联合UNet++和多级差分模块的多源光学遥感影像对象级变化检测

• Published in: Ce hui xue bao Vol. 52; no. 2; pp. 283 - 296
• Main Authors: 王超, 王帅, 陈晓, 李俊勇, 谢涛
• Format: Journal Article
• Language: Chinese; English
• Published: Beijing Surveying and Mapping Press 20.02.2023; 青岛海洋科学技术国家实验室区域海洋学与数值模拟实验室,青岛266237; 南京信息工程大学电子与信息工程学院,南京210044%南京信息工程大学电子与信息工程学院,南京210044; 南京信息工程大学江苏省大气环境与装备技术协同创新中心,南京210044%南京信息工程大学遥感与测绘工程学院,南京210044
• Subjects: Change detection; Deep learning; Feature extraction; Image processing; Image resolution; Image segmentation; Machine learning; Modules; Remote sensing; Remote sensors; Sensors; Spatial discrimination; Spatial resolution; 变化检测; 多尺度特征提取差分; 多源光学遥感影像; 自适应证据信度指标; 加权DS证据融合; UNet
• ISSN: 1001-1595; 1001-1595
• DOI: 10.11947/j.AGCS.2023.20220202

随着传感器技术的飞速发展，基于多源光学遥感影像的变化检测已成为遥感领域中的研究热点。由于传感器成像差异，同一景象在多源光学遥感影像中通常呈现出不同的表现形式，因此面临着更加突出的“伪变化”问题。为此，本文提出了一种联合UNet++和多级差分模块的多源光学遥感影像对象级变化检测方法。该方法首先提出了一种多尺度特征提取差分（multi-scale feature extraction difference，MFED）模块，以增强模型对“伪变化”的识别能力；在此基础上，利用UNet++网络输出的多尺度特征对变化区域进行多角度精细刻画，并提出了一种自适应证据置信度指标（adaptive evidence credibility indicators，AECI）；最后结合影像分割与Dempster-Shafer（DS）理论设计了加权DS证据融合策略（weighted dempster shafer evidence fusion，WDSEF），从而实现了深度网络像素级输出至对象级结果的映射。通过对不同地区的4组高分多源光学影像数据集进行试验，并与多种先进的深度学习方法进行对比分析，结果表明：在不同空间分辨率和时相差异条件下，本文方法的总体精度（overall accuracy，OA）和F1 score分别可达91.92%和63.31%以上，在目视分析和定量评价均显著优于对比方法。