1.本发明涉及检测森林砍伐变化技术领域，尤其涉及一种基于深度学习的森林砍伐变化的检测方法及装置。
背景技术：2.森林资源监测是指对森林资源的数量、质量、空间分布及其利用状况进行定期定位的分析、观测和评价等工作。通过对森林动态变化的研究，可以及时了解森林资源的数量和质量，掌握森林资源的消长变化规律和趋势，分析影响与制约森林生长的自然、经济和社会客观条件，建立或更新森林资源档案，对揭示生态系统环境变化及植被恢复和重建布局等具有重要意义。
3.随着社会经济的快速发展，城市面积的扩张速度逐渐变快，木材资源的需求不断增加，导致森林面积越来越小。森林监测有利于森林的动态分析，预测森林的变化趋势，为森林面积监测以及制定森林保护政策提供依据。目前常用是利用高分辨率光学图像进行人工目视解译，不仅耗费大量人力时间，而且效果差、结果漏缺也比较多，并且在多云雨天气地区，光学数据的可用性受到严重的限制更加导致无法得到结果或者结果不精确。针对数据问题，合成孔径雷达(sar)数据，可以克服光学数据易受云雨天气影响的缺陷，但目前针对sar数据常用的检测方法存在如下技术问题：sar图像存在的散斑噪声会导致现在的检测方法结果不精确，并且现有方法人工输入较多，适用性差等。
技术实现要素：4.本发明提出一种基于深度学习的森林砍伐变化的检测方法及装置，所述方法可以抑制sar图像中的斑点噪声，并利用处理后的数据对深度学习模型进行模型训和变化检测，从而能减少噪声的干扰，提高检测的准确率。
5.本发明实施例的第一方面提供了一种基于深度学习的森林砍伐变化的检测方法，所述方法包括：
6.分别获取第一sar图像数据集和第二光学图像数据集，并对所述第一sar图像数据集进行去除噪声预处理，得到第一处理图像数据集；
7.基于所述第一处理图像数据集的极化波段构建特征图像集，以及基于所述第一处理图像数据集和第二光学图像数据集中的森林砍伐变化内容构建特征标注信息；
8.利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，并使用所述训练模型检测森林砍伐的变化状态。
9.在第一方面的一种可能的实现方式中，所述第一处理图像数据集包括成训练数据集和测试数据集；
10.所述基于所述第一处理图像数据集的极化波段构建特征图像集，包括：
11.任意选择同一地点的两个不同时间节点，按照所述两个时间节点从所述第一处理图像数据集提取第一图像波段集，所述第一图像波段集包括垂直发射且水平接收的极化波
段，以及垂直发射且垂直接收的极化波段；
12.计算所述第一图像波段集中每个所述极化波段的变异系数，并利用所述变异系数构建对应的变异系数图；
13.将第一处理图像数据集的极化波段合并得到合并特征图，以所述变异系数图和所述合并特征图合并为特征图像集。
14.在第一方面的一种可能的实现方式中，所述计算所述第一图像波段集中每个所述极化波段的变异系数，并利用所述变异系数构建对应的变异系数图，包括：
15.计算所述第一图像波段集中每个像元栅格的变异系数，得到变异系数值；
16.利用所述变异系数值替换所述第一图像波段集的极化波段对应像元中的像元值，生成变异系数图。
17.在第一方面的一种可能的实现方式中，所述基于所述第一处理图像数据集和第二光学图像数据集中的森林砍伐变化内容构建特征标注信息，包括：
18.向用户展示所述第一处理图像数据集和第二光学图像数据集；
19.接收用户在查看所述第一处理图像数据集和第二光学图像数据集的标注森林砍伐内容，得到特征标注信息。
20.在第一方面的一种可能的实现方式中，所述去除噪声预处理，包括：
21.依次进行轨道校正、热噪声去除、辐射定标、相干斑滤波、坡度校正、地形校正处理。
22.在第一方面的一种可能的实现方式中，所述利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，包括：
23.以所述特征标注信息为学习目标，采用所述特征图像集对预设的深度学习模型进行模型训练；
24.其中，模型训练的损失函数为二元交叉熵。
25.在第一方面的一种可能的实现方式中，所述使用所述训练模型检测森林砍伐的变化状态，包括：
26.获取待检测森林图像，采用所述训练模型对所述待检测森林图像进行切分为多块的图像块；
27.识别并统计若干块森林被砍伐的图像块；
28.根据若干块森林被砍伐的图像块中发生森林砍伐的斑块确定森林砍伐的变化面积和变化位置。
