一种农田身份验证与农田形态变化检测方法及系统

本发明属于遥感图像处理，具体涉及一种农田身份验证与农田形态变化检测方法及系统。

背景技术：

1、“农田身份”不是指农田在某一时刻呈现的颜色、纹理或者作物长势，而是指农田地块在空间上的稳定组织方式，包括地块几何形状、边界走向、连通关系、排列规律以及整体空间配置。农田身份的核心载体是农田形态，它反映的是农业景观中相对稳定的空间骨架，主要由地块边界、地块几何、邻接关系和空间配置共同构成。与短期作物生长导致的表面色彩变化不同，这种形态骨架通常保留了较长时期的人类干预痕迹，例如土地整治后的规则化、灌溉工程带来的圆形地块、山区梯田沿等高线形成的重复轮廓、长期小农经营形成的破碎化镶嵌格局等。因此，农田形态具有更强的结构性、持续性和身份指示意义。

2、在遥感应用中，围绕农田身份开展形态变化检测，对于土地整治监测、农田破坏评估、农业景观格局分析以及农田工程成效评价都具有很高的价值。尤其是在土地整治监测场景下，关注重点并非短期作物颜色或植被状态变化，而是地块空间组织方式是否发生实质性重组，以及两个时期是否仍可被判定为同一农田身份。

3、但是，遥感图像本身是受时间影响很强的观测结果。相同的地块在播种期、拔节期、成熟期、收割后、灌水后或者不同成像条件下会呈现完全不同的颜色和纹理。对于深度学习模型来说，如果训练目标本身没有把“稳定结构”和“短期外观”区分开，模型就会优先利用最容易拟合的表观特征，这就是本发明想规避的“捷径学习”问题，也是现有形态匹配方法泛化不足的重要原因。

4、现有技术的农田身份的技术路线主要有三类。

5、第一类技术路线是单时相农田地块分割或边界提取方案。该类方案通常将任务定义为在单景高分辨率遥感影像上输出田块掩膜、实例边界或轮廓线，常见做法包括卷积网络、编码器-解码器结构、边界感知损失以及注意力机制等。例如，专利申请cn117197651a（一种结合边缘检测与语义分割的田块提取方法及系统），采用基于引导连接注意力机制改进的u-net提取田块语义特征，并结合hsv特征聚类和边缘检测结果对分割结果进行修正，以实现田块提取。该类方案的核心仍然在于提升单时相影像中的田块边界或分布提取精度，而不是判断两个时期是否属于同一农田身份。

6、第二类技术路线是双时相像素级变化检测方案。该类方案通常将两期影像同时输入，通过特征差分、特征拼接、交互注意力或变化解码器输出变化区域或变化图。代表性思路包括孪生卷积变化检测、时空注意力变化检测以及基于变换器的变化检测。例如，专利申请cn112577473a（一种双时相的高分辨率遥感影像变化检测算法）针对双时相高分辨率遥感影像变化检测任务，通过构建多尺度子区域并在子区域内引入自注意机制，以获得适应不同尺度目标的变化特征表示。该类方案监督重点通常仍然是局部像素差异、变化区域提取或变化掩膜生成，而不是农田身份一致性及其背后的稳定形态结构。

7、第三类技术路线是通用孪生相似性判别方案。该类方案借鉴视觉相似性学习，通过共享权重的双支路网络学习样本对之间的相似程度。例如，专利cn111461255b（一种基于间隔分布的siamese网络图像识别方法及系统），通过将图像对映射到低维流形空间并计算相似性度量值，实现图像识别与判别。该类方案仅仅关注了“共享权重双支路学习相似性”，但没有专门针对农田身份这一对象设计形态匹配机制，也没有将形态类别信息作为几何先验引入学习过程，因此仍容易受到纹理风格、区域背景和成像条件的影响。

8、此外，现有视觉mamba或其他状态空间模型方案虽然在长距离依赖建模方面表现出优势，但多数仍应用于分类、分割或检测任务，并未针对双时相农田身份验证构建成对匹配机制，也未围绕形态变化检测建立几何约束。例如，专利申请cn119006813a（一种图神经网络与mamba模型结合的u型多模态融合分割方法）将mamba引入遥感图像多模态融合分割场景，用于增强跨模态长距离依赖建模能力，但其任务目标仍为语义分割，而不是双时相农田身份验证与匹配判定。

