基于深度学习的城市高分遥感图像变化检测方法的研究

摘要

针对城市同一区域不同时相的高分遥感图像,提出了基于深度学习的高分遥感图像变化检测模型。方法采用多尺度裁剪、数值归一化处理、提取绿植等方法进行数据预处理;然后基于U-Net、CE-Net和Deep Lab等语义分割模型,以不同时相的遥感图和变化区域掩码为训练集,设计加权交叉熵损失函数,进行多尺度交叉训练、Adam优化;最后将模型预测的结果输入后处理算法中,采用图割算法graph cut减少模型预测中产生的噪声。实验结果与人工标注的变化区域掩码比较,计算F1分数,通过实验发现将不同的语义分割模型应用到遥感变化检测中都有较好的性能,增加数据预处理和后处理可以有效提升变化检测精度,其中CE-Net相比其他模型效果更好。