(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 202210311570.7 (22)申请日 2022.03.28 (71)申请人 西北工业大 学 地址 710072 陕西省西安市碑林区友谊西 路127号 (72)发明人 侍佼　吴天成　雷雨　周德云　 周颖　何玉亭　曾丽娜　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 方婷 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种遥感图像 变化检测方法 (57)摘要 本发明公开了一种遥感图像变化检测方法， 包括： 获取对同一位置不同时刻拍摄的第一、 第 二遥感图像； 分别对第一、 第二遥感图像进行标 记形成无标签样本数据和有 标签样本数据； 分别 对无标签样本数据和有标签样本数据进行矢量 格式转换形成无标签样本矢量数据和有标签样 本矢量数据； 利用进化算法进行网络结构搜索得 到若干目标阶梯网格模型； 对每一目标阶梯网络 模型进行半监督与无监督训练确定中间最优阶 梯网络模型； 对中间最优阶梯网络模 型进行半监 督与无监督训练得到目标最优阶梯网络模型， 目 标最优阶梯网络模型对应的输出结果为检测结 果。 本发明检测方法普适性更强， 可以获得更好 的遥感图像 变化检测结果。 权利要求书3页 说明书16页 附图8页 CN 114821299 A 2022.07.29 CN 114821299 A 1.一种遥感图像 变化检测方法， 其特 征在于， 包括： 获取对同一 位置不同时刻拍摄的第一遥感图像和第二遥感图像； 分别对所述第一遥感图像和所述第二遥感图像进行标记形成无标签样本数据和有标 签样本数据； 其中， 所述有标签样本数据包括所述第一遥感图像和所述第二遥感 图像中标 记的部分； 所述无标签样本数据包括所述第一遥感图像和所述第二遥感图像中未标记的部 分； 分别对所述无标签样本数据和所述有标签样本数据进行矢量格式转换形成无标签样 本矢量数据和有标签样本 矢量数据； 利用进化 算法进行网络结构搜索得到若干目标阶梯网格模型； 对每一目标阶梯网络模型分别进行半监督与无监督训练确定 中间最优阶梯网络模型； 其中， 半监督训练为利用所述有标签样本矢量数据进行训练； 无监督训练为利用所述有标 签样本数据和所述无 标签样本 矢量数据进行训练； 对所述中间最优阶梯网络模型进行半监督与无监督训练得到目标最优阶梯网络模型， 所述目标最优阶梯网络模型对应的输出 结果为变化检测结果。 2.根据权利要求1所述的遥感图像变化检测方法， 其特征在于， 所述分别对所述无标签 样本数据和所述有标签样本数据进行矢量格式转换形成无标签样本矢量数据和有标签样 本矢量数据， 包括： 利用预设的邻域窗口对所述第一遥感图像和所述第二遥感图像同一位置的像素点对 进行采集得到对应图像块对； 针对每一图像块对， 将所述图像块对中每一图像块的像素点按行展开得到两个像素点 矢量； 将两个像素点矢量纵向连接形成新的像素点矢量； 其中， 所述无标签样本数据形成的 所有新的新像素点矢量组成所述无 标签样本 矢量数据； 对于所述有标签样本数据， 还 包括： 同时， 判断所有像素点对是否发生变化； 将所有新的像素点矢量和其对应的判断结果纵向连接形成所述有标签样本 矢量数据。 3.根据权利要求2所述的遥感图像变化检测方法， 其特征在于， 所有阶梯网络模型均包 括第一编码器、 第二编码器和解码器。 4.