基于深度学习的高分辨率遥感影像自动变化检测.docxVIP

基于深度学习的高分辨率遥感影像自动变化检测 摘要：我国城市化发展迅速，地表利用信息处于不断变动中，及时掌握这些变化信息十分必要。但实际作业中，变化信息获取方式仍然以高人力成本方法，如实地外业调查或者目视遥感影像判读为主，生产效率低。因此，本文提出了一种基于语义分割的深度学习变化检测方法。首先，利用编码-解码深度卷积网络，实现遥感影像地物的自动分类;然后，利用Mean-Shift方法分割前后期影像，融合其光谱、纹理和语义信息等特征，对比前后期影像的特征差异，提取出变化置信度图;最后通过EM算法分割变化与未变化类生成二值变化图，得出变化区域范围。该方法为自动化实现地物变化监测提供了有效的解决办案，实验证明，该方法相比人工以及传统分类模型具有更好的检测精度，有效降低了内外业工作量。 0 引言随着空间科学技术的迅猛发展，我国已先后发射了高分系列、资源系列、高景系列等具备先进高分辨率观测能力的民用卫星，高分辨率遥感影像数据获取能力已大幅提升。遥感影像的分辨率不断提高，数据量持续增长，地面覆盖区域更加广阔，具有更加丰富的光谱、纹理及空间细节等信息传统变化检测算法通常将影像分割生成的对象作为基本单元，并结合影像特征实现地表变化提取。Wang等因此，近年来深度学习技术被逐渐引入到遥感影像信息提取领域，利用深度学习技术实现自动、多层次、多维度地物深层特征提取，获得地物分类信息，进行变化检测。Mnih等综上所述，本文提出一种结合深度学习与Mean-Shift分割算法的变化检测方法，将前后两期影像分割成对象作为分析单元，计算其光谱差异、纹理差异，并结合语义信息提取出变化信息。1 变化检测技术方法1.1 总体技术路线本文所设计的变化检测方法的总体技术路线为:首先准备一定数量的样本数据，利用遥感影像和对应的标记数据生成规定格式的样本训练集，然后对深度学习模型进行训练，利用多空间金字塔模块和编码-解码结构进行语义分割，并基于深度分离卷积实现快速计算，最后输出地物解译分割结果。总体技术流程如图1所示。1.2 技术方法1.2.1 样本准备为获取具有自适应性、准确率高、普适性强的典型地物深度学习算法模型，将遥感影像样本数据集分为样本训练集和样本测试集两部分。前者用来训练设计的网络模型，后者用来测试模型的能力。如果一个模型在训练集上表现优异，对训练集以外的数据，也表现出同样稳定的优异性，则认为该模型具备了较好的泛化能力。1.2.2 模型设计本文借鉴Chen等1)多孔空间金字塔池化深度卷积网络训练过程中，池化层会丢失大量有价值的信息，忽略局部与整体之间关联性;偶数大小卷积核运算导致的偏移累积，在多次卷积过程中累计，使空间信息被边缘侵蚀而丢失。为了解决这些问题，空洞卷积通过对特征图上的密集数据进行稀疏采样，不改变学习到的参数，仅改变输入数据的采样方式，在避免采用池化层损失信息的同时，扩大了感受野，卷积计算后仍可以保留较大范围的信息。设计空洞卷积时参照Wang等为了减少计算复杂度和模型参数量，基于深度分离卷积方法把标准卷积分解为深度卷积和逐点卷积。假设输入特征图尺寸为D为了充分复挖掘数据之间的上下文关联，本文采用了平行的多尺度空洞卷积(ASPP)。包括1个1×1卷积、3个3×3的空洞卷积(采样率为rates={6,12,18})和全局平均池化，将计算结果经过卷积再融合，从而获取多尺度特征。传统的影像解译方法大多基于目标的局部特征，忽略了更加稳定的高层语义描述，因此加入多尺度的语义信息，可以有效地增强深度网络的判别能力，消除不确定性或多义性，以减少运算时间，提高地物检测性能。2)深度卷积网络结构本文利用改进后的Xception作为地物解译网络框架中用于特征提取的深度卷积网络结构，输出影像特征。Entry Flow经过第一个“捷径”模块的结果直接输出为低级特征;Exit flow输出的最终特征，经过ASPP处理后输出为多尺度高级特征，将二者分别输入Decoder。首先，由于来自网络主干的低级特征通道较多，但实际语义信息偏少，可能导致网络训练时偏向低级特征，效果欠佳，所以需要经过1×1的卷积层降低通道数，与Encoder输出的高级特征保持一致;然后将高级特征进行双线性4倍上采样后，连接两种特征，并应用几个3×3的卷积来细化特征，再次进行双线性4倍上采样，得到最终的解译结果。1.2.3 变化检测1) Mean-Shift分割利用Mean-Shift分割算法，基于密度估计，迭代计算获得聚类中心，将中心点的像素值代替原来的像素值，从而消除内部相似的纹理，仅保留边缘等差异较大的特征。具体步骤为:首先读取影像，进行图像平滑，即初始聚类，找到每个数据点的聚类中心，以中心颜色代替原有颜色;然后合