基于自学习的高分辨率多光谱遥感影像多层次变化检测

Multispectual remote sensing image is very readable and widely used in the monitoring of environment, ecology and land-use. In high resolution multispectual remote sensing image, the details of ground are the rich and complex. With the effecting factors of different platforms, viewing angle, season and climate, there are high failure rate and false alarm rate in change detection in high resolution multispectual remote sensing image. With the cognitive mechanism of change detection in large remote sensing images, the project studies a combination of bottom-up and top-down framework, which analyses the change from image changing and ground changing. For the image changing, firstly, the project studies the initial judgment of image changing based on visual saliency from the attention selection mechanism and get part authentic image changing areas and unchanging areas to form the preliminary recognition of image changing mode, which provide large self-learning samples for onward processin. Then, with the deep learning technique, the project studies the deep neural network model of feature difference and sparse coding to accurately determine the changing of pending area in image. There are many false alarm, ground unchanging, in the image changing. For ground changing, influence factors are systemly analysed for the image changing and gound changing. Under the priori knowledge, the project studies the key features for every influence factor to exclude the false alarms and satisfies different application requirements by hierarchically excluding.

多光谱遥感图像具有直观性强特点，在环境、生态和土地利用等监测中应用广泛。高空间分辨率多光谱遥感图像中地物细节丰富、复杂，受平台差异、拍摄角度、季节和气候等因素影响，其变化检测易出现漏检和虚警。项目结合大幅遥感图像变化检测中的认知机制，研究自下而上与自上而下相结合的变化检测框架，从图像变化和地物变化两个方面分析变化检测过程。图像变化方面，首先结合视觉选择机制等，研究基于显著性的遥感图像变化初判断，得到部分可信的图像变化区域和图像非变区域，形成图像变化模式初认识，为后续适应图像变化模式提供了自学习样本；然后采用深度学习技术，研究基于特征差的稀疏自编码深层神经网络模型，从而准确判断待定区域的图像变化性质。地物变化方面，针对图像变化中含有大量地物非变的虚警，系统分析图像变化和地物变化影响因素，在先验知识的指导下，研究各客观因素下地物变化虚警排除关键特征，分层次排除地物变化虚警，满足不同应用的需求。

多光谱遥感图像在环境、生态和土地利用等监测中应用广泛。高分辨率多光谱遥感图像中地物细节丰富、复杂，受平台、拍摄角度、季节、气候和植被生长等因素影响，变化检测易出现漏检和虚警，且变化地物的大小差异大对特征提取带来难度。.针对基于中低层特征的遥感图像变化检测，项目在图像分块的基础上，提出了一种基于局部不变特征的图像块变化性质检测方法，将可信度高的非变图像块做为种子区域，采用区域生长的方式扩展非变区域。实验结果表明，该方法可以一定程度上容忍光照引起的光谱值差异，较好检测出非变区域。.对于高层建筑，由于视角的不同，导致同一建筑物的像素在图像对中不对应，易形成变化检测中的虚警。项目分析出，当配准图像对之间的视角差固定时，高层建筑屋顶的匹配点对之间存在空间平移关系，即局部平移变换和固定角偏移。基于局部平移变换，项目提出了一种将屋顶的匹配点对筛选出来的方法。实验结果表明，位于同一建筑物屋顶上的大多数匹配点对可以从大量图像匹配点对中快速、正确地筛选出来。所筛选的高层建筑匹配点对对于判断同一建筑具有很强的指导意义。.项目针对深度学习框架下的遥感图像变化检测模型，提出一种多尺度稀疏卷积，提取并融合各分支的多尺度特征，有效减少通道数量和参数数量，使得模型具有高效的学习能力和高容量的表达能力并呈现稀疏性，一定程度上缓解了过拟合问题。实验结果表明所提方法能较好地检测大目标和小目标的变化情况，并能容忍部分干扰因素对变化性质判断的影响。.项目针对遥感图像地物分类，提出一种基于金字塔池化多级特征融合的遥感图像语义分割模型，该模型编码部分采用ResNet50用于特征提取，引入空间金字塔池化结构和双重注意力模块，充分利用图像多尺度上下文信息，增强特征表示能力，改善小目标的分割精度。.项目中的深度学习技术研究拓展至图像小目标检测、图像超分辨率重建、数据分析等。