29.本发明实施例的第二方面提供了一种基于深度学习的森林砍伐变化的检测装置，所述装置包括：
30.获取模块，用于分别获取第一sar图像数据集和第二光学图像数据集，并对所述第一sar图像数据集进行去除噪声预处理，得到第一处理图像数据集；
31.构建模块，用于基于所述第一处理图像数据集的极化波段构建特征图像集，以及基于所述第一处理图像数据集和第二光学图像数据集中的森林砍伐变化内容构建特征标注信息；
32.训练与检测模块，用于利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，并使用所述训练模型检测森林砍伐的变化状态。
33.相比于现有技术，本发明实施例提供的一种基于深度学习的森林砍伐变化的检测方法及装置，其有益效果在于：本发明可以采集两种不同的数据，然后对数据进行去除噪声等预处理操作，并利用处理后的数据对深度学习模型进行模型训练和变化检测，本发明不但能减少噪声的干扰，提高检测的准确率，而且模型检测效率高，能提高用户的检测效率。
附图说明
34.图1是本发明一实施例提供的一种基于深度学习的森林砍伐变化的检测方法的流程示意图；
35.图2是本发明一实施例提供的去除噪声处理的操作流程图；
36.图3是本发明一实施例提供的深度模型的结构示意图；
37.图4是本发明一实施例提供的一种基于深度学习的森林砍伐变化的检测方法的操作流程图；
38.图5是本发明一实施例提供的一种基于深度学习的森林砍伐变化的检测装置的结构示意图。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.目前常用的检测方法有如下技术问题：sar图像中存有大量斑点噪声，使得大量斑点噪声容易干扰森林砍伐目标识别，增加了检测误差，从而降低了检测的准确率。
41.为了解决上述问题，下面将通过以下具体的实施例对本技术实施例提供的一种基于深度学习的森林砍伐变化的检测方法进行详细介绍和说明。
42.参照图1，示出了本发明一实施例提供的一种基于深度学习的森林砍伐变化的检测方法的流程示意图。
43.其中，作为示例的，所述基于深度学习的森林砍伐变化的检测方法，可以包括：
44.s11、分别获取第一sar图像数据集和第二光学图像数据集，并对所述第一sar图像数据集进行去除噪声预处理，得到第一处理图像数据集。
45.在一实施例中，第一sar图像数据集可以为sentinel-1grd级数据，具体可以是指由欧洲航天局哥白尼计划中发射的载有c波段合成孔径雷达(sar)的地球观测卫星在干涉宽幅(iw)模式下采集的地距多视(grd)影像。
46.在一实施例中，第二光学图像数据集可以为sentinel-2l1c级数据，具体可以是指由欧洲航天局发射的载有多光谱成像仪的地球观测卫星获取的经过正射校正和亚像元级几何精校正后的大气表观反射率影像产品。
47.因为sentinel-1grd数据存在热噪声、斑点噪声，以及各种由于地形起伏或者卫星传感器倾斜导致的失真现象，会很大程度地影响图像数据的后续使用。为了减少失真，可以对第一sar图像数据集进行去除噪声处理，以减少其噪声。
48.参照图2，示出了本发明一实施例提供的去除噪声处理的操作流程图。
49.在一可选的实施例中，所述去除噪声预处理，包括：
50.依次对第一sar图像数据集进行轨道校正、热噪声去除、辐射定标、相干斑滤波、坡度校正、地形校正处理。
51.具体地，辐射定标可以将接收到的后向散射信号转化为后向散射系数gamma0(γ0)；相干斑滤波可以使用refined lee滤波器；
52.坡度校正可以为消除数据覆盖区域中包含的非平坦地形对后续实验的影响，使用辐射地形校正算法，该方法需要相对应的dem数据，并且需要dem数据分辨率高于sentinel-1数据。优选地，可以使用30m分辨率哥白尼dem数据，并将其重采样到9m以高于使用的10m分辨率sentinel-1数据。
53.由于真实世界中的地形变化和卫星传感器的倾斜会造成不直接位于传感器最低点位置的图像会存在失真，因此采用地形校正以使图像的几何表示尽可能接近真实世界，使用距离多普勒地形校正算法进行，使用的dem数据仍是重采样为9m分辨率哥白尼dem数据。在实际操作中，地形校正使用距离多普勒地形校正算法，由于sar图像中所涉及的地形变化和卫星传感器的倾斜，sar图像中的距离会出现失真，并且没有位于卫星传感器最低点位置的图像数据也有出现失真，从而导致sar图像中的几何表示和真实世界存在差别，距离多普勒地形校正算法使用图像包含的元数据中的可用轨道状态矢量信息或者外部精确轨道、雷达定时注释、对地倾斜距离转换参数以及参考数字高程模型(dem)一起获取的精确地理位置信息对sar图像进行地理编码，使得sar图像中的几何表示符合真实世界。
