关键词:
变化检测
SAR图像
深度学习
注意力机制
面向对象分析
摘要:
变化检测是遥感影像分析的经典方法之一,通过计算与比较同一地理区域不同时间影像的差异,提取出地表发生的变化情况。随着遥感技术的不断发展和遥感数据的开放普及,遥感影像变化检测不仅能够快速准确地监测城市扩展变化情况,实现科学管理与规划,而且在生态环境监测、自然资源管理、农业生产以及灾害应急响应等领域都得到了深入研究和广泛应用。合成孔径雷达(Synthetic Aperture Radar,SAR)系统利用主动遥感的方式全天时、全天候获取地表回波信号,生成不受光照、天气条件影响的高分辨率雷达影像,能够为变化检测持续提供稳定可靠的数据基础,具有重要的研究价值和广阔的发展前景。由于目前基于深度学习技术的SAR图像变化检测方法存在一定的问题和局限,本文以提高变化检测精度和实际效果为目标,根据SAR图像识别水体和人工地物能力强的特点,分别将海洋和陆地上的舰船与建筑物等特定地物作为研究对象,提出一种高分辨率SAR图像变化检测数据集制作方法和两种精细化的深度学习变化检测算法,分析特定目标在不同时相的动态信息,具体研究内容及结果如下:(1)针对目前用于变化检测研究的SAR图像公开数据集数量少且质量有限,而传统的样本标注方法难度高、耗时长的问题,提出一套构建SAR图像变化检测数据集的方法流程,包括预处理、精配准、样本标注与数据增强等操作,借助图像通道融合方法,在提高数据质量的同时能够简化数据标注程序、减少对人工经验的依赖,从而降低样本标注成本。本文根据高分三号SAR影像制作得到一组由95040对图像和标签数据构成的高分辨率变化检测数据集,其中包含舰船与建筑物等后续研究重点关注的地物类型,根据比例和样本均衡性划分为训练集、验证集和测试集,为变化检测深度网络的训练与测试提供充足可靠的数据基础。(2)针对SAR图像中噪声等因素严重影响信息提取的效果,导致特征提取不充分、分类器泛化能力差,深度网络处理效果、鲁棒性和泛化性都十分有限的问题,提出基于改进的注意力机制和差异融合的深度SAR图像变化检测网络,首先通过Res Net结构提取不同时相SAR图像基础特征信息,然后嵌入改进的卷积注意力机制模块,利用时空依赖性提取图像深层次、多维度和精细化的特征,最后根据SAR图像噪声突出和以灰度显示的特点,设计包含差异计算和阈值分析两个部分的差异生成模块,精细化提取不同时相的图像中舰船与建筑物等小尺度特定目标的变化信息,并且采用结合了集合相似度和交叉熵损失函数的混合损失函数进行模型评估与优化,兼顾全局与微观信息,解决样本不平衡问题。实验结果表明与STANet、DSAMNet、SNUNet相比,本文提出的改进网络提取的变化检测结果和参考样本最为相似,精度指标优于其他3种方法,其中综合评价指标F1值达到97.8%,分别提升了9.1%、8.0%和5.1%,验证了该方法提高变化检测准确度的有效性。(3)针对像素级变化检测方法容易受到不同时相的影像间辐射强度、噪声以及配准精度等因素的影响,而且在提取具体特定类型地物的变化信息时忽略目标的整体性,导致误差累计情况严重的问题,提出基于显著性特征优化的SAR图像对象级变化检测方法,通过结合对象提取和加权优化技术改进传统的面向对象分析方法。首先,在对象分割网络架构中加入显著性检测FT算法,通过建筑物样本数据集训练模型分割能力;然后,提取特征向量用于匹配不同时相SAR图像中的对象;最后,结合特征加权优化方法通过差异计算提取变化情况。实验中通过高分辨率SAR建筑样本数据集训练分割模型,并且以中国微山湖及周边城市区域的双时相SAR影像为例,制作测试数据进行变化检测网络效果评估。实验结果表明,该方法在建筑物变化检测任务中的精度优于基于注意力机制的像素级变化检测方法和传统的面向对象分析的变化检测方法,F1值分别提高了5.1%和3.9%,变化检测网络的准确性和鲁棒性均得到明显优化,能够快捷准确地监测建筑物违法违章建设以及灾害受损等情况。本文通过研究不同区域特定类型目标的变化检测方法,并且针对现有算法的问题探索改进方向,分析建筑物、水体、农田等对象在一段时间内的发展变化情况,实现全方位、高精度、精细化及特定化的动态监测,进而为城市可持续发展以及地理国情监测等领域提供有力参考,对于生态环境和公共资源的保护具有重要作用和深远影响,为未来相关研究也提供了一定的理论和应用价值。