本發(fā)明涉及礦區(qū)遙感變化檢測，尤其涉及一種基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法。

背景技術(shù)：

1、在礦區(qū)遙感變化檢測領(lǐng)域，傳統(tǒng)的檢測方法大多依賴于像素級差異分析，這種單一維度的對比方式往往受限于光照、季節(jié)等自然環(huán)境變化的干擾，并且僅依賴基本像素差異的分析方法，導(dǎo)致變化檢測精度較低，尤其是在復(fù)雜多變的礦區(qū)環(huán)境中。

技術(shù)實現(xiàn)思路

1、為克服現(xiàn)有礦區(qū)遙感變化檢測存在的檢測精度較低的技術(shù)缺陷，本發(fā)明提供了一種基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法。

2、本發(fā)明提供的基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，依次包括如下步驟：

3、s1.構(gòu)建多模態(tài)編碼器，所述多模態(tài)編碼器包括圖像編碼器和深度編碼器，并將原始圖像輸入所述圖像編碼器，所述圖像編碼器輸出低級別特征圖f1以及較高級別特征圖f2至f4，將低級別特征圖f1和較高級別特征圖f2至f4輸入所述深度編碼器，所述深度編碼器輸出深度圖；

4、s2.將深度圖與低級別特征圖f1和較高級別特征圖f2至f4融合，形成特征圖fd1至fd4；

5、s3.構(gòu)建差分特征提取器，所述差分特征提取器包括像素數(shù)值差異模塊、像素特征向量差異模塊和像素語義信息差異模塊；

6、通過所述像素數(shù)值差異模塊計算特征圖fd1至fd4的絕對數(shù)值并應(yīng)用pw卷積映射，自適應(yīng)調(diào)整差異特征的通道分布；

7、通過所述像素特征向量差異模塊采用余弦相似度計算特征向量差異，并通過sigmoid函數(shù)歸一化；

8、通過所述像素語義信息差異模塊引入光流一致性檢驗，并通過計算向前和向后光流的一致性得分，評估變化區(qū)域概率，以提取差分信息；

9、s4.?進行差分信息的跨級特征融合，形成差異圖。

10、進一步的，步驟s1中，所述多模態(tài)編碼器的表達式為：

11、；

12、其中，input為輸入，image_encoder為圖像編碼器，depth_encoder為深度編碼器，depth_map為深度圖。

13、進一步的，步驟s1中，所述深度編碼器輸出深度圖分為如下步驟：

14、a.所述深度編碼器接收低級別特征圖f1和較高級別特征圖f2至f4；

15、b.通過逐層的融合上采樣操作整合全局上下文信息；

16、c.采用動態(tài)分箱策略，根據(jù)圖像內(nèi)容動態(tài)劃分深度空間，每個分箱體代表不同深度范圍，深度編碼器預(yù)測屬于每個分箱體的概率，并據(jù)此計算出每個像素的深度值；

17、d.根據(jù)每個像素的深度值獲取深度圖。

18、進一步的，步驟s2中，通過下述公式進行融合：

19、；

20、其中，dim為深度注入模塊，depth_add與depth_attn為深度注入的兩種方式：對f1進行depth_add，對f2-f4進行depth_attn，c3×3代表3×3卷積，r為relu激活函數(shù)，ca為通道注意力模塊，pw為point-wise卷積。

21、進一步的，步驟s3中，通過下述公式進行差分信息的提?。?/p>

22、；

23、其中，fdfe為差分特征提取器提取的差分信息，ca為通道注意力模塊，fsub、fcos、fconsis分別為像素數(shù)值差異模塊、像素特征向量差異模塊和像素語義信息差異模塊提取的差分信息，pw為point-wise卷積，fa、fb分別為a、b兩個時相的同級特征，cosine_similarity為余弦相似度計算，consistant為光流一致性檢驗，fpn為特征金字塔網(wǎng)絡(luò)，flow_make為光流生成算法。

24、進一步的，步驟s4中，采用如下公式進行跨級特征融合：

25、；

26、其中，為融合后的特征，為進行2倍上采樣后的較高級別特征，為低級別特征。

27、本發(fā)明提供的技術(shù)方案與現(xiàn)有技術(shù)相比具有如下優(yōu)點：

28、本發(fā)明提供的基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，利用深度編碼器精確估計深度信息，并對深度圖和特征圖進行融合，從而能夠結(jié)合深度、紋理與語義特征；利用差分特征提取器全面考慮像素數(shù)值、特征向量及語義差異，尤其通過光流一致性檢驗，提升了對遙感物體出現(xiàn)與消失的敏感度，從而有效抑制未變化信息，突出變化區(qū)域。如此，通過上述技術(shù)特征的協(xié)同作用，不僅提升了變化檢測的精確度和魯棒，還提高了模型對復(fù)雜環(huán)境的適應(yīng)能力，有效解決了現(xiàn)有技術(shù)中難以準確識別和區(qū)分微小變化的問題，特別是在處理深度信息和語義信息結(jié)合的場景下，展現(xiàn)出顯著的優(yōu)越性。

技術(shù)特征：

1.一種基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，其特征在于，依次包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，其特征在于，步驟s1中，所述多模態(tài)編碼器的表達式為：

3.根據(jù)權(quán)利要求1所述的基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，其特征在于，步驟s1中，所述深度編碼器輸出深度圖分為如下步驟：

4.根據(jù)權(quán)利要求1所述的基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，其特征在于，步驟s2中，通過下述公式進行融合：

5.根據(jù)權(quán)利要求1所述的基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，其特征在于，步驟s3中，通過下述公式進行差分信息的提取：

6.根據(jù)權(quán)利要求1所述的基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，其特征在于，步驟s4中，采用如下公式進行跨級特征融合：

技術(shù)總結(jié)
本發(fā)明涉及礦區(qū)遙感變化檢測技術(shù)領(lǐng)域，具體涉及一種基于深度引導(dǎo)與光流一致性分析的礦區(qū)遙感變化檢測方法，主要解決現(xiàn)有礦區(qū)遙感變化檢測存在的檢測精度較低的的技術(shù)問題。本方法包括：S1.構(gòu)建多模態(tài)編碼器，輸出低級別特征圖F1、較高級別特征圖F2至F4以及深度圖；S2.融合形成特征圖FD1至FD4；S3.構(gòu)建差分特征提取器，并引入光流一致性檢驗，提取差分信息；S4.進行差分信息的跨級特征融合，形成差異圖。本方法不僅提升了變化檢測的精確度和魯邦，還提高了模型對復(fù)雜環(huán)境的適應(yīng)能力，有效解決了現(xiàn)有技術(shù)中難以準確識別和區(qū)分微小變化的問題，特別是在處理深度信息和語義信息結(jié)合的場景下，展現(xiàn)出顯著的優(yōu)越性。

技術(shù)研發(fā)人員：續(xù)欣瑩,孟江濤,張喆,張文杰,李鵬越
受保護的技術(shù)使用者：太原理工大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/18