54.而噪声去除使用改进的李滤波器(refined lee滤波器)，sar图像具有内在的椒盐纹理，称为斑点，这会降低图像质量，并且使得特征的解译存在困难，refined lee滤波算法是为了克服lee滤波算法的缺陷，即对靠近边缘或点目标的同质区域像素滤波不够充分，它是一种基于边缘检测自适应滤波算法，通过重新定义中心像素的领域来提高估计的准确性。
55.在本实施例中，经过预处理后的图像数据会更加贴合现实世界的几何表示，并去除影响使用的各类噪声，使得图像更加容易进行人眼识别各种地物类型，并且方便后续进行使用，不会对后续研究结果造成干扰。
56.s12、基于所述第一处理图像数据集的极化波段构建特征图像集，以及基于所述第一处理图像数据集和第二光学图像数据集中的森林砍伐变化内容构建特征标注信息。
57.其中，特征图像集可以包括训练所需要的特征图像，特征标注信息可以包括训练所需要的目标信息。
58.在训练时，可以基于目标信息，重复使用特征图像进行训练，使得模型可以在检测时快速识别待检测图像中是否包括目标信息的内容，可以确定森林是否发生砍伐。
59.在一可选的实施例中，所述第一处理图像数据集包括成训练数据集和测试数据集。
60.具体地，可以获取两份第一处理图像数据集，其中一份作为训练数据集，另外一份作为测试数据集。
61.其中，作为示例的，步骤s12可以包括以下子步骤：
62.子步骤s121、任意选择同一地点的两个不同时间节点，按照所述两个时间节点从所述第一处理图像数据集提取第一图像波段集，所述第一图像波段集包括垂直发射且水平
接收的极化波段，以及垂直发射且垂直接收的极化波段。
63.在一实施例中，可以随机选择一个训练数据集对应的时间节点，再随机选择一个测试数据集对应的时间节点，再按照数据集对应的时间节点在数据集中提取对应的波段。具体可以分别从训练数据集提取对应的波段，以及从测试数据集提取对应的波段，得到第一图像波段集。
64.具体地，可以从训练数据集提取对应的vh、vv波段，以及从测试数据集提取对应的vh、vv波段。
65.需要说明的是，vh、vv波段是指合成孔径雷达遥感系统中常用的两种极化方式，电磁波的传播和散射都是矢量现象，而极化正是用来研究电磁波的这种矢量特征，雷达是主动遥感系统，其发射和接受电磁波信号，雷达发射的能量脉冲的电场矢量，可以在垂直或水平面内被偏振，雷达可以发射水平(h)或者垂直(v)电场矢量，亦可接受水平(h)或者垂直(v)信号。
66.其中，vh波段是指雷达系统垂直发射信号，水平接受信号形成的图像数据；vv波段是指雷达系统垂直发射、垂直接受信号形成的图像数据。
67.子步骤s122、计算所述第一图像波段集中每个所述极化波段的变异系数，并利用所述变异系数构建对应的变异系数图。
68.可以计算训练数据集的vh波段和vv波段分别对应的变异系数，然后利用其变异系数分别构建vh波段和vv波段对应的变异系数图。
69.同理，也可以测试数据集的vh波段和vv波段分别对应的变异系数，然后利用其变异系数分别构建vh波段和vv波段对应的变异系数图。
70.在一实施例中，子步骤s122可以包括以下子步骤：
71.子步骤s1221、计算所述第一图像波段集中每个像元栅格的变异系数，得到变异系数值。
72.子步骤s1222、利用所述变异系数值替换像所述第一图像波段集的极化波段对应像元中的像元值，生成变异系数图。
73.由于训练数据集和测试数据集的vh波段和vv波段均属于遥感图像，而遥感图像是一幅有许多像元栅格组成的一幅图像，每个像元栅格都有一个值。
74.可以通过计算vh波段和vv波段两幅图像中每个像元值的变异系数，其计算结果其实可以得到了另一个值，然后利用计算结果这个值取代原来的像元中的值，就形成变异系数构成的特征图，得到变异系数图。
75.在实际操作中，可以分别计算训练数据集的vh波段和vv波段分别对应的变异系数图，再计算测试数据集的vh波段和vv波段分别对应的变异系数图，共得到4个变异系数图。
76.子步骤s123、将所述第一图像波段集的的极化波段合并得到合并特征图，以所述变异系数图和所述合并特征图合并为特征图像集。