根据权利要求3所述的遥感图像变化检测方法， 其特征在于， 所述第一编码器、 所述 第二编码器和所述解码器采用相同的网络结构； 其中， 相同的网络结构包括网络结构 中网 络层数和节点数分别对应相同。 5.根据权利要求4所述的遥感图像变化检测方法， 其特征在于， 所述利用进化算法进行 网络结构搜索得到若干目标阶梯网格模型， 包括： 选择若干初始阶梯网络模型作为初始种群； 对每一所述初始阶梯网络模型中第一编码器的网络层数和节点数分别进行编码； 利用进化算法对所述初始种群中所有初始阶梯网络模型的编码结果进行交叉与变异 直至满足种群迭代 停止条件； 选择满足要求的交叉与变异的编码结果， 并解码形成所述若干目标阶梯网络模型。 6.根据权利要求3所述的遥感图像变化检测方法， 其特征在于， 对阶梯网络模型进行半权　利　要　求　书 1/3 页 2 CN 114821299 A 2监督与无监 督训练的过程， 包括： 利用所述阶梯网络模型中第一编码器对所述无标签样本矢量数据和所述有标签样本 矢量数据进行加噪压缩得到噪声样本； 计算所述噪声样本中有标签样本矢量数据对应的第一编码器的输出结果与该有标签 样本矢量数据中判断结果之间的差异得到监 督损失结果； 将所述阶梯网络模型中第一编码器的输出结果经过所述阶梯网络模型中解码器进行 去噪得到去噪样本； 利用所述阶梯网络模型中第二编码器对所述无标签样本矢量数据和所述有标签样本 矢量数据进行 纯净压缩得到若干无噪样本； 利用所述阶梯网络模型中解码器将去噪样本与每一无 噪样本进行重构， 并计算重构结 果与每一无噪样本之间的差异得到若干无监 督损失结果； 根据所述监督损失结果和所有无监督损失结果计算对应所述阶梯网络模型的网络损 失结果。 7.根据权利要求6所述的遥感图像变化检测方法， 其特征在于， 对阶梯网络模型进行半 监督与无监 督训练之前， 还 包括： 将所述无标签样本矢量数据分为若干批次； 其中， 每一批次的无标签样本矢量数据与 所述有标签样本 矢量数据的大小接 近； 分别将每一批次的无标签样本矢量数据和所述有标签样本矢量数据组成训练数据， 利 用该训练数据对所述 阶梯网络模型进行半监督与无监督训练得到对应的所述 阶梯网络模 型的网络损失结果； 根据所有网络损失结果确定对应优化的阶梯网络模型； 其中， 对每一目标阶梯网络模型进行训练确定的优化的阶梯网络模型为若干目标阶梯 网络模型， 从所述若干目标阶梯网络模型中确定所述中间最优阶梯 网络模型； 对所述中间 最优阶梯网络模型进 行训练确定的优化的阶梯网络模型为所述目标最优阶梯网络模型； 对 每一目标阶梯 网络模型进行训练时采用的迭代次数阈值小于对所述中间最优阶梯 网络模 型进行训练时采用的迭代次数阈值。 8.根据权利要求7所述的遥感图像变化检测方法， 其特征在于， 从所述若干目标阶梯网 络模型中确定所述中间最优阶梯网络模型的过程， 包括： 计算所有目标阶梯网络模型对应的平均差异水平； 根据所述平均差异水平、 所有目标阶梯网络模型的网络损 失结果， 以及所述目标阶梯 网络模型的无监 督损失结果确定所述中间最优阶梯网络模型。 9.根据权利要求3所述的遥感图像变化检测方法， 其特征在于， 所述目标最优阶梯网络 模型对应的输出 结果为变化检测结果， 包括： 对所述目标最优阶梯网络模型中第一编码器的输出结果进行分类得到所述变化检测 结果； 其中， 分类得到所述变化检测结果时对应的目标最优阶梯 网络模型中第一编码器不 加入噪声干扰。 10.根据权利要求3所述的遥感图像 变化检测方法， 其特 征在于， 还 包括： 对所述目标最优阶梯网络模型中第一编码器的输出结果进行分类得到半监督分类结 果；权　利　要　求　书 2/3 页 3 CN 114821299 A 3