本發(fā)明屬于圖像檢測，進一步涉及遙感圖像變化檢測技術，具體為一種基于張量分解與自注意力機制的遙感圖像變化檢測方法，可用于城市擴展、生態(tài)環(huán)境監(jiān)測、自然災害響應領域。

背景技術：

0、技術背景

1、遙感圖像變化檢測是遙感數(shù)據(jù)處理中的一項關鍵技術，旨在通過對比不同時間點的遙感圖像來檢測地表變化。在城市擴展、生態(tài)環(huán)境監(jiān)測、自然災害響應等領域，變化檢測技術已經得到了廣泛應用。隨著全球城市化進程加速以及環(huán)境問題日益嚴重，如何準確、高效地對地表變化進行檢測，成為城市規(guī)劃、環(huán)境管理和災害評估等領域的迫切需求。然而，隨著遙感圖像分辨率的提高以及數(shù)據(jù)維度的增加(如多光譜和高光譜圖像)，傳統(tǒng)的變化檢測方法在應對高維數(shù)據(jù)時逐漸暴露出諸多不足。例如，早期的像素級變化檢測方法，如變化矢量分析(change?vector?analysis，cva)和差分圖像法，盡管在低分辨率數(shù)據(jù)中具有較好的效果，但其在高分辨率數(shù)據(jù)中表現(xiàn)不佳，主要原因在于對噪聲過于敏感且無法充分利用復雜的空間結構信息。

2、近年來，深度學習技術的發(fā)展為遙感圖像變化檢測提供了新思路。特別是卷積神經網絡cnn和transformer等模型在處理大規(guī)模圖像數(shù)據(jù)的特征提取和分類方面表現(xiàn)出色。cnn通過卷積核提取圖像的局部特征，在圖像分類和變化檢測任務中取得了顯著的效果。例如，daudt等人提出了一種基于深度卷積網絡的變化檢測方法，通過多層卷積提取圖像特征，并使用差分圖像來判斷地表變化。盡管如此，cnn的局部感受野限制了其捕捉全局特征的能力，在面對復雜的地表變化時，難以有效地結合局部和全局信息。transformer模型通過引入自注意力機制在提取長距離依賴特征方面展現(xiàn)了巨大的優(yōu)勢，逐漸被引入到遙感圖像的變化檢測任務中。dosovitskiy等人提出的vision?transformer(vit)模型通過將圖像分塊并對這些塊之間的關系進行自注意力分析，實現(xiàn)了對圖像的分類和特征提取。然而，transformer在處理圖像時需要將二維圖像展平成一維向量，這種展平過程可能會導致圖像的空間信息丟失，尤其是對于高分辨率和多光譜圖像，影響更為明顯，限制了transformer在復雜遙感任務中的應用。

3、目前的變化檢測算法在處理高分辨率遙感圖像時，往往涉及大量計算和高復雜度的網絡結構，導致算法的計算成本和資源消耗較高，尤其在硬件資源有限的場景中難以實現(xiàn)高效運行。

技術實現(xiàn)思路

1、本發(fā)明的目的在于克服上述現(xiàn)有技術的不足，提出了一種基于張量分解與自注意力機制的遙感圖像變化檢測方法，主要解決現(xiàn)有技術對于復雜地物變化分類效果不佳的問題。傳統(tǒng)模型通常存在計算復雜度高、信息丟失以及分類效果受限的情況，本發(fā)明通過引入張量分解與自注意力機制相結合，構建新型的遙感圖像變化檢測網絡，利用張量神經網絡保留圖像的空間結構信息并降低計算量，自注意力機制全面捕捉全局特征，增強變化檢測的準確性和魯棒性，在不增加顯著計算開銷的情況下提高變化檢測的精度和效率，適用于高分辨率遙感圖像的變化檢測任務。

2、為實現(xiàn)上述目的，本發(fā)明采用的技術方案包括如下步驟：

3、(1)對輸入的多時相遙感影像進行預處理，用于減少輸入影像中的光照和幾何差異，得到預處理后的三通道影像數(shù)據(jù)；

4、(2)構建張量神經網絡與transformer相結合的張量transformer模型，將預處理后的三通道影像數(shù)據(jù)作為模型輸入數(shù)據(jù)，經過模型處理獲取全局特征，實現(xiàn)步驟如下：

5、(2.1)通過張量神經網絡對預處理后的三通道影像數(shù)據(jù)進行特征分解和優(yōu)化，提取數(shù)據(jù)特征，得到核心張量g；

6、(2.2)利用transformer的自注意力機制對張量分解網絡提取的特征進行全局建模，挖掘影像中長距離的依賴關系和變化特征；即通過將張量神經網絡的核心張量g直接作為transformer的輸入單元，用于保留影像的空間和光譜結構，然后基于transformer進行計算，得到全局特征張量f；