77.在本实施例中，可以将训练数据集的vh波段和vv波段合并，得到训练数据集的合并特征图；接着，将测试数据集的vh波段和vv波段合并，得到测试数据集的合并特征图。
78.其中，作为示例的，步骤s12可以包括以下子步骤：
79.子步骤s124、向用户展示所述第一处理图像数据集和第二光学图像数据集。
80.子步骤s125、接收用户在查看所述第一处理图像数据集和第二光学图像数据集的
标注森林砍伐内容，得到特征标注信息。
81.在一实施例中，第二光学图像数据集为sentinel-2数据，sentinel-2数据可以用于目视解译进行样本标签标注。目视解译又叫目视判读，是遥感成像的逆过程。具体是指专业人员通过直接观察或者借助一些辅助判读仪器在遥感图像上获取特定目标地物信息的过程。也就是说是凭借人的眼睛(或借助一些光学仪器)，依靠解译者的知识、经验和掌握的相关资料，通过大脑分析、推理、判断，获取遥感图像中需要的信息。这里就是指通过眼睛在遥感图像通过经验知识识别出发生森林砍伐的地方，并将其标注出来。
82.可选地，可以是用户人为标注，也可在专业人员进行人为标注后，在标注后可以建立的数据库，在及后的操作中可以直接进行使用。
83.具体地，也可以根据第一sar图像数据集的时间节点，结合第二光学图像数据集中发生了森林砍伐变化的部分进行逐像素标注，然后将标注后的数据组成一幅二值图像。
84.s13、利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，并使用所述训练模型检测森林砍伐的变化状态。
85.可以将预处理的第一sar图像数据集以及对应标注后的二值标注数据集打包构成训练集和测试集，在采用打包的数据对预设的深度学习模型进行模型训练。
86.在其中一种的实施例中，步骤s13可以包括以下子步骤：
87.子步骤s131、以所述特征标注信息为学习目标，采用所述特征图像集对预设的深度学习模型进行模型训练。
88.其中，模型训练的损失函数为二元交叉熵。
89.在一实施例中，预设的深度学习模型可以是u-net网络模型结构，u-net是一种语义分割的全卷积网络模型，主要结构由编码器和解码器构成，它可以捕捉多个尺度的分层空间模式，并且以端到端的方式生成语义分割结果，无需过多人工输入。
90.参照图3，示出了本发明一实施例提供的深度模型的结构示意图。
91.在实际训练时，可以输入数据为两个时间点的vh、vv波段对应的变异系数图，以及两个合并特征图共6个输入数据，并且输入图像数据大小为256*256以适合输入到模型中进行训练，模型左侧是由卷积和最大值池化构成的一系列降采样操作，卷积窗口大小为3*3，最大值池化窗口为2*2。
92.参照图3，模型右侧通过反卷积和上采样将提取的特征再进行还原解码到与输入数据相同的尺寸。模型的输出为256*256*1，其中每个值代表森林砍伐概率，在检测结果中，概率高于0.5的像元被标记为森林砍伐，其余像元被标记为未发生森林砍伐，损失函数选择二元交叉熵，优化器选择adam，学习率设置为0.0001，并在每层卷积层中应用批归一化，避免发生过拟合，除去最后一层，其余层的激活函数均为relu，最后一层使用sigmoid函数输出0到1之间的值表示检测森林砍伐概率。该模型的特征通道数相比于经典u-net模型减少了很多，这样可以极大地提高模型训练所需时间。
93.在其中一种的实施例中，步骤s13还可以包括以下子步骤：
94.子步骤s132、获取待检测森林图像，采用所述训练模型对所述待检测森林图像进行切分为多块的图像块。
95.子步骤s133、识别并统计若干块森林被砍伐的图像块。
96.子步骤s133、根据若干块森林被砍伐的图像块中发生森林砍伐的斑块确定森林砍
伐的变化面积和变化位置。
97.具体地，可以通过训练模型分别识别每个图像块中的森林是否被砍伐，若是，则输出为1，若否，则输出为0。
98.再按照图像原先的排列顺序将多块图像块重新排列成一张检测图像，再统计检测图像中输出为1的数量以及位置，从而得到砍伐的面积和砍伐位置。
99.最后，将本次统计的砍伐面积和砍伐位置与在先的进行比较，可以得到砍伐的变化状态。
100.参照图4，示出了本发明一实施例提供的一种基于深度学习的森林砍伐变化的检测方法的操作流程图。
101.具体地，可以预先准备sentinel-1grd级数据和sentinel-2l1c级数据，利用sentinel-1grd级数据构建变异系数图以及合并特征图，利用预处理后的sentinel-1grd级数据和sentinel-2l1c级数据进行数据标注，然后采用变异系数图、合并特征图和标注的内容进行模型训练，最后使用训练完成的模型进行变化检测。
