地，在训练阶段，当d-insar形变信息可获取时，利用变化真值标签和d-insar形变信息共同训练联合学习网络，并采用包括变化检测损失和形变估计损失的联合损失函数进行优化；其中，变化检测损失用于约束四类变化检测结果，形变估计损失用于约束预测形变结果；

36、设表示第个像元在第类上的变化真值标签，表示第个像元属于第类变化的预测概率，表示像元数量，为防止对数计算异常或分母为零的极小常数，则四分类交叉熵损失为：

37、；

38、损失用于衡量预测结果与真实标签的重叠程度，表示为：

39、；

40、变化检测损失表示为：

41、；

42、其中，表示损失的权重系数；

43、设表示第个像元的d-insar形变值，表示第个像元的预测形变值，表示第个像元是否具有有效d-insar形变信息，有效时 =1，无效时 =0，则形变估计损失为：

44、；

45、联合损失函数表示为：

46、；

47、其中，表示损失的权重系数。

48、进一步地，在推理阶段，当d-insar形变信息可获取时，利用d-insar形变信息修正四类变化检测概率图；当d-insar形变信息不可获取时，但预测形变结果可用时，利用预测形变结果进行修正；当二者均不可用时，根据变化检测解码器输出结果生成变化检测图；

49、设第个像元的形变程度为，则有：

50、；

51、其中，=1表示采用d-insar垂直向形变信息，=0表示采用预测形变结果；

52、根据预设阈值,,，将形变程度划分为四个等级，设形变等级为，则有：

53、；

54、其中，=0表示无明显形变，=1表示轻微形变，=2表示中等形变，=3表示显著形变，将形变等级归一化，得到形变权重：

55、；

56、设置类别严重程度权重为：

57、；

58、设为形变增强系数，为非形变抑制系数，表示是否启用形变修正，启用形变修正时=1，不启用形变修正时=0，则预测概率修正公式为：

59、；

60、其中，为修正过程中的中间概率；

61、对中间概率进行归一化，得到最终四类变化检测概率：

62、；

63、其中，表示修正过程中第个像元属于第类变化的预测概率。

64、进一步地，最终变化检测结果表示为：

65、；

66、其中，表示第个像元的最终变化类别。

67、另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述融合d-insar形变监督的遥感影像变化检测方法中的任一项方法。

68、本发明实施例提供的技术方案带来的有益效果至少包括：

69、（1）本发明将d-insar形变信息引入遥感影像变化检测过程，辅助判断变化是否真实发生，使变化判断不仅依赖光学影像表面差异，还结合地表真实形变信息。

70、（2）本发明采用变化检测与形变估计联合学习方式，使联合学习网络在训练过程中同时学习光学变化特征和形变特征，提高联合学习网络对真实变化的识别能力。

71、（3）本发明在推理阶段利用形变信息对变化检测结果进行修正，能够降低由光照、阴影、季节差异、云雾和成像条件变化引起的伪变化误检，提高灾害场景下建筑物变化及基础设施损毁识别的准确性和可靠性。

72、（4）本发明能够根据sar数据的可获取情况灵活使用d-insar形变信息，既可在训练阶段加入形变监督，也可在推理阶段加入形变修正，最终将变化区域划分为无明显变化、轻微变化、中等变化和显著变化四类，适用性更强。

73、（5）本发明输出无明显变化、轻微变化、中等变化和显著变化四类结果，更适合极端降雨、台风、洪涝、地震等灾害后的变化识别、损失评估与应急分析，能够提高极端降雨、台风、滑坡、洪涝、地面沉降等灾害场景下变化检测的准确性和可靠性。