一种弱化季节性因素影响的光学遥感图像变化检测方法

本发明属于光学遥感图像变化检测，尤其涉及一种弱化季节性因素影响的光学遥感图像变化检测方法。

背景技术：

1、光学遥感图像变化检测是遥感图像处理中的关键任务之一，通过比较不同时间点捕获的光学遥感图像来确定图像中发生的变化和变化区域。随着遥感技术的快速发展和卫星图像获取的广泛应用，光学遥感图像变化检测在许多领域中具有重要的应用价值，如城市规划、环境监测和农业资源管理等。

2、现有技术主要集中在差异分析和特征提取上，主要侧重于利用图像的空间特征来进行变化分析，但是却往往忽视了季节性因素的影响。季节性因素对光学遥感图像变化检测会造成一定的影响，同一地区在不同季节拍摄的图像可能受到光照、植被状况等因素的影响，导致图像的视觉表现呈现出较大的差异。因此，现有的光学遥感图像变化检测技术，由于忽略了季节性变化带来的干扰和噪声，检测结果的准确性和可靠性仍有待提高。

3、因此，怎样才能有效减少季节性变化带来的干扰和噪声，提升光学遥感图像变化检测的准确性和可靠性，成为目前亟待解决的问题。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种弱化季节性因素影响的光学遥感图像变化检测方法，可以有效减少季节性变化带来的干扰和噪声，提升光学遥感图像变化检测的准确性和可靠性。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、一种弱化季节性因素影响的光学遥感图像变化检测方法，包括以下步骤：

4、s1、获取时相数据集；时相数据集包括多组图像对，每组图像对包括两张不同时相的图像，分别记为时相图1和时相图2；

5、s2、对于时相训练集的每组图像对，分别提取时相图1和时相图2的空间特征和季节特征；

6、s3、对于时相训练集的每组图像对，将时相图1的空间特征与时相图2的季节特征通过交叉注意力机制进行融合，得到重建图1；将时相图2的空间特征与时相图1的季节特征通过交叉注意力机制进行融合，得到重建图2；

7、s4、对于时相训练集的每组图像对，按照预设的方式将时相图1、时相图2与其对应的重建图1、重建图2联结，得到用于变化检测模型训练的训练图像组；

8、s5、根据训练图像组中的图像属性，对变化检测模型的参数进行适应性设置；并使用s4得到的各训练图像组对变化检测模型进行训练；

9、s6、获取待检测的双时相图对，所述双时相图对包括两张用于变化检测的图像；对双时相图对进行s2-s4的处理后，输入s5训练好的变化检测模型中进行变化检测，得到变化检测结果。

10、本发明与现有技术相比，具有如下有益效果：

11、与现有技术主要集中在差异分析和特征提取上相比，使用本方法进行光学遥感图像变化检测时，本方法会首先会分别提取时相图1和时相图2的空间特征和季节特征；之后，通过交叉注意力机制，将将时相图1的空间特征/季节特征与时相图2的季节特征/空间特征融合，得到重建图1/重建图2。这样，重建图1就与时相图2的季节特征相同，而重建图2则与时相图1的季节特征相同。

12、再然后，将时相图1、时相图2以及重建图1、重建图2联结，进行变化检测。通过这样的方式，可以尽可能的规避季节性变化到来的干扰，从而保证光学遥感图像变化检测的可靠性。并且，可以综合利用原始图像和重建图像的信息，在变化检测过程中引入更多的多样性。有助于提高算法的鲁棒性，适应不同场景和条件下的变化检测需求。

13、综上，本方法可以有效减少季节性变化带来的干扰和噪声，提升光学遥感图像变化检测的准确性和可靠性。

14、优选地，s2中，通过预设的季节风格变换模型提取空间特征和季节特征；s3中，通过季节风格变化模型进行空间特征与季节特征的融合；

15、对季节风格变换模型进行训练时，损失函数为：

16、l(g，d)＝lgan(g，d)+λclc(g)+λreclrec(g)；

17、式中，lgan(g，d)为生成式对抗网络损失函数；lc(g)为l1项；lrec(g)为重建损失函数；λc与λrec为预设的权重值；

18、其中，lgan(g，d)＝ex，y[logd(x，y)]+ex，z[log(1-d(x，g(x，ty，z)))]；

19、式中，其中g为生成器，d为判别器，x为原始图像，y为转换季节风格后的目标图像，dx是x的空间特征，ty是y的季节特征，z为输入的噪声；ex，y[*]为对x和y所构成的数据分布进行加权求和的期望值操作，ex，z[*]为对x和z所构成的数据分布进行加权求和的期望值操作；

20、lc(g)＝ex，y，z[||m⊙y-m⊙g(dx，ty，z)||1]；

21、式中，m表示图像中不变的部分，通过对变化标注取反得到；ex，y，z[*]为对(x，y，z)中的所有样本进行加权求和的期望值操作；

22、lrec(g)＝ex，y，z[||x-g(dx，tx，z)||1]；

23、式中，tx为x的季节特征。

24、这样的设置，可以保证实际检测时，得到的重建图的有效性，从而保证变化检测结果的可靠性。

25、优选地，s2中，使用以convnext为主干的u-net编码器来提取图像的空间特征和季节特征。

26、优选地，提取图像的空间特征时，将图像经过分块嵌入层转换成具有96维特征的空间表示，然后通过四个convnext块，提取出不同尺度下的空间特征，所述不同尺度的维度包括96、192、384以及768。

27、优选地，提取图像的季节特征时，将图像经过分块嵌入层后得到32维低级特征，通过三个convnext块的递进提炼，得到32、64、128维的季节特征，其中，最后的128维特征经过全局平均池化和两层输出维度为64维的全连接网络处理后，采用gelu激活函数优化，形成降维后的季节特征向量。

28、这样的设置，可以保证提取的空间特征及季节特征的完整性和有效性，保证后续得到的重建图的有效性，进而保证变化检测结果的可靠性。

29、优选地，s3中，用以convnext为主干网络的u-net进行重建图1及重建图2的融合构建，并在融合过程中将季节特征作为上下文指导融合过程，使空间特征与季节特征的融合过程更具指向性和上下文相关性。

30、这样的设置，可以增强图像季节风格转换的准确性与自然度，进行更丰富的领域迁移。

31、优选地，s4中，所述预设的方式为，对于时相训练集的每组图像对，将时相图1与对应的重建图2联结作为训练图像组的一个输入子组，同时将时相图2与对应的重建图1联结作为训练图像组的另一个输入子组；

32、s6中，将两个输入子组输入到变化检测模型中进行变化检测，并将两个自组的检测结果进行预设比例的混合，作为最终的变化检测结果。

33、这样，将两个季节特征相同的输入子组分别进行对比后，再进行混合，得到最终的变化检测结果，可以保证检测结果的完整性和有效性。

34、优选地，s4中，所述预设的方式为，对于时相训练集的每组图像对，将时相图1、时相图2、对应的重建图1以及对应的重建图2联结为一个输入组，作为训练图像组；

35、s5中，对变化检测模型的参数进行适应性设置时，将输入的通道数量调整为2倍。

36、这样的设置，在保证检测完整性的同时，还可以保证检测的效率。