(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211077432.3 (22)申请日 2022.09.05 (71)申请人 南京信息 工程大学 地址 210032 江苏省南京市江北新区宁六 路219号 (72)发明人 郭晓丹　王帅　李俊勇　王超　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 王慧 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06T 7/30(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种异源遥感影 像对象级变化检测方法 (57)摘要 本发明公开了一种异源遥感影像对象级变 化检测方法， 通过设计一种多尺度特征提取差分 模块实现多尺度特征差分图的提取， 并作为U Net ++的补充输入， 以提高网络对变化区域特征的学 习能力； 在此基础上， 为实现像素级结果到地理 对象的映射， 设计不同尺度的自适应证据置信度 指标， 进而构建一种基于DS证据理论的WDSEF识 别策略， 实现像素级检测结果到对象的跨越。 通 过对ZY‑3/GF‑2以及GF‑1/GF‑2两个多时相异源 影像数据集进行实验， 并与多种深度学习方法进 行对比， 结果表明本发明能够显著提高对变化区 域的识别能力， 并有效减少 “伪变化”影响， OA和 F1分别可达95%和63.31%以上， 且目视分析和定 量评价均显著优于对比方法。 权利要求书3页 说明书13页 附图5页 CN 115376019 A 2022.11.22 CN 115376019 A 1.一种异源遥感影 像对象级变化检测方法， 其特 征在于， 包括如下步骤： 步骤1， 对于待检测区域， 获取两个不同时相 下的遥感影像T1和T2， 且T1和T2的分辨率 不相同， 以分辨率较低的遥感影像为基准， 对分辨率较高的遥感影像进 行重采样， 获得相同 分辨率的双时相遥感影 像， 并对双时相遥感影 像进行配准处 理； 步骤2， 对配准后的双时相遥感影 像进行影 像分割， 根据分割结果 提取分割对象集 合； 步骤3， 采用UNet++_MSOF作为基础网络进行语义分割， 在UNet++_MSOF的编码器部分设 计多尺度特征提取差 分模块MFED， 所述多尺度特征提取差 分模块包括第一和 第二多尺度特 征提取模块， 通过第一和 第二多尺度特征提取模块分别对配准后的双时相遥感影像进 行差 分后得到原始差分特征图D0， 对D0执行下采样和卷积运算， 得到差分特征图D1， 对D1执行下 采样和卷积运算， 得到差分特征图D2， 对D2执行下采样和卷积运算， 得到差分特征图D3， 对D3 执行下采样和卷积运算， 得到差分特征图D4， 即得到与UNet++_MSOF编码器部分的五个卷积 层分别对应的差分特征图， D0、 D1、 D2、 D3、 D4对应作为UNet++_MSOF编码器部分第0、 1、 2、 3、 4个 下采样层中第0个卷积单 元的输入， 从而得到 MFED‑UNet++五层像素级变化检测结果； 步骤4， 当MFED ‑UNet++训练 收敛后， 得到MFED ‑UNet++各个卷积层的预测精度和损失函 数值， 利用预测精度和损失函数值设计自适应 证据置信度指标； 步骤5， 对于步骤2得到的分割对象集合中的任一分割对象， 结合自适应证据置信度指 标， 采用加权D S证据融合策略进行变化对象的识别。 2.根据权利要求1所述的异源遥感影像对象级变化检测方法， 其特征在于， 所述步骤1 中， 采用遥感图像处理平台ENV I进行重采样并进行配准处理， 为保证配准精度， 通过调整和 删除不符合要求的控制点， 使均方根 误差不超过0.5 。 3.