1.一种基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，具体包括以下步骤：

S1：根据收集的待处理影像及地表覆盖矢量、栅格文件构建训练样本库，所述训练样本库包含同一区域的多时影像数据以及地物变化的标签数据；

S2：利用所述步骤S1构建的训练样本库中的多时影像数据和地物变化的标签数据对变化检测网络Siam‑Deep进行训练，学习高分辨遥感影像中不同地物的变化特征；

S3：对提取出的变化检测结果进行后处理，去除变化区域的噪声与杂斑，对建筑物的轮廓进行规则化，得到最终的变化检测结果。

2.根据权利要求1所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，所述步骤S1中的训练样本库包含基于人工标注的真实标签数据与基于全要分割模型结果进行图像差异分析得到的标签数据。

3.根据权利要求1或2所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，在所述步骤S1中，构建所述训练样本库的具体步骤为：S11变化区域影像配准与时空匹配：根据已有变化矢量与栅格信息数据所覆盖的区域，对收集的高分辨影像数据进行时空匹配，即将同一经纬度区域不同时期的数据进行匹配；

若待处理影像为分幅影像，则对分景和分幅的影像进行裁剪拼接，得到完整的影像；

S12影像重采样：统计步骤S11中的时空匹配裁剪出高分辨影像的分辨率，以占比最多的影像分辨率为基准，对其它影像进行重采样；

S13 矢量变化标签栅格化：将收集到的矢量变化文件进行栅格化，转换成与对应影像分辨率相同的栅格标注，标注像素包含变化区域与不变区域两种值；

S14 模型训练样本制作：从栅格变化标签中多次随机位置裁剪出256×256大小的标签块，统计其中包含的变化像素数量，保留与总的像素数比值大于0.5的标签块，同时按照保留标签块的位置从对应不同时期高分辨影像中裁剪相应的影像块，将标签块与样本块命名后存入训练样本库中；

S15数据增强：对训练样本库中的影像块及对应的标签块进行数据增强，生成训练样本库。

4.根据权利要求3所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，所述步骤S2中的变化检测网络Siam‑Deep包括编码器和解码器两部分，其中所述编码器由二个深度卷积模块和一个孪生空间金字塔模块组成；所述解码器部分由上采样模块、特征连接模块和卷积模块组成。

5.根据权利要求4所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，所述编码器的深度卷积模块由两组连续堆叠的空洞卷积和修正线性单元组成；所述孪生空间金字塔模块由一组空洞卷积和一个空洞空间卷积池化金字塔组成。

6.根据权利要求4所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，所述解码器包括一个上采样模块、一个特征连接模块和两个卷积模块；所述上采样模块由两个上采样层组成；所述特征连接模块为连接层；两个卷积模块分别为一个1×

1的卷积层和一个3×3的卷积层。

7.根据权利要求5所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，所述编码器中的空洞卷积中的所有的最大池化层均由stride=2的深度可分离卷积代替。

8.根据权利要求5所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，所述步骤S15中的数据增强的方法包括：图像旋转、翻转、添加随机噪声与亮度调整。

9.根据权利要求5所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，所述空洞卷积的膨胀率为2，所述孪生空间金字塔模块包含3种膨胀率，分别为

6、12和18，其卷积核大小均为3×3， 卷积步长均为1。

10.根据权利要求3所述的基于图像分割与孪生神经网络的遥感影像变化的检测方法，其特征在于，所述步骤S3中的后处理中采用带有低通滤波的卷积核去除检测结果中的噪声杂斑，使用粗调和细调组成的多边形正则化方法，将检测结果中的多边形转化为结构化的轮廓。