本技术属于测绘遥感检测，特别是涉及一种建筑物变化区域的检测方法、系统、装置及介质。
背景技术：
1、建筑物变化检测为城市规划提供了重要的数据支持，帮助管理者了解城市的发展动态，以便管理者进行有效的城市规划和土地资源管理。
2、随着深度学习技术的发展，越来越多的学者利用遥感影像和深度学习技术进行建筑物变化检测，以提高建筑物变化检测的自动化水平和检测速度。现有的基于深度学习的建筑物变化检测方法，通常采用deeplabv3plus模型，其结合了空洞卷积和金字塔池化等模块，在编码多尺度背景信息的同时，保留了目标边界的信息，实现对建筑物变化区域的检测。虽然deeplabv3plus模型通过使用空洞卷积，扩大其感受野，提升了提取特征的全局性和语义层次。然而，由于空洞卷积当前卷积层得到的卷积结果，来自上一卷积层中独立的集合，导致空洞卷积的当前卷积层的卷积结果之间没有相关性，容易丢失局部信息；以及，空洞卷积的采样输入信号稀疏，导致远距离卷积得到的特征之间没有相关性，从而降低了分类的准确性，特别是在复杂的自然环境中，容易丢失建筑物的细节特征，对大面积或不规则形状的建筑物的检测准确度较低。
3、基于此，如何在复杂背景下，实现对建筑物变化区域的高准确度检测是目前亟需解决的重要问题。
技术实现思路
1、鉴于上述现有技术的缺点，本技术的目的在于提供一种建筑物变化区域的检测方法，用于解决目前建筑物变化检测方法在复杂背景下，难以准确检测出建筑物变化区域等问题。
2、为实现上述目的及其他相关目的，本发明提供一种建筑物变化区域的检测方法，包括以下步骤：
3、获取第一时相遥感影像和第二时相遥感影像；所述第一时相遥感影像与所述第二时相遥感影像均为目标区域的遥感影像；
4、分别将所述第一时相遥感影像和所述第二时相遥感影像输入建筑物变化检测模型，获得所述建筑物变化检测模型的输出结果；
5、基于所述输出结果，获得建筑物变化概率分布；基于所述建筑物变化概率分布，获得建筑物变化区域的检测结果；
6、其中，所述建筑物变化检测模型中至少包括：编码器、解码器和多视角通道自适应模块；所述多视角通道自适应模块用于获取加权特征图；所述加权特征图中包含建筑物变化区域的多尺度的全局特征、局部特征和边缘特征。
7、于本发明的一实施例中，所述加权特征图的获取方式，包括：
8、所述编码器分别对所述第一时相遥感影像和所述第二时相遥感影像进行特征提取，对应获得第一特征图和第二特征图；对所述第一特征图和所述第二特征图进行特征相似性计算，以获得变化特征图，作为编码器特征图；
9、所述解码器对所述编码器特征图进行上采样，获得解码器特征图；
10、所述多视角通道自适应模块对所述解码器特征图进行多尺度和多视角的特征提取，获得所述加权特征图，包括：
11、对所述解码器特征图进行多尺度特征提取，获得不同尺度下的尺度特征图；
12、对各所述尺度特征图分别进行多视角特征提取，获得分别与各所述尺度特征图对应的多视角特征图；单张所述多视角特征图中包含全局特征、局部特征和边缘特征；
13、融合各所述多视角特征图，获得融合后的增益特征图；所述增益特征图的图像高度、图像宽度和通道维度，与所述解码器特征图的图像高度、图像宽度和通道维度相同；
14、将所述增益特征图与所述解码器特征图进行逐像素相乘，获得所述加权特征图。
15、于本发明的一实施例中，所述对所述解码器特征图进行多尺度特征提取，获得不同尺度下的尺度特征图，包括：
16、利用若干第一卷积层，分别对所述解码器特征图进行不同尺度的特征提取，获得对应尺度的尺度特征图；各所述第一卷积层的卷积核大小不同。
17、于本发明的一实施例中，所述多视角特征图的获取方式，包括：
18、对所述尺度特征图分别进行全局平均池化、局部感知池化和边缘特征提取，对应获得全局平均特征图、若干局部感知特征图和边缘特征图；
19、于通道维度上，对所述全局平均特征图、各所述局部感知特征图和所述边缘特征图进行拼接，以获得所述多视角特征图；
20、其中，所述若干局部感知特征图的获取方式，包括：利用若干不同尺度的卷积核，分别对所述尺度特征图进行特征提取，对应获得若干个局部感知特征图。
21、于本发明的一实施例中，于获得所述尺度特征图后，所述方法还包括：对所述尺度特征图进行全局最大池化，获得全局最大特征图；则所述多视角特征图的获取方式，包括：
