一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法与系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115909112A(43)申请公布日2023.04.04(21)申请号202211653085.4(22)申请日2022.12.20(71)申请人重庆大学地址400044重庆市沙坪坝区沙正街174号(72)发明人罗甫林周天媛舒文强刘嘉敏马泽忠罗鼎王小攀(51)Int.Cl.G06V20/17(2022.01)G06V20/10(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06V10/77(2022.01)G06N3/084(2023.01)G06N3/0455(2023.01)G06N3/0464(2023.01)权利要求书3页说明书8页附图6页(54)发明名称一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法与系统(57)摘要本发明涉及一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法与系统，属于信息处理技术领域。该方法包括以下步骤：S1：获取目标区域遥感影像；S2：对获取的目标区域遥感影像进行预处理，获得训练样本数据；S3：将部分标记样本输入多尺度差分特征融合网络进行训练；S4：训练完成后对完整图像进行变化检测获得结果。本发明所述方法和系统的性能优于其他的高光谱图像农田变化检测方法，本方法可以更好地获得和分析变化成分，并且在检测细小变化方面比其他方法具有优势。CN115909112ACN115909112A权利要求书1/3页1.一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法，其特征在于：该方法包括以下步骤：S1：获取目标区域遥感影像；S2：对获取的目标区域遥感影像进行预处理，获得训练样本数据；S3：将部分标记样本输入多尺度差分特征融合网络进行训练；S4：训练完成后对完整图像进行变化检测获得结果。2.根据权利要求1所述的一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法，其特征在于：在步骤S1中，采用基于搭载高光谱相机的无人机平台来实现对高光谱遥感图像的采集，具体包括：S11、依据农田变化检测的任务需求，选定待检测的目标区域，设置无人机平台的飞行参数，包括但不限于飞行高度，速度，规划好飞行路线，采用“之”字形飞行路线；S12、设置好高光谱相机的拍摄参数，考虑图像的重合率，保证图像精准度，选取基于透射光栅的高光谱成像相机，光谱分辨率为2.5nm，工作波长为400‑1000nm，能够提供300个光谱通道；S13、具体采集时，在两个天气晴朗，没有云层遮挡的不同时段，利用无人机搭载高光谱相机，按设定的拍摄航线飞行，获取目标农田区域在变化前后的高光谱遥感影像数据。3.根据权利要求2所述的一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法，其特征在于：在步骤S2中，对获取的目标区域遥感影像进行预处理，主要包括几何畸变矫正，光谱图像渐晕校正，辐射校正，以及计算影像归一化参数，进行前后期影像归一化；在本方法中，选取样本时，考虑到以图像的边缘像素为中心的斑块，首先以映射的方式对图像的边缘进行展开，使用9×9的块作为滑动窗口生成样本，滑动窗口的中心作为该样本的标签，之后从中选取部分样本进行类别标记作为训练样本。4.根据权利要求3所述的一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法，其特征在于：在步骤S3中，所述的多尺度差分深度特征融合网络结构包括时间特征编解码器(TFED)子网络，双向差异变化特征表示(BDFR)模块，多尺度特征注意融合(MSAF)模块以及最后的分类层预测部分；首先，两时相的输入高光谱图像分别通过结合Inception模块和跨层注意模块的TFED子网络获得多尺度特征；之后，通过BDFR模块从这些多尺度特征中获取并学习具有精细表示能力的差异变化特征；然后，MSAF模块将多尺度差异变化特征自适应融合输出到分类层得到变化检测结果；在TFED子网络中，首先利用卷积进行下采样特征提取，经过三次下采样操作后对特征图利用反卷积进行上采样，与对应尺度的，经过所提出的跨层通道注意力机制的特征图进行堆叠，再使用卷积操作对融合后的特征图进行特征提取。5.根据权利要求4所述的一种多尺度差分深度特征融合的无人机高光谱遥感图像农田利用变化检测方法，其特征在于：在TFED子网络的下采样过程中嵌入设计的Inception模块来增大感受野，具体的，先采用1×1卷积对特征图进行降维，然后采用不同的卷积核参数3×3，3×1，1×3，1×1来对特征图进行特征提取，再将提取后的特征在通道维度上堆叠，得到经过Inception模块增强的特征图，公式如下：1×31×13×11×13×31×11×1RI(X)＝[fConv(fConv(X))；fCon