一种不同时相影像变化的检测方法与流程

：
1.本发明涉及卫星遥感应用领域，具体而言是一种不同时相影像变化的检测方法。


背景技术：

2.遥感影像变化检测是以一个时相的影像为参考，检测出其他时相影像相对于参考影像的差异，广泛应用于国民经济和国防建设的诸多领域，例如，资源和环境监测中的土地利用和土地覆盖变化、森林和植被变化、湿地变化、城区建设变化等信息获取，农作物生长监测及自然灾害中地震、洪水、泥石流和森林砍伐、火灾等灾情监测与评估等。
3.针对同一地域内的至少两个不同时相的卫星遥感或航拍高清影像，现有技术一般采用向量分析或聚类计算的方法，对多时相的遥感或航拍影像进行直接的像素级比较，然而，由于遥感影像检测的环境复杂性较大，且目标的光学信息缺失，可能导致传统方法的准确性大大下降。


技术实现要素：

4.本发明所技术问题是，提供一种不同时相影像变化的检测方法，该检测方法可减少人工工作量及提升效率，并从实际需求出发，尽可能发现所有的变化区域。
5.本发明的技术解决方案是，提供一种不同时相影像变化的检测方法，包括以下步骤，
6.步骤一,确定目标类别，每个图斑的地类属性都是目标类别中的一种，例如河流、道路、房屋、林地等，收集到所有需要检测变化的图斑类别；
7.步骤二，训练数据准备，基于影像对已有地类属性类别的矢量数据进行校准或勾绘，将每张影像上的所有图斑勾绘出来，并赋值图斑属性为步骤一确定的目标类别的一种；
8.步骤三，数据格式转换，将训练数据的矢量和影像进行处理，输出为适合深度学习网络适用的数据；
9.步骤四，对数据进行划分，66-85％的数据作为训练数据，8-22％的数据作为验证数据，8-13％的数据作为测试数据；也就是说其中的大部分数据作为训练数据，小部分作为验证数据或测试数据，例如7：2：1、8：1：1的比例；
10.步骤五，使用训练数据对深度学习网络进行训练，根据深度学习网络在验证数据和测试数据的准确率，训练过程可能需要调整各种参数，以期达到低漏检率，高准确率的目标；
11.步骤六，地类图斑提取：对没有对应矢量的影像，进行影像处理使其输出为适合深度学习网络适用的数据，并输入到已训练的深度学习网络，得到对应的矢量数据，包括图斑坐标、地类属性；
12.步骤七，对前后时相的矢量数据进行对比，自动列出变化情况。具体的，自动列出的变化情况可如下所示，若前时相对应区域有目标图斑，而后时相对应区域无目标图斑，为减少；若前时相对应区域无目标图斑，而后时对应区域有目标图斑，为新增；若前后时相同
一区域都有目标图斑，但地类属性发生了变更，则列出变化的范围及地类属性变化前后值。
13.作为优选的技术方案，目标类别为20类。
14.作为优选的技术方案，深度学习网络为detectors网络，该网络为最强的目标检测网络。
15.作为优选的技术方案，步骤五中，可对训练数据进行数据增广的预处理。
16.进一步的，数据增广的预处理包括空间变换和颜色调整，其中，空间变换处理如下，对图像进行随机缩放、裁剪、旋转操作，并将变换后的图像与标注，补充到训练集中；颜色调整处理如下，改变对比度，亮度，可以让数据集尽可能多样化。当图像进行了变换时，对应的矢量标注也进行同样的变化，所以变换后的图像仍然有匹配的标注数据。在影像数据的采集过程中，可能受天气、光照条件等因素影响，不同时期的图像数据在亮度、对比度方面有一些差异。比如在同一地理位置，不同时相影像可能存在明显的亮度差异。因此采用调节影像亮度的方法对数据进行亮度的变换增广，从而增加网络模型在不同影像中的泛化能力。
17.采用以上方案后与现有技术相比，本发明具有以下优点：本方案技术通过深度学习的方法自动进行或仅需少量人工干预检测影像的变化，减少人工工作量及提升效率；从实际需求出发，本发明尽可能发现所有的变化区域，即漏检越少越好。
具体实施方式：
18.下面就具体实施方式对本发明作进一步说明：