102.在本实施例中，本发明实施例提供了一种基于深度学习的森林砍伐变化的检测方法，其有益效果在于：本发明可以采集两种不同的数据，然后对数据进行抑制斑点噪声等预处理，并利用处理后的数据对深度学习模型进行模型训和变化检测，本发明不但能减少噪声的干扰，提高检测的准确率，而且模型检测效率高，能提高用户的检测效率。
103.本发明实施例还提供了一种基于深度学习的森林砍伐变化的检测装置，参见图5，示出了本发明一实施例提供的一种基于深度学习的森林砍伐变化的检测装置的结构示意图。
104.其中，作为示例的，所述基于深度学习的森林砍伐变化的检测装置可以包括：
105.获取模块501，用于分别获取第一sar图像数据集和第二光学图像数据集，并对所述第一sar图像数据集进行去除噪声处理，得到第一处理图像数据集；
106.构建模块502，用于基于所述第一处理图像数据集的极化波段构建特征图像集，以及基于所述第一处理图像数据集和第二光学图像数据集中的森林砍伐变化内容构建特征标注信息；
107.训练与检测模块503，用于利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，并使用所述训练模型检测森林砍伐的变化状态。
108.可选地，所述第一处理图像数据集包括成训练数据集和测试数据集；
109.所述构建模块还用于：
110.任意选择同一地点的两个不同时间节点，按照所述两个时间节点从所述第一处理图像数据集提取第一图像波段集，所述第一图像波段集包括垂直发射且水平接收的极化波段，以及垂直发射且垂直接收的极化波段；
111.计算所述第一图像波段集中每个所述极化波段的变异系数，并利用所述变异系数构建对应的变异系数图；
112.将所述第一图像波段集的的极化波段合并得到合并特征图，以所述变异系数图和所述合并特征图合并为特征图像集。
113.可选地，所述构建模块还用于：
114.计算所述第一图像波段集中每个像元栅格的变异系数，得到变异系数值；
115.利用所述变异系数值替换像所述第一图像波段集的极化波段对应像元中的像元值，生成变异系数图。
116.可选地，所述构建模块还用于：
117.向用户展示所述第一处理图像数据集和第二光学图像数据集；
118.接收用户在查看所述第一处理图像数据集和第二光学图像数据集的标注森林砍伐内容，得到特征标注信息。
119.可选地，所述去除噪声预处理，包括：
120.依次进行轨道校正、热噪声去除、辐射定标、相干斑滤波、坡度校正、地形校正处理。
121.可选地，所述训练与检测模块还用于：
122.以所述特征标注信息为学习目标，采用所述特征图像集对预设的深度学习模型进行模型训练；
123.其中，模型训练的损失函数为二元交叉熵。
124.可选地，所述训练与检测模块还用于：
125.获取待检测森林图像，采用所述训练模型对所述待检测森林图像进行切分为多块的图像块；
126.识别并统计若干块森林被砍伐的图像块；
127.根据若干块森林被砍伐的图像块中发生森林砍伐的斑块确定森林砍伐的变化面积和变化位置。
128.所属技术领域的技术人员可以清楚地了解到，为方便的描述和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
129.进一步的，本技术实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的基于深度学习的森林砍伐变化的检测方法。
130.进一步的，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的基于深度学习的森林砍伐变化的检测方法。
131.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
