遥感大数据深度学习变化检测

      不知不觉,深度学习已经改变了传统方法的研究路线,大家一窝蜂的研究这个方法了,事实证明,这个方法,确实是目前最有效的视觉方法。。。虽然有点,就不说了!

      利用深度学习进行遥感影像全自动变化检测,这两年飞速发展,精度与效率已经远超传统方法,但是真正将深度学习方法用到实际生产工作,几乎少有人做,目前在做的几个单位,无非就是中科院遥感所,自然资源部国土卫星中心,武汉大学等等。我自己也是这里面的一个,把深度学习方法真正落到实际生产作业中,根据一线作业人员的反馈,虽然不能100%准确,但是可以节省大部分人工工作量了,我还是很欣慰的,靠人工去自动勾变化图斑,量大,人累。做了这么些工作,用一句话可以概括,“科技是第一生产力!”

     下面我以两期多时相影像,利用深度学习方法做的全自动变化监测,并最终输出变化图斑,整个技术流程简单介绍一下:

遥感大数据深度学习变化检测_第1张图片

图 实验区域与检测结果(黄色为自动检测出的变化图斑,蓝色为训练样本)

      更多的局部图斑细节:

                                                        遥感大数据深度学习变化检测_第2张图片     遥感大数据深度学习变化检测_第3张图片

                                                                                                               图 道路区域变化监测结果     

                                                        遥感大数据深度学习变化检测_第4张图片     遥感大数据深度学习变化检测_第5张图片

                                                                                                        图 林地变化提取结果

                                                       遥感大数据深度学习变化检测_第6张图片     遥感大数据深度学习变化检测_第7张图片

                                                                                                      图 建筑物变化提取结果 

       唉,再次吐槽一下博客园的编辑系统,实在是太差了,编辑太不方便了,而且美观性也不行。。。算了。我是随意选取的几种变化检测提取结果,从这个

结果可以看出,基本上变化图斑均能发现,但是边界并不十分完美,因此后面需要人工进行边界修正等,还有一些伪图斑删除,如下面的云覆盖区域,误识别

成变化图斑,因此需要后期删除:

                                                       遥感大数据深度学习变化检测_第8张图片     遥感大数据深度学习变化检测_第9张图片 

                                                                                                  图 伪变化图斑情况

      看完了结果,下面我说一下这个技术流程,总得来说分为以下几个思路:

      1. 影像预处理。如何大规模镶嵌影像数据集,这是一个关键技术问题,我这里是调用的arcgis镶嵌工具,效率较低,对于上百景影像则会效率很低,不知道大家有没有

什么好的方法,可以一起讨论讨论;

      2.分块处理。深度学习方法输入一般是规则的整数块,如1000*1000等,这个可以用GPU计算解决。

      3.栅格矢量化,平滑。这个可以调用一些开源工具集解决,但是我自己是用的自己开发的平滑算法,效果就是上面大家看到的了,视觉上还是不错的。

     关于我用的模型,我这里贴出来,给大家看一下关键部分: 

                                                                                 遥感大数据深度学习变化检测_第10张图片

 

                                                                                                                         图 深度模型关键部分

       我这里是改进的一个轻量级语义分割算法,用了四层并联的空洞卷积,加上一个平均池化层,最后用cat方式融合多特征,所有卷积全部采用可分离卷积,

这个好处,就是训练很快,参数极少,我的参数量一起是32MB,比较小了,在很差的笔记本上cpu计算都可以。

      在图像预处理方面,输入均为525*525大小,好吧,先写到这里,如果大家需要我的全套代码,请联系qq1044625113,加时请备注:深度变化检测。

你可能感兴趣的:(遥感大数据深度学习变化检测)