根据权利要求1所述的异源遥感影像对象级变化检测方法， 其特征在于， 所述步骤2 中， 采用智能化影像分析软件eCognition进行影像分割， 基于双时相遥感影像中采集时间 较晚的遥感影像进行目视解译调参， 根据配准得到的坐标关系将分割边界投影到采集时间 较早的遥感影 像， 从而获得包 含N个对象的集 合Rall。 4.根据权利要求1所述的异源遥感影像对象级变化检测方法， 其特征在于， 所述步骤3 中， 第一和第二多尺度特征提取模块结构相同， 且经过第一和第二多尺度特征提取模块得 到原始差分特征 图D0的过程如下： 对于配准后的双时相遥感影像， 将其中一个遥感影像依 次经过4个通道， 第1通道分别对遥感影像进行最大池化和平均池化后， 将最大池化和平均 池化结果输入1 ×1卷积层， 1 ×1卷积层的结果输入第一卷积注意力模块得到第1通道的结 果； 第2通道对遥感影像进行扩张率为1的3 ×3卷积后进入第二卷积注意力模块得到第2通 道的结果； 第3通道分别对遥感影像进行扩张率为1和2的3 ×3卷积后， 利用Add函数融合扩 张率为1和2的3 ×3卷积的结果， 将融合得到的结果进入第三卷积注意力模块得到第3通道 的结果； 第4通道分别对遥感影像进行扩张率为2和 5的3×3卷积后， 利用Add函数融合扩张 率为2和5的3×3卷积的结果， 将 融合得到的结果进入第四卷积注意力模块得到第4通道的 结果； 最后将第1至第4通道的结果进行合并后再经过1 ×1卷积层得到第一特征图； 对另一 个遥感影像进 行上述相同的操作， 得到第二特征图， 将第一特征图和 第二特征图做差， 即得 到原始差分特 征图D0； UNet++_MSOF编码器部分各 卷积单元的输出 特征映射， 如下式所示：权　利　要　求　书 1/3 页 2 CN 115376019 A 2其中， xMFEDi,j表示Xi,j的输出特征映射， Xi,j表示卷积单元， i表示第 i个下采样层， j表示 跳跃方向上的第j个卷积单元， C( ·)表示卷积运算， 后 面跟着一个激活函数， 表示下采 样操作， Δ( ·)表示上采样操作， [ ·]表示串联操作； 当j＝0时， 该卷积单元仅接收来 自上 一个下采样层的一个输入； 当j＞0时， 该卷积单元接收来自跳跃连接层和上采样层的总共j +1个输入， 表示第i个下采样层路径中第k＝0, …,j‑1个卷积层组成的密集跳跃连接 特征图； 在此基础上， MSOF令四个输出节点{X0,1,X0,2,X0,3,X0,4}经过sigmoid层获得四个侧输出 {Y0,Y1,Y2,Y3}， 然后通过 连接四个侧输出的结果 生成第五个输出节点： 其中， 表示串联操作， X0,5通过sigmoid层生成第五个输 出Y4， 从而获得M FED‑UNet++的 五个输出{Y0,Y1,Y2,Y3,Y4}。 5.根据权利要求1所述的异源遥感影像对象级变化检测方法， 其特征在于， 步骤4所述 自适应证据置信度指标， 具体表示如下： 其中， s＝1,2, …,5代表不同层次的网络深度， AECIs表示第s层的自适应证据置信度指 标， VAs和Ls分别表示第s层的预测精度和损失函数值。 6.根据权利要求1所述的异源遥感影像对象级变化检测方法， 其特征在于， 所述步骤5 的具体过程如下： 对于分割对象集合Rall中的任一分割对象Rn， n＝1,2,3 …,N， N为集合中分割对象的数 量， 定义识别框架Θ： {P,Q}， 其中， P和Q分别代表变化和未变化， 则Θ的非空子集A包括{P}、 {Q}和{P， Q}， 在此基础上， 定义基本概率分配函数公式为m:2Θ→[0,1]， 且满足以下约束条 件： 则基于上述约束条件的合成规则如下： 其中， K为归一化常数， 其反映证据间的冲突程度， A'为集合； 当K越 小， 即证据间的冲突越小， 上述合成规则中的 起主要作用， 合成结果近似于DS权　利　要　求　书 2/3 页 3 CN 115376019 A 3