基于深度学习的遥感影像变化检测方法研究.pdf

摘要

基于深度学习的遥感影像变化检测方法研究

遥感影像变化检测是指对于同一地点不同时相的遥感影像进行比较，找到其

不同之处并分析变化信息的技术。迄今为止，合成孔径雷达（SyntheticAperture

Radar,SAR）系统已经实现了对全球大部分地区的全天时、全气候大范围的连续

动态观测，其生成的SAR影像不受天气和光照的影响，因此成为了遥感领域重

要的数据源。SAR影像的变化检测技术目前也广泛应用于土地规划、灾害监测、

城市规划、森林防护、地貌变化、冰川消融检测、军事作战指导等。相较于传统

的变化检测算法，深度学习因为其强大的数据表征能力与学习能力逐渐成为了变

化检测技术中最有力的工具之一。由此，针对如何提高SAR影像变化检测的能

力，本文开展了以下研究：

（1）SAR影像因为SAR系统特殊的成像机制，导致其受到了严重的相干斑

噪声影响，为了解决噪声对变化检测结果的影响，本文提出了一种基于频域分析

和多差异算子的SAR影像变化检测方法，该方法首先使用了多差异算子来生成

高质量的差异图，多差异算子使用将对数比算子和均值比算子决策融合的方法来

将SAR影像的乘性噪声转为加性噪声，并结合邻域信息来生成高质量的差异图。

其次，噪声通常存在于图像的高频部分，在频率域对其处理更有利于降低噪声干

扰。因此提出了频域分析模块，将图像转入频率域进行处理，并结合门控线性单

元对频率域产生系数进行选择，能够有效克服噪声对变化检测结果的影响。该算

法在多个SAR数据集上进行了实验，均取得了良好的效果。

（2）提出了一种基于Transformer联合网络的SAR影像变化检测方法，因

为频率域对图像局部特征的提取不敏感，所以引入了时空域网络来联合频域网络

提取图像特征，更好地解决SAR影像的斑点噪声问题。图像的中心域往往包含

着更多的信息，该时空域网络设计了一种多区域特征结构来从多个角度提取图像

中心域特征，其中引入了残差结构来有效提升模型的泛化能力。此外，为了更好

的提取图像关键特征，提升网络的性能，引入了基于自注意力机制的Transformer。

I

其具有强大的表征能力，能够对特征的远程依赖性进行建模，且更好地捕捉上下

文的信息，提取图像的全局特征，从而提高网络的性能，使变化检测结果更具有

鲁棒性。该算法在多个SAR影像数据集上进行了实验，检测结果均验证了算法

的有效性。

关键词：

变化检测、深度学习、频域分析、联合网络、Transformer

II

Abstract

RemoteSensingImageChangeDetectionBasedonDeepLearning

Changedetectionofremotesensingimagesreferstothetechniqueofcomparing

remotesensingimagesofthesamelocationatdifferenttimestoidentifydifferences

andanalyzechangeinformation.Currently,SyntheticApertureRadar(SAR)systems

haveachievedcontinuousdynamicobservationsoveralargerangeoftheglobeinall-

weatherconditions,andtheSARimagesgeneratedareimmunetotheinfluenceof

weatherandlightingconditions,makingthemanimportantdatasourceintheremote

sensingfield.SARimagechangede