19.一种不同时相影像变化的检测方法，包括以下步骤，
20.步骤一,确定目标类别，每个图斑的地类属性都是目标类别中的一种，例如河流、道路、房屋、林地等，收集到所有需要检测变化的图斑类别；
21.步骤二，训练数据准备，基于影像对已有地类属性类别的矢量数据进行校准或勾绘，将每张影像上的所有图斑勾绘出来，并赋值图斑属性为步骤一确定的目标类别的一种；
22.步骤三，数据格式转换，将训练数据的矢量和影像进行处理，输出为适合深度学习网络适用的数据；
23.步骤四，对数据进行划分，80％的数据作为训练数据，10％的数据作为验证数据，10％的数据作为测试数据；也就是说其中的大部分数据作为训练数据，小部分作为验证数据或测试数据；
24.步骤五，使用训练数据对深度学习网络进行训练，根据深度学习网络在验证数据和测试数据的准确率，训练过程可能需要调整各种参数，以期达到低漏检率，高准确率的目标；
25.步骤六，地类图斑提取：对没有对应矢量的影像，进行影像处理使其输出为适合深度学习网络适用的数据，并输入到已训练的深度学习网络，得到对应的矢量数据，包括图斑坐标、地类属性；
26.步骤七，对前后时相的矢量数据进行对比，可自动列出以下变化情况。具体的，
27.1、前时相对应区域有某个图斑，而后时相对应区域此图斑没有，为“减少变化”，例如拆除房屋，列出变化的范围及地类属性；
28.2、前时相对应区域无图斑，而后时相对应区域有图斑，为“新增变化”，例如新增房
屋，列出变化的范围及地类属性；
29.3、前后时相同一区域都有图斑，但地类属性发生了变更，例如建造中房屋变成一般房屋，列出变化的范围及地类属性变化前后值。
30.本实施例中，深度学习网络为detectors网络，该网络为最强的目标检测网络。并且，在具体操作中，可对训练数据进行数据增广的预处理；数据增广的预处理包括空间变换和颜色调整，其中，空间变换处理如下，对图像进行随机缩放、裁剪、旋转等操作，并将变换后的图像与标注，补充到训练集中；颜色调整处理如下，改变对比度，亮度等，可以让数据集尽可能多样化。当图像进行了变换时，对应的矢量标注也进行同样的变化，所以变换后的图像仍然有匹配的标注数据。同时，在影像数据的采集过程中，可能受天气、光照条件等因素影响，不同时期的图像数据在亮度、对比度方面有一些差异。比如在同一地理位置，不同时相影像可能存在明显的亮度差异。因此采用调节影像亮度的方法对数据进行亮度的变换增广，从而增加网络模型在不同影像中的泛化能力。也就是说，本发明在训练之前，随机对训练数据进行预处理，并将处理后的数据也加入训练集，用于增加训练样本数量，同时让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力。需要说的是，泛化能力是指模型训练完成后，能在非训练数据中也能有很好的识别效果，其对应的概念是“过拟合”，即模型训练完成后，在训练的图像中识别效果非常好，但用在非训练数据中则效果一般。
31.本发明采用先分类后发现变化的方法。即先使用深度学习的方法，对各时相影像分别进行地类提取(已有对应图斑的影像可不进行提取)，提取结果为矢量图斑数据，有坐标值和地类属性。然后基于传统算法，对前后时相的矢量数据进行对比，自动列出几种变化的情况，从而实现不同时相影像变化的检测。
32.在本实施例中，经过分析比对，对分类的地类类别分为20个类别，如下表1所示：
33.表1
34.[0035][0036]
本发明通过深度学习的方法自动进行或仅需少量人工干预检测影像的变化，减少人工工作量及提升效率。从实际需求出发，本发明尽可能发现所有的变化区域，即漏检越少越好，并且检测方法较为简便。
[0037]
以上仅就本发明较佳的实施例作了说明，但不能理解为是对权利要求的限制。凡是利用本发明说明书所做的等效结构或等效流程变换，均包括在本发明的专利保护范围之内。