技术特征：1.一种基于深度学习的森林砍伐变化的检测方法，其特征在于，所述方法包括：分别获取第一sar图像数据集和第二光学图像数据集，并对所述第一sar图像数据集进行去除噪声预处理，得到第一处理图像数据集；基于所述第一处理图像数据集的极化波段构建特征图像集，以及基于所述第一处理图像数据集和第二光学图像数据集中的森林砍伐变化内容构建特征标注信息；利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，并使用所述训练模型检测森林砍伐的变化状态。2.根据权利要求1所述的基于深度学习的森林砍伐变化的检测方法，其特征在于，所述第一处理图像数据集包括成训练数据集和测试数据集；所述基于所述第一处理图像数据集的极化波段构建特征图像集，包括：任意选择同一地点的两个不同时间节点，按照所述两个时间节点从所述第一处理图像数据集提取第一图像波段集，所述第一图像波段集包括垂直发射且水平接收的极化波段，以及垂直发射且垂直接收的极化波段；计算所述第一图像波段集中每个所述极化波段的变异系数，并利用所述变异系数构建对应的变异系数图；将所述第一图像波段集的的极化波段合并得到合并特征图，以所述变异系数图和所述合并特征图合并为特征图像集。3.根据权利要求2所述的基于深度学习的森林砍伐变化的检测方法，其特征在于，所述计算所述第一图像波段集中每个所述极化波段的变异系数，并利用所述变异系数构建对应的变异系数图，包括：计算所述第一图像波段集中每个像元栅格的变异系数，得到变异系数值；利用所述变异系数值替换像所述第一图像波段集的极化波段对应像元中的像元值，生成变异系数图。4.根据权利要求1所述的基于深度学习的森林砍伐变化的检测方法，其特征在于，所述基于所述第一处理图像数据集和第二光学图像数据集中的森林砍伐变化内容构建特征标注信息，包括：向用户展示所述第一处理图像数据集和第二光学图像数据集；接收用户在查看所述第一处理图像数据集和第二光学图像数据集的标注森林砍伐内容，得到特征标注信息。5.根据权利要求1-4任意一项所述的基于深度学习的森林砍伐变化的检测方法，其特征在于，所述去除噪声预处理，包括：依次进行轨道校正、热噪声去除、辐射定标、相干斑滤波、坡度校正、地形校正处理。6.根据权利要求1-4任意一项所述的基于深度学习的森林砍伐变化的检测方法，其特征在于，所述利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，包括：以所述特征标注信息为学习目标，采用所述特征图像集对预设的深度学习模型进行模型训练；其中，模型训练的损失函数为二元交叉熵。7.根据权利要求1-4任意一项所述的基于深度学习的森林砍伐变化的检测方法，其特
征在于，所述使用所述训练模型检测森林砍伐的变化状态，包括：获取待检测森林图像，采用所述训练模型对所述待检测森林图像进行切分为多块的图像块；识别并统计若干块森林被砍伐的图像块；根据若干块森林被砍伐的图像块中发生森林砍伐的斑块确定森林砍伐的变化面积和变化位置。8.一种基于深度学习的森林砍伐变化的检测装置，其特征在于，所述装置包括：获取模块，用于分别获取第一sar图像数据集和第二光学图像数据集，并对所述第一sar图像数据集进行去除噪声预处理，得到第一处理图像数据集；构建模块，用于基于所述第一处理图像数据集的极化波段构建特征图像集，以及基于所述第一处理图像数据集和第二光学图像数据集中森林砍伐变化内容构建特征标注信息；训练与检测模块，用于利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，并使用所述训练模型检测森林砍伐的变化状态。9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任意一项所述的基于深度学习的森林砍伐变化的检测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-7任意一项所述的基于深度学习的森林砍伐变化的检测方法。
技术总结本发明公开了一种基于深度学习的森林砍伐变化的检测方法及装置，所述方法包括：分别获取第一SAR图像数据集和第二光学图像数据集，并对所述第一SAR图像数据集进行去除噪声等预处理，得到第一处理图像数据集；基于第一处理图像数据集的极化波段构建特征图像集，以及基于第一处理图像数据集和第二光学图像数据集中的森林砍伐变化内容构建特征标注信息；利用所述特征图像集和所述特征标注信息对预设的深度学习模型进行模型训练得到训练模型，并使用所述训练模型检测森林砍伐的变化状态。本发明可以在采集图像数据后，对图像数据进行去除噪声等预处理，并利用处理后的数据对深度学习模型进行模型训和变化检测，从而能减少噪声的干扰，提高检测的准确率。提高检测的准确率。提高检测的准确率。
技术研发人员：祁胜亮 黄华兵
受保护的技术使用者：中山大学
技术研发日：2022.03.29
技术公布日：2022/7/5
