(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 202210596073.6 (22)申请日 2022.05.30 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市杭州经济技 术 开发区白杨街道 2号大街1 158号 (72)发明人 吴瀚　宋慧娜　钟华　滕旭阳　 仇兆炀　黄建华　郭闯　张晟豪　 苏明坤　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 专利代理师 王日精 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/70(2022.01) G06V 10/26(2022.01) G06V 10/75(2022.01)G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于双通道主干网络和联合损失函数的洪 灾变化检测方法及系统 (57)摘要 本发明公开了基于双通道主干网络和联合 损失函数的洪灾变化检测方法及系统， 其方法包 括： S1、 获取双极化SAR图像， 对图像进行预处理， 标注出受到洪灾影 响区域， 获得数据集； S2、 基于 双通道主干网络和联合损失函数构建改进的 DeeplabV3+模型， 并利用数据集训练模型； S3、 利 用训练后的DeeplabV3+模型预测目标区域的洪 灾水域结果并提取； S4、 基于提取的洪灾水域结 果， 利用差值法得到水体的变化情况。 本发明综 合利用了双极化SAR图像的特征信息， 提升了模 型的鲁棒性； 基于主动轮廓模型损失函数构建联 合损失函数， 提升洪灾水体边缘定位和保持能力 的同时增强了模 型的泛化性能， 最终实现洪灾水 体的准确检测与分割。 权利要求书2页 说明书5页 附图2页 CN 115019192 A 2022.09.06 CN 115019192 A 1.基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 包括以下 步骤： S1、 获取双极化SAR图像， 对图像进行 预处理， 标注出受到洪灾影响区域， 获得 数据集； S2、 基于双通道主干网络和联合损失函数构建改进的DeeplabV3+模型， 并利用数据集 训练模型； S3、 利用训练后的De eplabV3+模型 预测目标区域的洪灾水域结果并提取； S4、 基于提取的洪灾水域结果， 利用差值法得到水体的变化情况。 2.根据权利要求1所述的基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 所述 步骤S1中， 双极化SAR图像包括V V极化和VH极化SAR图像。 3.根据权利要求2所述的基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 所述步骤S1中， 预 处理包括依次进行轨道校正、 辐射定标、 斜地转换、 图像配准 和SAR‑BM3D滤波。 4.根据权利要求2所述的基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 所述 步骤S2， 具体包括： S21、 利用双通道主干网络分别对预处理之后的双极化SAR图像进行特征提取， 并将提 取的双通道特 征加权融合得到双极化SAR图像特 征； S22、 将双极化SAR图像特 征输入至De eplabV3+模型进行像素 预测并输出 结果； S23、 根据主动轮廓模型的能量 函数， 构建主动轮廓模型损失函数； S24、 基于构建的主动轮廓损失函数与交叉熵损失和相似度损失构成联合损失函数； S25、 通过反向传播算法以及梯度下降算法， 将联合损失函数传递至深度神经网络以更 新网络参数， 直到停止训练。 5.根据权利要求4所述的基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 所述 步骤S21中， 双通道主干网络采用双通道的Mobi leNetV2主干网络 。 6.根据权利要求4所述的基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 所述 步骤S21中， 双极化SAR图像特 征z为： z＝m·fVV(x)+n·fVH(y) 其中， m、 n分别为加权系数， x和y分别为VV极化和VH极化的SAR图像， fVV(x)和fVH(y)分别 表示利用双通道主干网络对V V极化和VH极化SAR图像提取的特 征。 7.根据权利要求4所述的基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 所述 步骤S23中， 主动轮廓模型损失函数L ossACM为： LossACM＝α·Region+Length； 其中， α 为大于 0的常数； Regi on和Length分别表示区域项能量和长度项能量， 具体为： 其中， Ω为整个图像域， (i,j)为图像中像素点坐标， u为网络的预测结果， v为人工标注 的真实分割结果， 表示图像的梯度， x和y分别表示图像的水平和垂直方向， ε为极小的常权　利　要　求　书 1/2 页 2 CN 115019192 A 2数且 ε>0。 8.根据权利要求7所述的基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 所述 步骤S24中， 联合损失函数L ossunion为： Lossunion＝LossACM+Losscross‑entropy+LossDice 其中， Losscross‑entropy和LossDice分别表示交叉熵损失和相似度损失。 9.根据权利要求7所述的基于双通道主干网络和联合损失函数的洪灾变化检测方法， 其特征在于， 所述 步骤S25中， 网络参数的更新过程 为： 其中， Wti和 分别为迭代t次和迭代t+1次深度神经网络第 i层的参数， η为迭代第t次 时的学习率， 表示联合损失函数Lossunion对迭代t次时深度神经网络第i层参数 Wti的偏导数。 10.基于双通道主干网络和联合损失函数的洪灾变化检测系统， 其特 征在于， 包括： 图像预处 理模块， 用于对双极化SAR图像进行 预处理； 标注模块， 用于标注出受到洪灾影响区域， 获得 数据集； 模型构建与训练模块， 用于双通道主干 网络和联合损失函数构 建改进的DeeplabV3+模 型， 并利用数据集训练模型， 得到训练后的De eplabV3+模型； 预测提取模块， 用于利用训练后的Deepl abV3+模型预测目标区域的洪灾水域结果并提 取； 差值模块， 用于基于提取的洪灾水域结果， 利用差值法得到水体的变化情况。权　利　要　求　书 2/2 页 3 CN 115019192 A 3