9、综上所述，现有技术存在如下缺点：

10、1、结构与表观混淆。现有方法通常把短暂外观差异和稳定形态差异混在一起，难以真正围绕农田结构建立判别依据。

11、2、缺少身份验证与匹配判定机制。现有技术多关注“边界在哪里”或者“哪里发生了变化”，但很少直接判断“两个时期是不是同一农田身份”。

12、3、长距离形态连续性建模不足。梯田、条带状地块、弧形灌溉地块等形态，往往依赖较大范围内的轮廓延续与拓扑一致性，单纯依赖卷积局部感受野容易把它们拆碎。

13、4、缺少面向匹配的几何先验。仅做二分类验证时，特征空间很容易被表观风格主导，没有围绕稳定的形态基元和身份判定边界进行组织。

14、5、工程目标不匹配。土地整治监测和农田破坏评估关注的是地块是否被重组、规则化、破碎化或连续性被打断，而不是所有可见表面变化。

15、因此，现有技术仍未有效解决“身份验证”与“形态变化检测”统一建模的问题。

技术实现思路

1、针对现有技术中的问题，本发明提出一种农田身份验证与农田形态变化检测方法，包括：一种农田身份验证与农田形态变化检测方法，其特征在于，包括：s1，获取覆盖同一地理区域的第一时相遥感影像和第二时相遥感影像作为单时相样本，并对获取的两时相影像进行预处理，得到配准并标准化后的图像对；s2，针对s1获得的图像对和单时相样本，构建双时相身份验证标签与单时相形态类别标签；s3，对s1获得的图像对和单时相样本，以及s2得到的双时相身份验证标签与单时相形态类别标签，进行基于mamba匹配的孪生三分支编码，得到各时相对应的局部细节特征、层级上下文特征和长距离结构特征；s4，针对s3得到的局部细节特征、层级上下文特征和长距离结构特征，分别映射到公共特征空间，并通过拼接与多层感知机进行非线性融合和降维，得到统一的低维农田身份融合特征描述符；s5：通过孪生多任务联合学习，对融合后的形态特征同时进行监督，得到身份验证概率和形态分类结果；s6：对农田形态验证损失、农田形态分类损失，进行动态损失优化；s7：针对待判别双时相图像对及模型预测结果，进行推理，得到农田身份验证最终标签、匹配概率及单时相形态分类结果。

2、本发明还提出一种农田身份验证与农田形态变化检测系统，包括：计算机程序和处理器，当所述处理器执行所述计算机程序时，其实现如前所述的方法。

3、本发明的技术效果包括：本发明不再把农田理解为需要从单张影像中描绘出来的目标，而是把农田形态视为一种稳定的地理身份；不再单纯预测边界或像素变化，而是通过双时相图像对的孪生mamba匹配去验证这种身份是否保持不变，并据此完成形态变化检测。

4、在一些实施方式中，本发明的模型具有如下技术效果：1、模型提出了地块几何、边界组织、空间配置和拓扑连续性敏感、对短期辐射和纹理扰动不敏感的身份描述符；2、模型在跨区域、跨气候带和跨季节条件下仍然具有较强鲁棒性；3、模型特别适合于土地整治监测、农田形态变化识别和农田破坏评估等工程应用。

5、另外，现有技术通常是“双时相遥感变化检测+共享编码”方法。该类方法与本发明同样处理两期共配准遥感图像，但其任务目标一般是输出像素变化掩膜、变化强度图或者简单的二分类结果，而非围绕农田长期稳定的形态身份建立匹配判别机制。

6、本发明至少具有以下创新点。第一，任务定义不同：本发明将双时相农田分析重新定义为农田身份验证问题，判定对象不是局部像素是否变化，而是两个时期是否仍保持同一农田形态身份。第二，表征路径不同：本发明不是直接依据特征差分生成变化图，而是分别提取局部边界特征、层级上下文特征和长距离结构特征，并在公共空间中融合为农田身份描述符。第三，监督机制不同：本发明除主任务身份验证外，还引入单时相形态类别辅助监督，通过几何先验约束共享编码空间，使其优先围绕稳定结构而非短期外观组织。第四，判定方式不同：本发明依据农田身份描述符构建成对匹配向量并输出身份一致概率，再根据阈值判定形态是否变化。

7、因此，本发明并非对现有变化检测网络简单替换骨干或增加常规辅助分类头，而是在任务定义、特征构建、监督机制和判定路径四个层面形成了相互配合的完整技术方案。该方案能够在存在强物候差异、纹理差异和成像差异的条件下，仍然围绕地块几何组织方式进行匹配判断，从而更适用于土地整治监测、农田破坏评估和结构重组识别。

8、综上所述，本发明的技术效果实现了：

9、1.从问题定义上突破了传统范式。本发明不再停留在单时相边界描绘，而是将农田分析明确地转化为双时相农田身份验证与形态变化检测问题，更贴近土地整治监测和农田形态识别的真实需求。

10、2.能够有效抑制物候和外观干扰。由于本发明的模型必须判断两个时期是否共享同一农田身份，因此季节色彩变化、作物更替、收割纹理变化等非结构因素在训练中不再是可靠捷径，模型会被迫更多依赖稳定几何信息。

11、3.对复杂形态具有更好的连续建模能力。以视觉mamba为核心的长程匹配单元能够更好地追踪梯田、条带状农田和弧形灌溉农田等需要跨大范围理解的连续结构，减轻局部遮挡和突变造成的拓扑断裂。

12、4.通过辅助形态分类建立了面向匹配的几何先验。形态分类头相当于给共享特征空间增加了一个“必须按几何规律组织”的约束，使特征更接近农田真实形态，而不是局部纹理风格。

13、5.具有较强的跨区域泛化潜力。由于所学特征更偏向稳定结构，不再过度依赖特定国家、特定季节或特定背景下的表观风格，因此在跨大洲和跨气候区应用时更有优势。

14、6.更贴近工程落地。输出结果可以直接回答“农田身份是否保持一致”以及“农田形态是否发生本质性重组”，这比单纯给出一张变化图更便于在土地整治监测、农田破坏评估和整治热点区识别中使用。