7、(3)對張量transformer模型進行迭代訓練，通過不斷調整模型參數(shù)實現(xiàn)優(yōu)化，得到用于變化檢測任務的最終模型；

8、(4)通過分類器對最終模型得到的全局特征張量進行像素級分類，生成與輸入影像大小一致的二值變化檢測圖。

9、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

10、第一、本發(fā)明通過引入張量神經網絡，有效地從遙感圖像中提取關鍵特征，保留了空間結構信息，避免了傳統(tǒng)展平操作中大量結構信息丟失的情況，與傳統(tǒng)高維數(shù)據(jù)處理方式相比，張量分解的方法顯著提高了變化檢測的精度。

11、第二、本發(fā)明創(chuàng)新提出了結合張量分解與transformer模型的新網絡結構，通過張量分解降低模型參數(shù)量，同時利用transformer的自注意力機制捕捉影像中的全局特征，克服了卷積神經網絡感受野有限的局限性；在變化檢測任務中，該網絡能夠更全面地提取特征，有效提升對復雜地物變化的分類精度。

12、第三、由于本發(fā)明采用了高效的張量分解與transformer相結合的方式，減少了計算步驟，優(yōu)化了特征提取過程的復雜度；通過有效的特征降維與自注意力機制的結合，模型在高分辨率、多光譜影像的變化檢測任務中表現(xiàn)出更高的效率和更強的魯棒性，從而實現(xiàn)了在資源有限的情況下快速、準確地完成變化檢測。

技術特征：

1.一種基于張量分解與自注意力機制的遙感圖像變化檢測方法，其特征在于，包括如下步驟：

2.根據(jù)權利要求1所述的方法，其特征在：步驟(1)所述預處理，包括亮度歸一化和影像配準操作。

3.根據(jù)權利要求2所述的方法，其特征在：所述亮度歸一化操作，具體如下：

4.根據(jù)權利要求2所述的方法，其特征在：所述影像配準操作，具體是將多時相影像中的對應像素點對齊到相同的地理坐標系下，配準方法包括以下步驟：

5.根據(jù)權利要求1所述的方法，其特征在：步驟(2)所述張量神經網絡，是利用張量特征提取層實現(xiàn)特征提取，該特征提取層選用tucker分解的逆過程，即使用包含n個矩陣的矩陣組從原始數(shù)據(jù)x中提取特征，得到張量y。

6.根據(jù)權利要求1所述的方法，其特征在：步驟(2.1)通過張量神經網絡對預處理后的三通道影像數(shù)據(jù)進行特征分解和優(yōu)化，提取數(shù)據(jù)特征，得到核心張量g；實現(xiàn)步驟如下：

7.根據(jù)權利要求6所述的方法，其特征在：步驟(2.2)所述基于transformer進行計算，得到全局特征張量f，實現(xiàn)步驟如下：

8.根據(jù)權利要求7所述的方法，其特征在：步驟(2.2.2)所述利用transformer的多頭自注意力機制mhsa對張量塊進行操作，其中每個注意力頭的計算公式如下：

9.根據(jù)權利要求1所述的方法，其特征在：步驟(3)所述對張量transformer模型進行迭代訓練，具體是通過監(jiān)督學習的方式最小化預測的變化檢測圖y和真實的標注變化檢測圖ytrue之間的誤差進行優(yōu)化；步驟如下：

10.根據(jù)權利要求1所述的方法，其特征在：步驟(4)所述二值變化檢測圖，根據(jù)如下操作得到：

技術總結
本發(fā)明提出了一種基于張量分解與自注意力機制的遙感圖像變化檢測方法，主要解決現(xiàn)有檢測技術對于復雜地物變化分類效果不佳的問題。方案包括：1)對輸入影像進行預處理，得到三通道影像數(shù)據(jù)；2)構建張量神經網絡與Transformer相結合的檢測模型，將三通道影像數(shù)據(jù)作為模型輸入；3)利用張量神經網絡保留圖像的空間結構信息并降低計算量，自注意力機制全面捕捉全局特征，增強變化檢測的準確性和魯棒性；4)對模型進行迭代訓練實現(xiàn)優(yōu)化；5)通過分類器對優(yōu)化后模型得到的全局特征張量進行像素級分類，生成變化檢測圖。本發(fā)明能夠在不增加顯著計算開銷的情況下提高變化檢測的精度和效率，適用于高分辨率遙感圖像的變化檢測任務。

技術研發(fā)人員：張偉濤,崔堅,趙晨陽,沈志偉
受保護的技術使用者：西安電子科技大學
技術研發(fā)日：
技術公布日：2025/5/8