基于多源光学卫星影像的超分重建与变化检测方法研究

In view of the problems due to the difficulty in obtaining data source, the low accuracy of image segmentation and feature representation, and the weak reliability in extracting change information, this project puts forward a novel method on super-resolution and change detection using multi-source satellite imagery by combining the theory and method in computer vision and machine learning. The strategy includes the following key components: 1) With full use of existing high- and low-resolution imagery, an improved VDSR model is proposed for super-resolution reconstruction to generate the multi-temporal images; 2) The strategy of multi-temporal image segmentation is explored to generate objects by taking full account of object change information and size distribution, then multi-scale and multi-dimension feature representation is constructed based on Hypercolumn and Zoom out features of the generated convolution feature maps; and 3) Saliency guidance and active learning are combined to realize the rough location and accurate extraction of the change information. The proposed project will further improve the degree of automation and intellectualization of change detection using remote-sensing imagery, and effectively expand the monitoring and application ability of high-resolution imagery.

针对多时相遥感影像变化检测中存在的数据源获取困难、影像分割及特征表达精度低、变化信息提取可靠性弱等问题，本项目结合计算机视觉和机器学习等领域理论与方法，创新性地提出一种基于多源光学卫星影像的超分重建与变化检测方法，研究内容包括：1)充分利用已有高、低分辨率影像，基于改进VDSR模型实现超分重建以获取变化检测所需多时相高分遥感影像；2)深入研究多时相影像分割策略，生成充分顾及地物变化且尺寸分布合理的分割对象，在得到卷积特征图的基础上根据Hypercolumn和Zoom out特征构建对象多尺度多维度的高层次特征表达；3)结合显著区引导和主动学习理论实现变化信息的粗定位与精提取。本课题的研究将进一步提高遥感影像变化检测的自动化和智能化程度，有效拓展高分遥感影像的监测和应用能力。

多时相遥感影像变化检测是遥感影像信息提取与智能解译的核心内容，在资源调查、环境评估、城市扩张监测以及灾害应急响应等方面具有重要意义。本项目创新性地引入深度学习技术手段进行人工智能时代变化检测方法探索，力求克服传统变化检测方法缺陷，提高变化检测的自动化和智能化程度，为变化检测的实际应用做好技术铺垫。.提出基于改进 WDSR 网络的遥感影像超分重建方法，较好地提高了网络对纹理结构等细节信息重建能力；提出基于显著性检测和 CNN 的非监督变化检测方法，通过深度迁移特征构建差异影像，提高了特征表达能力和鲁棒性，同时基于显著性检测获取伪训练样本，并利用 CNN 生成变化图，有效克服了样本选择和分类器建模能力不足问题；提出基于改进 UNet++网络的端到端变化检测方法，通过监督训练直接学习两时相输入影像到变化图的映射模式，避免了辐射校正、阈值分割等中间处理环节，极大地提高了变化检测精度和自动化程度；提出基于半监督学习的高分辨率遥感影像变化检测方法，通过对抗训练方式约束标记样本和未标记样本变化图和熵特征图特征分布一致，进而充分挖掘未标记样本潜能，较好地提高了模型泛化能力；提出基于Siamese-UNet的端到端语义变化检测网络，通过监督训练直接学习输入多时相影像的语义变化图，同时确定变化发生的位置和属性，为综合全面的变化分析提供强有力的技术手段。.综上所述，本项目根据遥感大数据背景下变化检测面临的不同层次问题，分别提出了针对性的解决方案，构建了“数据级-特征级-决策级-知识级-语义级”变化检测框架，实现了由低到高的多层级变化检测，对推动大数据时代高分辨率遥感影像变化检测的自动化和智能化具有重要意义。.项目组较好地执行了研究计划，完成了规定的各项研究内容。研究成果发表SCI论文12篇，培养硕士研究生3名；项目负责人按计划提交年度报告及结题研究报告，达到了设定的研究目标。