22、于通道维度上，对所述全局平均特征图、所述全局最大特征图、各所述局部感知特征图和所述边缘特征图进行拼接，获得所述多视角特征图。
23、于本发明的一实施例中，于获取所述加权特征图后，所述方法还包括：
24、于通道维度上，分别对所述加权特征图进行平均池化和最大池化，对应获得通道平均池化图和通道最大池化图；
25、于空间维度上，对所述通道平均池化图和所述通道最大池化图进行拼接，获得拼接池化图；利用第二卷积层，对所述拼接特征图进行特征提取，获得空间注意力特征图；
26、对所述空间注意力特征图进行归一化，获得空间注意力权重矩阵；对所述多视角特征图与所述空间注意力权重矩阵逐像素对应进行相乘，以获得空间增强特征图，作为所述建筑物变化检测模型的输出结果。
27、于本发明的一实施例中，所述基于所述建筑物变化概率分布，获得建筑物变化区域的检测结果，包括：
28、基于所述建筑物变化概率分布，获得建筑物变化概率分布图，作为所述建筑物变化区域的检测结果；或，
29、基于所述建筑物变化概率分布，获得建筑物变化概率分布图；对所述建筑物变化概率分别图进行阈值分割，获得所述建筑物变化区域的检测结果。
30、对应地，本发明提供一种建筑物变化区域的检测系统，所述系统包括：
31、获取模块，用于获取第一时相遥感影像和第二时相遥感影像；所述第一时相遥感影像与所述第二时相遥感影像均为目标区域的遥感影像；
32、检测模块，用于分别将所述第一时相遥感影像和所述第二时相遥感影像输入建筑物变化检测模型，获得所述建筑物变化检测模型的输出结果；所述建筑物变化检测模型中至少包括：编码器、解码器和多视角通道自适应模块；所述多视角通道自适应模块用于获取加权特征图；所述加权特征图中包含建筑物变化区域的多尺度的全局特征、局部特征和边缘特征；
33、检测结果输出模块，用于基于所述输出结果，获得建筑物变化概率分布；基于所述建筑物变化概率分布，获得建筑物变化区域的检测结果。
34、对应地，本发明提供一种计算机装置，所述装置包括：
35、存储器，用于存储计算机程序；
36、处理器，用于执行所述存储器存储的计算机程序，以使所述装置执行如上所述的建筑物变化区域的检测方法。
37、对应地，本发明提供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程序，所述计算机程序被处理器执行时实现如上所述建筑物变化区域的检测方法。
38、如上所述，本技术提供的一种建筑物变化区域的检测方法、系统、装置及介质，至少具有以下有益效果：
39、通过分别将第一时相遥感影像和第二时相遥感影像，输入预先构建的建筑物变化检测模型，获取所述建筑物变化检测模型的输出结果；所述输出结果中至少包括建筑物变化区域的多尺度的全局特征、局部特征和边缘特征；基于所述输出结果，获得建筑物变化概率分布；基于所述建筑物变化概率分布，获得建筑物变化区域的检测结果，所述方法通过对图像中的所述建筑物变化区域进行多尺度及多视角的特征提取，提高了对所述建筑物变化区域特征提取的全面性和细节性，实现了于复杂场景下，对大面积和/或不规则的建筑物变化区域的高准确度提取。
1.一种建筑物变化区域的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述加权特征图的获取方式，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述解码器特征图进行多尺度特征提取，获得不同尺度下的尺度特征图，包括：
4.根据权利要求2所述的方法，其特征在于，所述多视角特征图的获取方式，包括：
5.根据权利要求4所述的方法，其特征在于，于获得所述尺度特征图后，所述方法还包括：对所述尺度特征图进行全局最大池化，获得全局最大特征图；则所述多视角特征图的获取方式，包括：
6.根据权利要求1所述的方法，其特征在于，于获取所述加权特征图后，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述基于所述建筑物变化概率分布，获得建筑物变化区域的检测结果，包括：
8.一种建筑物变化区域的检测系统，其特征在于，包括：
9.一种计算机装置，其特征在于，所述装置包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现权利要求1至7中任一项所述的建筑物变化区域的检测方法。
